Short-Term Bus Travel Time Prediction using Profile Similarity and Kalman Filter

Eine robuste und präzise Prognose von Verspätungen im ÖPNV ist wichtig, damit die Akzeptanz gegenüber dem ÖPNV erhalten und gesteigert werden kann. In der Vergangenheit wurden bereits diverse Ansätze aus den Bereichen des maschinellen Lernens und der Zeitreihenanalyse für Verspätungsprognosen untersucht. Dabei hat sich gezeigt, dass vor allem Methoden aus dem Bereich des maschinellen Lernens entweder eine sehr gute Prognosefähigkeit aber eine schlechte Skalierbarkeit besitzen oder sehr gut skalierbar sind, jedoch keine guten Vorhersagen treffen. Beide Faktoren sind für den Einsatz in einem realen städtischen Umfeld allerdings von hoher Bedeutung.

Ziel der Masterarbeit ist es eine neue Methode zur Fahrzeitprognose von Bussen für das städtische Umfeld zu entwickeln. Insbesondere sollen Echtzeitdaten von Bussen integriert werden, die kurz zuvor den vorausliegenden Streckenabschnitt bereits durchfahren haben. Somit ist es möglich, auch lokal und zeitlich stark begrenzte Ereignisse (Unfall, Großveranstaltung) mit einzubeziehen. Das so entwickelte Modell soll auf Basis ausgewählter sich überschneidender Linien in einem realen Kontext evaluiert werden.