Predictions for Railway Traveller Information
Abstract
Jernbanen har alltid vært en viktig samfunnsaktør for hverdagslig transport. For åkunne opprettholde en effektiv jernbanetrafikkplanlegging og styring, så er nøyaktigsanntids tog forsinkelses prediksjoner essensielt. Med det sagt, predikering av togforsinkelser er en vanskelig oppgave med tanke på kompleksiteten av dynamikken oguforutsigbarheten av en forsinkelsesutvikling.
Denne masteroppgaven fordyper seg i området for prediktiv modellering av forsinkelser på jernbanen. Studiet utvikler en prediksjonsmodell basert på det kunstignevrale nettverket Long Short-Term Memory (LSTM), som er en dyp læring teknikkfor å forutsi daglige togforsinkelser. Prediksjonsmodellens effektivitet blir videre utforsket, analysert og sammenliknet med den norske operative prediksjonsmodell, som er ibruk av Bane NOR. Med fokus på LSTM prediksjonsmodellens nytteverdi, modellensnøyaktighets påvirkning av ulike tog- og værparametere, og den komparative ytelse ogprestasjon 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 jernbanenbasert på historisk data, og viser hvordan egenskapen kan benyttes til presisering iprediktiv modellering. Resultatene til LSTM modellen er mer nøyaktig og realistiskved sammenlikning av Bane NOR´s modell. Videre viser studiet hvordan inkluderingav værdata ikke forbedret LSTM-modellens prediksjoner. Det kan være en konsekvens av studiets egne begrensninger og dataprosesserings prosess, sånn som manglendeværdata, begrenset tidsperiode og skjevheter i dataen som et biprodukt av imputeringsprosessen. LSTM modellen har vist høy evne gjennom dyplæringsteknikker med implementerte beskrivende jernbanefaktorer til å forbedre presisjonen og pålitelighetentil forsinkelsesforutsigelser i jernbanedrift.
Masteroppgavens funn viser mulighetsrommet for å utvide bruken av maskinlæringsteknikker i transportsektoren. Oppgaven illustrerer hvordan LSTM-modeller kan væreet verdifullt verktøy i jernbanedrift. Med nøyaktige togforsinkelsesprediksjoner kanmodellen på sin side bidra til forbedret driftseffektivitet og kundetilfredshet. The railway plays an essential role in terms of people´s daily transportation. Accuratereal-time train delay prediction is essential for efficient railway traffic planning andmanagement 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 comparativeanalysis of the LSTM model against Bane NOR’s current train departure predictionmodel. Four key research questions guided the investigation, focusing on the utilityof LSTM in delay prediction, the impact of various train and weather features on themodel’s accuracy, and the comparative performance of the LSTM and Bane NOR’smodels.
The study revealed that the LSTM model, even when devoid of weather features,outperformed Bane NOR’s model in predicting train departures. This suggests thatthe LSTM model’s ability to capture and learn from historical delay patterns may bea significant contributor to its predictive accuracy. However, the inclusion of weatherdata did not improve the LSTM model’s performance as anticipated, potentially dueto limitations such as missing weather data and biases introduced during the data imputation process. Despite these challenges, the LSTM model’s superior performancehighlights the potential of deep learning techniques in enhancing the precision andreliability 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 LSTMmodels could serve as a valuable tool in railway operations, promising more accuratetrain delay predictions and, in turn, contributing to improved operational efficiencyand customer satisfaction.