Het voorspellen van drukte tijdens grote evenementen zoals de Gentse Feesten is een complexe taak. We hebben ons hierin verdiept en willen graag onze bevindingen delen. Het gaat niet alleen om het tellen van mensen, maar ook om het begrijpen van hun bewegingen en de impact daarvan op de stad. We hebben geëxperimenteerd met verschillende methoden en data om een beter beeld te krijgen van de drukte in Gent.
Belangrijkste Punten
- Het nauwkeurig in kaart brengen van de drukte tijdens de Gentse Feesten vereist diverse meetmethoden en databronnen. We hebben geëxperimenteerd met sensoren, camera’s en proxygegevens om een compleet beeld te krijgen.
- De behoeften van zowel handelaars als beleidsmakers spelen een grote rol in wat we willen weten. Handelaars zoeken naar actuele druktebeelden en prognoses, terwijl het beleid zich richt op beheersbaarheid en veiligheid.
- Elke stad heeft unieke kenmerken, zoals de invloed van toeristen en studenten, die de drukte dynamiek beïnvloeden. Dit vraagt om op maat gemaakte oplossingen voor datamanagement en voorspellingsmodellen.
- Verschillende meetinstrumenten, van radiosensoren tot slimme camera’s, zijn getest. De keuze hangt af van de specifieke locatie en de gewenste nauwkeurigheid, waarbij privacy altijd gewaarborgd blijft.
- Het voorspellen van drukte is mogelijk, zowel voor specifieke straatdelen als voor bredere stadsdelen. Succesvolle implementatie vereist echter een integraal datamanagement en continue optimalisatie van de modellen.
De Uitdaging van Drukte Voorspellen
Het voorspellen van drukte op de Gentse Feesten, dat is best een dingetje. We willen natuurlijk weten hoeveel volk er komt, waar ze naartoe gaan en wanneer. Dat klinkt simpel, maar in de praktijk is het een flinke puzzel. We hebben al wat geëxperimenteerd met het meten van drukte, vooral in de afgelopen jaren. Denk aan die proeftuinen die we opzetten om te zien wat werkt en wat niet.
Hoe Vormen We Een Accuraat Beeld Van De Drukte?
Om een goed beeld te krijgen, moeten we natuurlijk meten. Maar hoe doe je dat precies? Hoeveel bezoekers lopen er rond? En hoeveel fietsers? We hebben in 2021, 2022 en 2023 al flink wat geëxperimenteerd met druktedata. Die proeftuinen waren superhandig om snel dingen uit te proberen. Zelfs vóór 2021 deden we al metingen, bijvoorbeeld tijdens de Gentse Feesten zelf, samen met de Universiteit Gent. We hebben al best wat data gedeeld in het verleden. En toen kwam Covid-19, waardoor iedereen plotseling drukte en druktebarometers leerde kennen. Via het project VLOED (Voorspellen Lokale Ondernemers en Economie door Drukte), dat gesteund wordt door het Europees Fonds voor Regionale Ontwikkeling (EFRO) en Vlaanderen, bouwen we verder op wat we al weten en kijken we naar nieuwe stappen. We werken hierin samen met de stad Brugge. In VLOED gebruiken we die proeftuinen om simpele, tijdelijke testen op te zetten. Zo kunnen we snel ontdekken wat haalbaar is en wat niet.
Experimenteren met Drukte Data
We hebben verschillende soorten systemen getest. Sommige meten de echte drukte in straten, andere kijken naar mobiliteitsdata die een goede indicatie kunnen geven. Het is een beetje zoeken naar de beste aanpak. We hebben bijvoorbeeld sensoren getest, zoals radiosensoren in de Langemunt en Veldstraat. Het is belangrijk om te weten wat die systemen precies meten. Is het de dichtheid van mensen of het aantal passanten? Dat maakt nogal een verschil!
Het is een constante zoektocht om de juiste data te verzamelen en te begrijpen wat die data ons vertellen. Elk systeem heeft zijn eigen eigenaardigheden en beperkingen.
