Am 20 Juli war es soweit: Wir konnten unser “Work-In-Progress”-Paper „Improving Delay Forecasts in Public Transport using Machine Learning Techniques“, welches das Modell unserer Verspätungsprognose als Grundlage hat, im Rahmen der EnviroInfo 2020 erfolgreich und fristgerecht einreichen.
Aufgrund der in den letzten Jahren immer intensiver geführten Debatte über den Klimawandel nimmt der ÖPNV in der Diskussion um Mobilitätskonzepte eine immer zentralere Rolle ein, um den in den letzten Jahrzehnten vorherrschenden Fokus auf den Individualverkehr zu ersetzen. Die Verbesserung der Attraktivität des öffentlichen Busverkehrs ist ein Schlüsselfaktor, um ihn wettbewerbsfähig zu machen und hängt von der Zuverlässigkeit und Pünktlichkeit des Angebots ab. Um diese Attraktivität zu erhöhen, ist es entscheidend, die Informationen zu verbessern, die ein ÖPNV-Anbieter an seine Kunden weitergeben kann, insbesondere die Qualität der bereitgestellten Verspätungsprognose.
In unserem Papier wurden Buspositionen und Fahrplandaten von Busunternehmen in Deutschland mit Daten von externen Dienstleistern zu Wetter und Verkehr in einem Data Warehouse zusammengeführt. Auf Basis dieser Daten wurden verschiedene Modelle des maschinellen Lernens mit dem MLP- und LSTM-Modellansatz trainiert. Während unser MLP-Ansatz das Training eines verallgemeinerten Modells beinhaltete, umfasste unser LSTM-Ansatz das Training vieler spezialisierter Modelle. Während die für die Ausbildung der Modelle erforderliche Routensegmentierung bereits abgeschlossen ist, befinden sich unsere LSTM-Modelle noch in der Entwicklung. Daher konnten wir noch keine aussagekräftigen Ergebnisse vorlegen. Wir erwarten jedoch, dass sich die LSTM-Modelle besser an die Bedingungen spezifischer Segmente des Streckennetzes anpassen werden. Darüber hinaus kann in Zukunft auch ein Metamodell getestet werden, das sowohl das LSTM-Modell mit dem Streckensegmentansatz als auch das MLP-Modell integriert. Damit könnte der beste der beiden recht unterschiedlichen Ansätze kombiniert werden.
Hier geht es zum Paper: http://rocit.space/wp-content/uploads/2020/08/Improving-Delay-Forecasts-in-Public-Transport-using-ML-Techniques.pdf
