Hoe bepaalt de lift wie voorrang krijgt?

De Formule Slimme software moet de wachttijd voor de lift verkorten. Vroeger was het het drukst aan het begin van de dag, nu rond lunchtijd.

Illustratie Midas van Son

Pling! Eén druk op de knop en de liftdeuren springen open. Dat is een meevaller, blijkbaar stond de cabine al op je te wachten.

Toeval is het niet, want achter de simpele knop naast de liftdeur gaan allerlei regels schuil, die bepalen wie voorrang krijgt als op meer verdiepingen mensen staan te wachten. De liftcabine moet zo veel mogelijk mensen in zo weinig mogelijk tijd op hun bestemming brengen, en daarbij zo weinig mogelijk energie verbruiken. En dat allemaal met één knopje.

Hoe bepaalt de lift wie voorrang krijgt? Michel Hilberink begon 25 jaar geleden als liftmonteur en is nu specialist bij ThyssenKrupp, een van de grotere liftbouwers. Er is niet één perfecte formule voor liftbediening, legt hij uit. Dat hangt helemaal af van het gebouw en van de toepassing. „Als een gebouw een andere bestemming krijgt, moeten we de lift vervangen of opnieuw programmeren.” Dat geldt voor kleinere gebouwen, bij hoogbouw passen de liften zich vanzelf aan bij veranderend gebruik.

Personenvervoer in een gebouw lijkt op verkeersregulering, met erg veel onzekerheden. Zo is bij een druk op de knop – schachtcommando, zo luidt de vakterm – niet duidelijk naar welke verdieping je wilt. Hooguit of je naar boven of naar beneden moet. Een lift werkt veel efficiënter als je al voor het instappen je gewenste bestemming ingeeft, via een rijtje knoppen of touchscreen naast de liftdeur.

Zo’n ‘bestemmingssysteem’ berekent op basis van de oproepen hoeveel mensen in de lift aanwezig zijn en mee kunnen. In combinatie met een lastmeting kan een vrij nauwkeurige „inschatting” van het aantal personen gemaakt worden.

Wat is een algoritme eigenlijk? In deze animatie leggen we het uit.

De lift leert het gebouw kennen

Hoe groter het gebouw, hoe ingewikkelder de planning. Hilberink was een van de verantwoordelijken voor de liften in het hoofdkantoor van de Rabobank in Utrecht, een gebouw met 22 verdiepingen, twee ‘kernen’ met elk acht liften en een servicelift. Er zitten twinliften in (twee cabines die onafhankelijk van elkaar opereren in één schacht). Op rustige momenten worden cabines uit de groep gehaald en geparkeerd, zodat ze geen energie verbruiken.

Een lift in zo’n complex gebouw is een zelflerend systeem dat het gebruikspatroon van een kantoorpand in enkele weken leert kennen. Na enkele duizenden ritten is duidelijk wat de gebruikelijke piektijden en daluren zijn. Elk kantoorgebouw heeft zijn eigen specifieke ‘vingerafdruk’ die het gebruik weergeeft.

Bij het ontwerpen van het gebouw maken liftbouwers met behulp van een simulatieprogramma een inschatting hoeveel liften er nodig zijn, hoe groot de cabines moeten zijn en hoe breed de deuren. De klant kan kiezen of de gemiddelde wachttijd ‘excellent’ (20-25 seconden) of ‘satisfactory’ (30-35 seconden) is.

Soms moet de bouwtekening aangepast worden aan de lift. Hilberink: “Architecten vinden het geweldig om het restaurant op de bovenste verdieping te plaatsen, maar voor de transportcapaciteit is het niet verstandig.”

Zoals bijna elke liftfabrikant gebruikt ThyssenKrupp bij die simulaties het programma Elevate van het Britse bedrijf Peters Research om verkeer te analyseren. De oprichter van Elevate is Richard Peters, een professor die veel onderzoek doet naar lift dispatching. Hij schat dat er wereldwijd drie of vier specialisten zijn , van wie er twee uit het Verenigd Koninkrijk komen. Toeval? „Ik denk dat de Britten een beetje obsessief en perfectionistisch kunnen zijn. We letten erg goed op details”, zegt hij aan de telefoon.

Het liftgebruik is in de loop der jaren veranderd. Een van Peters’ onderzoeken toont aan dat in kantoorgebouwen de lunchpiek inmiddels net zo belangrijk is als de ochtendspits. Tijdens de lunch heeft de lift het extra moeilijk omdat er veel mensen naar boven én naar beneden willen, niet alleen naar boven. Een ‘down peak’, drukte aan het einde van de dag, komt amper voor, zegt hij.

In de jaren vijftig, bij de eerste onderzoeken naar liftplanning, waren de begintijden op kantoren een stuk minder flexibel. De liften in veel bestaande gebouwen zijn nu nog altijd ingericht op maximale capaciteit voor vervoer naar boven.

Mensen vinden het vervelender om tien seconden in de lobby te wachten dan tien seconden in een lift die in beweging is

Er zijn te veel variabelen

Zelfs in een simpele setting is liftplanning enorm complex. Stel: een opdrachtgever vraagt om een lift die 8 procent van de bewoners van een flatgebouw in 5 minuten tijd kan vervoeren met tussenpozen van 50 seconden. Je hebt te maken met heel veel variabelen, zoals de acceleratietijd, de maximale snelheid, de laadtijd, de snelheid waarmee de deuren open en dicht gaan. En energieverbruik natuurlijk: liften werken met een tegengewicht dat de helft weegt van de cabine.

