zur hauptseite
Optimierung der Pünktlichkeit: Ein Vergleich von Random Forest und Neuronalen Netzen im öffentlichen Verkehr (2024)
Diese Studienarbeit hatte zum Ziel, die Ist-Daten des öffentlichen Verkehrs in der Schweiz für den Monat Mai 2024 zu analysieren und Verspätungen zu antizipieren. Dazu wurden zwei fortschrittliche Modellierungstechniken eingesetzt: der Random Forest Regressor und neuronale Netze mit Keras TensorFlow.
Durch die Anwendung von Methoden des überwachten Lernens und Deep Learning wurde untersucht, inwiefern künstliche Intelligenz dazu beitragen kann, Verspätungen im öffentlichen Verkehr vorherzusagen. Die Ergebnisse zeigen, dass sowohl das Random Forest Modell als auch das neuronale Netz geeignet sind, Verspätungen besser als einfache Durchschnittsschätzungen vorherzusagen, wobei jedoch weiteres Optimierungspotenzial besteht.Weiteres dazu im folgenden Screencast vorgestellt: