WO2023232416A1 - Ki-trainingsverfahren, trainingsdatenerzeugung sowie prädiktionsverfahren und -system - Google Patents

Ki-trainingsverfahren, trainingsdatenerzeugung sowie prädiktionsverfahren und -system Download PDF

Info

Publication number
WO2023232416A1
WO2023232416A1 PCT/EP2023/062436 EP2023062436W WO2023232416A1 WO 2023232416 A1 WO2023232416 A1 WO 2023232416A1 EP 2023062436 W EP2023062436 W EP 2023062436W WO 2023232416 A1 WO2023232416 A1 WO 2023232416A1
Authority
WO
WIPO (PCT)
Prior art keywords
counting
data
vehicle
passenger
accuracy
Prior art date
Application number
PCT/EP2023/062436
Other languages
English (en)
French (fr)
Inventor
Peter Heilmann
Günter Wolf
Original Assignee
Siemens Mobility GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Mobility GmbH filed Critical Siemens Mobility GmbH
Publication of WO2023232416A1 publication Critical patent/WO2023232416A1/de

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
    • B61L25/02—Indicating or recording positions or identities of vehicles or trains
    • B61L25/04—Indicating or recording train identities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Definitions

  • the present invention relates to a method for training an artificial intelligence, a method for generating training data sets and a method for predicting counting accuracy of a passenger counting system and a corresponding system.
  • Passenger counting systems are known for automatically collecting passenger numbers in local or long-distance public transport, for example in rail vehicles. Operators can, for example, use the collected passenger numbers to optimize the use of their vehicles. If several such operators have formed a transport association, it is also possible to allocate revenue between the operators based on passenger numbers.
  • This task is solved by a method for training an artificial intelligence, a method for generating training data sets and a method for predicting an artificial intelligence Counting accuracy of a passenger counting system and a corresponding system according to the independent claims.
  • an artificial intelligence is trained in such a way that - with the aid of the artificial intelligence - a counting accuracy of a passenger counting system of a vehicle, in particular a rail vehicle, can be determined.
  • Training data sets are provided, each of which contains count data determined using a passenger counting system as well as circumstance data that characterizes the circumstances in which the count data was generated.
  • the counting data characterizes a number of passengers entering and exiting a vehicle.
  • a counting accuracy is provided for each of the training data sets, so that the artificial intelligence can be presented with the training data sets with the respective corresponding counting accuracy.
  • a presentation of data in the sense of the invention is preferably "feeding" an artificial intelligence with the data.
  • the data serves as input for an algorithm that, when processing the data, learns to recognize patterns in the data.
  • data is passed through a neural network or clustered by a k-means algorithm.
  • One aspect of the invention is based on the approach of predicting the counting accuracy of a passenger counting system of a vehicle based on counting data from this passenger counting system.
  • a number of passengers who got into the vehicle counted by the passenger counting system and a number of passengers who got out of the vehicle counted by the passenger counting system are linked to the circumstances under which the passengers are counted.
  • a suitably trained one Using this link artificial intelligence can make robust predictions about counting accuracy even when data is sparse.
  • the appropriately trained artificial intelligence does not require a manual count to estimate the counting accuracy. Rather, the trained artificial intelligence can be intrinsically able to make a statement about the counting accuracy based on its count when completing at least one chain of trips.
  • a journey chain here is preferably the journey of the vehicle on a predetermined route from a starting point, such as a starting station, to an end point, such as a destination station, with several stops in between at which passengers can get on and/or off.
  • a trip chain is a chain of trips along a route.
  • the trip chain is, for example, the chaining of trips between the stops of a bus or train line.
  • the counting accuracy is determined on the basis of a comparative count.
  • a comparison count is preferably a manual or automated count of passengers boarding and/or alighting, which takes place parallel to the (automated) counting by the passenger counting system.
  • a comparative count is preferably a count of passengers that is carried out independently of and in addition to the count with the passenger counting system.
  • This comparison counting preferably takes place over a predetermined minimum period of time. Taking into account a minimum period of time, for example one or two weeks, allows sufficient statistics to be collected. The counting accuracy can therefore also be determined based on counting data from the passenger counting system itself, for example based on the difference between a number of boarded passengers collected over a period of one to two weeks and the number of alighted passengers collected over the same period.
  • sufficient statistics can also be collected by carrying out the comparison counting with a predetermined minimum number of journey chains of the vehicle.
  • the counting data characterizes the number of passengers getting on and off a trip chain.
  • each training data set can be based on (exactly) a trip chain. This allows sufficient statistics to be achieved for each training data set. A condition for this can be that there is a - for example manual - comparison count for each training data set, i.e. the trip chain.
  • a difference between the number of passengers boarding and alighting determined using the passenger counting system is determined and linked to the circumstance data and/or the counting accuracy. For example, the difference between the number of passengers boarding and alighting along with the circumstantial data is presented to the artificial intelligence as input, while the corresponding counting accuracy is presented as output. The consideration of the difference between the number of passengers getting on and off has to be taken together. Playing with the recording circumstances has proven to be a robust variable for AI-supported determination of counting accuracy.
  • the circumstance data contains information on at least one of the following circumstances: i) stop, ii) location, iii) status of a passenger counting system sensor, iv) platform height, v) weather, vi) time and/or vii) illuminance . It has been shown that these circumstances can have a particularly large influence on the reliability of the passenger counting system and thus also on its counting accuracy.
  • a condition of the ground which impairs the detection of passengers by sensors positioned above the doors of the vehicle (and therefore also detects the ground as a background) and thus their counting.
  • passenger detection can only be carried out with one of several sensors, i.e. H . in a certain place, be impaired.
  • the detection reliability can vary with different platform heights, since the passengers to be detected then occupy different distances from the respective detecting sensor.
  • the passenger count can also be determined by an operating status of one or more of the sensors and/or the lighting conditions, which may be caused by the weather, time and/or illuminance, i.e. H . the brightness, conditionally, may be affected.
