Live databronnen kunnen helpen bij voorspellen van de spoedvraag
Technologische en maatschappelijke ontwikkelingen hebben ertoe geleid dat er steeds meer sensoren en data beschikbaar komen. Slimme, voorspellende algoritmes kunnen deze data gebruiken om op de spoedvraag te anticiperen en zo een belangrijke bijdrage leveren aan het noodhulpproces.
Dat blijkt uit onderzoek naar hoe het gebruik van live data kan leiden tot specifiekere voorspellingen van de spoedvraag. In samenwerking met het Ministerie van Justitie en Veiligheid, de Landelijke Meldkamer Samenwerking en de hulpverleningsdiensten voerde TNO in het najaar van 2018 dit onderzoek naar het voorspellen van de spoedvraag uit.
Betrouwbaar voorspellen
Het gebruik van (big) data voor het aansturen van het noodhulpproces is niet nieuw. Een voorbeeld hiervan is het Criminaliteits Anticipatie Systeem (CAS) dat de politie gebruikt om te voorspellen waar en wanneer misdrijven als straatroof en inbraak plaatsvinden. De voorspellingen van CAS en vergelijkbare systemen zijn grotendeels gebaseerd op trendanalyses van historische data, zoals het aantal incidenten in het verleden en demografische factoren. De voorspellingen geven informatie over de kans dat een bepaald type incident zal plaatsvinden gegeven de locatie en datum. Deze voorspellingen kunnen gebruikt worden bij het plannen van de benodigde inzet of voor het positioneren van eenheden. Maar deze voorspellingen geven alleen een trend aan en houden geen rekening met de huidige situatie. Hierdoor is het meestal niet wenselijk om op basis van deze informatie direct uit te rukken; in veel gevallen zal er namelijk helemaal geen incident plaatsvinden. In dit onderzoek is verkend in hoeverre het gebruik van live data kan helpen om specifieke incidenten te voorspellen met een dusdanige betrouwbaarheid dat het loont om ook direct op de voorspellingen te acteren.
Challenge in de meldkamer
Dit onderzoek is uitgevoerd in de vorm van een challenge. In samenwerking met de meldkamer Rotterdam heeft een team van onderzoekers van TNO in één week een prototype algoritme gebouwd dat op basis van historische en live data specifieke incidenten in het gebied Rotterdam-Rijnmond kan voorspellen. Het algoritme gebruik hiervoor onder andere meldingen uit het Generieke Meldkamer Systeem, weersvoorspellingen en evenementen kalenders. Tijdens de challenge zijn drie type meldingen uitgewerkt: openbare schennispleging, wateroverlast en liftopsluiting. Deze drie soorten zijn gekozen op basis van het aantal relevante meldingen in de dataset en de verwachte voorspelbaarheid van het type incident gegeven de bronnen die op dat moment beschikbaar waren. Met de huidige dataset bleek de liftopsluiting het beste te voorspellen, voor de andere twee type incidenten maakte het gebruik van live data geen significant verschil ten opzichte van standaard trendanalyses.
Conclusies
De resultaten van de challenge tonen aan dat de betrouwbaarheid van de voorspelling (de kans dat een incident ook echt plaatsvindt op de voorspelde plaats en tijd) erg verschilt per type incident. De meldkamer beschikt op dit moment vooral over databronnen die informatie bevatten over openbare fenomenen zoals weer en drukte; hierdoor zullen op korte termijn de incidenten die sterk met dergelijke factoren samenhangen het beste te voorspellen zijn. Het onderzoek toonde aan dat wanneer het algoritme een incident voorspelde dit in 30% van de gevallen juist was. Of deze en mate van betrouwbaarheid voldoende is om proactief op te treden is aan de hulpdiensten om te bepalen.
Gerichte experimenten kunnen meer inzicht bieden in de toegevoegde waarde van verschillende databronnen en de te verwachte betrouwbaarheid van voorspellingen voor deze specifieke incident types. Om de precisie van de voorspellingen in het algemeen te verbeteren moeten vervolgstappen zich richten op het aanvullen van voorspellingen met data van slimme sensoren zoals camera’s met automatische beeld- en geluidsanalyses.
Er blijft sprake van een continue schaal waarop de spoedvraag voorspeld kan worden: aan de ene kant is de precisie van de voorspelling hoog, maar is er weinig tijdswinst, aan de andere kant is voorspelling onbetrouwbaarder maar is er nog veel tijd om te reageren. Per type incident moet worden bepaald waar op dit spectrum de kosten, zowel in privacy als in geld, in balans zijn met de baten.
Meer weten
Wil je meer lezen over de aanpak, uitkomsten en conclusies van dit onderzoek? Lees dan de flyer Het Nieuwe Melden: voorspellen spoedvraag