De Rol van Covid-19 en VLOED
Covid-19 heeft ons zeker wakker geschud en ons doen nadenken over drukte. Het VLOED-project, met steun van EFRO en Vlaanderen, is een direct gevolg daarvan. Het helpt ons om onze kennis over druktemetingen uit te breiden en nieuwe methodes te verkennen. We kijken ook naar hoe we de data van de food stalls, die bijvoorbeeld op 26 maart geveild worden, kunnen gebruiken om de drukte te analyseren food stalls.
Wat we geleerd hebben uit die proeftuinen is dat er veel mogelijk is, maar dat het ook niet altijd even simpel is. We moeten goed nadenken over welke data we nodig hebben en hoe we die het beste kunnen verzamelen en gebruiken. Het is een continu proces van leren en aanpassen.
Wat Willen We Eigenlijk Weten?
Oké, dus we willen graag weten hoe druk het is, maar wat betekent dat nu precies? En belangrijker nog, wat kunnen we met die informatie doen? We hebben gemerkt dat verschillende groepen echt verschillende dingen nodig hebben.
Noden van Handelaars en Beleid
Als we het aan de handelaars vragen, dan willen ze vooral weten hoe druk het nu is en wat de voorspelling is voor de komende uren. Ze willen die data online kunnen bekijken, maar ook kunnen downloaden om later te analyseren. Hun interesse gaat vooral uit naar wat er gebeurt op straatniveau of in hun eigen winkelgebied. Ze zijn ook benieuwd naar de profielen van bezoekers, hoe mensen door de stad bewegen en wat ze uitgeven. Dat laatste valt wel buiten ons project, maar het geeft wel aan hoe breed de interesse is.
Het beleid en de veiligheidsdiensten kijken natuurlijk ook naar de drukte, maar dan meer om alles beheersbaar te houden. Ze willen weten waar het druk is, maar ook waar het juist rustiger is, zodat ze mensen kunnen leiden. Daarvoor hebben ze gedetailleerde informatie nodig over hoe de drukte zich verspreidt en hoe die zich waarschijnlijk zal ontwikkelen.
Use Cases: Van Barometer tot City Guide
Wat we dus eigenlijk willen, is een soort "drukte-barometer". Dit is handig voor handelaars, beleid en veiligheidsdiensten om de drukte in goede banen te leiden. Maar het is ook nuttig om te laten zien waar het juist minder druk is. Dit vraagt om gedetailleerde data over de ruimtelijke spreiding van de drukte en voorspellingen over hoe die zich zal ontwikkelen.
Daarnaast is er de "City Guide" voor de bezoeker. Die wil weten waar het druk of juist rustig is, en hoe die daar het beste naartoe kan. Dit vereist ook weer die fijne data over de ruimtelijke spreiding en voorspellingen. Een andere interessante toepassing is de "Event Overview", waarbij we de druktebarometer toepassen op specifieke evenementen. Zo kunnen we zien waar de pieken zitten, hoe die zich verdelen, en wat een evenement bijdraagt aan de stad en de handelaars. Dit helpt ons om te leren voor toekomstige evenementen. We kijken ook naar "Wegsignalistatie", maar dat gaat meer over routebegeleiding naar parkings, wat buiten de scope van VLOED valt.
Data Delen met de Community
We vinden het ook belangrijk om de data te delen met de community. Het liefst ontsluiten we niet alleen een druktebarometer, maar ook de ruwe data zelf. Zo kunnen handelaars en anderen ermee aan de slag, en hun eigen analyses maken of combineren met hun eigen data. Dit opent deuren voor nieuwe inzichten en toepassingen die we nu misschien nog niet eens kunnen bedenken. Het is een manier om iedereen mee te laten profiteren van de informatie die we verzamelen.
Verschillende Steden, Verschillende Noden
Het is best grappig om te zien hoe elke stad eigenlijk zijn eigen unieke karakter heeft, vind je niet? Wat voor de ene stad werkt, slaat bij de andere misschien totaal niet aan. Neem nu het verschil tussen Brugge en Gent. In Brugge heb je bijvoorbeeld veel meer last van toeristen die de boel wat ontregelen, terwijl in Gent de studentenpopulatie een veel grotere rol speelt. Dat soort verschillen zorgen ervoor dat de manier waarop we naar drukte kijken en hoe we die willen voorspellen, ook echt anders moet zijn. Het is niet één maat past iedereen, zeg maar.