  • the circumstance data can contain a value for the detection probability of a passenger counting system sensor, in particular if the passenger counting system sensor is a so-called "intelligent sensor".
  • sensors provide, for example, per detection (for example per counting event) and classification (for example per Passenger category, i.e. H . child or adult) provides a probability of correctly recognizing the object.
  • detection probability already determined by the sensor, can have a significant influence on the counting accuracy of the passenger counting system.
  • a correlation measure is determined for a correlation between the counting data, the circumstance data and/or the counting accuracies provided.
  • the training data sets can be pre-processed to make the training of artificial intelligence more efficient. In particular, it is checked how well the counting data, for example the differences between the number of passengers boarding and alighting, correlate with the counting accuracies provided. It is expedient to determine which circumstances are characterized by the circumstance data in the event of a deviating correlation, i.e. H . with a low level of correlation. The training data sets preprocessed in this way can then be presented to artificial intelligence.
  • the training data sets can be filtered based on the correlation measure. For example, those counting data, circumstance data and/or counting accuracies are presented to the artificial intelligence for which the determined correlation measure fulfills a predetermined correlation condition.
  • a second aspect of the invention relates to a method, in particular a computer-implemented one, for generating a training data set for training an artificial intelligence.
  • the artificial intelligence can preferably be trained in such a way, in particular by a method according to the first aspect of the invention, that a counting accuracy of a passenger counting system for a vehicle, in particular a rail vehicle, can be determined.
  • the second aspect of the invention can be considered, in particular, a method for generating a training ning data sets for use in the method according to the first aspect of the invention.
  • passengers entering and exiting a vehicle are counted using a passenger counting system over a predetermined minimum period of time and circumstances under which the entering and exiting passengers are counted are recorded using a recording device.
  • the counted passengers boarding and alighting are then linked to the circumstances recorded.
  • input data is provided which contains count data determined using a passenger counting system as well as circumstantial data.
  • the count data characterizes a number of passengers who got into a vehicle and got out of the vehicle.
  • the circumstantial data characterizes the circumstances in which the count data was generated.
  • a counting accuracy of the passenger counting system is predicted based on the input data using an artificial intelligence, in particular trained by the method according to the first aspect of the invention. With this method, robust predictions about counting accuracy can be made even when data is sparse.
  • a system for predicting the counting accuracy of a passenger counting system of a vehicle, in particular a rail vehicle, has an interface via which input data can be provided.
  • the input data contains count data determined using a passenger counting system, which characterizes a number of passengers who got into a vehicle and got out of the vehicle, as well as circumstance data, which characterize the circumstances in which the count data was generated.
  • a prediction device is also provided, which is set up to carry out the method according to the third aspect of the invention.
  • a prediction device in the sense of the invention can be designed using hardware and/or software technology.
  • the prediction device can in particular have a data or have a signal-connected processing unit.
  • the prediction device can have a microprocessor unit (CPU) or a module of such and/or one or more programs or program modules.
  • the prediction device can be designed to process commands that are implemented as a program stored in a memory system, to detect input signals from a data bus and/or to deliver output signals to a data bus.
  • a storage system can have one or more, in particular different, storage media, in particular optical, magnetic, solid-state and/or other non-volatile media.
  • the program can be designed in such a way that it embodies or implements the methods described here. is able to carry out so that the means can carry out the steps of such methods and can therefore in particular predict the counting accuracy of a passenger counting system.
  • FIG. 2 shows an example of a method for training an artificial intelligence.
  • the system 1 shows an example of a system 1 for predicting the counting accuracy of a passenger counting system 10 of a vehicle 100.
  • the system 1 has interfaces 2a, 2b via which data can be made available to a prediction device 4.
  • the prediction device 4 is connected to a storage device 3 for data or. signal connected.
  • the interfaces 2a, 2b in particular allow the provision of input data, which can be processed by the prediction device 4 to determine the counting accuracy.
  • This input data contains count data Z, which characterizes a number of passengers entering and leaving the vehicle 100.
  • the input data also contains circumstantial data U, which characterize the circumstances of the generation of the counting data Z, in particular the passenger count.
  • the counting data Z is preferably generated by the passenger counting system 10 and provided via the interface 2a.
  • the counting data Z is expediently based on a detection of boarding and alighting passengers by one or more passenger counting system sensors 11.
  • These sensors 11 are arranged, for example, in the area of doors of the vehicle 100.
  • Such a sensor 11 preferably has an optical sensor, for example a 3D camera for generating images and/or a time-off-light camera for generating point clouds, on . Using known algorithms, objects can be recognized in this sensor data and identified passengers can be counted.
  • the circumstance data U is preferably generated and/or read out by a detection device 12 and made available via the interface 2b.
  • the circumstance data U is expediently based on a detection of ambient or environmental conditions and/or properties of the passenger counting system 10.
  • the circumstance data U characterizes, for example, i) the stop, ii) the position of the vehicle 100, in particular the respective counting sensor 11, iii) the height of the platform edge at a train station, iv) the weather or v) the time at which the a Passengers arriving and exiting are counted.
  • the circumstance data U can also characterize vi) a status of the passenger counting system 10, in particular of the respective passenger counting system sensor 11, and/or vii) a detection probability of the respective sensor 11 when detecting the boarding and alighting passengers.
  • detection device 12a is retrieved from corresponding databases or received from corresponding services. Alternatively or additionally, this information can be read or determined by a vehicle-side detection device 12b. It is also conceivable that this information is at least partially provided by the passenger counting system 10 itself. In this case, part of the circumstance data U could also be provided via the interface 2a.
  • the prediction device 4 expediently comprises a data processing device for processing the counting data Z and the circumstance data U.
  • the prediction device 4 includes an artificial intelligence which is trained to evaluate the counting data Z and circumstance data U is .
  • the artificial intelligence is trained in particular to predict the counting accuracy of the passenger counting system 10 based on the counting data Z and the circumstance data U.
  • the prediction device 4 can have a processing unit, for example a microprocessor unit.
  • the processing unit is expediently connected to the storage device 3 for data or. communication connected.
