Predictions for Railway Traveller Information

Abstract

Jernbanen har alltid vært en viktig samfunnsaktør for hverdagslig transport. For å kunne opprettholde en effektiv jernbanetrafikkplanlegging og styring, så er nøyaktig sanntids tog forsinkelses prediksjoner essensielt. Med det sagt, predikering av tog forsinkelser er en vanskelig oppgave med tanke på kompleksiteten av dynamikken og uforutsigbarheten av en forsinkelsesutvikling.

Denne masteroppgaven fordyper seg i området for prediktiv modellering av forsinkelser på jernbanen. Studiet utvikler en prediksjonsmodell basert på det kunstig nevrale nettverket Long Short-Term Memory (LSTM), som er en dyp læring teknikk for å forutsi daglige togforsinkelser. Prediksjonsmodellens effektivitet blir videre utforsket, analysert og sammenliknet med den norske operative prediksjonsmodell, som er i bruk av Bane NOR. Med fokus på LSTM prediksjonsmodellens nytteverdi, modellens nøyaktighets påvirkning av ulike tog- og værparametere, og den komparative ytelse og prestasjon av LSTM og Bane NOR´s prediksjonsmodeller.

Studiet viser lovende estimater for togavganger av LSTM modellen. Dette gjenspeiler LSTM modellen sin egenskap til å fange opp og lære mønstre i jernbanen basert på historisk data, og viser hvordan egenskapen kan benyttes til presisering i prediktiv modellering. Resultatene til LSTM modellen er mer nøyaktig og realistisk ved sammenlikning av Bane NOR´s modell. Videre viser studiet hvordan inkludering av værdata ikke forbedret LSTM-modellens prediksjoner. Det kan være en konsekvens av studiets egne begrensninger og dataprosesserings prosess, sånn som manglende værdata, begrenset tidsperiode og skjevheter i dataen som et biprodukt av imputerings prosessen. LSTM modellen har vist høy evne gjennom dyplæringsteknikker med implementerte beskrivende jernbanefaktorer til å forbedre presisjonen og påliteligheten til forsinkelsesforutsigelser i jernbanedrift.

Masteroppgavens funn viser mulighetsrommet for å utvide bruken av maskinlæringsteknikker i transportsektoren. Oppgaven illustrerer hvordan LSTM-modeller kan være et verdifullt verktøy i jernbanedrift. Med nøyaktige togforsinkelsesprediksjoner kan modellen på sin side bidra til forbedret driftseffektivitet og kundetilfredshet.

The railway plays an essential role in terms of people´s daily transportation. Accurate real-time train delay prediction is essential for efficient railway traffic planning and management as well as for delivering adequate passenger service quality. However, predicting train delays is difficult due to the dynamics and uncertainty of the evolution of the delay. \\

This master's thesis delves into the realm of predictive modelling in railway operations, exploring the effectiveness of Long Short-Term Memory (LSTM) networks, a deep learning technique, in predicting everyday train delays. It offers a comparative analysis of the LSTM model against Bane NOR's current train departure prediction model. Four key research questions guided the investigation, focusing on the utility of LSTM in delay prediction, the impact of various train and weather features on the model's accuracy, and the comparative performance of the LSTM and Bane NOR's models.\\

The study revealed that the LSTM model, even when devoid of weather features, outperformed Bane NOR's model in predicting train departures. This suggests that the LSTM model's ability to capture and learn from historical delay patterns may be a significant contributor to its predictive accuracy. However, the inclusion of weather data did not improve the LSTM model's performance as anticipated, potentially due to limitations such as missing weather data and biases introduced during the data imputation process. Despite these challenges, the LSTM model's superior performance highlights the potential of deep learning techniques in enhancing the precision and reliability of delay predictions in railway operations.\\

These findings extend the burgeoning discourse on the application of machine learning in transportation modelling. In essence, this thesis provides evidence that LSTM models could serve as a valuable tool in railway operations, promising more accurate train delay predictions and, in turn, contributing to improved operational efficiency and customer satisfaction.