Als onderdeel van het Data Systems Project (DSP) gaan masterstudenten een semester lang aan de slag gaan met een bestaand complex probleem. Ze ontwerpen, implementeren en evalueren een interactief systeem waarbij de focus ligt op het leveren van een interactieve oplossing voor een big data probleem.

Grip krijgen op drukte

Voor de gemeente Amsterdam is grip krijgen op waar en wanneer drukte is, van het grootste belang. Boen Groothoff, Projectmanager Operational Mobility Center gemeente Amsterdam:  ‘Amsterdam wordt de laatste jaren steeds drukker. Deze drukte, die in alle modaliteiten tot uiting komt, belast de openbare ruimte. Naast het klassieke probleem van overbelaste wegen leiden massa's voetgangers tot een verminderde “leefbaarheid” in de stad. Bovendien kan de huidige COVID-19-pandemie overvolle plaatsen een risico voor de volksgezondheid maken’. Masterstudenten Rajeev Kalloe, Priya Jogie, Damian den Ouden, Priyanka Singh en Fajar Fathurrahman analyseerden in opdracht van de gemeente Amsterdam de GVB-data van de drie drukste ov-stations van Amsterdam: Centraal Station, Station Zuid en Station Bijlmer ArenA en onderzochten hoe ze machine learning konden inzetten voor accurate druktevoorspellingen.

‘Drukte’ in coronajaar

Via de gemeente Amsterdam kregen de studenten toegang tot in- en uitcheckdata van de GVB van metro, bus en tram over 2020. ‘Bijna 12 maanden aan data en 1,2 miljoen observaties; van de normale situatie (januari - 22 maart) tot aan volledige lockdown (23 maart – 1 juli), geen lockdown (juli tot en met 17 augustus) en gedeeltelijke lockdown (van 18 augustus tot 13 december)’, legt student Rajeev Kalloe uit. ‘De GVB-data combineerden we met KNMI-data van het weerstation op Schiphol en de feestdagen in die periode.

Kalloe: ‘Sinds de coronamaatregelen is de drukte lager gebleven dan normaal. De drukte is gedaald en blijft laag. Tijdens de gedeeltelijke lockdown halveerde de drukte ten opzichte van de normale situatie, en tijdens de volledige lockdown halveerde de drukte weer ten opzichte van de gedeeltelijke lockdown. De grootste daling aan reizigers was te zien bij halte VU, een daling van 87%. Bij het Centraal station ging het om een daling van 75%. De spitsuren zijn nog steeds terug te zien, al is in coronatijd de piek veel kleiner dan normaalgesproken’.

Voorspellen drukte

Op basis van alle data trainden Kalloe en zijn medestudenten diverse machine learning modellen. Random Forest Regression bleek zeer geschikt te zijn voor het voorspellen van drukte in ov-stations. Kalloe: ‘Met een nauwkeurigheid van circa 85% en een gemiddelde foutmarge van 9% kunnen wij voorspellen wat de drukte zal worden op Centraal Station, Station Zuid en Station Bijlmer Arena’.

Vanaf maart loopt Rajeev Kalloe voor zijn masterthesis stage bij de gemeente Amsterdam. ‘Ik ga de normale situatie in kaart brengen aan de hand van GVB-data uit 2019 en deze combineren met de uitzonderlijke situaties (zoals de coronapandemie). Op die manier kan de gemeente Amsterdam straks druktevoorspellingen maken voor diverse situaties’.