  • the storage device 3 can have one or more, in particular different, storage media, in particular optical, magnetic, solid-state and/or other non-volatile media.
  • a program corresponding to the artificial intelligence is expediently stored on the storage device 3 and embodies or embodies a method V for predicting the counting accuracy of the passenger counting system 10. is able to carry out, so that the prediction device 4 can carry out steps of this method and can therefore in particular predict a counting accuracy of the passenger counting system 10.
  • the artificial intelligence of the prediction device 4 evaluates the provided counting data Z and circumstance data U.
  • the predicted counting accuracy can then be output as output A, for example via a corresponding interface to a user or another hardware and/or software module.
  • the infrastructure provided by the system 1 can also be used in a method E for generating a training data set for training the artificial intelligence.
  • the counting data Z and circumstance data U which are related to the same trip chain, are linked to one another in such a data record. It is useful if an (independent) comparative count of the passengers boarding and alighting from this journey chain is carried out in order to determine the actual counting accuracy of the passenger counting system 10.
  • the Counting data Z and the circumstance data U as well as this actual counting accuracy can then be used as the basis for a method for training artificial intelligence, as described in connection with FIG.
  • FIG. 2 shows an example of a method T for training an artificial intelligence, in such a way that a counting accuracy of a passenger counting system of a vehicle, in particular a rail vehicle, can be determined with the aid of the artificial intelligence.
  • training data sets are provided.
  • Such training data sets include, for example, count data generated by a passenger counting system, for which (independent) comparison counts were also carried out. It is expedient for the counting data to have been generated during a certification of the passenger counting system, in which the counting by the passenger counting system was checked by an independent count.
  • the counting data characterizes, for example, the number of passengers getting on and off as counted by the certified passenger counting system.
  • the training data sets expediently also contain circumstantial data which characterize the circumstances under which the count data were generated.
  • the circumstance data contains, for example, information about the time and/or location of the count, the weather, the status of the sensors of the passenger counting system and/or the like.
  • the training data sets are preferably each formed by count data and circumstance data that were generated and/or read out at trip level.
  • each training data set includes count data and circumstance data that were generated, recorded and/or read out during a trip chain.
  • a counting accuracy is provided for each of the training data sets.
  • the counting accuracy preferably indicates the accuracy and/or reliability with which the number of passengers boarding and alighting, characterized by the counting data, was counted by the passenger counting system. In this respect, it is expedient for the counting accuracy for each of the data sets to be determined and provided based on the corresponding comparative count.
  • the training data sets are preferably also prepared or pre-processed. For example, for each set of counting data, for example for each trip chain, a difference between the counted number of passengers getting on and off can be determined. This difference can form a solid basis for a later assessment of the counting accuracy of the passenger counting system.
  • the training data sets i.e. H . the respective counting and circumstance data, in method step S2 is also linked to the counting accuracies provided. Using this link, the artificial intelligence can learn which combination of counting and circumstance data (also referred to as input) results in which counting accuracy (also referred to as output).
  • a correlation measure for a correlation between the counting data, the circumstance data and/or the counting accuracies provided is determined. In particular, it is examined to what extent the counting data correlates with a certain counting accuracy and to what extent the circumstance data plays a role in this. The result of the test is expediently represented by the correlation measure.
  • the data with which the artificial intelligence is to be trained are selected in a further optional method step S4.
  • those counting data, circumstance data and counting accuracies are preferably selected for which the determined correlation measure fulfills a predetermined correlation condition.
  • those training data sets are selected in which the counting data and circumstance data correlate maximally with the counting accuracy.
  • those training data sets can be selected in which the correlation of the difference between the number of boarding and alighting passengers with the counting accuracy reaches or exceeds a predetermined correlation threshold value and the circumstances - determined in method step S3 - are assessed as unremarkable.
  • the training data sets can also be prepared depending on whether the specified correlation condition is met. For example, circumstantial data characterizing circumstances that have been shown to be irrelevant in terms of correlation with counting accuracy may be removed from the data sets. This “streamlining” of the data allows the efficiency ciency when training artificial intelligence can be significantly increased.
  • step S5 the training data sets, possibly modified as previously described, and the associated counting accuracies are presented to an artificial intelligence.
  • this data is presented to a k-means algorithm, a genetic algorithm, a neural network or the like. This trains the artificial intelligence to predict counting accuracy with high precision and reliability based on counting data and circumstance data that is generated, recorded and/or read, for example, in a trip chain.
  • step S 6 the training of the artificial intelligence can be evaluated. For example, you can check which key performance indicators (KPIs for short) can be achieved with the training model. For example, you can check the accuracy with which the trained artificial intelligence makes predictions.
  • KPIs key performance indicators
  • the evaluation of the Training, especially the key performance indicators, can, if necessary, be used as the basis for certification of artificial intelligence or presented as proof of quality.
  • a comparative count for example by an external service provider, can show on a bus: 50 passengers got on, 49 people got off (since, for example, one person stays seated with the bus driver until the depot). If 50 boarders and 49 alighters are counted during the (automated) counting by the passenger counting system, the counting accuracy is 100%.
  • the artificial intelligence trained according to method V can determine the fact "the sum of entries does not necessarily have to correspond to the sum of exits" by linking it to the circumstance data.
  • this circumstance data can look like this: i) from historical data on the route ( or similar routes) means that fewer passengers get off at the relevant time than got on before (stayed until the end of operations); and/or ii) messages from the passenger counting sensor (e.g. error messages from the sensor, messages about the probability of certain counting events and / or the like) do not indicate a counting error.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Die Erfindung betrifft ein KI-Trainingsverfahren (T), eine Trainingsdatenerzeugung (E) sowie Prädiktionsverfahren (V) und –system (1) zur Prädiktion einer Zählgenauigkeit eines Fahrgastzählsystems (10). Beim Training der KI werden Traingsdatensätze bereitgestellt (S1), die jeweils mithilfe eines Fahrgastzählsystems (10) ermittelte Zähldaten (Z) sowie Umstandsdaten (U), welche die Umstände der Erzeugung der Zähldaten (Z) charakterisieren, enthalten. Die Zähldaten (Z) charakterisieren eine Anzahl an in ein Fahrzeug (100) eingestiegenen und aus dem Fahrzeug (100) ausgestiegenen Fahrgästen. Zudem wird eine Zählgenauigkeit für jeden der Trainingsdatensätze bereitgestellt (S2), sodass der KI die Trainingsdatensätze mit der jeweiligen korrespondierenden Zählgenauigkeit präsentiert werden können (S5).

