Slimme veegroutes

Hoe kunstmatige intelligentie de stad schoner kan maken tegen lagere kosten.

Door Dick Joosten en Ling-Po Shih, data scientists bij gemeente Utrecht

Over de afgelopen 3 jaar heeft de gemeente Utrecht in een proefgebied 3 veegwagens uitgerust met registratieapparatuur om een beeld te krijgen van de effectiviteit van de huidige routes. Met de gegevens die hiermee verzameld zijn, is gekeken waar, wanneer en hoe lang er in het gebied geveegd is. Op basis hiervan is een eerste optimalisatie uitgevoerd om de verhouding veegtijd/rijtijd te verbeteren (routeoptimalisatie) .

In de vervolgstap wordt gekeken naar de frequentie dat op een plek wordt geveegd en de tijd die hieraan dan wordt besteed (de intensiteit). Op basis van de aanname dat een hogere intensiteit wijst op een sterkere vervuiling, wordt op plaatsen met een hoge intensiteit de bezoekfrequentie verhoogd en op plaatsen met een lage intensiteit de frequentie verlaagd.

De aanname dat een hoge veegintensiteit wijst op sterke vervuiling is waarschijnlijk onvolledig. Andere factoren zoals obstakels , verkeer en begroeiing kunnen invloed hebben de veegtijd op een plek. Door een AI-model te trainen om verschillende componenten van straatvuil te herkennen op camerabeelden, willen we een dataset creëren om de werkelijke vervuiling te bepalen. Hiermee kunnen we de eerdere veegfrequenties corrigeren.

Uit de historische gegevens blijkt al dat er een hoge variatie is in de vervuiling. Met de data die het AI-model creëert, willen we onderzoeken welke factoren deze variatie beïnvloeden.  Met deze factoren kunnen we een voorspellend model ontwikkelen als basis voor een dynamische routeplanning.

© Copyright - VSOnet.nl