Bildungsgutschein schon parat? Beschleunige deine Bewerbung: Jetzt melden
Jetzt melden
DelaySense – Transit Intelligence System
DelaySense ist ein Machine-Learning-gestütztes Transit-Intelligence-System, das Ankünfte der London Underground erkennt, die sich in den nächsten Minuten voraussichtlich verspäten werden. Herkömmliche Fahrgastinformationssysteme zeigen zwar, wann ein Zug aktuell erwartet wird, geben aber kaum Aufschluss darüber, ob diese Prognose zunehmend unzuverlässig wird. DelaySense schließt diese Lücke, indem es Live-Ankunftsdaten in vorausschauende Informationen zum Verspätungsrisiko übersetzt.
Das System bezieht Echtzeit-Ankunftsprognosen über die API von Transport for London und speichert aufeinanderfolgende Beobachtungen, um nachzuvollziehen, wie sich einzelne Ankünfte über die Zeit entwickeln. Aus diesen Beobachtungen entstehen zeitbewusste Merkmale, darunter gleitende Statistiken, historische Basiswerte, zeitliche Informationen und Abweichungen vom typischen Ankunftsverhalten.
Ein wesentlicher Teil des Projekts bestand darin, die Aufgabe von klassischer Klassifikation zu einer Prognoseaufgabe umzudeuten. Statt festzustellen, ob eine Ankunft im aktuellen Moment verspätet ist, schätzt DelaySense die Wahrscheinlichkeit, dass sie sich innerhalb eines künftigen Prognosehorizonts verspäten wird. Das vermeidet Data Leakage und macht die Vorhersagen realistischer und im Betrieb nützlicher.
Mehrere Machine-Learning-Ansätze wurden erprobt, darunter logistische Regression, Random Forest, XGBoost und LightGBM. Das finale System nutzt ein LightGBM-Modell mit einem Prognosehorizont von fünf Minuten.
DelaySense entstand als vollständiges Machine-Learning-Produkt und nicht bloß als Modellierungsexperiment. Ein FastAPI-Backend übernimmt Vorhersagen und Monitoring, während ein interaktives Streamlit-Dashboard Verspätungswahrscheinlichkeiten, priorisierte Ankünfte, Trends und Erklärungen darstellt. Das Ergebnis ist ein durchgängiges System, das rohe Verkehrsdaten in handlungsfähige Frühwarn-Intelligenz verwandelt.
Ziel von DelaySense war es, über die reine Anzeige von Echtzeit-Ankunftsinformationen hinauszugehen und stattdessen ein produktorientiertes Frühwarnsystem für den Betrieb im Nahverkehr zu bauen. Die Kernabsicht: handlungsfähige, vorausschauende Erkenntnisse zu erzeugen, mit denen Verkehrsbetriebe, Planerinnen und Planer sowie Leitstellen auf entstehende Störungen reagieren können, bevor diese sich vollständig auswirken.
Statt Verspätungen bloß passiv zu melden, analysiert DelaySense fortlaufend Live-Daten der London Underground, erkennt sich verschlechternde Ankunftsmuster und schätzt die Wahrscheinlichkeit, dass eine Ankunft sich innerhalb der nächsten Minuten verspätet. Diese Vorhersagen sind als Entscheidungssignale angelegt und ermöglichen den Verantwortlichen rechtzeitige betriebliche Maßnahmen – etwa den Verkehrsfluss anzupassen, Notfallpläne vorzubereiten oder Ressourcen umzuverteilen, um Folgewirkungen zu dämpfen.
Neben dem betrieblichen Anwendungsfall wurde das Projekt auch mit Blick auf eine künftige Fahrgastperspektive entworfen. Dieselbe Prognoseschicht ließe sich langfristig auch Fahrgästen zugänglich machen, damit sie ihre Reiseentscheidungen nicht nur an planmäßigen Ankunftszeiten, sondern auch an der Störungswahrscheinlichkeit ausrichten können.
Parallel zu dieser Produktvision setzte das Team einen vollständigen Machine-Learning-Lebenszyklus um: von Datenerhebung und -verarbeitung über leakage-sichere Validierung, Feature Engineering, Modelltraining und Backend-Entwicklung bis zu Deployment und einem zugänglichen Monitoring-Dashboard. Der Fokus lag durchgängig darauf, ein System zu bauen, das nicht nur technisch solide, sondern auch nutzbar, nachvollziehbar und im realen Nahverkehr wirksam ist.
The Team
- Mayank Vashistha
Mayank Vashistha ist Physiker und Data Scientist mit Erfahrung in wissenschaftlichem Rechnen, Machine Learning und der Entwicklung datengetriebener Anwendungen. Für DelaySense entwickelte er die ursprüngliche Projektidee, erhob und verarbeitete die Live-Verkehrsdaten, wirkte an Feature Engineering und Modelltraining mit und verantwortete das Deployment des fertigen Systems. Er half maßgeblich dabei, aus einer ersten Machine-Learning-Idee eine durchgängige Anwendung zu machen, die Prognose-Pipeline, FastAPI-Backend und interaktives Streamlit-Dashboard verbindet.
SocialsLinkedIn - Killian Schmiers
Killian Schmiers bringt einen Hintergrund in Cybersicherheit mit, mit starkem Fokus auf sichere Systeme und Datenschutz. Bei DelaySense wirkte er vor allem am Training und der Optimierung der Machine-Learning-Modelle mit, half beim Vergleich verschiedener Ansätze und bei der Verbesserung der Vorhersagegüte. Zudem unterstützte er das Team bei der Validierung der Modellausgaben, um Robustheit und Verlässlichkeit des fertigen Systems sicherzustellen.
SocialsLinkedIn - Peter Furtado
Peter Furtado bringt einen Hintergrund in Marketing und Vertrieb mit und trug zu DelaySense durch Unterstützung bei der Datenanalyse und im Machine-Learning-Workflow bei. Außerdem wirkte er an der Entwicklung und Präsentation des Streamlit-Dashboards mit, das die Verspätungsprognosen visualisiert.
SocialsLinkedIn
We AI-proof
your career