Description

Beschreibung
KI-Trainingsverf ahren, Trainingsdatenerzeugung sowie Prädiktionsverfahren und -system
Die vorliegende Erfindung betri f ft ein Verfahren zum Trainieren einer künstlichen Intelligenz , ein Verfahren zum Erzeugen von Trainingsdatensätzen sowie ein Verfahren zur Prädiktion einer Zählgenauigkeit eines Fahrgast zählsystems und ein entsprechendes System .
Zur automatischen Erhebung von Fahrgast zahlen im öf fentlichen Personennah- oder -fernverkehr, beispielsweise in Schienenfahrzeugen, sind Fahrgast zählsysteme bekannt . Anhand der erhobenen Fahrgast zahlen können Betreiber beispielsweise den Einsatz ihrer Fahrzeuge optimieren . Haben sich mehrere solcher Betreiber zu einem Verkehrsverbund geschlossen, ist es anhand der Fahrgast zahlen auch möglich, Erlöse zwischen den Betreibern auf zuteilen .
Werden die ermittelten Fahrgast zahlen derart verwendet , wird üblicherweise großer Wert auf die Zuverlässigkeit und Präzision der entsprechenden Fahrgast zählsysteme gelegt . Entsprechende Anforderungen sind häufig in Verträgen oder Normen hinterlegt , die zum Beispiel bei der Inbetriebnahme und/oder im laufenden Betrieb eines Fahrgast zählsystems veri fi ziert werden müssen .
Es ist eine Aufgabe der vorliegenden Erfindung, das Ermitteln einer Zählgenauigkeit eines Fahrgast zählsystems zu verbessern, insbesondere zu erleichtern, aufwandsärmer zu gestalten und/oder ausschließlich auf der Grundlage von Daten, die vom Fahrgast zählsystem bereitgestellt werden, zu ermöglichen .
Diese Aufgabe wird gelöst durch ein Verfahren zum Trainieren einer künstlichen Intelligenz , ein Verfahren zum Erzeugen von Trainingsdatensätzen sowie ein Verfahren zur Prädiktion einer Zählgenauigkeit eines Fahrgast zählsystems und einem entsprechenden System gemäß den unabhängigen Ansprüchen .
Bevorzugte Aus führungs formen sind Gegenstand der Unteransprüche und der folgenden Beschreibung .
Bei einem, insbesondere computerimplementierten, Verfahren gemäß einem ersten Aspekt der Erfindung wird eine künstliche Intelligenz derart trainiert , dass - mithil fe der künstlichen Intelligenz - eine Zählgenauigkeit eines Fahrgast zählsystems eines Fahrzeugs , insbesondere Schienenfahrzeugs , ermittelbar ist . Dabei werden Trainingsdatensätze bereitgestellt , die j eweils mithil fe eines Fahrgast zählsystems ermittelte Zähldaten sowie Umstandsdaten, welche die Umstände der Erzeugung der Zähldaten charakterisieren, enthalten . Die Zähldaten charakterisieren eine Anzahl an in ein Fahrzeug eingestiegenen und aus dem Fahrzeug ausgestiegenen Fahrgästen . Zudem wird eine Zählgenauigkeit für j eden der Trainingsdatensätze bereitgestellt , sodass der künstlichen Intelligenz die Trainingsdatensätze mit der j eweiligen korrespondierenden Zählgenauigkeit präsentiert werden können .
Eine Präsentation von Daten im Sinne der Erfindung ist vorzugsweise ein „Füttern" einer künstlichen Intelligenz mit den Daten . Beispielsweise dienen bei der Präsentation die Daten als Input für einen Algorithmus , der bei der Verarbeitung der Daten lernt , in den Daten Muster zu erkennen . Bei der Präsentation werden beispielsweise Daten durch ein neuronales Netz geleitet oder von einem k-means-Algorithmus geclustert .
Ein Aspekt der Erfindung basiert auf dem Ansatz , die Zählgenauigkeit eines Fahrgast zählsystems eines Fahrzeugs anhand von Zähldaten dieses Fahrgast zählsystems vorherzusagen . Dazu wird eine von dem Fahrgast zählsystem gezählte Anzahl an in das Fahrzeug eingestiegenen Fahrgästen und eine von dem Fahrgast zählsystem gezählte Anzahl an aus dem Fahrzeug ausgestiegenen Fahrgästen mit den Umständen, unter denen die Fahrgäste gezählt werden, verknüpft . Eine entsprechend trainierte künstliche Intelligenz kann anhand dieser Verknüpfung auch bei spärlicher Datenlage robuste Vorhersagen zur Zählgenauigkeit machen . Im Gegensatz zu konventionellen Verfahren, die eine manuelle Aus zählung des tatsächlichen Fahrgastaufkommens und anschließenden Vergleich mit den Zählungen des automatischen Fahrgast zählsystems zur Bestimmung der Zählgenauigkeit erfordern, benötigt die entsprechend trainierte künstliche Intelligenz keine manuelle Aus zählung zur Abschätzung der Zählgenauigkeit . Die trainierte künstliche Intelligenz kann vielmehr intrinsisch dazu in der Lage sein, anhand ihrer Zählung beim Absolvieren wenigstens einer Fahrtenkette auch eine Aussage über die Zählgenauigkeit zu machen .