Impact van Toeristen en Studenten
Die mix van toeristen en studenten, of juist de afwezigheid daarvan, beïnvloedt de dagelijkse gang van zaken enorm. Een stad als Brugge, die sterk leunt op toerisme, heeft te maken met pieken en dalen die heel anders zijn dan in een stad als Gent, waar het studentenleven de dynamiek mede bepaalt. Dit betekent dat we voor elke stad goed moeten kijken naar welke groepen mensen de stad bevolken en wanneer, want dat heeft direct invloed op de druktepatronen.
Datamanagement op Maat
En dan hebben we het nog niet eens gehad over hoe de data zelf wordt beheerd. In Gent focussen we bijvoorbeeld veel op verkeersdata, omdat dat ons veel kan vertellen over waar mensen naartoe gaan. Brugge kijkt dan weer meer naar de directe metingen van drukte op straat. Beide benaderingen hebben hun nut, maar het laat wel zien dat er geen standaardoplossing is. We moeten het datamanagement echt aanpassen aan wat voor die specifieke stad het meest relevant is. Het VLOED-project heeft ons in ieder geval geleerd dat we hier flexibel in moeten zijn.
Leren van Andere Drukte-Projecten
Gelukkig staan we er niet alleen voor. Veel andere steden hebben de afgelopen jaren ook geëxperimenteerd met het meten en voorspellen van drukte. Tijdens een gezamenlijk evenement deelden ze hun bevindingen. Het is super interessant om te zien wat zij hebben geleerd en hoe we daarvan kunnen profiteren. Want uiteindelijk willen we allemaal hetzelfde: onze steden leefbaarder maken en beter begrijpen hoe ze functioneren. Door kennis te delen en samen te werken, kunnen we sneller stappen zetten en voorkomen dat we steeds opnieuw het wiel uitvinden. Dat open delen van data en inzichten is echt de sleutel tot succes, vinden wij.
Welke Meetinstrumenten Kunnen We Inzetten?
Oké, dus hoe meten we die drukte nu eigenlijk? Dat is een vraag waar we best diep op ingaan, want er zijn nogal wat opties. We hebben zelf ook wat dingen uitgeprobeerd, vooral in de winkelstraten, om te zien wat werkt en wat niet. Het idee was om verschillende systemen aan het werk te zien en te kijken welke de beste data opleveren. We hebben daarvoor zelfs een soort innovatieve opdracht uitgeschreven, zodat verschillende bedrijven hun technologie konden laten zien.
Waarom doen we dit? Simpel: als we weten hoe druk het is, kunnen winkeliers en horeca betere beslissingen nemen. Denk aan personeel inplannen, weten wanneer je extra voorraad nodig hebt, of zelfs waar je het beste een terras kunt zetten. En voor de bezoekers? Die willen natuurlijk weten hoe druk het is in de stad of op de parking.
We hebben gekeken naar verschillende manieren om die drukte te meten:
- Radiosensoren: Deze gebruiken een simpel radiosignaal. Hoe meer mensen erdoor lopen, hoe meer het signaal verstoord wordt. Simpel en effectief, en ze worden al langer gebruikt.
- Slimme camera’s: Deze gaan een stapje verder. Ze kunnen onderscheid maken tussen voetgangers en fietsers, en tellen ook auto’s en bussen. Belangrijk is dat ze geen beelden opslaan, enkel de cijfers worden doorgestuurd. Privacy is hierbij dus goed geregeld.
Het is wel belangrijk om te weten dat elk systeem zijn eigen beperkingen heeft. Soms valt er een sensor uit, of is er een probleem met de stroom. Daarom is het cruciaal om de data goed te blijven controleren en te kijken hoe we hiaten kunnen opvangen. Uiteindelijk willen we natuurlijk zo accuraat mogelijk weten hoe druk het is, zodat we er echt iets mee kunnen doen.
Voorspellende Modellen: Wat Is Mogelijk?
