Groenaanslag berekenen met A.I.?

Kunnen we met de beschikbare data in combinatie met kunstmatige intelligentie de groenaanslag voorspellen op de lichtmast? Antwoord: Ja, _{op dit moment tot 54%}.

Als beheerder openbare verlichting, wil ik door middel van data-driven-decision-making naar predictief (voorspellend) onderhoud toe. Van reactief (is gebeurd) naar proactief (gaat gebeuren) toe. Elke euro (gemeenschapsgeld) kan maar één keer worden uitgeven voor het juiste onderhoud, op de juiste plaats, op de juiste tijd én rekening houdend met het gekozen beeldkwaliteitsniveau.

Disclaimer: Dit is een proof-of-concept waarvan de dataset klein en onzuiver is. Bovendien heb ik zelf de inspectiegegevens in mijn eigen wijk gedaan. Hoewel de systematiek hetzelfde blijft, mag de uitkomst niet als representatief worden beschouwd. Voor de inputgegevens heb ik de boomsoorten als boomleeftijd eruit gelaten, deze inputgegevens maken het model te accuraat. 😝

De inputdata met …Boom is als categorie gerangschikt. Als voorbeeld: HoogteBoom (< 6 meter) = 1, (6…9 meter) = 2, etc… Voor de outputdata is 1: beeldkwaliteit A+ en er is geen groenaanslag aanwezig op de lichtmast. 2= A, 3=B, 4=C. Is de output 5 dan is dit beeldkwaliteit D waarbij >20% groenaanslag aanwezig is op de lichtmast.

Artificial Intelligence ➜ Machine Learning

Het voordeel van een regressieboom is dat deze goed te volgen is. Van boven naar links beneden toe. 2.8 is het gemiddelde score of A/B-kwaliteit. Als de MastLeeftijd < 2 jaar is dan is er geen groenaanslag aanwezig op de lichtmast. Is de MastLeeftijd > 2 jaar en hij staat binnen 10 meter bij een boom dan is er groenaanslag aanwezig en is het een B-kwaliteit (3). Zo eenvoudig kun je onderstaande figuur lezen. Correlatie van training/testdata= 0.499. 😕

Artificial Intelligence ➜ Machine Learning ➜ NeuraalNetwerk

De onderstaande figuur gaat dieper in de beschikbare data door gebruik te maken van een hidden layer. Dit maakt het netwerk adaptief en wordt vaak als een black-box gezien. Onderstaand netwerk is gecreëerd uit het nnet-model. Nauwkeurigheid = 0.5417. 😕

Met bovenstaand berekening kunnen we gaan voorspellen.

Ja, en nu dan?

Om de vraag te beantwoorden. Ja! 🥳 je kunt met kunstmatige intelligentie de groenaanslag voorspellen op de lichtmast. De voorspelbaarheid en nauwkeurigheid is afhankelijk waar je voor kiest. Om door te beredeneren met de groenaanslag op de lichtmast. Als er meer inspectiegegevens zijn, de zuiverheid (#NA) van data is gecorrigeerd en door het toevoegen van twee inputgegevens (boomSoort & boomLeeftijd) zal dit een aardig betrouwbare voorspelmodel worden. Daarmee kunnen we beter voorspellen en daarmee het onderhoud beter plannen. Of het laten verplaatsen/verwijderen van het object wat groenaanslag geeft of neemt. Hiermee pak je wel de bronoorzaak aan. 🥸

De figuren in deze tekst mag vrij worden gebruikt. Verder is mijn denkrichting voor de kreten. Data ➜ Data Science ➜Artificial Intelligence ➜ Machine Learning ➜ NeuralNetwork ➜ Deep Learning. Data is de grondstof waar we het product “informatie” maken.