Crowd management is een cruciaal element om situaties veilig te houden, maar operationele ondersteuning voor crowd management is zeldzaam. Terwijl het modelleren en simuleren van crowds de potentie vormt voor operationeel onderzoek, liggen er twee oorzaken ten grondslag aan de spaarzame toepassing voor operationele support: (1) het modelleren en simuleren van een crowd is complex, met veel onzekerheden; en (2) computationele vereisten liggen vaak hoog. Deze blogpost rapporteert de stappen en uitkomsten van mijn afstudeeronderzoek voor de Master Engineering & Policy Analysis aan de TU Delft, gericht op het leveren van operationele ondersteuning aan crowd managers. Mijn onderzoek presenteert een nieuwe methodologie, gericht op het omgaan met de complexiteit en computationele vereiste van het toepassen van crowd models voor beleidsondersteuning. Deze methodologie is toegepast op het winkelgebied van de Grote Markt in Breda, met de vraag: wat is het effect van drie voorgestelde crowd management toepassingen—verkeersregelaars, route-begeleiding en object plaatsing— op de snelheid en dichtheid van voetgangers op de Grote Markt? Resultaten illustreren de potentie van de verkeersregelaars ten opzichte van route-begeleiding en object plaatsing op de Grote Markt. Er kan de conclusie worden getrokken dat de voorgestelde methodologie succesvol is in het leveren van operationele ondersteuning aan crowd managers, en daarbij goed om kan gaan met de complexiteit en computationele vereiste van crowd modellen.
Grote Markt, Breda
Een crowd model is vaak lastig om te maken, maar kan, wanneer juist toegepast, significant bijdragen aan crowd management. Zo kunnen inzichten worden verkregen met de hulp van modellen, voordat de daadwerkelijke toepassingen geïmplementeerd worden. Voor de Grote Markt heb ik een model opgezet met de open-source simulator Vadere, een uit wetenschap voortgevloeide simulator die specifiek is gericht op crowd modellen. Door middel van ruimtelijke data afkomstig van Open Street Map en satellietbeelden heb ik de situatie van de Grote Markt, inclusief terrassen, nauwkeurig nagemaakt binnen de Vadere omgeving.
De bovenstaande animatie illustreert een simulatie van de Grote Markt, met in het blauw een grote hoeveelheid voetgangers die hun weg zoeken in de winkelstraten. Er valt goed te zien dat in een dergelijke situatie opstoppingen ontstaan, en situaties waar wel heel veel mensen dicht op elkaar staan. Dit willen we proberen te voorkomen aan de hand van drie voorgestelde crowd management toepassingen: verkeersregelaars, route-begeleiding en object plaatsing. Merk hierbij echter wel op dat dit drie voorgestelde maatregelen ter demonstratie zijn, en dat dit onderzoek juist gericht is op het laten zien van een methodologie die straks bruikbaar is voor het onderzoeken van meer en andere maatregelen, en ook voor de toepassing in andere gebieden (denk hierbij aan andere winkelstraten, maar bijvoorbeeld ook aan concerten of grote events).
Met verkeersregelaars wordt het afzetten van gebieden met behulp van regelaars bedoeld, zodat alleen nog bestemmingsverkeer hier naartoe kan. In dit onderzoek heb ik dit middel ingezet in om de drukke gebieden tussen de winkels en terrassen af te sluiten. Binnen de route-begeleiding maatregel veranderde ik daarnast de bestemming van voetgangers, om zo beter vloeiende stromen met zo min mogelijk tegenbewegingen te creëren. Daarnaast keek ik hierbij nog naar een situatie waarin iedereen deze route-begeleiding volgt, en een situatie waarin slechts 25% dit doet. Tot slot heb ik een derde maatregel toegepast, het plaatsen van hekken in het midden van winkelstraten, om bezoekersstromen fysiek van elkaar te scheiden. De onderstaande figuur geeft de implementatie van alle drie de maatregelen in Vadere globaal weer.