Eine Fahrtenkette ist hierbei vorzugsweise die Fahrt des Fahrzeugs auf einer vorgegebenen Strecke von einem Ausgangspunkt , etwa einen Startbahnhof , bis zu einem Endpunkt , etwa einen Zielbahnhof , mit mehreren dazwischenliegenden Halten, an denen Fahrgäste ein- und/oder aussteigen können . Anders gesagt ist eine Fahrtenkette eine Verkettung von Fahrten entlang einer Route . Die Fahrtenkette ist beispielsweise die Verkettung von Fahrten zwischen den Haltestellen einer Busoder Bahnlinie .
Nachfolgend werden bevorzugte Aus führungs formen der Erfindung und deren Weiterbildungen beschrieben . Diese Aus führungs formen können j eweils , soweit dies nicht ausdrücklich ausgeschlossen wird, beliebig miteinander sowie mit den im Weiteren beschriebenen Aspekten der Erfindung kombiniert werden .
In einer bevorzugten Aus führungs form wird die Zählgenauigkeit ermittelt auf Grundlage einer Vergleichs zählung . Eine Vergleichs zählung ist hierbei vorzugsweise eine manuelle oder automatisierte Zählung der ein- und/oder aussteigenden Fahrgäste , die parallel zur ( automatisierten) Zählung durch das Fahrgast zählsystem stattfindet . Insofern ist eine Vergleichszählung bevorzugt eine Zählung von Fahrgästen, die unabhängig von und zusätzlich zur Zählung mit dem Fahrgast zählsystem durchgeführt wird . Durch einen Vergleich der Zählung durch das Fahrgast zählsystem mit der Vergleichs zählung kann die Zählgenauigkeit des Fahrgast zählsystems obj ektiv, zuverlässig und präzise ermittelt werden .
Vorzugsweise erfolgt diese Vergleichs zählung über einen vorgegebenen Mindestzeitraum . Die Berücksichtigung eines Mindest Zeitraums , beispielsweise von einer oder zwei Wochen, lässt das Sammeln einer ausreichenden Statistik zu . Somit kann die Zählgenauigkeit gegebenenfalls auch anhand von Zähldaten des Fahrgast zählsystems selbst ermittelt werden, etwa auf Grundlage der Di f ferenz zwischen einer über einen Zeitraum von ein bis zwei Wochen gesammelte Anzahl an eingestiegenen Fahrgästen und der im selben Zeitraum gesammelten Anzahl an ausgestiegenen Fahrgästen .
Alternativ oder zusätzlich kann eine ausreichende Statistik auch gesammelt werden, indem die Vergleichs zählung bei einer vorgegebenen Mindestanzahl an Fahrtenketten des Fahrzeugs erfolgt .
In einer weiteren bevorzugten Aus führungs form charakterisieren die Zähldaten die Anzahl an ein- und ausgestiegenen Fahrgästen bei einer Fahrtenkette . Anders gesagt kann j eder Trainingsdatensatz auf ( genau) einer Fahrtenkette basieren . Dadurch lässt sich für j eden Trainingsdatensatz eine ausreichende Statistik erzielen . Eine Bedingung hierfür kann sein, dass zu j edem Trainingsdatensatz , also etwa der Fahrtenkette , eine - beispielsweise manuelle - Vergleichs zählung vorliegt .
In einer bevorzugten Aus führungs form wird eine Di f ferenz zwischen der mithil fe des Fahrgast zählsystems ermittelten Anzahl an ein- und ausgestiegenen Fahrgästen ermittelt und mit den Umstandsdaten und/oder der Zählgenauigkeit verknüpft . Beispielsweise wird die Di f ferenz zwischen der Anzahl an ein- und ausgestiegenen Fahrgästen zusammen mit den Umstandsdaten der künstlichen Intelligenz als Input präsentiert , während die entsprechende Zählgenauigkeit als Output präsentiert wird . Die Berücksichtigung der Di f ferenz zwischen der Anzahl an ein- und ausgestiegenen Fahrgästen hat sich im Zusammen- spiel mit den Erfassungsumständen als robuste Größe zur KI- gestützten Ermittlung der Zählgenauigkeit erwiesen .
In einer weiteren bevorzugten Aus führungs form enthalten die Umstandsdaten eine Information zu wenigstens einem der folgenden Umstände : i ) Haltestelle , ii ) Ort , iii ) Status eines Fahrgastzählsystemsensors , iv) Bahnsteighöhe , v) Wetter, vi ) Uhrzeit und/oder vii ) Beleuchtungsstärke . Es hat sich gezeigt , dass diese Umstände einen besonders großen Einfluss auf die Zuverlässigkeit des Fahrgast zählsystems und somit auch auf seine Zählgenauigkeit haben können .
Beispielsweise kann an einer bestimmten Haltestelle , insbesondere an einem bestimmten Bahnhof , eine Bodenbeschaf fenheit vorliegen, welche das Erkennen von Fahrgästen durch oberhalb der Türen des Fahrzeugs positionierten (und daher den Boden als Hintergrund miterfassenden) Sensoren und damit deren Zählung beeinträchtigt . Gegebenenfalls kann bei einer lokalen Begrenzung einer solchen Bodenbeschaf fenheit , etwa bei einer Baustelle , die Fahrgasterkennung nur bei einem von mehreren Sensoren, d . h . an einem bestimmten Ort , beeinträchtigt sein . Ähnlich kann die Erkennungs zuverlässigkeit mit unterschiedlichen Bahnsteighöhen variieren, da die zu erfassenden Fahrgäste dann unterschiedliche Entfernungen zum j eweiligen erfassenden Sensor einnehmen .
Gegebenenfalls kann die Fahrgast zählung auch durch einen Betriebs zustand eines oder mehrerer der Sensoren und/oder die Lichtverhältnisse , die etwa durch Wetter, Uhrzeit und/oder Beleuchtungsstärke , d . h . die Helligkeit , bedingt sind, beeinträchtigt sein .
