Prof.dr.ir. Hans van Lint AvL Hoogleraar Traffic simulation & Computing
|
|
|
- Margaretha de Winter
- 8 jaren geleden
- Aantal bezoeken:
Transcriptie
1 Prof.dr.ir. Hans van Lint AvL Hoogleraar Traffic simulation & Computing
2 Plan in 14: (Real-time) diagnostics, estimation & prediction Evaluation & assessment (Open-source) Multiscale Simulation Research program Past Present Future (BIG) Data Processing Virtual Reality, Gaming Mixed Reality NDW, OGB - 11/6/15 2
3 17 Nov 15 (Real-time) diagnostics, estimation & prediction Evaluation & assessment (Open-source) Multiscale Simulation (BIG) Data Processing Virtual Reality, Gaming Mixed Reality NDW, OGB - 11/6/15 3
4 Overall DiTTLAB Architectuur Een geïntegreerde omgeving (Open) data uit alle H - Visualisers, analysers, exporters denkbare bronnen: Verkeer Vervoer Netwerken Geavanceerde data assimilatie en analytics Opensource multi-scale, multi-modaal simuleren van verkeer en vervoer G - GUI s / Editors A - OpenTraffic Simulator B - OpenTrafficSim Input & toolset (Calibratie, Validatie, Identificatie, Fusie, Assimilatie tools) F - GIS (semi-static data: transport infra & built environment) C - Database (dynamic data: traffic, transport, weather, etc) E - OpenTrafficSim Ontology D - data import NDW, OGB - 11/6/15 4
5 Projecten in Urban Mobility Lab Traffic observatory A - OpenTraffic Simulator B - OpenTrafficSim Input & toolset (Calibratie, Validatie, Identificatie, Fusie, Assimilatie tools) F - GIS (semi-static data: transport infra & built environment) C - Database (dynamic data: traffic, transport, weather, etc) D - data import E - OpenTrafficSim Ontology G - GUI s / Editors H - Visualisers, analysers, exporters ABSTAT N1 Voorbereidingen voor verscheidene andere data & simulatie projecten NDW, OGB - 11/6/15 5
6 Hong Nam Nguyen Panchamy Krishnan Jan-Willem Lankhaar Mannus Etten Peter Knoppers Yufei Yuan Alex Papacharalampous Alexander Verbraeck Leonie Ottens Koos Drost Hans van Lint Van ploegen door data naar zoeken in informatie NDW TRAFFIC OBSERVATORY DEEL I Challenge the future Delft University of Technology
7 raw data - speeds [km/h] Een intelligente historische database km raw data - speeds [km/h] :00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 km Van ploegen door data naar zoeken in informatie 0 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 6 Filtered - speeds [km/h] Milde dag Filtered - speeds [km/h] km Berm brand minuten km :00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 16 Travel time :00 13:00 14:00 15:00 16:00 17:00 18:00 19: Filtered - speeds [km/h] :00 13:00 14:00 15:00 16:00 10 departure time 17:00 18: juni 15 km km Zware regen 60 raw data - speeds [km/h] :00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 minuten 16 raw data - speeds [km/h] :00 13:00 14:00 15:00 16:00 17:00 18:00 19: Travel time :00 13:00 14:00 15:00 16:00 17:00 18:00 19: :00 0 Filtered - speeds [km/h] 1 departure time 6 17:00 18: april km km Zwaar ongeluk 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19: minuten 30 Travel time :00 13:00 14:00 15:00 16:00 departure time 17:00 18:00 31 mei 15 minuten 80 Travel time :00 13:00 14:00 15:00 16:00 departure time 17:00 18:00 24 maart 15 foottext 7
8 16 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 0 Filtered - speeds [km/h] Een intelligente historische database Van ploegen door data naar zoeken in informatie 14 km Zwaar ongeluk 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19: km km raw data - speeds [km/h] :00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 Filtered - speeds [km/h] Zwaar ongeluk 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19: minuten 80 Travel time :00 13:00 14:00 15:00 16:00 departure time 17:00 18:00 24 maart 15 km km raw data - speeds [km/h] :00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 Filtered - speeds [km/h] Zwaar ongeluk :00 13:00 14:00 15:00 16:00 17:00 18:00 19: minuten Travel time :00 13:00 14:00 15:00 16:00 17:00 18:00 departure time a, 9 juni 15 minuten 70 Travel time :00 13:00 14:00 15:00 16:00 departure time 17:00 18:00 a16, 9 jan 11 foottext 8
9 Tussenstand Webtool voor het koppelen en beschikbaar maken van de data Java / Javascript / leaflet GetEvents GetMeaspoints GetDailyEvents GetASMStats GetWeather GetCrossections GetDailyWeather GetDailyTotals GetRWTotals Dittlab.tudelft DB: Cross sections measurement points (5,1M considering changes over time) ALL Geo functionality Cross-section Detectors - multiple measurement points Netezza DB: 2,382,489,886 lane/usrclass records dynamic measurements (March 15) ca 1/10 of that roadway records dynamic data foottext 9
10 Verschillende congestie patronen met verschillende oorzaken utomatisch herkennen van ongestiepatronen
11 Challenge the future 11
12 CLASS 1 CLASS 2 CLASS 3 Challenge the future 12
13 Supersnel zoeken in een mega database Stap 1 - training data samenstellen met bekende congestiepatronen (Beschikbare) Metadata Geclusterde congestie plaatjes uit databases / GIS: Datum & tijdsperiode Routekenmerken (geo & digraph info) weer (regenachtig, 10 o Celcius, etc) Incidenten / evenementen etc Type Y Type X De plaatjes hoeven NIET even groot te zijn hoeven NIET evenveel pixels te bevatten hoeven niet dezelfde verhouding hxb te hebben te bepalen/berekenen Voertuigverliesuren Reistijdverdeling data kwaliteit % vrachtverkeer vraagpatroon etc WEL nodig zelfde colormap zelfde ratio tijd/plaats (ivm schokgolf snelheden) Type Z foottext 13
14 Supersnel zoeken in een mega database Stap 2 - Die plaatjes ontrafelen in a bag of features (eigenlijk net zoals wij dat doen bij het herkennen van gezichten) SURF algorithm Extract keypoints Feature descriptions foottext 14
