Een van de belangrijkste maatregelen tegen de verspreiding van het coronavirus is het houden van anderhalve meter afstand van elkaar. Om dat goed vorm te geven, moet je weten hoe en waar mensen zich bewegen en hoe dat verandert over tijd. Met onderzoek op onze eigen campus proberen we daar inzicht in te krijgen.
Waar en wanneer moet je maatregelen tegen de drukte nemen, en hoe effectief zijn die dan? Een speciaal op de universiteitscampus aangelegd netwerk probeert hier antwoord op te geven. Sensoren in het netwerk zetten visuele informatie om in privacy-proof data, waarbij voetgangers en fietsers als bewegende puntjes worden weergegeven. Deze informatie wordt gecombineerd met openbare data, waaronder de openingstijden van de bruggen en de realtime locaties treinen, bussen en trams.
Digital twin
De gecombineerde informatie wordt gevisualiseerd in een Campus Mobility Dashboard, een digital twin van de universiteitscampus. Dit 3D-model werkt met heat maps (kleurcoderingen) om bijvoorbeeld aan te geven hoe druk het ergens is. In de huidige situatie vertelt dit het campusmanagement in hoeverre het bewaren van anderhalve meter afstand haalbaar is en signaleert het kritieke locaties. Op basis daarvan kunnen maatregelen volgen, uiteenlopend van het advies om bepaalde (rustiger) routes te nemen, op een ander tijdstip te reizen of met een ander vervoermiddel tot het aanpassen van collegeroosters of het invoeren van eenrichtingsverkeer op fietspaden.
Voorspellen
Naast het signaleren van drukte moet het systeem uiteindelijk ook bewegingen en drukte op de campus kunnen voorspellen, op korte termijn (15 minuten) maar ook op langere termijn (dagen, weken, maanden). Er zijn al methoden om met behulp van technieken als artificial intelligence en machine learning verkeersstromen voor autoverkeer succesvol te voorspellen. De onderzoekers gaan deze methodes nu ook proberen toe te passen op veel complexere processen als loop- en fietsstromen en stromen binnen het openbaar vervoer.
Inzicht in gedrag en perceptie
Zulke voorspellingen vragen ook meer inzicht in menselijk gedrag. Het onderzoek richt zich dus ook op de vraag hoe voetgangers en fietsers zich ten opzichte van elkaar gedragen, wat mensen doen bij drukte, en hoe het zit met de bereidheid om met het OV te reizen. Veranderende normen spelen hierin een rol. Hoe mensen drukte ervaren is onder invloed van Covid-19 aan het wijzigen: niet alleen de gemiddelde drukte speelt een rol, maar ook hoe mensen over de ruimte verspreid zijn. Hoe gaan mensen hiermee om? Nemen ze minder drukke routes of gaan ze het OV mijden? En hoe beïnvloeden maatregelen en adviezen dit gedrag? En hoe vatten we dit gedrag in wiskundige modellen?
Mobility Lab
Kennis over mobiliteit is uiteraard niet alleen van nut tijdens de huidige pandemie maar ook in de periode daarna, bijvoorbeeld voor het doorrekenen van nieuwe ruimtelijke en mobiliteitsplannen. Daarom moet het sensornetwerk in de toekomst uitgroeien tot een volwaardig Mobility Lab voor wetenschappelijk onderzoek. Daarvoor wordt gewerkt aan het ontwikkelen van nieuwe sensortechnologie om goedkoper en betrouwbaar te kunnen meten.
Een vraagstuk dat hiermee samenhangt is het zo goed mogelijk combineren van verschillende databronnen om er nauwkeurigere informatie uit te kunnen halen (datafusie). Een lastige opgave, gezien de verscheidenheid aan gegevens uit de verschillende sensoren, maar wel een die kan leiden tot veel grotere informatiekwaliteit als ook het genereren van nieuwe informatie. Denk bijvoorbeeld aan de combinatie van gegevens van de OV-bedrijven met informatie uit de sensoren om zo de bezetting van bussen die over de campus rijden nauwkeurig te kunnen schatten.
Sascha Hoogendoorn-Lanser
Dorine Duives
Paul van Gent
Fernando Kuipers
Marco Antonio Zúñiga Zamalloa
