Vorhersage von ÖPNV-Belegungen bei veränderten Verhaltensmustern

Sich ändernde Verhaltensmuster stellen große Herausforderungen für Vorhersagen dar. Ein Beispiel hierfür sind Coronavirus-Lockdowns und Maßnahmen, die die Nutzung öffentlicher Verkehrsmittel komplett änderten.

Diese sich stark verändernden Muster in Daten erschweren Vorhersagen von ÖPNV-Belegungen zusätzlich zu Schulferien, Jahreszeiten und wenig verfügbaren Daten noch weiter.

Wir haben diese Concept-Drift-Herausforderungen durch ausgesuchte adaptive kalibrierende Features gelöst und stellen unseren Lösungsweg mitsamt Erfolgen und Stolpersteinen vor

Vorkenntnisse

Grundkenntnisse in den Bereichen Machine Learning und Time Series/Zeitreihen

Lernziele

• Was sind Concept Drifts und warum sind sie ein wichtiges Thema bei Machine-Learning-Projekten?
  
• Was ist bei Concept Drifts und Feature Engineering zu beachten?
  
• Was sind Vorteile und Nachteile von adaptiven Features?
  
• Welchen adaptiven Features waren bei den Vorhersagen ausschlaggebend?