Oké, dus we hebben het gehad over de uitdagingen en de data die we al hebben. Nu wordt het echt interessant: wat kunnen we eigenlijk voorspellen met al die informatie? We hebben twee soorten modellen getest om te zien wat haalbaar is.
Gerichte Voorspellingen voor Eén Straatdeel
Dit model focust op één specifiek stukje straat, zeg maar. We kijken naar de data van de meetsystemen die we daar hebben geïnstalleerd en proberen te voorspellen hoe druk het daar het komende uur zal zijn. Het idee is om een soort druktebarometer te maken voor dat ene gebied. Dit kan handig zijn voor crowd management, bijvoorbeeld bij een evenement, of om verkeerslichten slimmer aan te sturen. Het is best te doen, maar de meerwaarde is niet gigantisch. Het is een beetje als proberen te voorspellen of het regent in je eigen straat, terwijl je de rest van de stad negeert.
Brede Voorspellingen voor Verschillende Stadsdelen
Dit is een ambitieuzer plan. Hier proberen we de drukte te voorspellen over een groter gebied, verspreid over verschillende stadsdelen. We gooien dan meer datasets bij elkaar: niet alleen de metingen van onze systemen, maar ook data van telecomproviders (die laten zien waar mensen zich bevinden), verkeersgegevens, en zelfs kalender- en weerdata. Dit geeft een beter beeld van hoe de drukte zich verspreidt. Het is wel een stuk complexer en vereist constant werk aan de datakwaliteit. Soms vallen systemen uit of zijn er hiaten in de data, en daar moeten de modellen mee om kunnen gaan. We moeten dus continu de data in de gaten houden en bijsturen.
Het omgaan met ontbrekende data is een van de grootste hordes. We besteden daarom veel aandacht aan het monitoren van data en het ‘invullen’ van de gaten waar nodig.
Productieklaar na Optimalisatie
Beide proeftuinen hebben ons veel geleerd. De gerichte voorspellingen zijn haalbaar, maar de impact is beperkt. Het bredere model kan zeker, maar het vraagt veel inspanning om de data goed te houden en het model up-to-date te houden. Wat we wel zien, is dat goede ‘proxy-data’ – data die indirect iets zeggen over drukte, zoals parkeerbezetting of verkeersstromen – super belangrijk zijn. Hier moeten we dus blijven in investeren. Uiteindelijk zijn beide modellen wel productieklaar, maar ze vereisen wel dat we ons datamanagement op orde hebben en blijven optimaliseren. Het is een continu proces, geen eenmalige klus.
De Kracht van Data
Oké, laten we het eens hebben over data. Zonder data sta je eigenlijk met je handen in het duister, zeker als je drukte wilt voorspellen. We hebben al best wat gegevens verzameld, maar het is niet altijd even makkelijk om daar direct iets mee te doen. Soms heb je data die continu beschikbaar is, soms zijn het maar tijdelijke metingen. En dan heb je nog het verschil tussen data die je meteen kunt gebruiken (real-time) en data die je pas achteraf krijgt.
Welke Data Hebben We Al?
We hebben al een aardige verzameling opgebouwd. Denk aan:
- Huidige en historische druktemetingen.
- Mobiliteitsdata: parkeren in straten en garages, verkeersstromen via lussen en camera’s, data van deelauto’s en -fietsen, parkeerhulpjes.
- Toerisme: hotelbezetting, reservaties, bezoekersaantallen bij culturele plekken en evenementen.
Het is wel belangrijk om te weten dat de bruikbaarheid van deze data sterk verschilt. Sommige data is er altijd, andere maar af en toe. En of je er via een handige ‘API’ bij kunt of dat je het achteraf moet ophalen, maakt ook een groot verschil. Voor echt goede voorspellingen hebben we het liefst data die continu beschikbaar is, via een API, en in real-time.
Proxygegevens voor Drukte
Niet alle data meet direct drukte, maar kan er wel een goede indicatie van geven. Dit noemen we proxygegevens. In Gent hebben we een paar van zulke datasets gevonden die veelbelovend zijn. Als we deze combineren met data die laat zien waar de drukte zich precies concentreert, worden ze pas echt waardevol. Denk hierbij aan:
- Hoe vol de parkeergarages zijn.
