Amélioration considérable des prévisions de départ grâce à l'apprentissage automatique

Le noyau ML d’inola constitue la base de la prévision d’apprentissage automatique. Ce logiciel fournit des prévisions à l’aide de données historiques et d’informations en temps réel. Il est indépendant de la plateforme et du système d’exploitation et peut traiter de grandes quantités de données (Big Data). Dans MOBILEstatistics, le système d’évaluation et de statistiques d’INIT, les données d’exploitation (par exemple les données GPS) sont collectées et traitées avec de nombreuses autres informations ainsi que des temps de trajet historiques. Sur la base de ces données, le noyau ML dispose de divers systems d’entraînement. Le logiciel y reconnaît et utilise automatiquement le meilleur. Après chaque entraînement avec des données historiques préparées, le modèle d’apprentissage automatique est mis à jour et donc amélioré – un modèle adapté est ainsi

disponible à tout moment. Sur la base du modèle entraîné, le noyau ML calcule une prévision de temps de trajet pour toutes les sections de trajet. À partir de ces valeurs individuelles, la prévision d’apprentissage automatique compose ensuite les nouvelles heures de départ prévues pour les arrêts et les transmet à différents processus. Les passagers peuvent consulter les prévisions en direct en tenant compte d’éventuels embarrass de circulation actuels ou de la durée du trajet du véhicule précédent.

La fiabilité des prévisions a considérablement augmenté à San Francisco grâce à l’apprentissage automatique et à l’entraînement continu du modèle, ce que le tableau (Tab. 1) illustre en comparant les prévisions à des jours comparables sur des lignes sélectionnées sans apprentissage automatique (juin 2019) et avec apprentissage automatique (août 2021, tous deux des samedis) : Les lignes blanches indiquent la précision des prévisions en moyenne de tous les trajets quotidiens d’une ligne (30, 40, 70, 101) avec l’écart autorisé indiqué, à différents moments avant le depart prévu. Les lignes vertes montrent la précision des prévisions avec le noyau ML, ici aussi avec l’écart autorisé prédéfini. Dans le cas le plus extrême (ligne 101, 6 à 10 minutes avant le départ), la précision des prévisions est passée de 49 à 87,47 %, ce qui est remarquable.