Alternativ oder zusätzlich können die Umstandsdaten einen Wert für die Erfassungswahrscheinlichkeit eines Fahrgastzählsystemsensors enthalten, insbesondere wenn der Fahrgastzählsystemsensor ein sogenannter „intelligenter Sensor" ist . Solche Sensoren stellen beispielsweise pro Erfassung ( zum Beispiel pro Zählevent ) und Klassi fi zierung ( zum Beispiel pro Fahrgastkategorie , d . h . Kind oder Erwachsener ) eine Wahrscheinlichkeit für die korrekte Erkennung des Obj ekts bereit . Eine derartige , bereits vom Sensor ermittelte Erkennungswahrscheinlichkeit kann einen signi fikanten Einfluss auf die Zählgenauigkeit des Fahrgast zählsystems haben .
In einer weiteren bevorzugten Aus führungs form wird ein Korrelationsmaß für eine Korrelation zwischen den Zähldaten, den Umstandsdaten und/oder den bereitgestellten Zählgenauigkeiten ermittelt . Insofern können die Trainingsdatensätze vorverarbeitet werden, um das Training der künstlichen Intelligenz ef fi zienter zu gestalten . Dabei wird insbesondere geprüft , wie gut die Zähldaten, beispielsweise die Di f ferenzen zwischen der Anzahl an ein- und aussteigenden Fahrgästen, mit den bereitgestellten Zählgenauigkeiten korrelieren . Zweckmäßigerweise wird ermittelt , welche durch die Umstandsdaten charakterisierten Umstände bei abweichender Korrelation, d . h . bei geringem Korrelationsmaß , vorliegen . Die derart vorverarbeiteten Trainingsdatensätze können dann der künstlichen Intelligenz präsentiert werden .
Um die künstliche Intelligenz spezi fischer auf die Prädiktion vorzubereiten, können die Trainingsdatensätze auf Grundlage des Korrelationsmaßes gefiltert werden . Beispielsweise werden diej enigen Zähldaten, Umstandsdaten und/oder Zählgenauigkeiten der künstlichen Intelligenz präsentiert , für die das ermittelte Korrelationsmaß eine vorgegebene Korrelationsbedingung erfüllt .
Ein zweiter Aspekt der Erfindung betri f ft ein, insbesondere computerimplementiertes , Verfahren zum Erzeugen eines Trainingsdatensatzes zum Trainieren einer künstlichen Intelligenz . Die künstliche Intelligenz ist dabei vorzugsweise derart trainierbar, insbesondere durch ein Verfahren gemäß dem ersten Aspekt der Erfindung, dass eine Zählgenauigkeit eines Fahrgast zählsystems für ein Fahrzeug, insbesondere ein Schienenfahrzeug, ermittelbar ist . Der zweite Aspekt der Erfindung kann als insbesondere ein Verfahren zur Erzeugung eines Trai- ningsdatensat zes zum Einsatz im Verfahren gemäß dem ersten Aspekt der Erfindung betref fen .
Zur Erzeugung des Trainingsdatensatzes werden in ein Fahrzeug einsteigende und aus dem Fahrzeug aussteigende Fahrgäste mithil fe eines Fahrgast zählsystems über einen vorgegebenen Mindestzeitraum gezählt und Umstände , unter denen die ein- und aussteigenden Fahrgäste gezählt werden, mithil fe einer Erfassungsvorrichtung erfasst . Die gezählten ein- und aussteigenden Fahrgäste werden dann mit den erfassten Umständen verknüpft .
Bei einem, insbesondere computerimplementierten, Verfahren gemäß einem dritten Aspekt der Erfindung zur Prädiktion einer Zählgenauigkeit eines Fahrgast zählsystems eines Fahrzeugs , insbesondere Schienenfahrzeugs , werden Eingangsdaten bereitgestellt , die mithil fe eines Fahrgast zählsystems ermittelte Zähldaten sowie Umstandsdaten enthalten . Die Zähldaten charakterisieren dabei eine Anzahl an in ein Fahrzeug eingestiegenen und aus dem Fahrzeug ausgestiegenen Fahrgästen . Die Umstandsdaten charakterisieren die Umstände der Erzeugung der Zähldaten . Eine Zählgenauigkeit des Fahrgast zählsystems wird auf Grundlage der Eingangsdaten mithil fe einer, insbesondere durch das Verfahren gemäß dem ersten Aspekt der Erfindung trainierten, künstlichen Intelligenz prädi ziert . Mit diesem Verfahren können selbst bei spärlicher Datenlage robuste Vorhersagen über die Zählgenauigkeit gemacht werden .
Ein System gemäß einem vierten Aspekt der Erfindung zur Prädiktion der Zählgenauigkeit eines Fahrgast zählsystems eines Fahrzeugs , insbesondere Schienenfahrzeugs , weist eine Schnittstelle auf , über die Eingangsdaten bereitstellbar sind . Die Eingangsdaten enthalten mithil fe eines Fahrgastzählsystems ermittelte Zähldaten, welche eine Anzahl an in ein Fahrzeug eingestiegenen und aus dem Fahrzeug ausgestiegenen Fahrgästen charakterisieren, sowie Umstandsdaten, welche die Umstände der Erzeugung der Zähldaten charakterisieren . Es ist zudem eine Prädiktionsvorrichtung vorgesehen, welche zur Aus führung des Verfahrens gemäß dem dritten Aspekt der Erfindung eingerichtet ist .
Eine Prädiktionsvorrichtung im Sinne der Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein . Die Prädiktionsvorrichtung kann insbesondere eine , vorzugsweise mit einem Speicher- und/oder Bussystem daten- bzw . signalverbundene , Verarbeitungseinheit aufweisen . Beispielsweise kann die Prädiktionsvorrichtung eine Mikroprozessoreinheit ( CPU) oder ein Modul einer solchen und/oder ein oder mehrere Programme oder Programmmodule aufweisen . Die Prädiktionsvorrichtung kann dazu ausgebildet sein, Befehle , die als ein in einem Speichersystem abgelegtes Programm implementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangssignale an einen Datenbus abzugeben . Ein Speichersystem kann ein oder mehrere , insbesondere verschiedene , Speichermedien, insbesondere optische , magnetische , Festkörper- und/oder andere nicht- flüchtige Medien, aufweisen . Das Programm kann derart beschaf fen sein, dass es die hier beschriebenen Verfahren verkörpert bzw . aus zuführen imstande ist , so dass das Mittel die Schritte solcher Verfahren aus führen kann und damit insbesondere eine Zählgenauigkeit eines Fahrgastzählsystems prädi zieren kann .
