Neuer Artikel im Journal of Public TransportationPredicting and analyzing ferry transit delays using open data and machine learning

25. Juni 2025, von Julia Bachale

Foto: Kevin Hackert/Flickr

Im Journal of Public Transportation ist ein neuer Artikel mit dem Titel "Predicting and analyzing ferry transit delays using open data and machine learning" erschienen. Autoren sind neben Stefan Voß und Abtin Nourmohammadzadeh vom IWI unser ehemaliger Gastwissenschaftler Malek Sarhani von der Al Akhawayn Universität in Ifrane sowie auch Mohammed El Amrani von der Mohammed V Universität in Rabat, Marokko. Der Artikel kann hier abgerufen werden:

Zusammenfassung:

Die Nutzung von Daten aus dem öffentlichen Verkehr hat sich in den letzten Jahrzehnten rasant entwickelt. Fähren mit ihren einzigartigen Merkmalen und ihrer Empfindlichkeit gegenüber Wetterbedingungen stellen eine große Herausforderung für die Vorhersage von Verspätungen dar. Angesichts ihrer zentralen Rolle in den Verkehrssystemen zahlreicher Städte ist die genaue Vorhersage von Verspätungen bei Fähren entscheidend für die Synchronisierung von Verkehrsdiensten.
Dieses Paper zeigt den Wert offener Daten für die Verbesserung von Verspätungsvorhersagen für Fähren durch maschinelles Lernen und konzentriert sich dabei auf zwei Fallstudien. Unser Ansatz nutzt GTFS-Daten (General Transit Feed Specification), Fahrgast- und Schiffsinformationen sowie stündliche Wetterdaten in Kombination mit der durch künstliche Intelligenz erklärbare SHAP-Analyse, um die wichtigsten Verspätungsdeterminanten zu bewerten. Während Support Vector Regression und tiefe neuronale Netze in einzelnen Fallstudien eine hohe Genauigkeit aufwiesen, bot Gradient Boosting durchgängig das beste Gleichgewicht zwischen Vorhersagegenauigkeit und Berechnungseffizienz. Darüber hinaus zeigt die SHAP-Analyse, dass betriebliche und zeitliche Merkmale - wie z. B. die Reihenfolge der Haltestellen, die Startzeit der Fahrt, die Fahrtdauer und die Fahrzeugbeschriftung - die Hauptfaktoren für Verspätungen sind, während wetterbedingte Faktoren nur einen geringen Einfluss haben.