- Verkeersstromen die we met camera’s volgen.
Hiaten in de Data
Eerlijk is eerlijk, geen enkel systeem is perfect. Er vallen altijd wel ergens gaten in de data. Een meetapparaat kan kapotgaan, een parkeergarage tijdelijk dicht zijn, of de systemen die de data verwerken kunnen even uitvallen. Dit is een van de grootste uitdagingen als we voorspellende modellen willen bouwen. We moeten dus constant kritisch naar onze data kijken en zorgen dat we weten wat we wel en niet hebben. Het omgaan met ontbrekende data is iets waar we binnen projecten zoals VLOED veel aandacht aan besteden, bijvoorbeeld door te kijken naar data-monitoring en hoe we die gaten kunnen opvullen.
Het beheren van data is net als het onderhouden van een tuin. Je moet constant schoffelen, water geven en onkruid wieden om het gezond te houden. Als je dat niet doet, groeit het al snel dicht en verlies je het overzicht.
Hoe Kunnen We Verder Aan De Slag?
Oké, we hebben nu wel wat geleerd over de uitdagingen en wat we precies willen weten. Maar hoe pakken we dit nu aan? Het is niet zo dat we morgen ineens een perfecte druktevoorspeller hebben. Het is meer een proces van stap voor stap ontdekken en bouwen.
Proeftuinen als Leermethode
We hebben gemerkt dat die ‘proeftuinen’ echt een slimme aanpak zijn. Door kleine, tijdelijke testjes op te zetten, kunnen we snel veel uitproberen zonder meteen vast te zitten aan grote investeringen. Voordat we begonnen, hebben we gepraat met allerlei mensen: van stadsdiensten tot winkeliers. Wat we leerden? Dat iedereen wel iets anders belangrijk vindt. Dat is niet erg, maar wel iets om rekening mee te houden.
Voor de technische kant hebben we een soort ‘innovatieve overheidsopdracht’ uitgeschreven. Zo kwamen we in contact met allerlei meetsystemen. We ontdekten:
- Wat de systemen wel en niet kunnen.
- Het grote verschil tussen ‘hoeveel mensen er staan’ (dichtheid) en ‘hoeveel mensen er langskomen’ (passanten).
- Hoe belangrijk de plek is waar je iets neerzet en wat een meting kan verstoren.
- Dat van alles de metingen kan onderbreken: van stroomuitval tot gewoon heel veel mensen die de ruimte gebruiken.
- Dat je toch regelmatig handmatig moet blijven tellen om te zien of de metingen nog kloppen.
- Dat elk systeem zijn eigen gekkigheidjes heeft en dat je dus goed moet samenwerken met de leveranciers.
De analyse van de data liet ook zien hoe we verschillende gegevens kunnen combineren. Vooral het gebruik van ‘proxygegevens’ – data die indirect iets zeggen over drukte – is superhandig. Om echt bruikbare data te krijgen, moeten we de bestaande datasets dus uitbreiden. Die proeftuin met de voorspellingen heeft ons ook anders laten kijken naar wat we nu al hebben en wat we ermee kunnen.
De Noodzaak van Integraal Datamanagement
Elke stad is anders, dat hebben we wel geleerd. In Brugge heb je bijvoorbeeld veel meer last van toeristen, terwijl Gent ook te maken heeft met een grote studentenpopulatie. Dat betekent dat de manier waarop we drukte meten en voorspellen, ook anders moet zijn. Het systeem en hoe we met data omgaan, verschilt ook. Gent kijkt bijvoorbeeld veel naar verkeersdata, terwijl Brugge meer focust op het direct meten van drukte op straat. Het project VLOED heeft ons geleerd dat we voor beide steden een eigen aanpak moeten blijven hanteren.
We moeten dus niet denken dat één oplossing voor iedereen werkt. Elke stad heeft zijn eigen ritme en zijn eigen noden. Datamanagement moet dus echt op maat gemaakt worden.
Wat Kunnen We Voorspellen?
