Machine Learning Algorithmen zur Pünktlichkeitsvorhersage

Ein Fünftel aller Treibhausgasemissionen werden durch den Verkehrssektor verursacht. Neben technischen Neuerungen zur Verringerung der Emissionen sind deshalb insbesondere Maßnahmen zur Verkehrsvermeidung und Verlagerung auf umweltfreundliche Verkehrsmittel vonnöten. Dadurch rücken öffentliche Verkehrsmittel wie Busse, Bahnen und Züge in den Fokus der Mobilität von Morgen. Um jedoch Personen zur Veränderung ihrer Mobilitätsentscheidung zu bewegen, muss das Angebot des ÖPNV verbessert werden.

Eine Möglichkeit ist die Prognose zukünftiger Verspätungen. Durch den Einsatz von Prognosemodellen können Verkehrsbetriebe adaptiv ihren Betrieb anpassen, um so Verspätungen oder ihre Auswirkungen im Vorhinein zu vermeiden. Hierbei spielen nicht nur historische Daten, sondern auch externe Faktoren (Ferien, Wetter etc.) eine Rolle.

Im Rahmen des Hands-on Projekts wurden, basierend auf den historischen Trambewegungen der Stadtwerke Augsburg (SWA), sowie externen Faktoren, ein Prognosemodell für die Vorhersage der An- und Abfahrtzeiten entwickelt. Dabei konnte bereits auf bestehende Vorverarbeitungen aufgebaut werden, sodass die Auswahl, Modellierung und Implementierung verschiedener Machine Learning Algorithmen im Vordergrund stand.