ANWB Data Gedreven
•Download as PPTX, PDF•
1 like•966 views
De presentatie die ik heb gegeven tijdens het ECP Jaarcongres 2016 in de Fokker Terminal in Den Haag.
Recommended
More Related Content
Viewers also liked
Viewers also liked (14)
More from Gregor Abbas
ANWB Data Gedreven
- 1. ANWB data gedreven: Voorspellen van autopech Gregor Abbas, Tijmen Blankevoort, Remko Stam
- 2. Gregor Abbas, Tijmen Blankevoort, Remko Stam Hoe kunnen we big data technologie inzetten? 2
- 3. Gregor Abbas, Tijmen Blankevoort, Remko Stam 3 Forecasting Wegenwacht
- 4. Gregor Abbas, Tijmen Blankevoort, Remko Stam Forecasting Wegenwacht: Wie krijgt waar wanneer waarmee pech? • ± 1.100.000 pechmeldingen per jaar • 750 wegenwachten • Overcapaciteit = duur • Ondercapaciteit = slecht product Datum Dag Aantal gestrande auto's - TOP 10 2012-02-07 Dinsdag 9.890 2012-02-02 Donderdag 9.352 2012-02-06 Maandag 9.271 2012-02-01 Woensdag 8.332 2010-12-02 Donderdag 7.818 2010-12-01 Woensdag 7.510 2010-01-04 Maandag 7.475 2012-02-03 Vrijdag 7.244 2010-12-20 Maandag 6.965 2010-12-03 Vrijdag 6.846
- 5. Gregor Abbas, Tijmen Blankevoort, Remko Stam Forecasting Wegenwacht: Wie krijgt waar wanneer waarmee pech? Ultieme uitdaging: Voorspellen dat dhr. Jansen morgen om 9:24 met zijn VW polo strandt met een lekke band (rechtsvoor) op de Kerkdijk 59. 5 Technologische ontwikkeling
- 6. De case: forecast pechgevallen Regio’s Nederland (totaal 4) Per half uur: Hoofdvraag Kunnen we de hoeveelheid pechgevallen voorspellen op basis van historische data? Per dag:
- 7. Analyse op werkgebied-niveau Werkgebieden Nederland (totaal 33) Weerstation Per half uur: Per dag:
- 8. Gebruikte data Scyfer Deep Learning Weerslag Historische gegevens KNMI Predicties Weerslag Pechgevallen Ledenaantallen Feestdagen Schoolvakanties Dag/Maand/Jaar
- 9. Deep Learning Superhuman image recognition (Microsoft 2015) Self-Driving Car (Google) Deep Learning - more complex concepts in subsequent layers Deep learning is currently winning all machine learning challenges
- 12. Voorspellingen per dag heel 2014
- 13. De resultaten ANWB Scyfer Verbetering Noord-Oost 44 38 14% Noord-West 55 44 20% Zuid 55 45 18% Zuid-West 46 38 17% Nederland 164 123 25% Gemiddelde absolute fout per dag op 2014 Vergelijking Scyfer modellen en ANWB personeel voorspellingen (m.b.v. ander model en eigen inzicht) De verbetering is t.o.v. het aantal fouten per dag. Totaal gemm. 7% foute voorspellingen per dag. - Trainset: data 2004-2012 - Validatieset: data 2013 - Hertraining data 2004-2013 - Test: Forecast 2014
- 14. Sneller voorspellen Voorheen meerdere uren per dag kwijt met maken voorspellingen Nu: Software die met één druk op de knop de forecast maakt: ○ Downloaden weergegevens ○ Genereren input voor model ○ Voorspelling (incl. grafieken/tabellen)
- 15. In de praktijk? Voorspellingen pechgevallen van 7% in 2014 naar 4.5% fout in deze maand Maar: Geen significant verschil tussen ANWB personeel en Scyfer model. Vervolgstap: Zoek uit waarom dit zo is!
- 16. Conclusie Alternatieve vervolgstap: Voorspelling locatie? Eindresultaat: ● Theoretisch verbeterd pechgevallen model m.b.v. Big Data ● Snellere voorspellingen maken, geen Excel ● Vervolgonderzoek: Waarom in de praktijk hetzelfde resultaat?
- 17. Gregor Abbas, Tijmen Blankevoort, Remko Stam Computer says ‘no’ 17
- 18. Gregor Abbas, Tijmen Blankevoort, Remko Stam Van Passief naar Preventief 18 ? ! Passief Proactief Preventief Voorspellen dat dhr. Jansen morgen om 9:24 met zijn VW polo strandt met een lekke band (rechtsvoor) op de Kerkdijk 59.