15 Supersnel zoeken in een mega database Stap 2 - Die plaatjes ontrafelen in a bag of features (eigenlijk net zoals wij dat doen bij het herkennen van gezichten) SURF algorithm Extract keypoints Feature descriptions Clustering of features K- means algorithm foottext 15 15
16 Supersnel zoeken in een mega database Stap 3 - Elk verkeerspatroon kan nu ahw worden samengevat met een histogram van features (een vector met getallen) Features count Feature histogram (a) Match de features in een figuur met de gevonden feature clusters (b)turven hoeveel van elke feature er in een plaatje voorkomt (c) Levert histogram op: voor elke figuur een vector met dezelfde hoeveelheid getallen! Group features Feature vector foottext 16 16
17 Supersnel zoeken in een mega database Stap 3 - Elk verkeerspatroon kan nu ahw worden samengevat met een histogram van features (een vector met getallen) Verkeerspatronen Class 1 Feature vectoren Class 2 Class 3 foottext
18 Supersnel zoeken in een mega database Stap 4 - Gebruik deze feature vectoren om een SVM classifier te leren welke typische features horen bij elke klasse Feature vectoren Class 1 Class 2 SVM Save Training model Class 3 foottext
19 Supersnel zoeken in een mega database Stap 5 - Nieuwe patronen classificeren Onbekend patroon Patroon type X ontrafelen in features So far so good TODO: iteratief process (1) Start klassificatie nieuwe kleine test data set (2) Klassificatie handmatig verfijnen / corrigeren (3) Hertrainen SVM classifier (4) terug naar (1) Classificeren Training model foottext 19
20 Supersnel zoeken in een mega database Komend jaar Bouwen prototype Congestie-Zoek-Engine - Iteratieve verfijning van de SVM classifier (tot classificatie voldoende consistent en accuraat is) - Slimme routines ontwikkelen om ALLE congestiepatronen (heel NL? maart 15) te kunnen vinden en classificeren - Dat vervolgens doen (classificeren) - SVM + Beschikbare metadata = Zoek-index Verfijnen en uitbreiden weer- en andere metadata So far so good TODO: iteratief process (1) Start klassificatie nieuwe kleine test data set (2) Klassificatie handmatig verfijnen / corrigeren (3) Hertrainen SVM classifier (4) terug naar (1) Bouwen WebGUI voor CoZi foottext
21
22 Dat kan beter!
23 17 Nov 15 Programma Hans van Lint Data = grondstof voor kennis verwerven - Filosofie DiTTLAB: data meets simulation - Naar een intelligente NDW database Alexander Verbraeck & Guus Tamminga - Opentrafficsim Kennis (verpakt in simulatie modellen) + data = beste manier om te begrijpen wat er NU aan de hand zou kunnen zijn geweest Hans van Lint - NDW Traffic Observatory: Maar let op het scheermes van Ockham! multiscale schatten en simuleren NDW, OGB - 11/6/15 23
24 Multi-scale schatten van variabelen en parameters NDW TRAFFIC OBSERVATORY DEEL II Challenge the future Delft University of Technology
25 Verkeer en vervoer begrijpen begint en eindigt met data (de wetenschappelijke methode) Data Voorspellen, simuleren Ontdekkingen! Theorien & modellen NDW, OGB - 11/6/15 25
26 Waar halen we data over verkeer en vervoer vandaan? Echt gedrag? In het veld meten Controleerbaar? NDW, OGB - 11/6/15 26
27 Waar halen we data over verkeer en vervoer vandaan? Echt gedrag? In het veld meten In een lab meten Controleerbaar? NDW, OGB - 11/6/15 27
28 Waar halen we data over verkeer en vervoer vandaan? Echt gedrag? In het veld meten In een lab meten In een virtuele wereld meten Controleerbaar? NDW, OGB - 11/6/15 28
29 Waar halen we data over verkeer en vervoer vandaan? Echt gedrag? In het veld meten Hier kunnen we naartoe met BIG In een lab meten data (!) In een virtuele wereld meten a la CSI: data fusie levert meer, beter en robuuster bewijs (1+1=3 principe) Voorbeelden extra context: Omstandigheden (CAN data, weer, incidenten, evenementen, nieuws, etc) Status netwerk & alternatieven (ITS, parkeerdata, OV data) HB, route- en vervoerwijze keuze (GSM, Apps, OVchip) Rij, reiservaring, -vaardighed en -stijl (Apps, CAN data) Reismotieven (social media, apps) Controleerbaar? NDW, OGB - 11/6/15 29
30 Dit impliceert een fundamentele andere manier van werken 1. Veel meer (GIS-, reken-, modellen-) gereedschap kunnen beheersen 2. Werken in interdisciplinaire teams Verkeer en vervoerkundigen Data scientists Computer scientists 3. Delen van data, delen van expertise (NL is m.i. te klein voor schuttingen om beiden) a la CSI: data fusie levert meer, beter en robuuster bewijs (1+1=3 principe) Voorbeelden extra context: Omstandigheden (CAN data, weer, incidenten, evenementen, nieuws, etc) Status netwerk & alternatieven (ITS, parkeerdata, OV data) HB, route- en vervoerwijze keuze (GSM, Apps, OVchip) Rij, reiservaring, -vaardighed en -stijl (Apps, CAN data) Reismotieven (social media, apps) NDW, OGB - 11/6/15 30
31 Van data naar kennis Falsifieerbaarheid & Het scheermes van Ockham 1. Hoe specifieker en gedetailleerder de uitspraak des te specifieker en gedetailleerder het bewijs (de data) moet zijn 2. Bij gelijke bewijsvoering is de simpelste verklaring het meest waarschijnlijk (meer detail beter voorspellen) Voorbeeld: als we alleen in trajectreistijdverdelingen op de N1 geïnteresseerd zijn hadden we net zo goed veel simpeler modellen kunnen gebruiken MAAR we willen op termijn rijgedrag en wachtrij dynamica schatten en toetsen - N1 model daarom sleutelinstrument voor OTS / DiTTLAB "William of Ockham" by self-created (Moscarlop) - Own work. Licensed under CC BY-SA 3.0 via Commons - File:William_of_Ockham.png#/media/ File:William_of_Ockham.png foottext 31
32 Hoe specifieker en gedetailleerder de uitspraak des te specifieker en gedetailleerder het bewijs (de data) moet zijn Voorbeeld: Vitoria network (Spanje) 600km road network 2800 intersections 389 detectors (black dots) and 3249 OD pairs we proberen hier een uitspraak te doen over 3249 onbekende grootheden op grond van heel weinig bewijsmateriaal (389 gesommeerde waarnemingen + een a priori matrix op basis ook weer heel weinig data ) foottext 32