Liften zouden misschien efficiënter bestuurd kunnen worden als je er kunstmatige intelligentie op loslaat, denkt Peters. „Het is een interessant probleem.” Wat het lastig maakt, is dat er geen duidelijke maat van ‘succes’ is waarop je het algoritme kunt trainen. Is het doel een zo laag mogelijk energieverbruik of een kortere wachttijd voor een selecte groep mensen? Peters: „In tegenstelling tot een partijtje schaak, waar je algoritmes op kunt trainen, is er geen duidelijke uitkomst.”

Lift dispatching is niet alleen rekenwerk. Je moet je ook kunnen verplaatsen in het hoofd van de gebruikers, zegt Peters. „De psychologische wachttijd is minstens zo belangrijk. Mensen vinden het vervelender om tien seconden in de lobby te wachten dan tien seconden in een lift die in beweging is. Tenzij die lift om de haverklap stopt. Je kunt beter een lift wat langzamer laten bewegen, zodat je wel continu blijft bewegen.”

Michel Hilberink van ThyssenKrupp beaamt dat. „Waargebeurd: mensen beginnen na een minuut wachten op de liftdeur te slaan van ongeduld. Even later staan ze zonder morren een kwartier bij de bus te wachten.”

Hoe algoritmes ons dagelijks leven bepalen

Ons leven wordt bestuurd door algoritmes, regeltjes achter de schermen. Deze wiskundige formules, gevoed door grote hoeveelheden data, sturen onze selectie van nieuws, entertainment en aankopen, vissen automatisch dieven en verdachten uit de massa. Lees de inleiding: Hoe algoritmes ons dagelijks leven sturen ›

Vervoer

Techbedrijven zijn dol op locatiedata en bewegings­gegevens, hoe gedetailleerder hoe beter. Zo ‘ziet’ Google hoe lang mensen op zoek zijn naar een parkeerplaats en leert Apple van je iPhone waar je werkt. Je kunt bewijzen dat je veilig rijdt en erop vertrouwen dat je om de file geleid wordt, of de snelste liftcabine voorgeschoteld krijgt. Maar welke algoritmes bepalen wat veilig is of wie er voorrang krijgt in de de file of in lift?

Lees ook:

  1. Hoe omzeilt TomTom de files?

  2. Hoe bepaalt de verzekeraar hoe veilig jij rijdt?

  3. Hoe bepaalt de lift wie voorrang krijgt?

  4. Hoe weet Google hoe lang je moet wachten?

Media

Kun je smaak in statistiek vatten? De grote streaming-diensten doen niet anders. Ze proberen een breed publiek inhoud op maat aan te bieden met behulp van algoritmes. Spotify en Netflix doen het door mensen met dezelfde voorkeuren te clusteren. Nieuwsdienst Blendle probeert er juist voor te zorgen dat je andere dingen ziet dan je zou verwachten. Apple laat personificatie grotendeels achterwege: Apple News is gebaseerd op locatie, niet of nauwelijks op je klikgedrag.

Lees ook:

  1. Hoe weet Netflix welke serie je wilt zien?

  2. Hoe weet Blendle wat jij wilt lezen?

  3. Hoe stelt Apple jouw nieuws samen?

  4. Waarom is dit het volgende liedje dat Spotify je laat horen?

Shoppen

Amazon is de webwinkel die groot werd met het doen van aanbevelingen op basis van wat anderen kochten. Wat zijn de trucs waarmee online winkels en reisbureaus je tot een aankoop verlokken? Achter de schermen wordt consumentengedrag in datapatronen gegoten, om beter in te schatten wat je wilt of hoe je te beïnvloeden bent. Ieder mens is uniek, maar bij elkaar zijn we toch redelijk voorspelbaar.

Lees ook:

  1. Hoe verleidt Booking.com je snel een hotelkamer te boeken?

  2. Hoe weet Bol.com wat je wilt kopen?

  3. Retargeting: hoe lang blijven mijn schoenen me achtervolgen?

  4. Hoe Facebook advertenties héél precies op maat maakt

Fraude

Algoritmes zijn bij uitstek geschikt om conclusies te trekken uit grote hoeveelheden data. Daardoor kunnen ze sneller ‘verdachte’ elementen opsporen, of het nou gaat om betalingsverkeer, uitkeringsgerechtigden of winkeldiefstal. De regels voor wat nou eigenlijk verdacht gedrag is, worden echter wel door mensen bepaald.

Lees ook:

  1. Hoe beschermt de bank je tegen oplichters?

  2. Hoe controleert de gemeente of jij fraudeert?

  3. Hoe bepaalt de zelfscankassa welke klanten gecontroleerd worden?

Naar aanleiding van deze productie organiseerde NRC op donderdag 12 april een avond in Pakhuis de Zwijger in Amsterdam. Terugkijken kan hier.

Redactie Marc Hijink en Eva de Valk, animatie Midas van Son, Harrison van der Vliet en Elze van Driel, illustraties Midas van Son, vorm Koen Smeets.