Erheblich verbesserte Abfahrtsprognosen dank Machine Learning

Die Basis für die Machine-Learning-Prognose ist der ML-Core von inola. Diese Software stellt Prognosen mithilfe historischer Daten und Echtzeitinformationen zur Verfügung. Sie ist plattform- und betriebssystemunabhängig und kann große Datenmengen (Big Data) verarbeiten. In MOBILEstatistics, INITs Auswertungs- und Statistiksystem, werden die Betriebsdaten (z. B. GPS-Daten) gesammelt und mit vielen weiteren Informationen sowie historischen Fahrzeiten aufbereitet. Auf dieser Datengrundlage aufbauend, stehen dem ML-Core diverse Trainersysteme zur Verfügung. Das jeweils beste wird von der Software automatisch erkannt und genutzt. Nach jedem Training mit aufbereiteten historischen Daten wird das ML-Modell aktualisiert und damit verbessert – so steht zu jeder Zeit ein passendes Modell zur Verfügung.

Auf der Basis des trainierten Modells wird vom ML-Core eine Fahrtzeitprognose für alle Fahrtabschnitte berechnet. Aus diesen Einzelwerten setzt die ML-Prognose dann die neu prognostizierten Abfahrtszeiten für die Haltestellen zusammen und übermittelt sie an verschiedene Prozesse. Fahrgäste können direkt die Live-Prognosen unter Berücksichtigung möglicher aktueller Verkehrseinschränkungen oder der Fahrtdauer des vorherigen Fahrzeugs einsehen.

Die Verlässlichkeit der Prognosen ist in San Francisco durch Machine Learning und das kontinuierliche Training des Modells immens gestiegen, was Tab. 1 mit einem Vergleich der Prognosen an vergleichbaren Tagen auf ausgewählten Linien ohne ML (Juni 2019) und mit ML (August 2021, beides Samstage) verdeutlicht: In den weißen Zeilen wird die Prognosegenauigkeit im Durchschnitt aller Tagesfahrten einer Linie (30, 40, 70, 101) mit der angegebenen erlaubten Abweichung angezeigt, zu verschiedenen Zeitpunkten vor der geplanten Abfahrt. Die hellgrünen Zeilen zeigen die Prognosegenauigkeit mit dem MLCore, auch hier mit der vorgegebenen erlaubten Abweichung. Im extremsten Fall (Linie 101, 6 bis 10 Minuten vor der Abfahrt) ist die Prognosegenauigkeit
von 49 auf bemerkenswerte 87,47 Prozent gestiegen.

Diese erheblich gestiegene Genauigkeit ist Folge der innovativen ML-Prognose im Gegensatz zur gängigen linearen Prognose. Letztere basiert auf der Annahme einer gleichbleibenden Geschwindigkeit zwischen zwei Haltestellen. Etwaige Behinderungen, etwa Baustellen, Unfälle auf der Strecke oder (kurzfristig angesetzte) Veranstaltungen werden in einer linearen Prognose nicht berücksichtigt. Auch die Tageszeit oder unterschiedliche Wochentage werden oft nicht einbezogen.

Die neue Prognosequalität kann sich auf jeden Fall sehen lassen. In INITs MOBILE-ITCS nextGen wird die ML-Prognose standardmäßig enthalten sein, d. h., INITs ITCS-Kunden können sich schon jetzt darauf freuen. Fahrgäste können dank ML-Prognose ihre Fahrten noch besser planen – und dadurch steigt ihre Zufriedenheit. In San Francisco hat bei der Fahrgastinformation im wahren Wortsinn eine neue Zeitrechnung begonnen.