33 Hoe specifieker en gedetailleerder de uitspraak des te specifieker en gedetailleerder het bewijs (de data) moet zijn Voorbeeld: Vitoria network (Spanje) 600km road network 2800 intersections 389 detectors (black dots) and 3249 OD pairs Wachten op echte BIG data? foottext 33
34 Hoe specifieker en gedetailleerder de uitspraak des te specifieker en gedetailleerder het bewijs (de data) moet zijn NEE! Voorbeeld: Vitoria network (Spanje) we kunnen gedeeltelijke 600km road network HBs nu al meten! 2800 intersections 389 detectors (black dots) EN and 3249 OD pairs uit onderzoek blijkt dat we het probleem ook Wachten op echte BIG data? fundamenteel anders moeten aanpakken: met circa 5% van de HB paren is soms tot 95% van de dynamica verklaren foottext 34
35 Hoe specifieker en gedetailleerder de uitspraak des te specifieker en gedetailleerder het bewijs (de data) moet zijn Eerst grof schatten, dan naar fijn foottext 35
36 ON IMPROVING OPERATIONAL PLANNING AND CONTROL IN PUBLIC TRANSPORTATION NETWORKS USING STREAMING DATA: A MACHINE LEARNING APPROACH Luís Alexandre Moreira Matias, PhD thesis, Univ de Porto
37 Plannen voor 16 en verder Multi-scale schatten van alle relevante grootheden Op basis van NDW data + heel veel andere potentiële bronnen - Schatten van de grote onbekenden: Dichtheden, voertuigverliesuren Inflows en turns (wat gaat er op wat gaat er af?) Capaciteiten, kritische snelheden Netwerk fundamenteel diagrammen (OWN?) - Schatten van herkomst-bestemmingspatronen op verschillende ruimtelijke schaalniveaus - Simuleren (voorspellen?) van verkeer op basis van alle beschikbare data op verschillende schaalniveaus foottext 37
38 Schatten op rijstrookniveau Toestands variabelen Individuele voertuigen (interacties) Rijstrooksnelheden & dichtheden Rijstrookverdelingen Voertuigmix Wachtrij dynamica Data CAN-bus data Rijstrook specifieke trajectorieen (FCD) Lus / VRI data alle andere DVM Gedetailleerde netwerkgraaf Omgevingsdata (weer, etc) invoegstroken / VRIs Dynamica 1-10 seconds NDW, OGB - 11/6/15 38
39 Schatten op rijbaanniveau Toestands variabelen Rijbaansnelheden & dichtheden Inflows en turnfracties voertuigmix Data Trajectorieen (FCD) Lus / VRI data DVM iets grovere (rijbaan) netwerkgraaf Inflowprofielen / turnfracties Omgevingsdata (weer, etc) Dynamica 10 seconds - few minutes NDW, OGB - 11/6/15 39
40 Schatten op rijbaanniveau NDW, OGB - 11/6/15 40
41 Schatten op regionaal netwerkniveau Toestands variabelen Rijbaansnelheden & dichtheden Inflows en turnfracties Routekeuzepatronen HB patronen Data Trajectorieen (FCD) Lus / VRI data DVM + Infovoorziening Rijbaan netwerkgraaf HB matrix / splitfracties Omgevingsdata (weer, etc) Dynamica 5-30 minutes NDW, OGB - 11/6/15 41
42 Schatten op hogere netwerkniveaus Toestands variabelen Rijbaansnelheden & dichtheden Routekeuzepatronen HB patronen NFDs: Data Lusdata DVM + Infovoorziening Rijbaan netwerkgraaf + reservoirzones HB matrix / splitfracties Omgevingsdata (weer, etc) Dynamica minutes NDW, OGB - 11/6/15 42
43 Plannen voor 16 en verder Multi-scale schatten van alle relevante grootheden Kernvoorwaarde: - Gereedschap om directed graphs (digraphs) uit GIS / Transport data te genereren - Gereedschap om deze consistent te samen te vouwen of juist uit te vouwen foottext 43
44 Dank! Veel dank aan Frits, Olaf, Edoardo, Tommy en de andere NDW-ers voor de support!
Van ploegen door data naar zoeken in informatie Eerste resultaten van NDW Traffic Observatory in DiTTlab
Van ploegen door data naar zoeken in informatie Eerste resultaten van NDW Traffic Observatory in DiTTlab Prof.dr.ir. Hans van Lint Edoardo Felici Projectmanager Strategie en Innovatie NDW in het kort:
Real-time verkeersmodellen Overzicht, structuur en voorbeelden
Real-time verkeersmodellen Overzicht, structuur en voorbeelden Dr. Hans van Lint, Transport & Planning, Civiele Techniek 3/24/09 Delft University of Technology Challenge the future Overzicht Real-time
OpenTraffic. Open Traffic: open source software modellen toolbox. Guus Tamminga, Peter Knoppers, Hans van Lint, Alexander Verbraeck, Yufei Yuan
OpenTraffic. Open Traffic: open source software modellen toolbox Guus Tamminga, Peter Knoppers, Hans van Lint, Alexander Verbraeck, Yufei Yuan Grontmij TU Delft Data Hub Functional Modules Your Application
Advanced Traffic Monitoring (ATMO) (Thema Integraal infrastructuur- en verkeersmanagement )
Transumo - ATMO Advanced Traffic Monitoring (ATMO) www.atmo.tudelft.nl (Thema Integraal infrastructuur- en verkeersmanagement ) PLATOS 23 maart 06 Provinciehuis Utrecht Hans van Lint 6-3-07 Platos 23/3/06
5 maart e PLATOS colloquium, "Rekenen aan Duurzaamheid" 1
5 maart 2008 8e PLATOS colloquium, "Rekenen aan Duurzaamheid" 1 Betrouwbare reistijden op het Nederlands wegennet nieuwe inzichten op basis van echte data 8e PLATOS Colloquium Provinciehuis Utrecht, 5
Inhoud. Inhoud. Betrouwbare reistijden op het Nederlands wegennet nieuwe inzichten op basis van echte data. Maten voor betrouwbaarheid
Inhoud Presentatie op basis van proefschrift Betrouwbare reistijden op het Nederlands wegennet nieuwe inzichten op basis van echte data Huizhao Tu Monitoring Travel Time Reliability on Freeways Verdediging
Veel (onderzoeks)simulatoren voor verkeer en transport
OpenTrafficSim Een innovatief platform voor verkeersmodellen en dataverrijking 17-11-2015 Guus Tamminga, Grontmij Alexander Verbraeck, TU Delft Delft University of Technology Challenge the future Veel
Drie domeinen als basis voor onze toekomstige veiligheid De genoemde trends en game changers raken onze veiligheid. Enerzijds zijn het bedreigingen, anderzijds maken zij een veiliger Nederland mogelijk.
