Fahrgäste an der San Francisco Bay sind auf allen Linien bestens über die genauen Abfahrtszeiten ihrer Busse informiert. In einem Pilotprojekt von INIT und Golden Gate Bridge, Highway & Transportation District wurde mithilfe künstlicher Intelligenz und Machine-Learning-Software (ML) der österreichischen INIT Tochter inola die Verlässlichkeit der Abfahrtsprognosen erheblich verbessert. Diese zuverlässige ML-Prognose wird ein wesentlicher Bestandteil in INITs MOBILE-ITCS nextGen sein.
Das Projekt begann im März 2019. Im Juni desselben Jahres wurden erste Genauigkeitsmessungen vorgenommen. Der Prediction-Engine wurde im August eingeführt und erste ML-Prognosen wurden im Oktober 2019 erstellt. Im Juni 2020 startete das ML-„Live“-Pilotprojekt auf ausgewählten Linien. Mittlerweile sind alle Linien mit rund 200 Bussen eingebunden. Golden Gate war ein ideales Pilotprojekt, da dort gerade bei den Fahrten im Überlandverkehr und gemischten Stadt-/Land-Fahrten die Qualität der Prognosen sehr schwankte und das Verkehrsunternehmen zuverlässigere Vorhersagen benötigte.
Vollautomatisierter Machine-Learning-Prozess
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.
Klare Verbesserung der Prognosequalität
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.
ML-Prognose der linearen Prognose deutlich überlegen
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.