- 19. Gregor Abbas, Tijmen Blankevoort, Remko Stam 19
- 20. Gregor Abbas, Tijmen Blankevoort, Remko Stam Gregor Abbas @kreekoor gabbas@anwb.nl Tijmen Blankevoort tijmen@scyfer.nl 20
Editor's Notes
- Complexiteit, 1,1 miljoen per jaar, 3000 gemiddeld per dag, kan ook 9000 zijn 1 wegenwacht doet 8 pechgevallen per dienst, dus bij een afwijking van van 1%, zijn 5 wegenwachten meer of minder Langere wachttijd
- Veel factoren van invloed op pech, maar die zijn nooit bewezen. Vandaar big data technologie.
- Om voorspellingen te doen is Nederland opgedeeld in 4 regios. Het doel is om voor elk van deze regios een goede voorspelling te krijgen zodat de capaciteit van de wegenwacht kan worden aangestuurd. De voorspellingen per dag (onder) worden gebruikt als algemene inschatting van de wegenwacht inzet op die dag. De voorspellingen per half uur worden gebruikt om op een dag zelf capaciteit bij te kunnen schakelen, of eerder naar huis te laten gaan.
- Hoe hebben we dit voor elkaar gekregen? De voorspellingen gebeuren momenteel op regioniveau. Maar de aansturing en planning gebeurt voor de 33 werkgebieden in Nederland. Als Scyfer hebben we al snel aangegeven een voorspelling te willen maken per werkgebied. Door deze werkgebied voorspellingen te combineren heb je een regio voorspelling. Sommige effecten, bijvoorbeeld weerseffecten, zie je pas terugkomen als je op een kleiner niveau kijkt. Het kan vriezen in Limburg, maar op regioniveau boven de 0 graden zijn. Deze informatie neem je wel mee als je op kleiner niveau voorspelt. We trainen een enkel model voor alle werkgebieden. De software vindt zelf wel de nuttige verbanden tussen werkgebieden, en wat specifiek is voor de werkgebieden. We hebben gezien dat het kijken op een kleiner niveau daadwerkelijk de resultaten verbeterd! Dit is een erg moeilijk probleem. Je ziet al aan de grafieken dat er veel variantie in de data zit. We kunnen niet perfect voorspellen wanneer een auto kapot gaat, maar we kijken naar gemiddeldes.
- Wat is de input van ons model? We nemen van het KNMI de historische weersgegevens. Dit is van 36 weerstations, informatie per uur voor 10 jaar lang. Van Weerslag kunnen we automatisch weersvoorspellingen downloaden voor de komende 3 weken om voor dit hele time-frame voorspellingen te maken. De ANWB levert de dataset met alle pechgevallen, en het ledenaantal Voorts voegen wij nog informatie toe m.b.v. de datum. Alle Nederlandse feestdagen, wanneer de schoolvakanties zijn in regios, en informatie over de dag, de maand en het jaar. Hiermee maken we twee modellen. 1 getraind op het voorspellen van de frequentie, en 1 op het voorspellen van de distributie per half uur per dag. Gecombineerd levert ons dit voorspellingen zowel per dag als per half uur.
- Hiermee maken we voorspellingen voor elk werkgebied
- Deze kunnen we weer combineren naar voorspellingen per Regio, met betere resultaten.
- Dit zijn de voorspellingen per dag voor heel Nederland. Deze resultaten komen goed overheen met de werkelijkheid, er zijn op het oog weinig opvallende missers.
- Scyfer heeft een model getraind op alle data tussen 2004 en 2013. Hierna hebben we met het model voor elke regio, voor elke dag een voorspelling gedaan voor 2014. De gemiddelde fout die de modellen van de ANWB en Scyfer maken staat in deze tabel. We zien een zeer significante verbetering! Kleine footnote: Bij het trainen en testen kunnen we alleen gebruik maken van de historische weersgegevens. We hebben geen data over wat er in het verleden voorspelt is voor de volgende dag. Met goede weersvoorspellingen zullen deze resultaten echter nog steeds een stuk beter zijn. (de fouten / percentages tellen niet op, dit komt mean(sum(abs)) anders is dan sum(abs(mean)))
- Wat hebben we nou uiteindelijk neergezet? Een significant verbeterd model dat pechgevallen voorspelt. Dit werkt model werkt voor de lange termijn beter, zodat de planning ver van tevoren aan te passen is. En ook op de korte termijn, zodat er eigenlijk ‘live’ bij te sturen is. De geleverde software levert volautomatisch voorspellingen. De benodigde historische weerdata en de voorspellingen worden automatisch gedownload en geintegreerd. Met 1 druk op de knop staan de grafieken en tabellen met nieuwe voorspellingen klaar voor gebruik. Er hoeft niemand elke dag data te kopieren om resultaten te genereren! In de toekomst zouden we misschien kunnen kijken naar het voorspellen van de locatie van pechgevallen om wegenwachters beter aan te sturen. We gaan onze resultaten binnenkort in de praktijk testen om te kijken wat het effect is.