FAST. SMART Cities - SMART systems. Cornelis van Bemmel 12 May 2015
FAST SMART Cities - SMART systems Cornelis van Bemmel 12 May 2015 Inhoud Smart Cities Groene golven Aanleiding FAST FAST onder de motorkap Toepassingen Toekomst Conclusie 2 SMART Cities In een slimme stad
Transparantie in dynamische modellen voor wegverkeer
Transparantie in dynamische modellen voor wegverkeer A model should be as simple as possible, but not simpler... (A. Einstein) PLATOS2011, 3/8/11 Dr. Hans van Lint Prof. Dr. Serge Hoogendoorn Delft University
Het classificeren van hoortoestel modaliteiten m.b.v. een Big Data benadering: Latent Class Trees analyse
Het classificeren van hoortoestel modaliteiten m.b.v. een Big Data benadering: Latent Class Trees analyse Simon Lansbergen & Wouter Dreschler Motivatie // Introductie 1. Veel verschillende hoortoestellen,
De echte waarde van VR & AR in smart buildings Wieland Hendriksen The Urban Future
De echte waarde van VR & AR in smart buildings Wieland Hendriksen The Urban Future De Echte Waarde van VR en AR in Smart Buildings Wie zijn wij? NHTV Join Venture University of Applied Sciences Breda Academy
Bruikbaarheid van Floating Car Data voor transportmodellen. PLATOS, 14 maart 2018
Bruikbaarheid van Floating Car Data voor transportmodellen PLATOS, 14 maart 2018 Marco Kouwenhoven Rik van Grol, Jasper Willigers (Significance, TU Delft) (Significance) Inleiding Recentelijk heeft NDW
De file omgedraaid beter voorspellen door terug te redeneren
De file omgedraaid beter voorspellen door terug te redeneren Dr. Ir. J.W.C. van Lint Universitair docent Verkeerstromen Afdeling Transport & Planning Faculteit Civiele Techniek en Geowetenschappen www.transport.citg.tudelft.nl
Floating Car Data voor filestaartbeveiliging Marco Schreuder (RWS) NDW-NM 7 december 2016
Floating Car Data voor filestaartbeveiliging Marco Schreuder (RWS) NDW-NM 7 december 2016 Inhoud Aanleiding Aanpak Resultaat Vervolg Praktijkproef Amsterdam Verkeersinfo Toepassingen FCD voor RWS Verkeersmanagement
Hoe AI kan ingezet worden voor de analyse van asbesthoudende daken
Hoe AI kan ingezet worden voor de analyse van asbesthoudende daken Earth Observation Data Sciences www.vlaanderen.be/informatievlaanderen www.vito.be Workshop: Asbestinventarisatie en analyse Weerslag
Datafusie FCD en NDW-data. Frans van Waes NDW-Symposium Innoveren met Floating Car Data, 7 december 2016
Datafusie FCD en NDW-data Frans van Waes NDW-Symposium Innoveren met Floating Car Data, 7 december 2016 Inhoud Verkeersplaza Doel Verkeerstoestand Use cases Data processing Data fusie Level of Service
Evaluatie effecten DVM-maatregelen met behulp van microsimulatie
Evaluatie effecten DVM-maatregelen met behulp van microsimulatie Door: Steven Logghe & Ben Immers; K.U.Leuven Op de ring van Antwerpen is de verkeerssituatie ter hoogte van de Kennedy-tunnel met behulp
GIS in de klas. 10 redenen waarom. Graag alvast deze paar vragen (anoniem) beantwoorden...voor straks.. https://goo.gl/pr4qve
GIS in de klas 10 redenen waarom Graag alvast deze paar vragen (anoniem) beantwoorden...voor straks.. https://goo.gl/pr4qve GIS in de klas Wat is GIS? Hoe werkt het? De 10 redenen Waarom QGIS? Wat is GIS?
Modelleren en simuleren van verkeersstromen
Modelleren en simuleren van verkeersstromen Sven Maerivoet Maart 2003 Waar zal het over gaan? De nadruk zal liggen op : modelleren en simuleren We hebben het dus niet over : verkeersbeheersing 2 Overzicht
3200 = 40 = 30,5 vtg/km 4200
1 CONGESTIE EN SCHOKGOLVEN 1.1 Ongeluk op de snelweg a) Twee rijstroken, dus k cap = 2*20 =40 vtg/km. Intensiteit: 3200 vtg/uur. Capaciteit: 2*2100= 4200 vtg/uur. Dus de dichtheid is: 3200 k A1 = 40 =
Uitdagingen in Crowd Engineering
Uitdagingen in Crowd Engineering Naar een veilig en efficient gebruik van loopinfrastructuur Prof. Dr. ir. Serge Hoogendoorn, Transport & Planning, TU Delft Loveparade Duisburg 2010 Wat ging er mis? Systematische
Neurale Netwerken en Deep Learning. Tijmen Blankevoort
Neurale Netwerken en Deep Learning Tijmen Blankevoort De toekomst - Internet of Things De toekomst - sluiertipje Je gezondheid wordt continue gemonitored Je dieet wordt voor je afgestemd -> Stroomversnelling
25/02/2016. STAP 2 Distributie. STAP 1 Ritgeneratie (en tijdstipkeuze) STAP 3 Vervoerwijzekeuze. STAP 4 Toedeling. Resultaten.