Die voranstehend beschriebenen Eigenschaften, Merkmale und Vorteile der Erfindung sowie die Art und Weise , wie diese erreicht werden, werden im Zusammenhang mit den Figuren in der folgenden Beschreibung von Aus führungsbeispielen der Erfindung näher erläutert . Soweit zweckdienlich, werden in den Figuren dieselben Bezugs zeichen für dieselben oder einander entsprechende Elemente der Erfindung verwendet . Die Aus führungsbeispiele dienen der Erläuterung der Erfindung und beschränken die Erfindung nicht auf die darin angegebenen Kombinationen von Merkmalen, auch nicht in Bezug auf funktionale Merkmale . Zudem können alle in den Aus führungsbeispielen angegebenen Merkmale isoliert betrachtet und in geeigneter Wei- se mit den Merkmalen eines beliebigen Anspruchs kombiniert werden .
Es zeigen, zumindest teilweise schematisch :
FIG 1 ein Beispiel eines Systems zur Prädiktion der Zählgenauigkeit eines Fahrgast zählsystems ; und
FIG 2 ein Beispiel eines Verfahrens zum Trainieren einer künstlichen Intelligenz .
FIG 1 zeigt ein Beispiel eines Systems 1 zur Prädiktion der Zählgenauigkeit eines Fahrgast zählsystems 10 eines Fahrzeugs 100 . Das System 1 weist Schnittstellen 2a, 2b auf , über die Daten an einer Prädiktionsvorrichtung 4 bereitstellbar sind . Die Prädiktionsvorrichtung 4 ist mit einer Speichervorrichtung 3 daten- bzw . signalverbunden .
Die Schnittstellen 2a, 2b erlauben insbesondere das Bereitstellen von Eingangsdaten, welche von der Prädiktionsvorrichtung 4 zur Ermittlung der Zählgenauigkeit verarbeitet werden können . Diese Eingangsdaten enthalten Zähldaten Z , die eine Anzahl an in das Fahrzeug 100 ein- und aus dem Fahrzeug 100 ausgestiegenen Fahrgästen charakterisiert . Die Eingangsdaten enthalten zudem Umstandsdaten U, welche die Umstände der Erzeugung der Zähldaten Z , insbesondere die Fahrgast zählung, charakterisieren .
Die Zähldaten Z werden bevorzugt von dem Fahrgast zählsys- tem 10 erzeugt und über die Schnittstelle 2a bereitgestellt . Die Zähldaten Z basieren zweckmäßigerweise auf einer Erfassung von ein- und aussteigenden Fahrgästen durch einen oder mehrere Fahrgastzählsystemsensoren 11 . Diese Sensoren 11 sind beispielsweise im Bereich von Türen des Fahrzeugs 100 angeordnet . Ein solcher Sensor 11 weist vorzugsweise einen optischen Sensor, beispielsweise eine 3D-Kamera zur Erzeugung von Bildern und/oder eine time-of- f light-Kamera zur Erzeugung von Punktwolken, auf . Mithil fe von an sich bekannten Algorithmen können in diesen Sensordaten Obj ekte erkannt und identi fizierte Fahrgäste gezählt werden .
Die Umstandsdaten U werden bevorzugt von einer Erfassungsvorrichtung 12 erzeugt und/oder ausgelesen und über die Schnittstelle 2b bereitgestellt . Die Umstandsdaten U basieren zweckmäßigerweise auf einer Erfassung von Umgebungs- oder Umweltbedingungen und/oder Eigenschaften des Fahrgast zählsys- tems 10 . Die Umstandsdaten U charakterisieren zum Beispiel i ) die Haltestelle , ii ) die Position des Fahrzeugs 100 , insbesondere des j eweiligen Zählsensors 11 , iii ) die Höhe der Bahnsteigkante an einem Bahnhof , iv) das Wetter oder v) die Uhrzeit , zu der die ein- und aussteigenden Fahrgäste gezählt werden . Alternativ oder zusätzlich können die Umstandsdaten U auch vi ) einen Status des Fahrgast zählsystems 10 , insbesondere des j eweiligen Fahrgastzählsystemsensors 11 , und/oder vii ) eine Erfassungswahrscheinlichkeit des j eweiligen Sensors 11 beim Erfassen der ein- und aussteigenden Fahrgäste charakterisieren .
Diese Information zu den Umständen kann beispielsweise mithil fe einer landseitigen, d . h . nicht dem Fahrzeug 100 zugeordneten, Erfassungsvorrichtung 12a aus entsprechenden Datenbanken abgerufen oder von entsprechenden Diensten empfangen werden . Alternativ oder zusätzlich kann diese Information von einer fahrzeugseitigen Erfassungseinrichtung 12b ausgelesen oder bestimmt werden . Es ist auch denkbar, dass diese Information zumindest teilweise vom Fahrgast zählsystem 10 selbst bereitgestellt wird . In diesem Fall könnte ein Teil der Umstandsdaten U auch über die Schnittstelle 2a bereitgestellt werden .
Die Prädiktionsvorrichtung 4 umfasst zweckmäßigerweise eine Datenverarbeitungseinrichtung zur Verarbeitung der Zähldaten Z und der Umstandsdaten U . Beispielsweise umfasst die Prädiktionsvorrichtung 4 eine künstliche Intelligenz , welche zur Auswertung der Zähldaten Z und Umstandsdaten U trainiert ist . Die künstliche Intelligenz ist insbesondere dazu trainiert , auf Grundlage der Zähldaten Z und der Umstandsdaten U die Zählgenauigkeit des Fahrgast zählsystems 10 vorherzusagen .
