Machine-Learning sorgt für genug Platz im Postauto

Machine-Learning sorgt für genug Platz im Postauto
Quelle: https://www.ride.ch/de/news/transportverbot-aufgehoben-bikes-duerfen-wieder-ans-postauto

Kontext
Die PostAuto AG hat in der Vergangenheit vermehrt Rückmeldungen von Kunden erhalten, welche sich durch sperrige Sportgeräte wie Fahrräder in den Postautos gestört fühlten und diese ihnen den Platz raubten. Diesem Problem entgegnete die PostAuto AG mit der Anschaffung von Veloheckträgern und Veloanhängern, welche Platz für 5-6 bzw. 16-20 Fahrräder bieten. Diese werden zurzeit nach bestem Wissen und Gewissen eingesetzt, jedoch dies nicht immer effizient. Dabei treten zwei verschiedene Situationen auf, welche für die PostAuto AG hinderlich sind und durch geeignete Systeme verbessert werden könnten. Dies sind einerseits Konflikte, weil die Postautos nicht die geeigneten Mittel mitführen um alle Fahrräder und Passagiere gleichzeitig befördern zu können, da sie nicht mit dieser Anzahl von Fahrradfahrern gerechnet haben und andererseits Linienfahrten mit Anhängern oder Heckträgern, die es nicht gebraucht hätte, da in dieser Region gar keine Fahrradfahrer unterwegs sind.

Zielsetzung
Unser Ziel ist es durch eine innovative Lösung diese beiden Situationen zu entschärfen und somit die Zufriedenheit der Kunden aufrechtzuerhalten. Das Projekt soll ein effizientes, umweltfreundliches und kostengünstiges Betriebsmanagement ermöglichen, welches sich flexibel an ändernde Rahmenbedingungen anpassen kann.

Unsere Lösung
Das Problem, dass Postautos von grossen Gruppen mit Sportgeräten überrascht werden oder Anhängern mit sich führen, die nicht gebraucht werden, lösen wir durch künstliche Intelligenz, genauer mit einem trainierten Machine-Learning. Dadurch wird die PostAuto AG künftig dazu im Stande sein, die Anzahl, der von Passagieren mitgebrachten Sportgeräte, die im Postauto mittransportiert werden müssen, vorherzusagen. Unser Machine-Learning-Model basiert auf der Programmiersprache Python. Kurz zusammengefasst, handelt es sich dabei um ein Model namens Perzeptron, welches mit Inputs von Zahlen einen Output erstellen kann. Der Output ist die Anzahl Passagiere mit sperrigen Sportgeräten. Der Input hingegen besteht aus den folgenden Daten:

Mithilfe dieser Daten wird die zu erwartende Passagierzahl mit sperrigen Sportgeräten ermittelt und an die zuständige Abteilung der Postauto AG weitergeleitet. Je mehr Daten der Algorithmus erhält, desto präzisere Vorhersagen kann er treffen. Mit dem neu gewonnenen Wissen kann die Postauto AG die Grösse der Busse dem erwarteten Passagieraufkommen mit sperrigem Sportgerät anpassen. Dies setzt eine diversifizierte Fahrzeugflotte voraus.

Die Dispositionsabteilung der Postauto AG kümmert sich um die Zuteilung der Veloanhänger und Veloheckträger an die entsprechenden Chauffeure und Linien. So wird jedem Chauffeur beim Eintreffen im Depot ein dem Passagieraufkommen entsprechendes Fahrzeug zugeteilt, welches mit dem nötigen Anhängern oder Heckträgern ausgerüstet ist. Dadurch haben die Fahrgäste die Gewissheit, dass zu jeder Zeit genügend Platz zur Verfügung steht, um ihre Sportgeräte zu transportieren. Andererseits kann auch gewährleitstet werden, dass keine Postautos mit Anhängern fahren, welche gar nicht benötigt werden. Zur Veranschaulichung haben wir dazu ein Video erstellt, das dem Leser einen Überblick über unsere Problemlösung gibt:

Das Machine-Learning im Detail
Machine-Learning kann durch den konstanten Dateninput effizient vorhersagen, welche Buslinien mit welchen Bussen und Anhängern befahren werden sollten. Am besten dafür geeignet ist die Form «Neural Network» des Machine-Learnings. Grund dafür ist das Lernen von Mustern im Personenverkehr. Verschiedenste Daten können im Neural Network erfasst werden, sei es Wetter, Statistiken der Billettverkäufe oder was auch immer ein Einfluss auf die Anzahl von Passagieren haben kann.

In der Annahme, dass wir bereits bei der PostAuto AG eine grosse Anzahl an Daten zu den Belegungen der Sitzplätze in Bussen dokumentiert haben, müssen diese bei der Implementierung erfasst werden. Das Neural Network muss dementsprechend auf diese Daten trainiert werden. Über längere Zeit soll es die Belegungen immer wieder voraussagen. Entsprechend muss danach durch den Menschen überprüft werden, ob die Voraussagen akkurat waren. Nach der Evaluierung müssen die entsprechenden Daten dem Neural Network beigebracht werden, damit sich die Präzision in den Voraussagen stetig erhöht. So können in der Startphase des Projekts bereits experimentell Ressourcen angepasst werden.

Input - Machine-Learning - Output

Nach der Voraussage, müssen die effektiven Passagierzahlen wie oben erwähnt erhoben und dann ins Machine-Learning gespeist werden. Danach kann es arbeiten und versuchen die Regeln aufzustellen, die gelten, wenn es darum geht Passagierzahlen mit sperrigem Sportgerät vorherzusagen.

Zusätzliche Möglichkeiten durch den europäischen Datenraum
Dem maschinellen Lernen und der damit verbundenen künstlichen Intelligenz steht ein goldenes Zeitalter bevor. Mit der Digitalisierung unseres Lebens entstehen riesige Mengen an Daten. Die Verwaltung, Kontrolle und Distribution dieser Daten werden nicht überall auf der Welt gleich gehandhabt. In den USA zum Beispiel, sind die Daten eine Angelegenheit von privaten Unternehmen, wobei Google, Apple und Facebook zu den grössten dieser Unternehmen zählen. Sie verwalten personenspezifische Daten auf ihren eigenen Servern und setzen sie zur Profitgenerierung ein. Anders ist es in China. Dort sind personenspezifische Daten vor allem dem chinesischen Staat vorbehalten, der diese nutzt, um die eigenen Bürger zu überwachen. Die Europäische Union hat dazu eine eigene Strategie entwickelt, wie mit den riesigen Mengen an persönlichen Daten umgegangen werden soll. Sollte sich die Schweiz dieser Strategie anschliessen würden sich für den Bereich des maschinellen Lernens grosse Chancen bieten. Wie die Postauto AG diese Chancen nutzen könnte und wie wahrscheinlich es ist, dass die Schweiz sich dieser Strategie anschliesst, müsste noch weiter erforscht werden.

Projektteam 2

Hasani Siawash, Luder Adrian, Ruffiner Michelle, Woodtli Miguel, Wyss Noah