The increased adoption of electric vehicles worldwide is largely caused by the uptake of private electric cars. In parallel other segments such as busses, city logistics and taxis, are increasingly becoming electrified. Amsterdam is an interesting case, as the municipality and the taxi sector have signed a voluntary agreement to realise a full electric taxi fleet by 2025. This paper investigates the results of a survey that was distributed amongst 3000 taxi drivers to examine perceptions and attitudes on the municipal charging incentives as well as taxi ride characteristics.
MULTIFILE
Electrification of mobility exceeds personal transport to increasingly focus on particular segments such as city logistics and taxis. These commercial mobility segments have different motives to purchase a full electric vehicle and require a particular approach to incentivize and facilitate the transition towards electric mobility. A case where a municipality was successful in stimulating the transition to electric mobility is the taxi sector in the city of Amsterdam. Using results from a survey study (n = 300), this paper analyses the differences in characteristics between taxi drivers that either have or do not have interest in purchasing a full electric taxi vehicle. Results show a low intention across the sample to adopt a full electric vehicle and no statistically significant differences in demographics between the two groups. Differences were found between the level of acceptability of the covenant, the rated attractiveness of the incentives, the ratings of full electric vehicle attributes and the consultation of objective and social information sources. These results can be used by policy makers to develop new incentives that target specific topics currently influencing the interest in a full electric taxi vehicle.
City authorities want to know how to match the charging infrastructures for electric vehicles with the demand. Using camera recognition algorithms from artificial intelligence we investigated the behavior of taxis at a charging stations and a taxi stand.
MULTIFILE
Huntington’s disease (HD) and various spinocerebellar ataxias (SCA) are autosomal dominantly inherited neurodegenerative disorders caused by a CAG repeat expansion in the disease-related gene1. The impact of HD and SCA on families and individuals is enormous and far reaching, as patients typically display first symptoms during midlife. HD is characterized by unwanted choreatic movements, behavioral and psychiatric disturbances and dementia. SCAs are mainly characterized by ataxia but also other symptoms including cognitive deficits, similarly affecting quality of life and leading to disability. These problems worsen as the disease progresses and affected individuals are no longer able to work, drive, or care for themselves. It places an enormous burden on their family and caregivers, and patients will require intensive nursing home care when disease progresses, and lifespan is reduced. Although the clinical and pathological phenotypes are distinct for each CAG repeat expansion disorder, it is thought that similar molecular mechanisms underlie the effect of expanded CAG repeats in different genes. The predicted Age of Onset (AO) for both HD, SCA1 and SCA3 (and 5 other CAG-repeat diseases) is based on the polyQ expansion, but the CAG/polyQ determines the AO only for 50% (see figure below). A large variety on AO is observed, especially for the most common range between 40 and 50 repeats11,12. Large differences in onset, especially in the range 40-50 CAGs not only imply that current individual predictions for AO are imprecise (affecting important life decisions that patients need to make and also hampering assessment of potential onset-delaying intervention) but also do offer optimism that (patient-related) factors exist that can delay the onset of disease.To address both items, we need to generate a better model, based on patient-derived cells that generates parameters that not only mirror the CAG-repeat length dependency of these diseases, but that also better predicts inter-patient variations in disease susceptibility and effectiveness of interventions. Hereto, we will use a staggered project design as explained in 5.1, in which we first will determine which cellular and molecular determinants (referred to as landscapes) in isogenic iPSC models are associated with increased CAG repeat lengths using deep-learning algorithms (DLA) (WP1). Hereto, we will use a well characterized control cell line in which we modify the CAG repeat length in the endogenous ataxin-1, Ataxin-3 and Huntingtin gene from wildtype Q repeats to intermediate to adult onset and juvenile polyQ repeats. We will next expand the model with cells from the 3 (SCA1, SCA3, and HD) existing and new cohorts of early-onset, adult-onset and late-onset/intermediate repeat patients for which, besides accurate AO information, also clinical parameters (MRI scans, liquor markers etc) will be (made) available. This will be used for validation and to fine-tune the molecular landscapes (again using DLA) towards the best prediction of individual patient related clinical markers and AO (WP3). The same models and (most relevant) landscapes will also be used for evaluations of novel mutant protein lowering strategies as will emerge from WP4.This overall development process of landscape prediction is an iterative process that involves (a) data processing (WP5) (b) unsupervised data exploration and dimensionality reduction to find patterns in data and create “labels” for similarity and (c) development of data supervised Deep Learning (DL) models for landscape prediction based on the labels from previous step. Each iteration starts with data that is generated and deployed according to FAIR principles, and the developed deep learning system will be instrumental to connect these WPs. Insights in algorithm sensitivity from the predictive models will form the basis for discussion with field experts on the distinction and phenotypic consequences. While full development of accurate diagnostics might go beyond the timespan of the 5 year project, ideally our final landscapes can be used for new genetic counselling: when somebody is positive for the gene, can we use his/her cells, feed it into the generated cell-based model and better predict the AO and severity? While this will answer questions from clinicians and patient communities, it will also generate new ones, which is why we will study the ethical implications of such improved diagnostics in advance (WP6).
