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?