STAP 1 (en tijdstip) Hoeveel mensen zullen er vertrekken en aankomen in een bepaalde periode (spitsuur) Aantal vertrekken (productie) = aantal aankomsten (attractie) per motief STAP 2 Bepalen van aantal
Werkomgevingen voor de Onderzoekers
Werkomgevingen voor de Onderzoekers Visie AmsterdamUMC Hans van den Berg AmsterdamUMC VRE dag 3-6-2019 Agenda Onderzoeksgroepen bij AmsterdamUMC Referentie architectuur onderzoek Werkomgeving van onderzoeker:
DENKVAARDIGHEDEN bron: The Parallel Curriculum
DENKVAARDIGHEDEN bron: The Parallel Curriculum In 'The Parallel Curriculum' van Tomlinson et al. (2009) worden de 'Habits of Mind' van mensen die intelligent handelen beschreven, op basis van onderzoek
CT2710 Transport & Planning Verkeerstroomtheorie en Verkeersmanagement Experiment!
CT2710 Transport & Planning Experiment! Hans van Lint, Ramon Landman & Serge Hoogendoorn Transport & Planning 11-5-2012 Delft University of Technology Challenge the future 1. Experiment 2 CT2710 Experiment
Informatie- Gestuurd. Handhaven. Pilot Uitkeringsfraude
Pilot Uitkeringsfraude Informatie- Gestuurd Handhaven InformatieGestuurd Handhaven GBI Ooit Gezamenlijke Backoffice Inkomen Nu Gemeentelijke Basisprocessen Inkomen 2 het IGH-model InformatieGestuurd Handhaven
Verkeersafwikkeling weefvak A4 Nieuw-Vennep/Hoofddorp. April 2002
Verkeersafwikkeling weefvak A4 Nieuw-Vennep/Hoofddorp April 2002 ....................... Colofon Uitgegeven door: Adviesdienst Verkeer en Vervoer Informatie: ir. H. Schuurman Telefoon: 010 282 5889 Fax:
Met VRI-data real time inzicht in verkeersstromen
Met VRI-data real time inzicht in verkeersstromen Luc Wismans DAT.Mobility/Utwente lwismans@dat.nl Jakob Henckel DAT.Mobility jhenckel@dat.nl Wierd Janse Gemeente Apeldoorn w.janse@apeldoorn.nl Bijdrage
Automating Complex Workflows using Processing Modeler
Automating Complex Workflows using Processing Modeler QGIS Tutorials and Tips Author Ujaval Gandhi http://google.com/+ujavalgandhi Translations by Dick Groskamp This work is licensed under a Creative Commons
modelinnovaties 18 september 2018 // Peter Kant
Beleidsvragen Klik om de stijl sturen te bewerken modelinnovaties 18 september 2018 // Peter Kant De wereld verandert, mobiliteit blijft Maar de wereld van mobiliteit staat niet stil In laatste jaren enorme
Model Driven Software Development: Geen toekomst maar realiteit. 4 juni 2009, WTC, Amsterdam.
Model Driven Software Development: Geen toekomst maar realiteit. 4 juni 2009, WTC, Amsterdam. Welke hoort in dit rijtje niet thuis? Weg- en waterbouw Huizen- en kantoorbouw Stedenbouw Auto- en vliegtuigbouw
Urban Mobility Lab Amsterdam: Begrijpen hoe mobiliteit werkt
Urban Mobility Lab Amsterdam: Begrijpen hoe mobiliteit werkt dr. ir. Niels van Oort TU Delft/ Goudappel Coffeng N.vanOort@TUDelft.nl Prof. dr. ir. Serge Hoogendoorn TU Delft S.P.Hoogendoorn@TUDelft.nl
Een generieke aanpak voor DVM Proactief regelen van de snelweg A15 in het havengebied met BOS-HbR
Een generieke aanpak voor DVM Proactief regelen van de snelweg A15 in het havengebied met BOS-HbR Thomas Schreiter (Technische Universiteit Delft) Hans van Lint (Technische Universiteit Delft) Serge Hoogendoorn
Stichting NIOC en de NIOC kennisbank
Stichting NIOC Stichting NIOC en de NIOC kennisbank Stichting NIOC (www.nioc.nl) stelt zich conform zijn statuten tot doel: het realiseren van congressen over informatica onderwijs en voorts al hetgeen
Bestrijd illegale houtkap en red het regenwoud met HANA
Bestrijd illegale houtkap en red het regenwoud met HANA Expertum NL, RFCx, SAP Dirk Kemper en Eline Bangert 14 Mei 2019 Oktober 2017 - SAP Run Live Truck Doel: App voor de rangers - Prototype binnen 5
Big Data en het CBS. Enkele voorbeelden. Piet Daas, May Offermans, Martijn Tennekes, Alex Priem, Paul van den Hurk
Big Data en het CBS Enkele voorbeelden Piet Daas, May Offermans, Martijn Tennekes, Alex Priem, Paul van den Hurk Overzicht Wat is Big Data? Definitie en eigenschappen Relatie tot de statistiek Waarom?