We hebben gezien dat we met de huidige technologie al best wat kunnen. Denk aan gerichte voorspellingen voor een specifiek stuk straat, of juist bredere voorspellingen voor hele stadsdelen. Het is wel belangrijk dat we de systemen blijven optimaliseren, zodat ze echt betrouwbaar worden. We willen natuurlijk niet dat de stadsgids straks compleet foute informatie geeft, toch?
We kijken ook naar wat we kunnen leren van andere steden die al met drukte bezig zijn. Er zijn al verschillende projecten geweest waar we van kunnen profiteren. Data wordt pas echt waardevol als we samenwerken en de informatie openbaar maken. Daarom willen we graag met de ‘community’ aan de slag. Binnenkort delen we meer hoe je hieraan kunt meedoen, maar je kunt nu alvast kijken op het open dataplatform voor de datasets die we al hebben. Afhankelijk van wat jullie interessant vinden, kunnen we dit verder uitbreiden.
En zo staan we hier…
Het voorspellen van drukte tijdens de Gentse Feesten blijft een flinke uitdaging, dat is wel duidelijk. We hebben de voorbije jaren flink wat geëxperimenteerd met verschillende methodes en data, en daar hebben we zeker van geleerd. Het is een complex samenspel van technologie, data en menselijke factoren. We weten nu beter wat werkt en wat niet, en dat is al heel wat. De zoektocht naar de perfecte voorspelling gaat door, en we hopen dat we met de inzichten die we hebben opgedaan, de volgende editie van de Feesten nog beter kunnen laten verlopen voor iedereen. We blijven er in elk geval mee bezig!
Veelgestelde Vragen
Waarom proberen we te weten hoe druk het is in Gent?
We willen graag beter begrijpen hoeveel mensen er op bepaalde plekken zijn, vooral tijdens grote evenementen zoals de Gentse Feesten. Dit helpt ons om de stad beter te organiseren, bijvoorbeeld door te zorgen dat er genoeg ruimte is voor iedereen en dat het veilig blijft. Ook handelaars kunnen hierdoor beter plannen, zoals wanneer ze extra personeel nodig hebben.
Hoe meten we de drukte in de stad?
We gebruiken verschillende manieren. Soms zetten we speciale sensoren neer die met radiosignalen meten hoeveel mensen er langskomen. Andere keren gebruiken we slimme camera’s die, zonder beelden op te slaan, tellen hoeveel voetgangers of fietsers er zijn. We kijken ook naar andere gegevens, zoals hoeveel auto’s er in parkings staan, om een idee te krijgen van de drukte.
Kunnen we echt voorspellen hoe druk het wordt?
We zijn bezig met het ontwikkelen van modellen die kunnen voorspellen hoe druk het zal zijn in de komende uren. Dit is nog best lastig, omdat veel dingen de drukte kunnen beïnvloeden, zoals het weer of onverwachte gebeurtenissen. Maar we leren steeds meer en de voorspellingen worden beter.
Wat voor soort gegevens gebruiken we hiervoor?
We gebruiken allerlei gegevens. Denk aan de tellingen van onze sensoren en camera’s, maar ook informatie over het verkeer, het aantal mensen in parkings, en zelfs gegevens van mobiele telefoons (zonder persoonlijke informatie te gebruiken) die laten zien waar mensen zich bevinden. Soms gebruiken we ook gegevens die indirect iets zeggen over drukte, zoals het aantal hotelboekingen.
Wat is het nut van deze gegevens voor gewone mensen?
Als we de drukte goed kunnen voorspellen, kunnen we bezoekers bijvoorbeeld helpen om rustigere plekken te vinden als ze dat willen. Het kan ook helpen om de stad beter te leiden tijdens drukke periodes, zodat iedereen een prettige ervaring heeft, of het nu gaat om winkelen, een evenement bezoeken of gewoon door de stad wandelen.
Waarom is het zo moeilijk om drukte te voorspellen?
De stad is een levende plek met veel onvoorspelbare factoren. Het weer kan plots omslaan, er kan een evenement zijn waar we niet direct aan dachten, of er zijn gewoon veel meer mensen dan verwacht. Bovendien kunnen de meetapparaten soms storingen hebben of gegevens missen, wat het voorspellen lastiger maakt. We moeten dus constant goed naar de data blijven kijken en de voorspellingen aanpassen.