← Alle cases

AI Empowers · Publieke sector

Slimmer wegenonderhoud voor Stad Gent

Voorspellen welke van de 1.403 km wegen een nieuwe toplaag nodig hebben voor ze volledig heraangelegd moeten worden.

  • Publieke sector
  • Voorspellende analyses
Klant
SectorPublieke sector
CategorieAI Empowers
StatusPilot afgerond in 2025
3 jaarvooruit voorspelde staat van de wegen

Het probleem

Gent onderhoudt 1.403 km wegen. Op tijd een nieuwe toplaag leggen is veel goedkoper dan heraanleggen, maar weten wanneer is moeilijk.

De oplossing

Een AI-opportuniteitenworkshop leverde drie ideeën op. Het eerste werd een voorspellend model op 20 jaar wegendata, gecombineerd met data van De Lijn, verkeersdata en omgevingsdata.

Het resultaat

Een pilot die de staat van de wegen drie jaar vooruit voorspelt, eerst voor autowegen, daarna voor fiets- en voetpaden.

21AI-toepassingen uit twee workshops
40 / 50grenszones vier jaar vooruit juist voorspeld, tegenover 28 voor de basislijn
XGBoosthet beste van de modellen die we testten

Het hele verhaal

  1. Van ambitie naar roadmap

    Het begon met een eerlijke vraag van de stad: "We geloven dat AI ons kan helpen, maar we weten niet goed hoe." Twee workshops met stadsmedewerkers en District09 in maart 2024 leverden 21 mogelijke AI-toepassingen op, verspreid over diensten. Drie werden verder uitgewerkt, en de timing van wegherstellingen sprong eruit.

  2. Waarom timing telt

    Te laat een nieuwe toplaag en de schade zit tot in de onderbouw, wat een volledige en dure heraanleg betekent. Net op tijd en een nieuwe toplaag volstaat. Het doel: dat moment voorspellen, zone per zone.

  3. Het model

    De inspecties van de wegen door de stad werden gecombineerd met het aantal bussen, verkeersmodellen en buurtgegevens. Straatsegmenten veranderden te veel door de jaren heen, dus werkt het model per zone. We vergeleken lineaire modellen, beslissingsbomen, random forests en gradient boosting: XGBoost won, en op een dataset van deze grootte deden eenvoudige modellen het beter dan complexe.

  4. Resultaten en volgende stappen

    Vier jaar vooruit duidde het model 40 van de 50 grenszones juist aan, tegenover 28 voor de basislijn. Net op die langere termijn heeft de wegenplanning hulp nodig. Een Power BI-tool toont de resultaten aan de wegendienst, en de aanpak kan uitbreiden naar fiets- en voetpaden.

Technologie

Random forestGradient boostingLinear modelsNeural networks
Deze tool laat ons toe om kleine ingrepen vroeger en efficiënter in te plannen. Zo vermijden we dure heraanleggingen en beperken we de hinder.Joris Vandenbroucke, schepen, Stad Gent
Sta je voor iets gelijkaardigs?We bouwen jouw versie rond je eigen data.

Vraag het Pai

Vraag Pai naar deze case

Pai is een AI. Hij weet alleen wat op deze pagina staat.

Baby Pai · AIHoi, ik ben Baby Pai, een AI-assistent. Vraag me naar de case van Stad Gent (District 09).

Pai is een AI. De antwoorden komen van deze casepagina. Deel geen gevoelige gegevens.

Chats worden 30 dagen bewaard, tenzij je dat uitschakelt in Privacy en keuzes.