Project Coöperatieve ITS Corridor. Abraham Bot Edwin van der Walle. Coöperatieve ITS Corridor IN HET KORT. Rijkswaterstaat 2 Coöperatieve ITS Corridor
Project Coöperatieve ITS Corridor Abraham Bot Edwin van der Walle Coöperatieve ITS Corridor IN HET KORT 2 Coöperatieve ITS Corridor 1 In een notendop Invoering van twee coöperatieve ITS diensten: Road
Het einde van de cloud zoals wij die nu kennen. Dell EMC Hans Timmerman
Het einde van de cloud zoals wij die nu kennen Dell EMC Hans Timmerman 2 Copyright 2017 Dell Inc. Dell Technologies Dell Inc. Strategically Aligned Businesses Client Solutions Group Infrastructure Solutions
Continuous Learning in Computer Vision S.L. Pintea
Continuous Learning in Computer Vision S.L. Pintea Continuous Learning in Computer Vision Natura non facit saltus. Gottfried Leibniz Silvia-Laura Pintea Intelligent Sensory Information Systems University
CT2710 Transport & Planning Sommencollege delen 1 en 2
CT2710 Transport & Planning Sommencollege delen 1 en 2 Rob van Nes, Transport & Planning 11-5-2012 Delft University of Technology Challenge the future Tentamenvorm Elektronisch tentamen (Etude) Open rekenvragen
VAN PAPIERSTROOM NAAR INFORMATIESTROOM
VAN PAPIERSTROOM NAAR INFORMATIESTROOM MET ZELF LERENDE DOCUMENTHERKENNING Een continue stroom aan binnenkomende post en interne documenten. Wie herkent het niet? Het vergt tijd en energie om al deze documenten
Real Time Monitoring & Adaptive Cyber Intelligence SBIR13C038
Real Time Monitoring & Adaptive Cyber Intelligence SBIR13C038 Opgericht 2010 Ervaring >10 jaar Expertise Forensisch gegevensonderzoek Anomalie detectie Behavioral profiling SBIR Partners TNO Texar Data
De geïntegreerde architectuur van Informatie- en Operationele Techniek. Jurg Bremmer (sr. Consultant - )
De geïntegreerde architectuur van Informatie- en Operationele Techniek Jurg Bremmer (sr. Consultant - ) Welkom Agenda Introductie Informatie architectuur Voorbeelden Aanpak Discussie Jurg Bremmer sr. Consultant
Sensing the City / Delft van Boven
Sensing the City / Delft van Boven Activiteitenpatronen, leefomgeving & technologie Stefan van der Spek, Ass. Prof. of Urban Design 03/05/2012 Delft University of Technology Challenge the future Staff
Living Labs : NFI & RvdK Samen onderweg naar meer grip op data. JenV I-tour presentatie 24 april 2018
Living Labs : NFI & RvdK Samen onderweg naar meer grip op data JenV I-tour presentatie 24 april 2018 1 Agenda Deel I - door Jannie RvdK Intermezzo filmpje I-plan JenV Deel II door Femke en Xandra NFI KInD
HIRLAM Plans for academic research models. Tilly Driesenaar Scientific secretary HIRLAM
HIRLAM Plans for academic research models Tilly Driesenaar Scientific secretary HIRLAM Contents Introduction sci-sec tasks Introduction HARMONIE HARMONIE for Universities Sci-sec HIRLAM tasks HIRLAM.org
URBAN SCIENCE. Professor Nanda Piersma Michael Hogenboom
URBAN SCIENCE Professor Nanda Piersma Michael Hogenboom Nanda Piersma Hogeschool van Amsterdam (HvA) Centrum Wiskunde & Informatica (CWI) URBAN TECHNOLOGY SOLUTIONS FOR SUSTAINABLE, LIVEABLE AND CONNECTED
SERVICEPROVIDER IN VM (2.0) Mark Grefhorst BD Manager
SERVICEPROVIDER IN VM (2.0) Mark Grefhorst BD Manager WAT WIJ DOEN Een onafhankelijke leverancier van slimme mobiliteitstechnologie & data op weg naar autonome en gedeelde mobiliteit, het maximale halen
c l e u r e n _ m e r k e n RUIMTELIJKE PLANNING EN ARCHITECTUUR
c l e u r e n _ m e r k e n RUIMTELIJKE PLANNING EN ARCHITECTUUR - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
StadsDashboard. Staat van de Stad brengt slimme logistiek in beeld. Merle Blok 12 mei 2015
StadsDashboard Staat van de Stad brengt slimme logistiek in beeld Merle Blok 12 mei 2015 Missie TNO verbindt mensen en kennis om innovaties te creëren die de concurrentiekracht van bedrijven en het welzijn
Longitudinal Driving Behaviour At Incidents And The Influence Of Emotions. Raymond Hoogendoorn
Longitudinal Driving Behaviour At Incidents And The Influence Of Emotions Raymond Hoogendoorn. Primary thesis coordinator: Dr. W. Waterink Secondary thesis coordinator: Dr. P. Verboon April 2009 School
Augmented Reality. En hoe we dit inzetten bij het voorkomen van graafschade
Welkom Wie zijn wij Trotse vader van een zoon en een bonus dochter Op vrijdag de 13 e juli 2012 getrouwd en het heeft me alleen maar geluk gebracht Directeur BlindGuide Marketeer in de ICT, Telecom en
Powered by EGM. Virtual, Mixed en Augemented Reality binnen de (interieur-)architectuur
Powered by EGM Virtual, Mixed en Augemented Reality binnen de (interieur-)architectuur Programma Powered by EGM Interactief presenteren met VR/AR/MR What s nu & what s next Powered By EGM 1998-2002 MEI
Big Data Halen we wijsheid uit de datalawine of laten we ons IeTs wijsmaken? Willem Brethouwer RM INDI Platform 10 oktober 2014
Big Data Halen we wijsheid uit de datalawine of laten we ons IeTs wijsmaken? Willem Brethouwer RM INDI Platform 10 oktober 2014 Oktober 2014 Big Data INDI Platform 1 Mijn BOODSCHAP: BIG DATA kan ook BIG
Intro JIP MoBaMo-BES. Deltares.
