Het was echt pionieren wat Schiphol het afgelopen anderhalf jaar deed. Een eigen team van ontwikkelaars, ontwerpers en data scientists luisterde goed naar buurtbewoners en bouwde vervolgens Notifly. De zelflerende app informeert omwonenden over het vliegverkeer nu en komend etmaal. 'We konden geen voorbeeld nemen aan andere luchthavens. Daarom moesten we veel designkeuzes maken', vertelt product owner David de Vries van Royal Schiphol Group. De softwareontwikkeling gebeurde met Flutter van Google.
In Notifly zien buurtbewoners real-time informatie over het vliegverkeer op hun locatie. De app maakt bovendien het verwachte vliegverkeer en baangebruik voor de komende 24 uur inzichtelijk, en informeert gebruikers bij onvoorziene veranderingen. Er is vanuit de bewoners behoefte aan zulke informatie, zodat ze bijvoorbeeld weten wanneer er geluidsoverlast zal zijn.
Tests en brainstorms
De bewoners zijn vanaf het begin betrokken bij het project, weet De Vries. ‘Eind 2019 zijn we begonnen met onderzoek naar de informatiebehoefte van omwonenden. Vervolgens hebben we in drie maanden met rapid prototyping verschillende concepten getest. In totaal hebben ruim 1.600 omwonenden getest en zo’n 25 deden mee aan co-creatiesessies.’ Ook vonden er inspraakavonden en brainstorms met de omwonenden plaats.
Al snel bleek dat het oorspronkelijke doel om met de app geluidsvoorspellingen te doen, te subjectief was. In plaats daarvan koos het team voor het voorspellen van het aantal vliegtuigen.
Voor de softwareontwikkeling gebruikte het team Flutter van Google. ‘Het voordeel van Flutter is dat je gelijk voor Android en iOS kan bouwen. Je hebt geen aparte Android- en iOS-ontwikkelaar nodig. Flutter is een new kid on the block in de wereld van app-development. Zo nu en dan moesten we bugfixes met wat omwegen implementeren, of met de Flutter-gemeenschap een oplossing vinden.’ Het team werkt in sprints van twee weken.
Datakoppeling en algoritme
Er zijn twee belangrijke onderdelen aan de app: datakoppelingen en het zelflerend algoritme. De app haalt zijn informatie uit diverse bronnen en verbindt deze met elkaar. De weerdata zijn afkomstig van het KNMI, de radardata van Flightradar24 en de baangebruiksplanning en het vluchtschema van Schiphol zelf. De afhankelijke variabelen hangen op een complexe manier samen met de uitkomst.
De vertaling naar actuele en verwachte informatie gebeurt aan de hand van een zelflerend algoritme. ‘Een zelflerend model is erg geschikt om op een efficiënte manier op basis van een grote dataset complexe verbanden te vinden en te beschrijven’, vertelt de product owner. ‘Daardoor kan de app 24 uur vooruit voorspellen. Ook is een zelflerend model gemakkelijk aan te passen aan een veranderende situatie door het te trainen op nieuwe data. Dat is zeker in de snel veranderende omstandigheden waarin we nu zitten, als gevolg van corona, een groot pluspunt.’
Regressiemodel
De Vries legt uit dat een zogeheten XGBoost regressiemodel wordt getraind. Zo’n model genereert voorspellingen door de uitkomsten van een groot aantal beslisbomen te combineren (zie kader helemaal onderaan). Het model is zelflerend, waarbij de gegeven voorspelling wordt gelegd langs de meetlat van het daadwerkelijk aantal vliegtuigen dat op dat moment overvliegt. Deze nieuwe data worden vervolgens verwerkt in het model, waardoor de voorspelling steeds verbetert.
‘Notifly voorspelt op basis van een goed getest model en heeft het vaak bij het juiste eind. Maar het blijft een voorspelling. Het weerbericht zit er ook wel eens naast en met Notifly kan dit natuurlijk ook gebeuren. We zijn er zelf scherp op om de betrouwbaarheid van de app continu te checken. Daarnaast wordt het model elke twee weken getraind en voegen we, waar mogelijk, nieuwe databronnen toe om de betrouwbaarheid te vergroten.’
Sinds begin juni is Notifly in de lucht. Inmiddels hebben meer dan achtduizend mensen de app geïnstalleerd. De komende jaren blijft het team van De Vries de app verbeteren en doorontwikkelen. Dan wordt hij nog accurater en met een groter werkgebied. De omwonenden hebben bovendien om aanvullende functionaliteiten gevraagd, die de product owner zoveel mogelijk wil implementeren. Het is de bedoeling dat de app op termijn ook beschikbaar komt voor andere vliegvelden, zowel die van de Royal Schiphol Group als die van andere organisaties.
Continue dialoog
De ontwikkeling van Notifly past in het omgevingsbeleid van Schiphol, vertelt Maarten van der Scheer. Hij is als policy manager public & community affairs van Royal Schiphol Group betrokken bij dit project.
‘We willen in een continue dialoog met onze buren werken aan het verminderen van de hinder die wordt ervaren van het wonen in de omgeving van een luchthaven. Uit onderzoek naar de informatiebehoefte onder omwonenden, bleek dat er een grote vraag is naar een voorspelling van het vliegverkeer, zodat mensen weten wat ze kunnen verwachten. Notifly kan van waarde zijn voor de beleving en het geven van een (handelings)perspectief. Zoals een buienradar. Weten wanneer het wel of niet regent of wanneer er wel of geen vliegtuigen over vliegen (of het aantal) kan voor mensen prettig zijn om te weten, zodat ze hun plannen daar op aan kunnen laten sluiten. Ook het verklaren van vliegverkeer, bijvoorbeeld bij baanonderhoud, kan bijdragen aan de beleving van hinder.’
Van der Scheer vertelt dat de app het mogelijk maakt om persoonlijker en relevanter te communiceren met omwonenden. ‘Voorheen ging veel communicatie naar heel de omgeving, er werd dus geen onderscheid gemaakt in buurt of gemeente. Nu kunnen we bijvoorbeeld bij onderhoud berichten sturen naar twee verschillende gemeenten: eentje om aan te geven dat het de komende weken veel rustiger is door het baanonderhoud en een ander om omwonenden op de hoogte te brengen van een mogelijke toename in overvliegende vliegtuigen. Deze twee doelgroepen hebben natuurlijk een compleet verschillende informatiebehoefte.’
XGBoost
De voorspellingen van een XGBoost model worden gegenereerd door de uitkomsten van een groot aantal beslisbomen te combineren. Door middel van hyperparameter tuning worden de optimale waardes van onder andere het aantal beslisbomen, de maximale diepte daarvan en de waardes van regularisatie parameters bepaald.
Product owner De Vries geeft een voorbeeld. ‘Stel, het model moet de verwachting voor vliegverkeer berekenen voor woensdag om 2 uur ‘s middags. Dan zou het kunnen kijken naar data van woensdagen op dat tijdstip. De juiste dag en tijd is belangrijk voor de voorspelling. Maar dat niet alleen, want ook het weer heeft invloed. Denk aan de wind of sneeuw. Dat kan uitmaken voor het baangebruik en de hoeveelheid vliegtuigen die landen en opstijgen op Schiphol. Het model zoekt naar gelijksoortige omstandigheden en pakt daar een gemiddelde uit. Dat wordt dan de voorspelling.’
