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
NVIDIA versnelt machine learning met nieuw end-to-end hyperscale datacenterplatform
Machine learning wordt in toenemende mate gebruikt in allerlei toepassingen. Machine learning workloads worden hierdoor steeds groter. NVIDIA kondigt een end-to-end hyperscale datacenterplatform aan dat bedrijven die webdiensten leveren in staat stelt grote machine learning workloads sneller af te leveren. Machine learning is gebaseerd op deep neural networks, kunstmatige netwerken die gebaseerd zijn op biologische neurale netwerken. De netwerken zijn zelflerend en hebben een grote hoeveelheid voorbeelden nodig om hun werk nauwkeurig te kunnen doen. Dit zorgt ervoor dat een enorme hoeveelheid1
Qualcomm richt zich op CPU’s voor servers met ARM gebaseerde SoC
Qualcomm Technologies, een dochteronderneming van Qualcomm, gaat zich op CPU’s voor servers richten met een processor gebaseerd op de ARMv8-A architectuur. Met de CPU richt Qualcomm zich voornamelijk op hyperscale omgevingen van bedrijven als Facebook en Google, service providers en grote bedrijven. Het bedrijf presenteert een prototype van de nieuwe System on a Chip (SoC) die over 24 kernen. Qualcomm verwacht dat de definitieve CPU meer kernen heeft. De System on a Chip (SoC) is twee jaar in ontwikkelen en wordt ontworpen met het oog op veel voorkomende workloads in datacenters. A1