Reibungsloser Betrieb dank intelligentem Frühwarnsystem

• Die Schweizerischen Bundesbahnen (SBB) möchten die Einflüsse von Störungen an Infrastruktur und Fahrzeugen weiter reduzieren und einen reibungslosen Betrieb sicherstellen 

• Durch die mit Zühlke entwickelte Machine-Learning-Lösung wird die SBB frühzeitig auf mögliche Pünktlichkeitsrisiken im Betriebsnetz aufmerksam 

• Dadurch erhöht die SBB die Kundenzufriedenheit und spart Kosten ein 

Die SBB wollen die Auswirkungen von Betriebsstörungen schneller erkennen und so die Pünktlichkeit der Züge optimieren. Hierbei hilft eine mit Zühlke entwickelte Machine-Learning-Lösung.

Frühwarnsystem auf Basis intelligenter Daten

Auf dem Schweizer Bahnnetz sind täglich 1,25 Millionen Reisende unterwegs. Die Schweizerischen Bundesbahnen (SBB) möchten die Einflüsse von Störungen an Infrastruktur und Fahrzeugen weiter reduzieren und einen reibungslosen Betrieb sicherstellen. Sowohl die Personalplanung, die Instandhaltung der Infrastruktur als auch die Pünktlichkeit der Züge sollen mit Hilfe von Big Data optimiert werden. Gemeinsam mit Spezialistinnen und Spezialisten der SBB entwickelt Zühlke Machine-Learning-Algorithmen und operationalisiert diese auf einer Big-Data-Plattform. 

Vom Proof of Concept zur Machine-Learning-Lösung

Data Scientists von Zühlke verstärken die Spezialistinnen und Spezialisten der SBB vor Ort. Gemeinsam entwirft das Team einen Proof of Concept und entwickelt die Architektur einer Machine-Learning-Lösung für eine operative Umsetzung. Daten wie etwa Störungsmeldungen und Wetterprognosen werden angebunden und Machine-Learning-Algorithmen darauf trainiert. Das Ergebnis: Ein effektives Frühwarnsystem, das ständig dazu lernt. 

Effiziente Planung, reduzierte Kosten

Durch die mit Zühlke entwickelte Machine-Learning-Lösung wird die SBB frühzeitig auf mögliche Pünktlichkeitsrisiken im Betriebsnetz aufmerksam. So kann sie frühzeitig Maßnahmen ergreifen, um die Pünktlichkeit der Züge zu optimieren. Dadurch erhöht die SBB die Kundenzufriedenheit und spart Kosten ein.