Die Verkehrsunternehmen waren weitgehend nicht in der Lage, wirksam auf die durch das Coronavirus verursachte veränderte Nachfrage zu reagieren, da sie sich auf Mechanismen stützten, die die historischen Fahrgastzahlen und Fahrkartenverkäufe zählen, die keine brauchbaren Prognosen liefern.
Anhand dieser Daten lässt sich die künftige Nachfrage nicht vorhersagen - vor allem nicht während einer Krise, wenn die Menschen ihre Reisegewohnheiten an die laufenden Änderungen der Reisehinweise anpassen. Stattdessen müssen sie feststellen, wie viele Menschen einen bestimmten Dienst nutzen wollen, und entweder versuchen, diese Fahrten zu staffeln oder die Fahrgäste im Voraus über die Überfüllung zu informieren und alternative Möglichkeiten anzubieten.
"BCRRE-Forscher haben eine detaillierte statistische Analyse durchgeführt, die zeigt, dass Zipabouts einzigartige Überfüllungsprognosen, die auf der Absicht der Fahrgäste basieren, eine gute Darstellung der historischen Auslastungsdaten liefern, die von der Bahnindustrie bereitgestellt werden. Dies bestätigt, dass die Nachfragedaten von Zipabout in der Tat ein gutes Maß für die tatsächliche Fahrgastauslastung darstellen."
Die zum Patent angemeldete, quellenübergreifende Datenplattform von Zipabout, die erstmals entwickelt wurde, um Transport for London bei der Bewältigung von Verkehrsstaus während der Olympischen Spiele 2012 zu unterstützen, kann gezielte Reisedaten liefern, die darauf hinweisen, wie stark das Verkehrsnetz in Zukunft ausgelastet sein wird.
Unsere Plattform kombiniert statische, betriebliche und verhaltensbezogene Daten, um den Verkehrsfluss und die Kapazität von Verkehrsnetzen besser vorhersagen und verwalten zu können. Sie kann vorhersagen, wie wahrscheinlich es ist, dass Fahrgäste zwischen zwei beliebigen Punkten reisen.
Wir müssen uns nicht auf durchschnittliche historische Daten verlassen, um die Reiseabsichten der Fahrgäste zu ermitteln, und die Technologie kann genutzt werden, um die Fahrgäste in Echtzeit zu warnen, wenn die geplante Verbindung überlastet sein wird und welche anderen Verbindungen ruhiger sein werden.
Sie basiert auf Kx Technology, der weltweit schnellsten Datenbank für Zeitreihen, die auch von der New Yorker Börse und Aston Martin Red Bull Racing genutzt wird.
Aus diesem Grund hat die britische Regierung Zipabout beauftragt, die personalisierten Informationsdienste aller Zugbetreiber zu betreiben und alle Fahrgäste im Vereinigten Königreich darüber zu informieren, wie sich Störungen und Überfüllung auf ihre Reise auswirken können.
Die Bahnindustrie verlangte eine hundertprozentige Garantie dafür, dass die Daten von Zipabout über die Verkehrsdichte wirklich zutreffend sind, bevor der Dienst in großem Maßstab eingesetzt wird. Zipabout wurde tatsächlich gefragt: Wie können Sie beweisen, dass Ihre Vorhersagen eintreffen?
Die einzige Möglichkeit, dies zu erreichen, besteht darin, die Vorhersage mit dem Ergebnis zu korrelieren. Wenn Sie Zugang zu beiden Datensätzen haben, ist dies eine einfache Validierungsübung. In diesem Fall lautet die Vorhersage: "X Personen werden morgen in diesem Zug sein", und das Ergebnis ist die genaue Anzahl der Personen, die tatsächlich mit diesem Zug gefahren sind (historische Ladedaten).
Zugbetreiber verwenden verschiedene Methoden, um zu ermitteln, wie viele Personen sich in ihren Zügen befinden. Dazu gehört die manuelle Zählung, wie viele Personen in jeden Zug ein- und aussteigen, sowie die Messung der Zugauslastung (wie schwer der Dienst ist). SouthEastern, das Züge in London und im Südosten des Landes betreibt, hat im Sommer seine Zugkapazitätsdaten über DARWIN, die offizielle Zuglaufinformationsmaschine der britischen Eisenbahnindustrie, öffentlich zugänglich gemacht.
Wir haben das Centre for Railway Research and Education (BCRRE) der Universität Birmingham gebeten, die Daten von Zipabout unabhängig zu validieren. Die BCRRE-Forscher haben rückwirkend alle Vorhersagen von Zipabout für SouthEastern-Dienste über einen Zeitraum von 30 Tagen herangezogen und sie mit ihren durchschnittlichen Auslastungsdaten in Beziehung gesetzt.
Sie fanden eine signifikante Korrelation zwischen den Datenquellen und stellten fest, dass die Daten von Zipabout statistisch gültig sind.
Die Universitätsforscher haben gezeigt, dass es nur 15 Interaktionen mit einer Zugverbindung geben muss, damit wir eine statistisch gültige Vorhersage darüber treffen können, wie ausgelastet diese Verbindung in Zukunft sein wird. Wenn man bedenkt, dass die Multi-Source-Datenplattform von Zipabout vor der Coronavirus-Krise jeden Monat mehr als 20 Millionen Interaktionen sammelte, sind 15 Interaktionen pro Dienst winzig - das bedeutet, dass wir dieses statistische Modell auf mehr oder weniger jeden Zugdienst im Land anwenden können und sicher sein können, dass es gültig ist.
Nach der Validierung unserer Daten haben wir bewiesen, dass wir in der Lage sind, die voraussichtliche Auslastung eines Dienstes zu bestimmen - zum Beispiel, dass am Montag um 9 Uhr mehr Menschen als sonst den Zug nehmen wollen.
.png)
Nachdem die Daten von Zipabout in Zusammenarbeit mit führenden Wissenschaftlern der Universität Birmingham zuverlässig validiert wurden, können wir nun genaue Daten über die Verkehrsdichte im gesamten britischen Eisenbahnnetz liefern.
Wir können den Fahrgästen in Echtzeit mitteilen, wie voll ihr Zug sein wird, bevor sie ihre Reise antreten, und sie aktualisieren, wenn später weitere Fahrgäste dieselbe Verbindung nutzen wollen. Dies ist nicht nur eine gute Nachricht für die Planung (mit oder ohne Coronavirus), sondern ermöglicht auch ein ganz neues Maß an Kundenservice und -betreuung für Reisende, die verkehrsreiche oder verwirrende Umgebungen meiden müssen oder zu ruhigeren Zeiten reisen möchten - etwas, das insbesondere die Bahnindustrie gerne fördert und unterstützt.
Wir nutzen unsere Technologie und unsere Multi-Source-Datenplattform auch für ein Programm zur Vorhersage von Verspätungen in Zusammenarbeit mit dem Rail Safety and Standards Board. Anfang des Jahres gewannen wir einen (von Network Rail kofinanzierten) RSSB Data Sandbox+ Wettbewerb, bei dem es darum ging, Demonstratoren und Machbarkeitsstudien zu finanzieren, die datengestützte Ansätze für betriebliche Leistungsherausforderungen erforschen.
Das Projekt von Zipabout konzentriert sich auf dynamische und flexible datengestützte Ansätze zur Verspätungsvorhersage. Dazu gehört der Einsatz von Echtzeit-Modellen für maschinelles Lernen, um den Fahrgästen personalisierte Informationen zu liefern, die dazu beitragen können, die Fahrgastlast intelligent über das Netz zu verteilen und die Auswirkungen von Störungen zu minimieren.
