Voorspellingssysteem dat de ernst van verkeersincidenten voorspelt op basis van weerdata
⚠️ Dit project valt onder een NDA met ANWB. Specifieke incidentdata en locaties kunnen niet publiekelijk gedeeld worden.
Voorspellingssysteem voor ANWB dat de ernst van verkeersincidenten voorspelt op basis van weerpatronen. Gecombineerd ANWB black box rijgedrag data met real-time weerinformatie via een LSTM deep learning model. Complete webapplicatie gebouwd met PostgreSQL database en interactief Streamlit dashboard voor risico-inschatting en visualisaties.
Verschillende databronnen op elkaar afstemmen, waarbij exacte tijdstempels van incidentdata worden gekoppeld aan uurlijkse weermetingen. Tijdreeksen opstellen voor LSTM-training met een terugkijkperiode van 24 uur. Omgaan met een ongelijke verdeling in ernstdata, waarin de meeste incidenten een lage ernst hebben. Betrouwbare API-koppelingen implementeren met caching en retry-logica voor een stabiele dashboardperformance.
LSTM model behaalde 92% totale nauwkeurigheid met 88-96% precisie voor alle vier ernst categorieën. Succesvol weer-incident verbanden gevonden: neerslag verhoogt rem-incidenten, wind veroorzaakt stuur-incidenten en extreme temperaturen verhogen alle risico's. Werkend drie-pagina Streamlit dashboard opgeleverd met live weer API koppeling en 5-daagse uurlijkse voorspellingen.
Het project combineert twee verschillende data sources in één coherent systeem: Incidentdata van de ANWB gecombineerd met actuele en voorspelde weerdata van de Open-Meteo-API. De uitdaging was om de data goed op elkaar af te stemmen en bruikbare kenmerken te halen voor nauwkeurige voorspellingen.
LSTM (Long Short-Term Memory) netwerken zijn speciaal ontworpen voor data die over tijd verandert. Verkeersveiligheid hangt af van weerpatronen over tijd, niet alleen het huidige moment. LSTM kan patronen herkennen tussen weer en rijrisico over langere periodes.
Het LSTM model behaalt goede resultaten voor alle ernst categorieën:
Belangrijkste verbanden tussen weersomstandigheden en incidenten:
Volledig werkende Streamlit dashboard met 3 pagina's, actuele weer API koppeling en interactieve grafieken. Gepresenteerd met QR code voor live demo aan docenten en ANWB vertegenwoordigers.
Belangrijkste cijfers (totaal incidenten, gemiddelde ernst), 5-daagse weersvoorspelling, model architectuur en testresultaten
Filter op datum en categorie, histogrammen en box plots, incident heatmaps (uur × categorie), ernst trends (7-daags gemiddelde)
Uurlijkse risico voorspellingen voor 3/7 dagen, huidige status, risicogebieden op kaart, interactieve weersvoorspelling
In het team van 4 studenten lag mijn focus op:
Het project bevatte uitgebreide juridische naleving als verplicht onderdeel van de opdracht:
"Eindpresentatie aan docenten en ANWB vertegenwoordigers met live dashboard demo via QR code. Het systeem toonde aan dat deep learning praktisch toegepast kan worden voor verkeersveiligheid met goede technische uitvoering in database ontwikkeling, model training en deployment."
Hoewel dit een schoolproject was, heeft het concept duidelijke praktische toepassingen: