AI in het openbaar vervoer

AI in het openbaar vervoer betekent dat een model leert van data die een vervoerder al heeft: in- en uitchecks, ritdata, tellingen en de dienstregeling. Daarmee verwacht je hoeveel reizigers een lijn trekt, zie je waar een rit vol raakt of plan je onderhoud en personeel beter. Het hoort bij de AI-toepassingen die we bouwen.

Voor GVB hielpen we eerst met het kiezen van data use-cases met de meeste impact. Breder werk voor de sector staat bij mobiliteit en logistiek.

Met een model dat de historie van in- en uitchecks per lijn, halte en uur combineert met de kalender: schoolvakanties, evenementen, het weer en geplande werkzaamheden. Zo verwacht je de vraag voor een nieuwe dienstregeling of een drukke periode.

De valkuil is dat het verleden niet altijd het goede voorbeeld is. Een nieuwe lijn, een omgelegde route of een ander thuiswerkpatroon verandert de vraag, en dan moet het model dat leren. Meer over forecasting.

Meer dan je denkt. Vervoerders leveren hun dienstregeling in NeTEx en de actuele voertuigpositie en stiptheid in KV6 aan de NDOV-loketten, en wijzigingen zoals vervallen ritten in KV17. Die brongegevens zijn open data onder een CC-0-licentie.

Daarnaast leveren vervoerders monitorinformatie aan de OV-autoriteiten volgens MIPOV, met onder meer in- en uitstappers, overstappers en bezetting. Waar die bronnen samenkomen met je eigen checks, lees je bij data- en AI-platform.

Checks missen reizigers die niet inchecken, en handmatige tellingen zijn arbeidsintensief en geven maar een momentopname. Voor GVB bouwden we software die met computer vision passagiers telt op de beelden van bestaande beveiligingscamera's in de voertuigen. De beelden worden niet bekeken of gedeeld; alleen het model analyseert ze.

Zo krijg je over een langere periode inzicht, bijvoorbeeld op welke lijnen meer reizigers zonder geldig vervoerbewijs reizen. Meer over computer vision.

Door het te bewaken en opnieuw te trainen. Een nieuwe dienstregeling, een opgeheven halte of ander reisgedrag verandert de invoer, en dan worden de uitkomsten minder goed. Dat heet drift. Voor GVB zetten we daarom een MLOps-workflow op in Databricks, met herbruikbare templates, zodat het segmentatiemodel op reisgedrag door de jaren heen actueel blijft.

Hoe dat werkt, lees je bij MLOps; het beheer kan bij jullie team liggen of bij ons, via beheer en doorontwikkeling.

In- en uitchecks zijn persoonsgegevens zolang ze naar een reiziger herleidbaar zijn. Volgens de EDPB blijven gepseudonimiseerde gegevens persoonsgegevens onder de AVG. In de OVpay-privacyverklaring van Transdev en Translink staat dat technische pasgegevens alleen gepseudonimiseerd worden verwerkt.

In bijlage III van de AI-verordening staat AI als veiligheidscomponent bij kritieke digitale infrastructuur en wegverkeer op de hoog-risicolijst. Of jouw toepassing daaronder valt, beoordeelt je jurist of compliance-afdeling; wij helpen met de inventarisatie. Zie AI Act en Responsible AI.

Ja, als de onderhoudsdata goed wordt vastgelegd. Voor de afdeling Rail Materiaal van GVB ontwikkelden we een anomaly detection-model dat afwijkende gelogde uren vindt. Het geeft per project inzicht in productiviteit, volledigheid van uren, overwerk en verzuim, zodat projecten beter gepland worden.

Wil je storingen aan materieel vooraf zien aankomen, dan is predictive maintenance de volgende stap. Met ProRail onderzochten we zo de detectie van wieldefecten via glasvezelkabels langs het spoor.

Als de vraag vooral is hoeveel reizigers er waren, niet hoeveel er komen. Dan helpt een Power BI-dashboard op je checks en MIPOV-cijfers meer dan een model. Ook een vaste regel in de planning kan genoeg zijn als een lijn elk jaar hetzelfde patroon heeft.

Zijn haltes en lijnen in je bronnen niet aan elkaar te koppelen, dan begin je bij het data fundament. Past een lichtere oplossing, dan zeggen we dat.