Operationele ondersteuning
De voornaamste bijdrage van mijn onderzoek is het voorstellen van een fundament om crowd modellen, zoals die gemaakt van de Grote Markt, te gebruiken voor operationele ondersteuning aan crowd managers. Een crowd model is echter complex, en heeft het veel parameters waarvan de specifieke waarde onzeker is. Denk hier bijvoorbeeld aan de loopsnelheid van voetgangers, de afstand die ze bewaren tot anderen of hoe vaak ze in groepen lopen. Daarnaast is het uitvoeren van experimenten met dergelijke modellen, die realistisch gedrag van voetgangers in detail beschrijven, computationeel zwaar. Zo duurde het uitvoeren van één run van het model van de Grote Markt in Vadere ruim een halve minuut op snelle hardware. Dit klinkt in eerste instantie misschien nog niet als heel veel, maar zodra de hoeveelheid benodigde runs tegen de tientallen duizenden aanloopt, begint het toch problematisch te worden. Om deze reden heb ik drie stappen voor model gebaseerde experimentatie voorgesteld: (1) open exploration & directed search, hier onderzoek ik het model en uitkomsten zonder crowd management toepassing, met heel veel verschillende parameter samenstellingen. Op deze manier krijg ik een inzicht in wat veel invloed heeft op de snelheid en dichtheid van voetgangers, en een beter beeld van wat er kan gebeuren. Daarnaast helpt een model optimalisatie, die zoekt naar de slechts mogelijke combinatie van parameters, bij het vinden van extreem slechte omstandigheden. (2) Case selection. In deze stap selecteer ik omstandigheden die we interessant vinden, en maken we de totale set van parameter combinaties kleiner. Zo selecteerde ik voor de Grote Markt een set van goede omstandigheden, slechte omstandigheden en extreem slechte omstandigheden. (3) Crowd management evaluation. In deze laatste stap test ik de crowd management measures op de geselecteerde cases uit stap 2.
Om de voorgestelde stappen overzichtelijk en efficiënt uit te voeren gebruik ik een workbench tool vanuit Python, de Exploratory Modelling and Analysis workbench, specifiek gericht op het toepassen van computationele experimenten met modellen. De workbench ondersteunt verschillende simulatie frameworks, maar een koppeling met Vadere ontbreekt helaas nog. Om deze reden heb ik een nieuwe connector ontwikkeld, die direct kan koppelen met Vadere vanuit Python. Deze connector heb ik zelf gebruikt, maar is ook universeel toepasbaar voor toekomstige Vadere modellen.
Resultaten
Uiteindelijk gaat het voornamelijk om het beantwoorden van de vraag: "Wat zijn de mogelijke effecten van de voorgestelde maatregelen op de snelheid en dichtheid van voetgangers op de Grote Markt?". Dit kan worden gedaan aan de hand van de verkregen resultaten uit de laatste van de voorgestelde drie stappen. Namelijk: wat zijn de potentiële effecten van de crowd management toepassing op de Grote Markt? Om hier te komen zijn de voorgaande stappen echter van groot belang. De omstandigheden waarin ik crowd management test kunnen namelijk van grote invloed zijn op de werking. Wellicht zijn verkeersregelaars wel uiterst effectief in slechte omstandigheden, maar verergeren ze situaties waar er aanvankelijk niet veel aan de hand was. Daarnaast leidde elk van de drie voorgestelde stappen tot concrete resultaten en inzichten die direct relevant kunnen zijn voor crowd managers. Zo vond ik door middel van de eerste exploration stap dat het op de Grote Markt voornamelijk van belang is hoeveel bezoekers uit de Veemarktstraat kwamen, en hoeveel persoonlijke ruimte bezoekers om zich heen wilden. Beide factoren hadden significante invloed op de dichtheid en snelheid van de voetgangers op de Grote Markt. Om deze inzichten te generen heb ik een uitgebreide set van methodes gebruikt, die veelal direct toegankelijk zijn vanuit de EMA Workbench. Zo heb ik bijvoorbeeld verschillende machine learning toepassingen gebruikt (Extra Trees, PRIM). Deze technieken zijn te uitgebreid om individueel te bespreken, maar mijn scriptie stukken zelf bevatten hier alle details over voor de geïnteresseerden. Deze stukken kunnen gevonden worden in de onderzoeks repository van de TU Delft.
