NL - EN
  • Kennisgebieden
    Transport & Mobiliteit
    • Duurzaam goederenvervoer
    • Transport corridors & Corridor ontwikkeling
    • Duurzame mobiliteit & OV
    • Verkenning & Prognoses
    • Wetgeving & Instituties
    • EU & Internationaal
    Maatschappij & Economie
    • Arbeidsmarkt
    • Gezondheid & Preventie
    • Participatie & Bestaanszekerheid
    • Bedrijfsleven & Duurzame groei
  • Diensten
    • Beleidsonderzoek & Evaluaties
    • Data & Analytics
    • Marktonderzoek
    • Detachering
    • Advies
  • Actueel
    • Nieuws
      • Machine learning voor multimodale vrachtketenmodellering: casestudy van NEAC's Mode Chain Builder System
      • Kosten wegvervoer stijgen in 2026: Invoering vrachtwagenheffing zorgt halverwege 2026 voor verdere verhoging
      • Slotconferentie van het SKUP Türkiye-project belicht routes naar duurzame stedelijke mobiliteit
      • Arbeidsmarktonderzoek Openbare Apotheken 2025
    • Events
      • Supporting Women Entrepreneurs-webinar "Ondernemend worden: van ideeën naar actie"
    • Informatie voor respondenten
      • Arbeidsmarktonderzoek Openbare Apotheken 2025
      • Blik op Werk tevredenheidsonderzoek
  • Werken bij
  • Over Panteia
    • Het Team
      • Marijke Beulen
      • John Boog
      • Sjoerd Bos
      • Kees Brammer
      • Sebastiaan Broekema
      • Arnaud Burgess
      • Charlotte Byrne
      • Merve Cebeci
      • Martin Clarke
      • Joerian Droog
      • Timon van Eeken
      • Marko Elings
      • Aad van den Engel
      • Henri Faun
      • Pieter Fris
      • Hadenet Ghebreab
      • Nico de Graaf
      • Douwe Grijpstra
      • Tom Grijspaardt
      • Inge Harteveld
    • Partners
    • Geschiedenis
    • Diversiteit & Inclusie
    • Kwaliteitsmanagement
    • Panteia en Brede Duurzaamheid (SDG's)
      • Panteia vermindert CO2-uitstoot
      • Certificering CO2-Prestatieladder niveau 5 succesvol behaald
      • Panteia vermindert CO2-uitstoot
      • Panteia vermindert CO2-uitstoot in 2023
      • CO2-bewust Certificaat
      • CO2-uitstoot Panteia eerste helft 2023
      • Panteia en Brede Duurzaamheid (SDG's)
      • CO2-uitstoot Panteia in 2022
      • Panteia vermindert CO2-uitstoot
    • ENSR netwerk
  • Webshop
  • Contact
NL - EN
  1. Home
  2. Actueel
  3. Nieuws
  4. Machine learning voor multimodale vrachtketenmodellering: casestudy van NEAC's Mode Chain Builder System

Machine learning voor multimodale vrachtketenmodellering: casestudy van NEAC's Mode Chain Builder System

Kunstmatige intelligentie (AI) is een hoeksteen geworden van innovatie in alle sectoren, en de kern van AI is machine learning. Machine learning stelt systemen in staat om van data te leren en zich in de loop der tijd aan te passen. In onderzoek naar goederenvervoer biedt machine learning mogelijkheden om uitdagingen aan te pakken waar traditionele modellen mee worstelen, vooral wanneer de data gefragmenteerd of onvolledig is.

Recentelijk worden big data-analyse en machine learning steeds meer toegepast in goederenonderzoek, met toepassingen variërend van vraagvoorspelling tot voorspelling van vervoerswijzekeuze en optimalisatie van routetoewijzing. Onderzoeken tonen consistent aan dat machine learning traditionele methoden overtreft in voorspellende nauwkeurigheid. Toch blijft één gebied grotendeels onontgonnen: het toepassen van machine learning om goederenstromen over complete multimodale transportketennetwerken te schatten. Deze kloof is aanzienlijk, omdat huidige methoden vaak worstelen met een hoge dimensionaliteit, gefragmenteerde datasets en het gebrek aan waargenomen data op ketenniveau.

Voor haar scriptie onderzocht onze stagiaire Eka Wulandari hoe machine learning het NEAC-systeem kan verbeteren bij het voorspellen van de Europese goederenstromen. Het onderzoek introduceert een adaptief multimodaal model voor goederenketens dat:

  • Praktische vereisten voor havenselectie en vrachtafhandeling integreert in de constructie van de keten, met behulp van een graafzoekalgoritme (Breadth-First Search met linkeliminatie).
  • Het Expectation-Maximisation (EM)-algoritme toepast, een niet-gesuperviseerde machine learning-methode, om de verdeling van vraagaandelen te schatten wanneer individuele gegevens op padniveau niet beschikbaar zijn.
Figuur 1. Processtroom van de constructie van de modusketen
Figuur 2. Schatting van vraagaandelen met behulp van het EM-algoritme

 

Toegepast op goederenbewegingen tussen Nederland en België genereerde het model sets van geldige multimodale ketenalternatieven. Door machine learning te implementeren — met name het Expectation-Maximisation (EM)-algoritme — was het mogelijk om de verdeling van vraagaandelen over deze alternatieven te voorspellen en afwijkingen tussen voorspelde stromen en waargenomen gegevens van Eurostat succesvol te minimaliseren. Twee datasets, transportstromen en havenactiviteitsstatistieken, werden als referentiepunten gebruikt. Het model reduceerde consistent de algehele afwijking tot convergentie, wat aangeeft dat het raamwerk de best mogelijke prestaties bereikte gezien de beschikbare invoergegevens en inherente afwegingen. Dit toont aan dat de combinatie van grafiekgebaseerde padconstructie met ongeleid leren een praktische, datagestuurde aanpak biedt voor multimodale goederenvervoersmodellering.

Figuur 3. Trend van geaggregeerde afwijkingsreductie per component.

 

Belangrijke bijdragen van dit onderzoek zijn:

  • Een gevalideerd model voor de constructie van de modale keten, volledig afgestemd op gegevens over infrastructuurbeschikbaarheid.
  • Een iteratief model voor de schatting van de vraagaandelen dat voorspellingen verfijnt met behulp van geaggregeerde Eurostat-gegevens.
  • Een demonstratie van hoe machine learning de kloof kan overbruggen tussen gefragmenteerde datasets en realistische multimodale modellering van goederenketens.

Door deze innovaties te integreren, kan de Mode Chain Builder een nauwkeurigere en flexibelere tool worden ter ondersteuning van besluitvorming voor beleidsmakers en planners die goederenstromen willen begrijpen en transportbeleid willen evalueren.

De volledige (Engelstalige) scriptie is hier te vinden.

Meer weten?


Jan Kiel
Projectmanager
Bredewater 26
2715 CA Zoetermeer
info@panteia.nl

Over Panteia
Het team
Onze geschiedenis
Kwaliteitsmanagement
Panteia C02-voetafdruk

Overig
Webshop
Coordinated Vulnerability Disclosure beleid
Privacy statement

Op de hoogte blijven?

Volg ons op LinkedIn
Alumni Netwerk