PASCO: Smart Campus Analytics

Echt klantproject voor de Breda University of Applied Sciences (BUas), uitgevoerd als specialisatieproject Jaar 3 Blok CD. Team van 5 personen, februari–juni 2026, 17 weken.

Voorspellend bezettingssysteem voor BUas campusoperaties. Verwerkt data van entréecamera's, WiFi, TimeEdit roosters, KNMI weer en NS treinverstoringen in een 112-koloms uurtabel. Traint een Temporal Fusion Transformer samen met LightGBM, XGBoost en CatBoost om gebouwbezetting tot 7 dagen vooruit te voorspellen, gevoed door FastAPI-endpoints en Power BI-dashboards.

Hoogtepunten

01.Kernprobleem geïdentificeerd via stakeholderinterviews: BUas-operationele teams plannen 400+ diensten per week volledig op intuïtie; geen systeem verbond TimeEdit, camerabeelden, WiFi en weer tot één voorspellende weergave.
02.End-to-end feature engineering pipeline gebouwd die een geünificeerde 112-koloms uurtabel van 2019 tot heden produceert, met samenvoeging van KNMI-weer, NS-verstoringen, TimeEdit-roosters en FootfallCam-sensordata.
03.Het cold-start probleem opgelost: FootfallCam-sensoren gingen pas live in oktober 2024, waardoor 5 jaar trainingsgeschiedenis geen ground truth had. XGBoost proxy generator gebouwd om historische bezetting te reconstrueren.
04.TFT feature-classificatie opgezet: Known Future Reals, Known Future Categoricals en Unknown Past Reals, inclusief 7-daagse Open-Meteo-weersverwachtingen.
05.Multi-model vergelijking geleid (TFT, LightGBM, XGBoost, CatBoost) met doelstelling <15% MAPE op dagniveau, <20% dagdeel, <25% uurlijks.
06.FastAPI serving layer gedeployed met real-time en batch-endpoints (<2s responstijd), georkestreerd via Airflow DAGs, gevoed door drie Power BI-dashboards.