Helsinki Data Science Meet-up bekommt eine Demonstration: Analytik für den Verkehr.
Die VR-Gruppe ist ein finnisches Staatsunternehmen, das vor allem in Finnland tätig ist, aber auch im Ausland, unter anderem in Russland und Schweden, operiert. Die VR-Gruppe beschäftigt 7.500 Mitarbeiter und ist stolz darauf, ihren Kunden qualitativ hochwertige und umweltfreundliche Personenbeförderungs- und Logistikdienstleistungen zu bieten. Die VR-Gruppe hat drei Hauptgeschäftsbereiche, die sich um Kundengruppen drehen. Die VR-Personenverkehrsdienste bieten öffentliche Verkehrsdienste in Nah- und Fernverkehrszügen und Bussen an. VR Transport bietet Logistikdienstleistungen für Straße und Schiene an, während VR Track sich auf Infrastruktur, Instandhaltung und die Lieferung von Eisenbahnmaterial konzentriert.
Annika Nordbo, Head of Data Science bei VR Passenger Traffic, eröffnete den Abend mit einem Überblick über die VR Data Science Architektur in AWS. Den Zuhörern wurde eine Zusammenfassung dessen präsentiert, was VR Data Science in weniger als einem Jahr erreicht hat - und die Zuhörer waren überzeugt: Das siebenköpfige Team hat in dem kurzen Zeitraum von weniger als einem Jahr mithilfe von Data Science komplexe und nützliche Erkenntnisse gewonnen. Hier ist eine Zusammenfassung dessen, was gelernt wurde...
Heikki Pulkkinen, Data Scientist bei VR Passenger Traffic, begann seinen Vortrag mit einer Einführung in CausalImpact, einem R-Paket für die kausale Inferenz unter Verwendung von Bayes'schen strukturellen Zeitreihenmodellen. Das R-Paket implementiert einen Ansatz zur Schätzung des kausalen Effekts einer Intervention auf eine Zeitreihe, wie z.B. den Effekt einer Werbekampagne auf die täglichen Klicks. Referenzverbindungen wurden mit einem aktiven Publikum ausgiebig diskutiert und wurden zu einem Thema von Interesse. Dabei geht es um die Darstellung des Basisumsatzes für das Schienennetz, wenn ein Teil des Netzes von einer Anomalie, z. B. einem Rockkonzert, betroffen ist. Konkret ging es in der Präsentation darum, wie ein solches Ereignis den Umsatz steigern kann und wie dieser Umsatzanstieg z. B. bei der Fahrplangestaltung und der Kompositionsplanung berücksichtigt werden kann.
Der zweite Teil der Präsentation befasste sich mit der Vorhersage von Fahrgastzahlen für in der Zukunft abfahrende Züge. Als Modell wurde XGBoost gewählt, und für die erste Auswahl wurde ein XGBoost-Algorithmus implementiert, der zu 464 Merkmalen führte. Reservierungen nach Vorhersagedatum wiesen die höchsten Korrelationen mit den Fahrgastzahlen auf. Das Modell wurde in der Produktion implementiert und die Ergebnisse wurden in PowerBI demonstriert und visualisiert.
Tuomas Karavirta, Data Scientist bei VR Maintenance, konzentrierte sich in seinem Vortrag auf das Laserscannen von Rädern zur Simulation der Rolldynamik und gab ein Beispiel für die zustandsorientierte Instandhaltung in der Praxis. Die Präsentation konzentrierte sich auf den Radverschleiß der SR2-Lokomotive. Durch die Implementierung eines neuen Algorithmus zur Berechnung einer beobachtbaren Radsatzkonizität, die zur Auslösung der Reprofilierungsaufrufe für die SR2-Lokomotiven verwendet wird, konnte die Reprofilierungsstrategie drastisch verbessert werden. Diese Änderung im Betrieb entspricht:
- 20 % längere Lebensdauer des Radsatzes
- 30% Zeitersparnis bei der Reprofilierung
- 17 % Kosteneinsparung bei Material und Arbeit
- 17% weniger Wartungsaufwand für Drehgestelle
Die Ergebnisse liefern einen überzeugenden Anwendungsfall für den Einsatz fortschrittlicher Analysen für die vorausschauende Wartung.