(Asfalt)wegen verouderen en verslechteren door de invloed van verkeer en weer. Wegen moeten ondanks deze verslechtering veilig en functioneel blijven, en daarom monitoren veel wegbeheerders hun wegen met (datagedreven) inspecties en metingen. Hebben deze gegevens, in combinatie met gegevens over de verkeersintensiteiten en weersomstandigheden, voorspellende waarde? Kunnen we met bestaande data een algoritme of voorspelmodel maken wat de provincie helpt om een scherpere meerjarenonderhoudsprogrammering (MJOP) te maken voor alle wegen? Dit waren de vragen die de provincie via het Start-up In Residence programma stelde. Naast het eerder genoede voorspelmodel zou er ook een visualisatie worden gemaakt waarin de voorspellingen geografisch zichtbaar werden.

Vanwege het verkennende karakter en de vele mogelijke aanpakken koos de provincie ervoor om de vraag via het Start-up In Residence (SIR) programma te stellen. De vraag wordt dan als ‘challenge’ gepubliceerd en start-ups kunnen hierop inschrijven met hun eigen aanpak (binnen de kaders van het SIR-programma). Ruim 20 start-ups dienden voorstellen in, en Geronimo.AI werd hieruit geselecteerd. Deze kersverse start-up Geronimo.AI pakte deze vraag op en ontwikkelde in samenwerking met de provincie een random forest model om spoorvorming te voorspellen op basis van ARAN-metingen, asfaltgegevens, verkeersintensiteiten en historische weergegevens. Samengevat bevatte het traject: - Uitvragen via start-up in residence programma. - Verkennen van de uitdaging met de start-up (Geronimo.AI) - Samen een aanpak bedenken (inzet van AI, dataset bepalen) - Mijlpaal 1: Data-exploratie (beschikbare bronnen, kwaliteitsanalyse, data-engineering) - Mijlpaal 2: Lineaire regressie en beeldvorming van ‘eindproduct’ - Mijlpaal 3: Voorspelmodel met AI in iteraties. - Ontwikkeling van een viewer op de opgeleverde voorspellingen. - Overdracht van kennis aan AsfaltImpuls: Levensduurvoorspellend AsfaltModel

Technisch werkte dit goed, maar de voorspellende waarde was helaas maar matig: verder dan een jaar vooruitkijken was niet heel betrouwbaar, en spoorvorming is niet het voornaamste schadebeeld wat leidt tot wegonderhoud. de gewenste resultaten bleven uit door (voornamelijk) gebrekkige datakwaliteit. De dataset was te klein en inconsistent om een betrouwbare voorspelling te doen op een termijn die voor de provincie ‘actionable’ is. Oftewel, men kon er helaas niets mee behalve de lessen ter harte nemen en delen binnen het netwerk. Minder geslaagde aspecten: - Metingen worden door verschillende uitvoerders niet heel consistent uitgevoerd, waardoor er veel ruis in de data zit. - GPS-data van ARAN-metingen was van onvoldoende kwaliteit of afwezig wat tot dataverlies leidt. Er waren zeker ook nuttige resultaten: - Historische weginspectiedata, verkeersintensiteiten en weergegevens waren uiteindelijk goed aan onze wegen te koppelen, waardoor uiteindelijk 77% van het provinciale wegennet een voorspelling kon krijgen. - Een library (SHAP) gaf inzicht in de bijdrage van de individuele databronnen aan de voorspelde maat van spoorvorming in het random tree model: AI is blijkbaar geen ‘black box’.