3. Programma
15:00 - 15:15 Welkom en inleiding
15:15 - 15:30 Constructie en sensoren fietspad; eerste inzichten
15:30 - 15:40 Outdoor Mobility Digital Twin
15:40 - 16:05 TU Delft Campus als de plek voor data-gedreven mobiliteitsonderzoek
16:05 - 16:15 Toepasbaarheid onderzoeksresultaten voor overheden
16:15 - 16:25 Wat zijn de volgende stappen?
16:25 - 16:35 Samenvatting en vooruitblik
16:35 - 17:30 Feestelijk moment en borrel naast het fietspad
10. Een prefab modulair
wegelement
Klimaatadaptief
Gemaakt met gerecycled plastic afval
Topdeck heeft coating (slijtlaag) van steenslag
Circulair ontworpen
Zeer licht in gewicht
Lange levensduur
HOOFDSTUK TITLE 4
Online link to video https://youtu.be/UEctoax39CI
24. Meten, schatten en identificeren Begrijpen en theoriseren
Modelleren en voorspellen
Ingrijpen:
regelen, ontwerp en beleid
25. Meten, schatten en identificeren
▪ Meten: hoe druk is het? Hoe fietsen mensen? Hoe lang
staan mensen voor een verkeerslicht te wachten en
hoeveel mensen zijn dat dan?
▪ Schatten: kunnen we door combinatie van
verschillende databronnen de kwaliteit van de
informatie verbeteren? Kunnen we informatie bepalen
die we niet direct kunnen meten?
▪ Identificeren: waar ontstaan problemen? Welke
factoren leiden tot deze problemen?
“Het intelligente fietspad verzameld unieke
verkeers- en contextdata (weer, gladheid, etc.)”
26. Stress meten met Fitbits
▪ Meten van hartslag met Fitbits
▪ Schatten van stress door afwijking van
hartslag (bij inspanning) vast te stellen
▪ Identificeren van situaties waarin stress
hoog is en vaststellen onder welke
condities dit voorkomt
“Unieke pilot stressmeting op de TU Campus op 14 juni 2022 toont locaties waar stress
relatief hoog is. In combinatie met andere data (e.g., van het intelligente fietspad)
kunnen we opmaken wat hier de oorzaak van is (drukte, kenmerken locatie, etc.)”
27.
28. Werkzaamheden waardoor
fietsers de weg op moeten
Vanaf Sebastiaanbrug:
Drukke onoverzichtelijke en
complexe kruising met verkeer
uit meerdere richtingen
Drukke Mekelpark route
heeft relatief hoog stressniveau
29. Begrijpen en theoriseren
Stressniveau fietsers
Drukte
Weer
Doel reis
Interactie
ander verkeer
Wegontwerp
Verkeers-
regelaars
▪ Welke factoren (e.g., drukte, interactie ander
verkeer, wegontwerp, weer) zorgen voor stress
bij fietsers en voetgangers?
▪ Factoren vaststellen op grond van gegevens
intelligente fietspad en andere databronnen
uit de Outdoor Mobility Digital twin
▪ Toepassen Kunstmatige Intelligentie voor het
vaststellen - soms complexe - relaties factoren
en stress (of level-of-service, of risico ongeval
of besmetting)
▪ Drukte lijkt een rol te rol te spelen bij stress,
maar ook bij serviceniveau en risico
30. HB patronen
Lokale
metingen,
e.g. fietspad
Huidig en
verwacht weer
Lesrooster
Parkeerdrukte
OV data
Schatten en voorspellen
verkeersdrukte
Met geavanceerde AI
kunnen we gegevens
combineren zodat we
optimaal schatten en
voorspellen
Stressniveau fietsers
Drukte
Weer
Doel reis
Interactie
ander verkeer
Wegontwerp
Verkeers-
regelaars
Geavanceerde
AI identificeert
complexe
relaties tussen
factoren en
stressniveau
31. HB patronen
Lokale
metingen,
e.g. fietspad
Huidig en
verwacht weer
Lesrooster
Parkeerdrukte
OV data
Schatten en voorspellen
verkeersdrukte
Stressniveau fietsers
Drukte
Weer
Doel reis
Interactie
ander verkeer
Wegontwerp
Verkeers-
regelaars
Vlinderdas
model
Met het vlinderdas model
koppelen we de hoofdfactor
(i.c., drukte) aan ‘verzwarende
omstandigheden’ om zo
stress (of risico) vast te
stellen…
32. Weer
Crowd-
managers
Vlinderdas
model CSM
Vlinderdasmodel wordt
toegepast voor het CSM project
voor voorspelling risico
Risiconiveau
HB patronen
Lokale
metingen
Huidig en
verwacht weer
Evenementen
kalender
Parkeerdrukte
OV data
Schatten en voorspellen
drukte voetgangers
Doel
bezoekers
Sentimenten
Drukte
Regelgeving
33. Schatten en voorspellen
verkeersdrukte
HB patronen
Lokale
metingen
Huidig en
verwacht weer
Lesrooster
Parkeerdrukte
OV data
Modelleren & voorspellen
▪ Onderzoek binnen DAILab XAIT richt
zich op ontwikkelen van
interpreteerbare AI voor het
netwerkbreed voorspellen van
multimodaal verkeer op grond van de
gegevens uit het OMDt
▪ Resultaten Gedistribueerde Graph
Neural Networks + Federated Learning
zijn veelbelovend (nauwkeurig*,
betrouwbaar, schaalbaar,
generaliseerbaar en secure)
* Relatieve fout ~8% voor 5-min en ~13%
voor 30-min flow voorspelling!
37. Toepassingen en waardeketen data
Impact?
Investeren in
nieuwe
datacollectie
Ontwikkelen
nieuwe x-AI
methoden
Nieuw ontwerp-
en regelmethoden
38. Waardegedreven ontwerp sensor
en informatiesystemen
Eisen aan
dataverzameling Eisen aan informatie
Gewenste
impact
Optimaal
ontwerp
sensorsysteem
volgt uit de
utiliteit van de
uiteindelijke
toepassingen
ervan!
Dit vormt een
grote weten-
schappelijke
uitdaging!
45. Do IoT Fieldlab
voor bedrijven, MKB, startups, partners in onderzoek en innovatie
• We helpen bedrijven om de kansen van 5G voor hun
bedrijfsvoering te verkennen:
• in een ‘regelluwe omgeving’ op The Green Village en
Unmanned Valley en
• met mobiele 5G kit
• We stimuleren samenwerking tussen bedrijven,
kennisinstellingen en eindgebruikers.
• toegang tot kennis op gebied van 5G, IoT, data science
• We ondersteunen het ontwikkelen en testen van 5G
innovatie proof-of-concepts
3
46. 5G voor Internet of Things (IoT)
4
Source: ITU “Setting the Scene for 5G”
47. 5G als enabler voor intelligente mobiliteit
5
Communicatie sensor systemen via
(draadloos) netwerk
48. 5G als enabler voor intelligente mobiliteit
6
Voordelen 5G:
• Groot aantal apparaten mogelijk
(100x meer dan nu; 1Miljoen
devices/km2)
• Hoge betrouwbaarheid
beschikbaarheid van de
verbinding - bijna 100%
• Zeer energie efficiënt (tot 90%
reductie netwerk
energieverbruik; 10 jaar
batterijgebruik voor IoT devices
mogelijk)
• Edge computing om zwaardere
AI algoritmen te kunnen
gebruiken