Vasúti utasszámlálási adatok matematikai és gépi tanulási módszerekkel történő elemzése és az utasforgalom előrejelzése
| Témavezető: | Farkas Bálint |
| KTI Közlekedéstudományi Intézet / BME Közlekedésmérnöki és Járműmérnöki kar | |
| email: | farkas.balint@kti.hu |
Projekt leírás
A vasúti személyszállításban egyre nagyobb mennyiségű adat áll rendelkezésre az utasforgalom alakulásáról, az utasok fel- és leszállásáról, az egyes vonatok és viszonylatok kihasználtságáról, valamint az utazási szokások időbeli és térbeli változásáról. Ezen adatok megfelelő matematikai és gépi tanulási módszerekkel történő feldolgozása jelentős lehetőséget kínál a vasúti személyszállítás tervezésének és hatékonyságának javítására.
A projekt célja a MÁV Csoport rendelkezésére álló utasszámlálási és forgalmi adatállományok matematikai, statisztikai és gépi tanulási módszerekkel történő feldolgozása, valamint olyan modellek kialakítása, amelyek alkalmasak az utasforgalom mintázatainak felismerésére és előrejelzésére.
A kutatás során a hallgató többek között vizsgálhatja, hogy milyen tényezők befolyásolják az egyes vonatok, járatok, viszonylatok és állomások utasforgalmát, illetve hogyan változik az utasszám időben és térben.
A projekt lehetséges kutatási irányai:
- nagy mennyiségű utasszámlálási adat strukturálása és matematikai elemzése;
- az utasforgalom időbeli és térbeli mintázatainak feltárása;
- utasforgalmi adatok klaszterezése és csoportosítása;
- különböző vonatok, viszonylatok és állomások forgalmi profiljainak azonosítása;
- a hét napja, napszak, szezonális hatások és egyéb tényezők utasforgalomra gyakorolt hatásának vizsgálata;
- az utasforgalom rövid és középtávú előrejelzése;
- gépi tanulási algoritmusok alkalmazása az utasszám előrejelzésére;
- különböző prediktív modellek teljesítményének összehasonlítása;
- kiugró vagy rendellenes utasforgalmi események automatikus felismerése;
- az utasforgalom és a vonatkapacitás közötti összefüggések vizsgálata;
- a rendelkezésre álló adatok alapján a vonatok és járatok várható kihasználtságának előrejelzése.
A hallgató önálló kutatás keretében különböző matematikai és gépi tanulási módszereket alkalmazhat, például regressziós modelleket, klaszterezési eljárásokat, idősorelemzést, döntési fákat, random forest módszereket, neurális hálózatokat vagy egyéb prediktív algoritmusokat.
A projekt egyik fontos célja annak meghatározása, hogy mely matematikai vagy gépi tanulási módszer képes a legpontosabban előre jelezni az utasforgalom alakulását, illetve milyen adatminőség és milyen bemeneti paraméterek szükségesek egy megbízható előrejelző modell kialakításához.
A kutatás eredményei hozzájárulhatnak a vasúti személyszállítás kapacitástervezésének, a menetrendi tervezésnek, a járművek megfelelő allokációjának és az utasforgalom hatékonyabb kiszolgálásának fejlesztéséhez.
A projekt valós, nagy mennyiségű vasúti utasforgalmi adatokra épül, ezért a hallgató egy gyakorlati jelentőségű, ugyanakkor komoly matematikai és adatelemzési kihívást jelentő kutatási problémán dolgozhat.
Gyakorlati lehetőség
A projekthez kapcsolódóan a Közlekedéstudományi Intézetben (KTI) gyakorlati helyet tudunk biztosítani azoknak a matematikus hallgatóknak, akik a témában szeretnének részt venni. A hallgatók a gyakornoki program keretében lehetőséget kaphatnak arra, hogy a projekt során megismert matematikai, statisztikai és gépi tanulási módszereket valós közlekedési adatokon alkalmazzák.
A KTI-ben végzett gyakorlati munka során lehetőség nyílhat a MÁV Csoport utasforgalmi adatainak feldolgozására, az előrejelző modellek fejlesztésére és azok gyakorlati közlekedési problémákon történő tesztelésére.
A projekt ezért egyszerre biztosít elméleti matematikai kutatási, gépi tanulási és gyakorlati adatelemzési lehetőséget, valamint a kutatás eredményei megfelelő alapot jelenthetnek MSc-s szakdolgozat elkészítéséhez is.
Előfeltételek
A témához elsősorban matematikai, statisztikai és adatelemzési szemlélet szükséges. Előnyt jelent:
- valószínűségszámítási és statisztikai ismeretek;
- lineáris algebra és matematikai modellezés;
- idősorelemzési ismeretek;
- Python, R vagy MATLAB programozási tapasztalat;
- gépi tanulási módszerek alapismerete;
- nagy adatállományok feldolgozásában szerzett tapasztalat;
- adatvizualizációs ismeretek;
- angol nyelvű szakirodalom feldolgozásának képessége.
Vasúti szakmai előismeret nem feltétel.
Hivatkozások
A projekt során a hallgató a gépi tanulás, az idősorelemzés, a prediktív modellezés, a közlekedési kereslet előrejelzése, valamint a vasúti utasforgalom elemzésének nemzetközi szakirodalmát dolgozza fel.