Machine learning til realtidsforudsigelser af oprindelse-til-destination efterspørgsel for jernbaner med smart card og udbudsdata

Realtidsforudsigelser af passagerefterspørgsel på jernbanen kan bidrage til smartere trafikstyring og på sigt til at udvikle et offentligt transportsystem som på forskellig vis imødekommer ekstraordinær efterspørgsel. Dette kræver adgang til detaljeret information om efterspørgselsmønstre i form af løbende indsamling af passagertal for hvert par af oprindelses- og destinationsstationer i korte tidsintervaller. I dette studie udvikles en machine learning model til forudsigelser af afvigelser fra det periodiske efterspørgselsmønster på Københavns S-bane i 15 minutters intervaller ved hjælp af realtidsdata fra Rejsekortet på efterspørgselssiden og Banedanmarks driftsstatistikker på udbudssiden. Studiet belyser dels betydningen af udbud for forudsigelse af efterspørgsel og dels udforskes måden hvorpå spatiotemporal data indlejres i modeller fra dyb læring for at opnå nøjagtige forudsigelser for mange-dimensionale og sparsomme data som disse.