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?

Speaker

 

Tim Frey
Tim Frey ist Mitgründer der iunera GmbH and Co. KG. Er promovierte an der Universität Magdeburg und liebt es, datengetriebene Szenarien und Anwendungen zu entwickeln. Sein Informatik-Hintergrund liegt in den Bereichen Business Intelligence und Plattform-Architektur.

M3-Newsletter

Sie möchten über die Minds Mastering Machines
auf dem Laufenden gehalten werden?

 

Anmelden