T-Systems voorspelt aankomst- en vertrektijden Deutsche Bahn-treinen met data analytics
Deutsche Bahn gaat binnenkort een door T-Systems ontwikkeld systeem in gebruik nemen dat de aankomst- en vertrektijden van treinen voorspelt. Reizigers zien tot 90 minuten van tevoren hoe laat hun trein aankomt. Zo kunnen zij hun reis beter plannen en hun tijd efficiënter indelen. De oplossing maakt onder andere gebruik van machine learning-technologie.
Het systeem maakt continu vergelijkingen tussen de dienstregeling en de actuele situatie. Daarbij analyseert het de dienstregelingsdata van meer dan twee miljoen stops per dag van alle Deutsche Bahn-treinen. Deze vergelijkt het met de actuele, werkelijke aankomst- en vertrektijden. Op basis daarvan geeft het systeem een schatting van de aankomst- en vertrektijden. Ook geeft het inzicht in bijvoorbeeld de gevolgen voor aansluitingen voor passagiers op hun traject. Het systeem is zelflerend, waardoor het in de loop van de tijd steeds nauwkeurigere voorspellingen kan doen. Alle voor reizigers bedoelde informatieservices van Deutsche Bahn gaan van het systeem gebruikmaken.
Machine learning
Vanuit de datacenters van T-Systems analyseert het systeem binnen enkele seconden de locatie-informatie afkomstig van alle op dat moment rijdende treinen. Het produceert vervolgens een schatting van de aankomsttijden, van zowel de tussenstations als de eindbestemming. Het algoritme in deze berekeningen is gebaseerd op machine learning, een vorm van kunstmatige intelligentie. Het hanteert daarbij een aantal verschillende algoritmen op basis van de actuele verkeerssituatie. Iedere nacht traint het model zichzelf op basis van de historische data. Dit zelflerende proces verbetert continu de nauwkeurigheid van de prognoses en past ze aan op de huidige situatie van het vervoersnetwerk.
Het voorspellende systeem is gebaseerd op een oplossing die in-house is ontwikkeld bij T-Systems en het dochterbedrijf T-Systems Multimedia Solutions. T-Systems gaat de oplossing samen met Deutsche Bahn verder ontwikkelen en implementeren. De oplossing is waarschijnlijk vanaf het tweede kwartaal van 2017 beschikbaar.
Dossiers
Meer over
Lees ook
Hoe machine learning bijdraagt aan een optimale benutting van het netwerk
De toekomst voor datacenters van grote ondernemingen en zelfs nog meer voor de infrastructuur van grote operators ligt in gevirtualiseerde netwerken. Nu de vraag naar bandbreedte explosief toeneemt, lossen voortdurende uitbreidingen van de capaciteit het probleem niet langer op. In plaats daarvan wordt het steeds belangrijker om de bestaande infra1
SAP voegt nieuwe functies toe aan machine learningplatform SAP Leonardo
SAP breidt zijn platform Leonardo Machine Learning Foundation uit. Nieuw zijn kant-en-klare services, hertrainbare services en een bring-your-own-model. Klanten, partners en ontwikkelaars kunnen voortaan gebruikmaken van aanvullende kant-en-klare services, onder andere voor optische tekstherkenning (OCR) en multidimensionale tijdreeksvoorspelling. Met de laatstgenoemde aanvulling kunnen ze bijvoorbeeld de optimale prijs voor een product voorspellen. Hertrainbare services SAP Leonardo Machine Learning Foundation biedt daarnaast voortaan de optie om generieke modellen op maat te maken met bedr1
SignalSense overgenomen door Splunk
Splunk neemt SignalSense over. Splunk wil de machine learning-technologie van Signal Sense gebruiken voor zijn eigen machine data-platform. Een groot aantal apparaten genereren data die bedrijven interessante inzichten kunnen bieden. Deze data wordt ook wel machine data genoemd. Splunk levert oplossingen die het mogelijk maken machine data te mon1