Vijf dagen lang 2,5 miljoen bezoekers op een paar vierkante kilometer. SAIL Amsterdam is een van de grootste evenementen van Nederland. Een uitstekende plek voor de Learning Community Multi-modal Traffic and Transportation (AIMTT) om data te verzamelen en AI-modellen te ontwikkelen en testen voor realtime crowd management. Met als extra bonus de ontwikkeling van concrete AI-tools en breed inzetbare leermodules.
Traditionele verkeersmodellen hebben moeite met het voorspellen van menselijk gedrag. Ze houden niet genoeg rekening met menselijke grillen en over grote eendaagse evenementpieken is te weinig data beschikbaar om nauwkeurige voorspellingen over bewegingen van publiek te doen. AI-modellen daarentegen hebben de potentie om menselijk gedrag met relatief weinig data vrij nauwkeurig te voorspellen. Om dit soort modellen te trainen was de Learning Community AIMTT op locatie tijdens SAIL Amsterdam 2025.
We spraken met Sascha Hoogendoorn-Lanser, directeur van het Mobility Innovation Centre van de TU Delft en community lead van AIMTT, over deze usecase.
Een AiNed Learning Community is een samenwerkingsverband van bedrijven, maatschappelijke organisaties en onderwijsinstellingen. Via case-based leren werken medewerkers en studenten aan praktijkcases, vaak afkomstig uit het mkb. Learning Communities zijn onderdeel van het Nationaal Groeifonds-programma AiNed en worden gecoördineerd door AIC4NL.
De volgende generatie systemen
Tijdens SAIL Amsterdam zaten promovendi van de TU Delft en mkb’ers in hun eigen ‘boiler room’ waar ze in een ‘digital twin’ (een digitale kopie van het evenementengebied, gevoed met actuele data) hun AI-modellen live konden testen. Elke partij bracht specifieke expertise in. “Bij de TU zaten PhD’s die goed zijn in het schatten en voorspellen van situaties. uCrowds is sterk in het snel doorrekenen van scenario’s: als het dáár zo druk is, wat kunnen we dan dáár verwachten? En Analyze had het bredere plaatje: wat komt er verder aan verkeer op de stad af. Die onderlinge uitwisseling heeft heel goed gewerkt”, zo reflecteert Hoogendoorn-Lanser.
De testomgeving lag vlak naast de officiële contrlekamer van het evenement, met daarin de SAIL-organisatie, de gemeente en Veiligheidsregio Amsterdam-Amstelland. De digital twin wekte de nieuwsgierigheid van de controlekamer. Operators liepen tijdens het event binnen om te kijken wat het team opviel, en om te sparren over bepaalde situaties. Voor Hoogendoorn-Lanser is dat precies de bedoeling. “Wij willen dicht op de operators zitten. Uiteindelijk is dit de volgende generatie systemen die bij die operators moet gaan draaien.”
We hebben nu deze datasets en zeggen tegen studenten: laat maar zien waar júllie mee komen als je acht weken de tijd krijgt. Dat leggen we dan naast wat de partners bij SAIL zelf ontwikkeld hebben. Dat is erg leerzaam.
Sascha Hoogendoorn-Lanser, community lead van Learning Community AIMTT
Veilig data verzamelen
SAIL was de eerste testomgeving voor de digital twin Amsterdam Events. Een centraal platform waar evenementprogramma’s, sensordata, social media en weerdata worden samengevoegd, waarna met AI-modellen en visualisaties de situatie wordt geschetst, en uiteindelijk ook voorspellingen worden gedaan. Het platform wordt na SAIL bij meerdere Amsterdamse evenementen doorontwikkeld.
AI heeft data nodig, en bij evenementen komt die uit een breed scala aan bronnen. Tijdens SAIL werd geput uit bezettingsgraden van treinen, metro’s en bussen, drukte op de snelwegen en de bezetting van parkeerplekken. Voor voetgangersstromen werden ook camerabeelden gebruikt, zonder privacy uit het oog te verliezen. Het team zag de beelden niet. AI zet ze direct om in anonieme bewegingspaden. Ook is voor het datagebruik vooraf een Data Protection Impact Assessment gedaan, een analyse van de privacyrisico’s die de AVG voorschrijft bij dit soort dataverwerking.
Met deze data konden de modellen realtime voorspellingen doen over drukte en knelpunten. Het event werd gebruikt als training, niet alle data was beschikbaar, dus de uitkomsten waren niet perfect. “We konden helaas niet alles monitoren, het liefst heb je de beschikking over het complete plaatje. Maar we kwamen een heel eind. Het inschatten van de huidige situatie is de eerste stap. Daarna kijken we of we voorspellingen kunnen doen. Er zijn zelfs al modellen die kunnen leren van wat er een uur geleden gebeurd is, zodat ze het voorspellen vrij snel oppikken.”
Concrete tools
De samenwerking tussen mkb’ers en studenten leverde drie concrete tools op. Analyze bouwde een AI-alertmodel dat knelpunten signaleert in voetgangers- én autoverkeer. uCrowds ontwikkelde een simulatiemodel voor voetgangersstromen. En de TU Delft maakte een voorspelmodel dat de voetgangersdrukte tot zo’n vier uur vooruit inschat. “Er zijn hier echt nieuwe dingen ontwikkeld, simpelweg omdat er voor events weinig beschikbaar was”, zo kijkt Hoogendoorn-Lanser terug.
Omdat historische SAIL-data ontbrak, werd dat laatste een adaptief hybride model: het traint zichzelf tijdens het event periodiek bij, corrigeert realtime fouten en geeft bij elke voorspelling een betrouwbaarheidsmarge. Die aanpak is overdraagbaar naar andere evenementen zonder historische data, zoals Koningsdag.
Die overdracht op andere evenementen werkt volgens Hoogendoorn-Lanser alleen als domeinkennis van mobiliteit en AI samenkomen: “Er zitten bepaalde wetmatigheden in verkeer waar je rekening mee moet houden. Een auto rijdt niet achteruit. Dit soort zekerheden gecombineerd met moeilijk te voorspellen factoren zoals menselijk gedrag maken dit soort mobiliteitsvraagstukken een prachtig toepasgebied voor AI.”
Integratie in curricula
Geheel in de geest van een Learning Community worden de lessen die geleerd zijn tijdens SAIL doorgegeven. Op de website van AIMTT staat een toegankelijke learning module van negentien video’s over de complete workflow van AI-gestuurd crowd management, van datadeling en simulatie tot voorspellen, monitoren en alerteren, gepresenteerd door experts van uCrowds, TU Delft en Analyze.
Ook is de dataset onderdeel geworden van het lesmateriaal van twee vakken in de master Transport, Infrastructure & Logistics van de TU Delft. Dertig studenten werken hier met de data die tijdens SAIL zijn verzameld. Dit is case-based leren in de praktijk. “We hebben nu deze datasets en zeggen tegen studenten: laat maar zien waar júllie mee komen als je acht weken de tijd krijgt. Dat leggen we dan naast wat de partners bij SAIL zelf ontwikkeld hebben. Dat is erg leerzaam.”
Aan deze usecase (looptijd 2025–2026) werkten Analyze, TU Delft, uCrowds, Gemeente Amsterdam, SAIL Amsterdam en Veiligheidsregio Amsterdam-Amstelland.
