Datagedreven voorspelling en reductie van graafschades
Léon olde Scholtenhuis
|| Organisatie Kadaster + Agentschap Telecom + KPN
P.D.Eng Jiarong Li
Update: juli 2022
Dit project heeft als doel om graafschades te kunnen bepekren aan kabels en leidingen. Hiervoor kiest het de ‘route’ van data en geodata-integratie. Het doel van het project is om een datagedreven methode te ontwikkelen waarmee schades kunnen worden voorspeld op basis van een graafmelding (in KLIC).
Om dit te doen, worden eerst mogelijke causale factoren voor graafschade geinventariseerd door literatuursudie en expert-interviews.
Nadat dit in beeld is, bekijken we welke gewenste en beschikbare datasets bruikbaar zijn om patronen te zoeken en herkennen in historische graafschadedata. Hiervoor worden onder andere graafschadedata en KLIC-meldingen gebruikt van verscheidene netbeheerders. Statistische analyse (machine learning) vormt een middel om vervolgens te leren voorspellen waar schades kunnen optreden.
Het uiteindelijke datamodel/-methode zal als basis dienen voor advies over hoe KLIC (met inbegrip van Kadaster-producten, diensten en wellicht services uit de markt) aangepast kan worden om in de toekomst graafschades te kunnen voorspellen. Een praktische output van het project is een overzicht van mogelijk gevoelige parameters bij het veroorzaken van schade.
Onderzoeksbenadering data mining cycle toegepast op datagedreven graafschadevoorspelling