Crowd management toepassing zijn getest onder drie verzamelingen van omstandigheden: (1) goede omstandigheden; (2) slechte omstandigheden; en (3) extreem slechte omstandigheden (denk bijvoorbeeld aan een situatie met heel veel voetgangers die elk heel langzaam lopen). Voor elke collectie van omstandigheden heb ik de uitkomsten op de snelheid en dichtheid vergeleken. Hierbij is het echter van belang niet alleen naar gemiddelde uitkomsten te kijken, maar ook de robuustheid van de toepassingen mee te nemen. Robuustheid houdt hier in dat een toepassing het niet alleen goed doet op een deel van de cases, maar ook relatief goed scoort op een groot aantal ervan. Om dit in kaart te brengen, heb ik een score gebruikt die de gemiddelde uitkomsten corrigeert voor de geïntroduceerde variantie. Met deze score kunnen we dus niet alleen inzichtelijk maken hoe goed een toepassing het gemiddeld doet, maar ook hoe groot de afwijking hiervan is.
De bovenstaande grafieken geven weer hoe de crowd management measures het doen op de voorgestelde score, en hoe dit verschilt onder de gevarieerde omstandigheden. Hiernaast is een zero case opgenomen, om aan te geven wat de effecten zouden zijn van geen crowd management toepassing. Merk op dat vooral de verkeersregelaar toepassing het relatief goed lijkt te doen. De snelheid wordt onder deze toepassing licht verbeterd, en vooral de dichtheid van gebied 3 en 4 wordt lager gemaakt. Dit komt omdat deze gebieden helemaal worden afgelosten onder deze crowd management toepassing. Het is echter interessant dat de gemeten dichtheden in de andere gebieden maar weinig lijken toe te nemen. Bovendien lijkt de eventueel geïntroduceerde variantie niet dusdanig groot te zijn dat de zero case het beter zou doen. De traffic regulator maatregel lijkt dus potentie te hebben op de Grote Markt, niet alleen wanneer de omstandigheden slecht zijn, maar ook in relatief goede situaties. Dit is echter wel onder voorbehoud van alle aannames en keuzes die zijn gemaakt in het model van de Grote Markt. De weergegeven potentie is geen voorspelling, maar slechts een indicatie van uitkomsten onder de gemaakte keuzes en aannames. Merk hierbij op dat dichtheden gemeten zijn op vier specifieke plekken in het model. Het ligt voor de hand dat met de introductie van de crowd management toepassingen nieuwe opstoppingen zijn ontstaan op nieuwe plekken, die nu niet meegenomen konden worden. Dit is dus altijd een punt waar aandacht aan besteed moet worden.
Conclusie
De voorgestelde methodologie van drie stappen om met modellen om te gaan laat veel potentie zien voor het operationeel ondersteunen van crowd management. Met onderliggende crowd modellen, zoals opgesteld voor de Grote Markt, kan concreet ingegaan worden op mogelijke effecten van crowd management toepassingen. Zo konden verschillende maatregelen met elkaar vergeleken worden onder een grote hoeveelheid van verschillende omstandigheden. Ondanks de hoge complexiteit kan de methodologie relatief snel zoeken door een grote hoeveelheid omstandigheden, en wordt zoveel mogelijk rekening gehouden met benodigde rekenkracht. Het blijft echter van belang om kritisch te zijn op onderliggende modellen. Modellen zijn nooit perfect, en inzichten zijn slechts een indicatie van wat mogelijk is, geen voorspelling. Daarnaast zijn concrete stappen nodig om de voorgestelde methodologie praktisch uitvoerbaar te maken in het toegepaste veld van crowd management. Met de juiste begeleiding is deze toepassing goed mogelijk, en kan de methodologie, met het gebruik van onderliggende crowd modellen, van grote toegevoegde waarde zijn voor crowd management.