Social distancing-onderzoek op treinstations maakt perrons veiliger

Om de veiligheid op treinstations te verbeteren en drukke hotspots aan te pakken, meet ProRail op anonieme wijze de loopstromen van reizigers. De Technische Universiteit Eindhoven (TU/e) helpt de spoorwegbeheerder met de analyse, en gebruikt de informatie daarnaast om het gedrag van menigten te onderzoeken. Dat gedrag is door de corona-afstandsregel compleet veranderd. TU/e-onderzoekers gingen op zoek naar nieuwe patronen en publiceerden hun resultaten in het vakblad Plos One.

Het begrijpen van menselijk gedrag in menigten is wetenschappelijk interessant, en het kan ook bijdragen aan de oplossing van veel maatschappelijke problemen. Eén daarvan is een menigte die dermate druk is, dat hij onveilig wordt. TU/e werkt al twee jaar samen met ProRail aan sensoren om perrons van treinstations veilig te houden. Ze bekijken daarmee of systemen om reizigers beter te verdelen over het perron daadwerkelijk het gehoopte effect hebben. Tijdens corona kreeg het woord drukte een hele nieuwe betekenis. De onderzoekers van de TU/e zagen mogelijkheden om met diezelfde sensoren óók te kijken naar het gedrag van menigten die zich moeten houden aan de 1,5 m afstandsregel.

Frank van Schadewijk, loopstroom-deskundige bij ProRail: “Met betere informatie kunnen we betere stations ontwerpen, gerichter gaan communiceren naar onze reizigers en pilotprojecten op het station evalueren. Zo zijn we bezig met high-tech oplossingen, zoals real-time drukte-informatie en automatische speakers, om de doorstroming op het perron te verbeteren. Het onderzoek van de TU/e is voor ProRail interessant omdat het meer inzicht geeft in de loopstromen op het station, niet alleen tijdens de 1,5 meter samenleving, maar ook daarna. Met die kennis kunnen wij in de toekomst nog betere stations ontwerpen.”

Samen-reizigers uit de dataset filteren

Hoewel de corona-situatie zorgt voor minder mensen op het station, hebben zij door de afstandsregel ineens veel meer ruimte nodig. Daardoor kunnen nieuwe knelpunten op perrons ontstaan, die voorheen geen probleem vormden. De onderzoekers wilden het nieuwe gedrag onderzoeken, maar moesten daarvoor eerst mensen die samen reizen uit de dataset filteren. Er lopen per slot van rekening veel huisgenoten zoals koppels en ouders met kinderen op de perrons, die de data ‘vervuilen’ omdat ze niet aan de afstandsregel gebonden zijn.

TU/e-onderzoekers Alessandro Corbetta, Cas Pouw en Federico Toschi, van de Fluids and Flow groep aan de faculteit Applied Physics gingen aan de slag. Corbetta: “We ontwikkelden een algoritme dat heel precies én real-time mogelijke familie-achtige groepen kan herkennen.” Dat wil zeggen: twee of meer mensen die samen het station binnenkomen, tijdens hun tocht door het station steeds samenblijven en ook samen in dezelfde trein stappen. Van hen is het namelijk aannemelijk dat het koppels of gezinnen zijn.

Het nieuwe algoritme probeert groepen mensen uit te sluiten die zich niet aan de afstandsregel hoeven te houden. Daarvoor kijkt de sensor of twee of meer mensen samen het station binnenkomen, en samen in de trein stappen. Als dat zo is, zal het waarschijnlijk zijn dat ze bij elkaar horen en uitgesloten kunnen worden van de regel. Beeld: TU Eindhoven.

“Juist dat real-time is nieuw. Veel algoritmes lichten de gegevens namelijk meerdere keren door voordat ze met een resultaat komen. Dat kost veel tijd en rekenkracht. Ons systeem is snel, draait op een simpele laptop en is makkelijk schaalbaar,” aldus Corbetta. Met elke nieuwe meting die binnenkomt, wordt de conclusie nauwkeuriger. Dat additieve proces zorgt ervoor dat samen-reizigers steeds beter herkend worden. Hoe langer zo’n groep rondloopt in het meetgebied, hoe zekerder je ze kunt uitsluiten uit de dataset.

Honderdduizend metingen per dag

Sinds 2017 hangen er in station Utrecht Centraal 19 sensoren boven het perron van spoor 5, die samen volledig anoniem het hele perron kunnen doormeten voor onderzoeksdoeleinden. Dit perron staat bekend als een van de drukste perrons van Nederland, met treinen die vertrekken naar Amsterdam Centraal en Schiphol. De sensoren meten dag en nacht, met in normale situaties zo’n 100.000 metingen per dag, en tijdens de eerste drie maanden van corona gemiddeld 16.000 metingen per dag.

Het algoritme reconstrueert de looppaden van alle voetgangers. Daarop kunnen hotspots worden gedefinieerd waar de 1,5 meterregel vaak wordt overschreden. Beeld: TU Eindhoven.

De sensoren volgen anoniem de looppaden van reizigers, met een gelijkaardig principe als de technologie die sinds 2014 aan de TU/e is ontwikkeld. Het systeem draait om het reconstrueren van een dieptekaart. Deze kaart geeft de afstand weer tussen elk ruimtelijk punt en de sensoren. Als voetgangers langs een sensor lopen, komt er een duidelijke ‘diepte-vingerafdruk’ tevoorschijn: hoofden zijn de bovenste punten, schouders iets lager, dan komt de rest van het lichaam, met armen en benen.

Corbetta: “Zo’n vingerafdruk, die op zichzelf geen persoonlijk identificeerbare informatie bevat, duurt slechts een fractie van een seconde, voldoende om de positie van voetgangers te identificeren en trajecten te bepalen. Alleen de posities en trajecten worden vervolgens opgeslagen voor analyse.” Dit maakt betrouwbare tracking mogelijk en waarborgt de privacy van passagiers.

Beter begrijpen hoe mensen bewegen in menigten

“Onze Crowdflow groep (onderdeel van de Fluids and Flow onderzoeksgroep red.) wil fundamenteel snappen hoe mensen zich in grote menigten bewegen. Door de afstandsregel krijgt dit onderzoek ineens een hele set nieuwe variabelen,” zegt Corbetta.

Hij wil sociale structuren vinden in de gegevens, bijvoorbeeld welke sociale banden er zijn tussen mensen. Dit onderzoek naar familie-achtige groepen biedt die mogelijkheid. Maar bijvoorbeeld ook het verschil tussen een menigte in de spits of op een zaterdagmiddag is ontzettend interessant. “Bovendien kan ik het gedrag vóór en tijdens corona nu naast elkaar leggen,” voegt Corbetta toe.

Hij concludeert: “We meten nog steeds door, dus we verwachten daar binnenkort nauwkeurigere resultaten over te kunnen publiceren. We zouden onze kennis en onze systemen daarnaast heel graag in een andere setting inzetten, bijvoorbeeld om gemeentes, musea, stadions en luchthavens te ondersteunen.”