MBTA-Transit: Prognose-Modelle für Fahrgastzahlen und Verspätungen bewertet

Die Massachusetts Bay Transportation Authority (MBTA) ist der wichtigste öffentliche Nahverkehrsanbieter in Boston. Trotz ihres umfangreichen Netzwerks aus Zügen, U-Bahnen und Bussen kämpfen sie häufig mit Verzögerungen und Schwankungen bei der Fahrgastzahl, was die Effizienz und die Zufriedenheit der Pendler beeinträchtigt.

In einer neuen Studie wurden die Leistungen von zehn statistischen und maschinellen Lernmodellen zur Vorhersage der nächsten Tagesnutzung der U-Bahn – gemessen an den Eintritten an geschlossenen Stationen – sowie von elf Modellen zur Prognose der Gesamtzahl der Verspätungen im MBTA-System untersucht. Ein besonderes Augenmerk lag dabei auf einem selbstexzitierenden Punktprozessmodell, das erstmals in diesem Kontext eingesetzt wurde.

Die Modelle wurden mit einer Vielzahl von Einflussfaktoren trainiert, darunter Wochentag, Jahreszeit, Luftdruck, Windgeschwindigkeit, durchschnittliche Temperatur und Niederschlag. Durch gezielte Feature-Auswahl wurde die Bedeutung einzelner Variablen ermittelt und die Genauigkeit mittels Root Mean Squared Error (RMSE) bewertet.

Die Ergebnisse zeigen, dass die Einbeziehung von Wochentag- oder Jahreszeitdaten die Vorhersagegenauigkeit deutlich verbessert, während Wetterdaten die Leistung im Allgemeinen verschlechtern. Dies deutet darauf hin, dass die Modelle bei der Nutzung von Wetterinformationen zu stark an die Trainingsdaten angepasst werden und dadurch überangepasst sind.

Die Erkenntnisse dieser Untersuchung liefern wertvolle Hinweise für die Optimierung von Prognosestrategien im öffentlichen Nahverkehr und können dazu beitragen, Verspätungen zu reduzieren und die Fahrgastzufriedenheit nachhaltig zu steigern.