Intro JIP MoBaMo-BES Deltares Ivo.Pothof@deltares.nl Model-geBaseerde Monitoring Bodem Energie Systemen Aanleiding KP Bodemenergie Thema Beoordelingskader BES (prestaties deellast) Brainstormgroep (feb
Complexiteit de baas Data Analytics en beheersing van kwaliteit en processen. Melinda van den Berg Jan Telman
Complexiteit de baas Data Analytics en beheersing van kwaliteit en processen Melinda van den Berg Jan Telman DATA PEOPLE - PROCESS Our World Expertise Gunvor Tata Steel Dunlop Apollo Vredestein Ardagh
Met de Glazen Bol naar. Doelgerichter BWT Toezicht
Met de Glazen Bol naar Doelgerichter BWT Toezicht Missie SuperGraph realiseert de toepassing van Voorspellende Modellen in het hart van uw organisatie dusdanig dat onzekerheden zoveel mogelijk worden weggenomen
Nationaal verkeerskundecongres 2015
Nationaal verkeerskundecongres 2015 Coöperatief Verkeersmanagement o.b.v. realtime modellen : wat vergt dit van huidige systemen? Bas van der Bijl (Grontmij Smart Mobility) Guus Tamminga (Grontmij Smart
Linda Heilmann (CROW) Willem Scheper & Sanne van Zundert (Keypoint / consortium Fiets Telweek) WORKSHOP 23 MEI 2016
Linda Heilmann (CROW) Willem Scheper & Sanne van Zundert (Keypoint / consortium Fiets Telweek) WORKSHOP 23 MEI 2016 1 Programma 13.30 uur Welkomstwoord en kader scheppen 13.45 uur Bike PRINT 14.00 uur
Nationaal verkeerskundecongres 2016
Nationaal verkeerskundecongres 2016 De nieuwe databron: Modelled Car Data Bas van der Bijl (Sweco Nederland B.V.) Niels Henkens (Sweco Nederland B.V.) Samenvatting Verkeersinformatie wordt steeds belangrijker,
Knowledge Engineering @Work
Knowledge Engineering @Work REGITEL-bijeenkomst Aachen, 22/10/2013 1 Een inleidend filmpje over Knowledge Engineering is hier te bekijken (3 min.) 2 Ons Voorstel β-talent binden aan uw bedrijf Inzet op
Nationaal verkeerskundecongres 2017
Nationaal verkeerskundecongres 2017 Data Science in de verkeerskunde, tijd voor een vernieuwde blik op verkeerskundige data George Stern (Vialis) Samenvatting Big Data is al jaren een hot item in de verkeerskundige
Fiets en OV. Danique Ton PhD: Keuzegedrag van Fietsers en Voetgangers. Niels van Oort Assistant Professor: Openbaar Vervoer. #FietsOV #SUMS2017
Fiets en OV Danique Ton PhD: Keuzegedrag van Fietsers en Voetgangers Niels van Oort Assistant Professor: Openbaar Vervoer #FietsOV #SUMS2017 1 De fiets bestaat precies 200 jaar! Heel veel ontwikkelingen
Xedule: stimulator en simulator voor de verbetering van plannen én roosteren
Xedule: stimulator en simulator voor de verbetering van plannen én roosteren dr. ir. P.J.A. (Peter) Verdaasdonk 1 Agenda Introductie Onderwijslogistiek Wat is het? Plannen versus roosteren Werken met onzekerheid
Een generieke aanpak voor DVM Proactief regelen van de snelweg A15 in het havengebiet met BOS-HbR
Een generieke aanpak voor DVM Proactief regelen van de snelweg A15 in het havengebiet met BOS-HbR Thomas Schreiter, Hans van Lint, Serge Hoogendoorn, Zlatan Muhurdarevic, Ernst Scheerder Delft University
Nationaal verkeerskundecongres 2015
Nationaal verkeerskundecongres 2015 Verkeersmanagement o.b.v. RT modellen : wat vergt dit van huidige systemen? Bas van der Bijl (Grontmij Smart Mobility) Guus Tamminga (Grontmij Smart Mobility) Gerbrand
De Marketeer is niet meer; leve de Geomarketeer! Over de integratie van lokatie in marketing
De Marketeer is niet meer; leve de Geomarketeer! Over de integratie van lokatie in marketing dr. Jasper Dekkers Afdeling Ruimtelijke Economie, vrije Universiteit amsterdam Korte introductie Economie Geo
The Control Room of the Future
Even voorstellen: Prodek Automation products Opgericht in 2001 Importeur / distributeur Opleiding / levering / advies / consultancy / dienstverlening Joop de Kwant Directeur Hoe ziet de toekomstige controle
Vertrouwen en verbinden. R Huizinga en J Ciocoiu KPN Consulting
Vertrouwen en verbinden R Huizinga en J Ciocoiu KPN Consulting Data: driver voor digitale transformatie Digitalisering aanjager van data management. Data management is aanjager van digitalisering. Van
Smart Maintenance. Het realiseren van een intelligente Maintenance inrichting door het slim gebruik van Data analytics
Smart Maintenance Het realiseren van een intelligente Maintenance inrichting door het slim gebruik van Data analytics 05-10-2016 Maintenance meets service logistiek 05-10-2016 Kasper Groenbroek Siebrand
Floating car data voor DVM toepassingen
Floating car data voor DVM toepassingen PAO cursus Dynamisch Verkeersmanagement Delft 22-23 november 2005 Module DVM 2 INHOUD Technieken voor plaatsbepaling Karakteristieken van FCD data Veelbelovende
Eye Feature Detection Towards Automatic Strabismus Screening
Eye Feature Detection Towards Automatic Strabismus Screening Ken Allen, Khanh Nguyen Gettysburg College What is strabismus? Eye defect that causes eyes to look in two different directions If left untreated,
Vervoer over goede banen
Vervoer over goede banen Onderweg naar Morgen Den Haag 14/10/2010 Mobiliteitsontwikkeling in Nederland 1000 900 autokm 800 700 BNP OV-km inwoners 600 500 400 300 200 100 0 1960 1965 1970 1975 1980 1985
TrimbleT&L DOC. Carcube V3 activatie na installatie FW versie 1.52
TrimbleT&L DOC Carcube V3 activatie na installatie FW versie 1.52 Tijdens opstart Carcube kan het Calibratie scherm zichtbaar worden. Volg de instructies op het scherm. Verwijder de beschermfolie op het
Artificial Intelligence in uw dagelijkse praktijk. Hilversum, 22 September 2016
Artificial Intelligence in uw dagelijkse praktijk Hilversum, 22 September 2016 Agenda 09:30 Welkom en introductie 09:35 Artificial Intelligence, al meer dan 50 jaar een actief onderzoeksgebied Jaap van
Historische informatie in een Spatial Dynamisch Data Warehouse. Wil de Jong Enterprise Architect
Historische informatie in een Spatial Dynamisch Data Warehouse Wil de Jong Enterprise Architect Spatial Eye Synergiedag 2 februari 2012 Aanleiding Business Intelligence project De oplossing en aanpak BI-Visie
