Hoe NS AI kan inzetten om stationsgebieden te optimaliseren
Openbaar vervoer
-
Hoe kan NS de ruimtes rond zijn treinstations optimaliseren?
-
Hoe kan NS de jaarlijkse telling van geparkeerde auto’s voor 400 stations automatiseren?
-
Hoe kan NS slimmer werken met de nieuwe beschikbare data- en analysetechnologieën?
-
NS ontvangt en analyseert automatisch luchtfoto’s van elk NS-station
-
Informatie over het gebruik van parkeerplaatsen wordt goedkoop en vaker verzameld
-
De NS kan haar parkeerfaciliteiten nauwkeurig afstemmen
AI, data en analyse
Hoe NS AI kan inzetten om stationsgebieden te optimaliseren
Zakelijke uitdagingen
NS wou graag het gebruik van nieuwe technologieën verkennen en heeft zich daarom aangemeld voor de jaarlijkse Advanced Data & Analytics Hackathon van Emixa. Tijdens de eerste gesprekken heeft ons team van consultants samen met NS verschillende ideeën geëvalueerd. Het concept om het tellen van het gebruik van parkeerplaatsen te automatiseren bleek het meest veelbelovend, zowel wat betreft toegevoegde waarde als haalbaarheid. Zouden we met de beschikbare data en technologieën binnen 48 uur een werkend prototype kunnen maken? Het antwoord: ja, dat kunnen we!
Sleutels tot succes
Tijdens de hackathon maakte het team gebruik van openbaar beschikbare luchtfoto’s en specifieke gegevens die door NS waren verstrekt. De consultants pasten het nieuwste AI-herkenningsmodel, YOLOv8, toe om aan de hand van luchtfoto’s het aantal geparkeerde auto’s te tellen. Door een combinatie van creativiteit en expertise slaagde het team erin een werkend prototype te ontwikkelen.
Na afloop van de hackathon hebben de consultants het prototype verder verbeterd door aanvullende gegevensbronnen te integreren, waarbij gebruik werd gemaakt van uiterst nauwkeurige coördinaten en gedetailleerdere luchtfoto’s. Ons team heeft een geautomatiseerd Python-script ontwikkeld waarmee beelden van elk NS-station kunnen worden opgehaald en geanalyseerd. Bovendien is de informatie nu gemakkelijker toegankelijk.
Resultaten
⊣ Klantcases ⊢
We hebben meer dan 1700+ klanten geholpen
Het Digital Twin stelt Kornelis in staat om de impact van nieuwe high-speed productielijnen en logistieke automatisering vooraf risicoloos te testen. Dankzij deze datagestuurde aanpak zijn investeringen van ruim een kwart miljoen euro vooraf bewezen en is de potentiële doorlooptijd van orders met maar liefst 85 procent verkort.
Daiwa, actief in geïndustrialiseerde woningbouw, liep tegen beperkingen in schaal en afstemming aan. Met integratie, standaardisatie en AI werd productie versneld, daalden kosten en bleef er grip op data en processen.
Meijer Potato is een Nederlands aardappelveredelingsbedrijf dat nieuwe rassen ontwikkelt voor telers in heel Europa. Door gegevens toe te passen in hun veredelingsprogramma hebben ze de ontwikkelingscycli versneld, de kosten verlaagd en erkenning binnen de sector gekregen voor de behaalde resultaten.