In kleine kernen in krimpgebieden in Nederland is sprake van bereikbaarheidsproblemen. Voorzieningen zoals scholen en winkels verdwijnen en openbaar vervoer is vaak onrendabel. Dit kan gevolgen hebben voor de leefsituatie in kleine kernen. Vraagafhankelijke digitale mobiliteitssystemen vormen een kansrijke oplossing voor de bereikbaarheidsproblematiek van kleine kernen. Het succesvol matchen van vervoersvragen van inwoners met zowel professioneel als particulier aanbod biedt mogelijkheden voor een fijnmazige oplossing in tijd en ruimte voor mobiliteit van inwoners van kleine kernen. Er bestaat een aantal uitdagingen voor het realiseren van dergelijke mobiliteitssystemen die mobiliteitsdiensten combineren, van leenfiets en taxi tot openbaar vervoer en meerijden met een dorpsgenoot. Juist voor kleine kernen speelt het particuliere aanbod een belangrijke rol door een tekort aan openbaar vervoer. Het type mobiliteitssyteem dat geschikt is voor kleine kernen is daarom sterk socio-technisch van aard. Dit zorgt voor extra uitdagingen. Om een mobiliteitssysteem voor kleine kernen te realiseren moet daarom een aantal organisatorische, vervoerskundige, en technische vraagstukken geadresseerd worden. Netmobil richt zich op het oplossen van deze vraagstukken. Organisatorische vragen gaan onder meer over community-building in kleine kernen en samenwerking tussen aanbieders. Vervoerskundige vragen gaan over de analyse van de individuele vervoersvraag en het beschikbare en/of mogelijke aanbod, onder andere op basis van databronnen (‘big data’). Het gaat hierbij bijvoorbeeld om de analyse van de actuele en de potentiele vervoersbehoefte voor verschillende mobiliteitsdiensten. Technische vraagstukken gaan over het vinden van vraag/aanbod-matches op basis van dynamische data en over manieren om mens en technologie optimaal te laten samenwerken aan het succesvolle matches. Netmobil beoogt een vraagafhankelijk mobiliteitssysteem gebaseerd op bestaande componenten van projectpartners aangevuld met componenten die nieuw worden ontwikkeld op basis van de genoemde vragen. Het systeem wordt getest en geëvalueerd binnen twee pilots waarvoor de regio Achterhoek als living lab dient.
De Hogeschool van Amsterdam (HvA) onderzoekt in het U-SMILE project de effectiviteit van maatregelen die de gemeente Amsterdam neemt om de taxisector te verschonen. Op dit moment zijn de taxistandplaatsen Centraal Station en Leidseplein alleen toegankelijk voor schone taxi’s; diesels mogen er niet meer komen. De gemeente Amsterdam wil meer taxistandplaatsen verschonen en vraagt zich af of het aantal schone taxi’s in staat is om de sterk in tijd variërende aantallen passagiers op die taxistandplaatsen te bedienen. deze beleidsvraag te kunnen beantwoorden zijn betrouwbare gegevens over aantallen taxi’s en passagiers bij de taxistandplaatsen nodig. Metingen door menselijke tellers zijn duur en fragmentarisch (vaak een uur per dag). De HvA wil de gegevens verzamelen met eenvoudige camera’s in combinatie met te ontwikkelen geavanceerde beeldherkenningssoftware. De software interpreteert de camerabeelden maar slaat de beelden niet op, zodat privacy geen issue is: de camera’s registreren alleen aantallen. Eisen aan de beeldherkeningscamera’s zijn dat deze dag en nacht kan tellen wanneer taxi’s komen en vertrekken, hoeveel mensen in- en uitstappen, en hoe groot het aantal wachtende mensen is. Op termijn wordt beoogd dat de beeldherkenningscamera’s ook toegepast kunnen worden om te tellen hoeveel elektrische taxi’s afzien van opladen omdat het te druk is op snellaadstations (buiten dit project; maar eisen wel meegenomen bij ontwerp). Statische beeldherkenningsalgoritmes zijn bekend in de literatuur en open source beschikbaar. Dit project richt zich op het interpreteren van de herkende beeldobjecten, waarbij door middel van tracing (meerdere foto’s na elkaar), de objecten in tijd en ruimte worden geplaatst.