Verkeersvoorspellingen met modellen: een voorspelling over modellen
Verkeersvoorspellingen met modellen: een voorspelling over modellen Victor L. Knoop (Technische Universiteit Delft, TrafficQuest) Serge P. Hoogendoorn (Technische Universiteit Delft, TrafficQuest) Samenvatting
Bijlage 1. Opzet aanpak Navigatie. inowit. Datum: augustus 2013. Versie 4. Pagina 1 van 7
Bijlage 1 Opzet aanpak Navigatie inowit Datum: augustus 2013 Versie 4 Pagina 1 van 7 Inhoud 1. Stappen:... 3 Stap 1: beheer kaartapplicatie / wegennetwerk... 3 Stap 2: CCS-M ingeven van (operationele)
Kennismaking met Process Mining in de zorg. 1 december 2014
Kennismaking met Process Mining in de zorg 1 december 2014 Rob van de Coevering -> 2009 Business (BPM) Consultant 2009 2011 IT Manager KWF Kankerbestrijding 2011 2013 Project leider www.kanker.nl 2013
eurofot - European Large-Scale Field Operational Test on In-Vehicle Systems
eurofot - European Large-Scale Field Operational Test on In-Vehicle Systems Intelligente Transport Systemen in praktijk getest: resultaten en ervaringen van het eurofot project Eline Jonkers, TNO NVC 31
CT2710 Transport & Planning Netwerken
CT2710 Transport & Planning Netwerken Rob van Nes, Transport & Planning 5-4-2012 Delft University of Technology Challenge the future Kritiekpunten Tracénota A4 creëert congestie in Beneluxtunnel Problemen
Potentie van cellulaire technologie. FCD Symposium 7 december Amersfoort
Potentie van cellulaire technologie FCD Symposium 7 december 2016 - Amersfoort Even voorstellen Raoul Raab: Manager Innovation - Vodafone Edwin Reinhoudt: Associate - Verdonck Klooster & Associates Projectleider
Steef Peters (peters@waterinsight.nl) www.bluelegmonitor.com IVM-VU. Water Insight (2005) BlueLeg Monitor(2012)
WISP blauwalgen monitoring met remote sensing Steef Peters (peters@waterinsight.nl) www.bluelegmonitor.com Met enige illustraties uit: Blue-green catastrophe: NIOO PhD thesis by Stefan Simis en daaruit
Fast Strategic Model 14 maart 2012. Rik van Grol
Fast Strategic Model 14 maart 2012 Rik van Grol Fast Strategic Model Wat is dat? Een Fast Strategic Model is een model waarmee je snel een beleidsoptie voor een scenario kunt doorrekenen Beleidsopties
WORLDWIDE MONITORING & CONTROL
WORLDWIDE MONITORING & CONTROL HOE ZORGT U VOOR PROACTIEVE ONDERHOUD EN SERVICE? 2 KANSEN EN BEDREIGINGEN VAN DEZE TIJD Globalisering: Digitalisering: Customization: Automatisering: Technologieën: Internationaal
STAQ in HAAGLANDEN. PLATOS 11 maart 2015. Beeld plaatsen ter grootte van dit kader. Bastiaan Possel
STAQ in HAAGLANDEN Beeld plaatsen ter grootte van dit kader PLATOS 11 maart 2015 Bastiaan Possel 2 Introductie Bastiaan Possel Adviseur Verkeersprognoses bij het team Verkeersprognoses (20 medewerkers)
Kikkers en Heilige Koeien UvAConext & standaarden voor het primaire onderwijs en onderzoek proces
Kikkers en Heilige Koeien UvAConext & standaarden voor het primaire onderwijs en onderzoek proces SURF Seminar September 2015 Frank Benneker, ICTS Universiteit van Amsterdam Perspectief ICTS & OO dienstverlening
Sociale en culturele factoren in evacuatie simulaties. Dr. Natalie van der Wal
Sociale en culturele factoren in evacuatie simulaties Dr. Natalie van der Wal Uit de praktijk blijkt dat weinig mensen direct overgaan tot actie als het brandalarm afgaat. Het zal wel een oefening zijn,
Christiaan Huygens Verdiepingssymposium
Christiaan Huygens Verdiepingssymposium Systeemtheorie: een vakgebied vol dynamiek en interactie! onderdeel van de leerstoel Optimalisatie en Systeemtheorie Jacob van der Woude 21 maart 2011 1 Delft University
Real time travel speed Traffic data Google Maps - Zondag 19 mei
Real time travel speed Traffic data Google Maps - Zondag 19 mei Real time travel speed Traffic data Google Maps - Zaterdag 18 mei ODIQ Krijg meer en betere inzichten met Traffic Data van Google Maps. JeffreyBenning@localyse.eu
Intelligent Bridge 2.0 (i-bridge)
Intelligent Bridge 2.0 (i-bridge) Innovatietraject voor crisismanagement tijdens crisisbeheersing, rampenbestrijding en oefeningen 23 maart 2010 21-10-2012 i-bridge in a nutshell Doelstelling is door toepassing
Data Driven Strategy The New Oil Using Innovative Business Models to Turn Data Into Profit
Data Driven Strategy The New Oil Using Innovative Business Models to Turn Data Into Profit Big Data & Innovatieve Business Modellen Fire in the hole! 51K manholes, 94K miles of cables 106 predicting variables:
Industrial Food Informatics ICT voor R&D
ICT voor R&D ICT DELTA Congres Utrecht, 23 mei 2007 D.J.P. Out Unilever Research Vlaardingen De primaire taak van onze R&D afdelingen is het leveren en toepassen van alle noodzakelijke wetenschappelijke
Evaluatie van C-ITS & AR
Evaluatie van C-ITS & AR Ronde tafel Effecten van C-ITS & Automatisch rijden Henk Taale & Hans van Lint 19 april 2016 Inhoud Context Definities Evaluatie-aanpakken De evaluatiecirkel Algemene aspecten
Info UC en POC Apeldoorn
Info UC en POC Apeldoorn Door Wierd Janse Redenen om vooraan in de rijdende landelijke ITS trein plaats te nemen: De opstart van de landelijke ITS BBV speelde in een periode waarin wij zelf ook zoekende
Virtual Research Environment van concept richting oplossingen
ITS Research & Data Management Services Virtual Research Environment van concept richting oplossingen Maarten Hoogerwerf Informatie architect 4 juni 2019 Doel en overzicht Perspectief vanuit een gewone
Special interest group Blended learning KICK-OFF BIJEENKOMST
Special interest group Blended learning KICK-OFF BIJEENKOMST 18 april 2016 Welkom en inleiding Wat is een SIG? Special interest groups (SIG's) van SURF zijn kennisgemeenschappen (communities) rondom specifieke
Ervaringen I-Balance TKI Urban Energy
Ervaringen I-Balance TKI Urban Energy R.J.Velthuijs@pl.hanze.nl, Lech Bialek KennisCentrum Energie Hanzehogeschool, Groningen 2016-02-15 Hanzehogeschool, TNO, I-NRG, GasUnie, GasTerra, Hooghalen Duurzaam,