Zum Betrieb der künstlichen Intelligenz kann die Prädiktionsvorrichtung 4 eine Verarbeitungseinheit , beispielsweise eine Mikroprozessoreinheit , aufweisen . Die Verarbeitungseinheit ist zweckmäßigerweise mit der Speichervorrichtung 3 daten- bzw . kommunikationsverbunden . Die Speichervorrichtung 3 kann ein oder mehrere , insbesondere verschiedene , Speichermedien, insbesondere optische , magnetische , Festkörper- und/oder andere nicht- flüchtige Medien, aufweisen . Auf der Speichervorrichtung 3 ist zweckmäßigerweise ein mit der künstlichen Intelligenz korrespondierendes Programm gespeichert , dass es ein Verfahren V zur Prädiktion der Zählgenauigkeit des Fahrgast zählsystems 10 verkörpert bzw . aus zuführen imstande ist , sodass die Prädiktionsvorrichtung 4 Schritte dieses Verfahrens aus führen kann und damit insbesondere eine Zählgenauigkeit des Fahrgast zählsystems 10 prädi zieren kann .
Beim Verfahren V zur Prädiktion der Zählgenauigkeit des Fahrgast zählsystems 10 wertet die künstliche Intelligenz der Prädiktionsvorrichtung 4 insofern die bereitgestellten Zähldaten Z und Umstandsdaten U aus . Die prädi zierte Zählgenauigkeit kann dann als Ausgabe A ausgegeben werden, etwa über eine entsprechende Schnittstelle an einen Benutzer oder ein anderes Hardware- und/der Softwaremodul .
Die durch das System 1 bereitgestellte Infrastruktur lässt sich auch bei einem Verfahren E Zur Erzeugung eines Trainingsdatensatzes zum Trainieren der künstlichen Intelligenz verwenden . Beispielsweise werden die Zähldaten Z und Umstandsdaten U, die im Zusammenhang mit derselben Fahrtenkette stehen, in einem solchen Datensatz miteinander verknüpft . Es ist zweckmäßig, wenn darüber hinaus eine (unabhängige ) Vergleichs zählung der bei dieser Fahrtenkette ein- und aussteigenden Fahrgäste vorgenommen wird, um die tatsächliche Zählgenauigkeit des Fahrgast zählsystems 10 zu ermitteln . Die Zähldaten Z und die Umstandsdaten U sowie diese tatsächliche Zählgenauigkeit können dann einem Verfahren zum Training der künstlichen Intelligenz zugrunde gelegt werden, wie es im Zusammenhang mit FIG 2 beschrieben ist .
FIG 2 zeigt ein Beispiel eines Verfahrens T zum Trainieren einer künstlichen Intelligenz , und zwar derart , dass mithil fe der künstlichen Intelligenz eine Zählgenauigkeit eines Fahrgast zählsystem eines Fahrzeugs , insbesondere Schienenfahrzeugs , ermittelbar ist .
In einem Verfahrensschritt S 1 werden Trainingsdatensätze be- reitgestellt . Solche Trainingsdatensätze umfassen beispielsweise von einem Fahrgast zählsystem erzeugte Zähldaten, für die auch (unabhängige ) Vergleichs zählungen durchgeführt worden sind . Es ist zweckmäßig, dass die Zähldaten bei einer Zerti fi zierung des Fahrgast zählsystems erzeugt worden sind, bei der die Zählung durch das Fahrgast zählsystem durch eine unabhängige Zählung überprüft worden ist .
Die Zähldaten charakterisieren beispielsweise die vom zertifi zierten Fahrgast zählsystem gezählte Anzahl an ein- und ausgestiegenen Fahrgästen .
Die Trainingsdatensätze enthalten zweckmäßigerweise ebenfalls Umstandsdaten, welche die Umstände charakterisieren, unter denen die Zähldaten erzeugt worden sind . Die Umstandsdaten enthalten beispielsweise eine Information zum Zeitpunkt und/oder zum Ort der Zählung, zum Wetter, zum Status der Sensoren des Fahrgast zählsystems und/oder dergleichen .
Die Trainingsdatensätze werden vorzugsweise j eweils von Zähldaten und Umstandsdaten gebildet , die auf Fahrtenebene erzeugt und/oder ausgelesen wurden . Beispielsweise umfasst j eder Trainingsdatensatz Zähldaten und Umstandsdaten, die bei einer Fahrtenkette erzeugt , erfasst und/oder ausgelesen wurden . In einem weiteren Verfahrensschritt S2 wird für j eden der Trainingsdatensätze eine Zählgenauigkeit bereitgestellt . Die Zählgenauigkeit gibt dabei vorzugsweise an, mit welcher Genauigkeit und/oder Zuverlässigkeit die durch die Zähldaten charakterisierte Anzahl der ein- und ausgestiegenen Fahrgäste vom Fahrgast zählsystem gezählt wurde . Insofern ist es zweckmäßig, dass die Zählgenauigkeit für j eden der Datensätze anhand der entsprechenden Vergleichs zählung ermittelt und bereitgestellt wird .
Im Verfahrensschritt S2 werden vorzugsweise zudem die Trainingsdatensätze aufbereitet oder vorverarbeitet . Beispielsweise kann für j eden Satz an Zähldaten, etwa für j ede Fahrtenkette , eine Di f ferenz zwischen der gezählten Anzahl an ein- und ausgestiegenen Fahrgästen ermittelt werden . Diese Di f ferenz kann eine solide Basis für eine spätere Abschätzung der Zählgenauigkeit des Fahrgast zählsystems bilden .
Zweckmäßigerweise werden die Trainingsdatensätze , d . h . die j eweiligen Zähl- und Umstandsdaten, im Verfahrensschritt S2 auch mit den bereitgestellten Zählgenauigkeiten verknüpft . Anhand dieser Verknüpfung kann die künstliche Intelligenz lernen, welche Kombination aus Zähl- und Umstandsdaten ( auch als Input bezeichnet ) welche Zählgenauigkeit ( auch als Output bezeichnet ) nach sich zieht .
In einem optionalen weiteren Verfahrensschritt S3 wird ein Korrelationsmaß für eine Korrelation zwischen den Zähldaten, den Umstandsdaten und/oder den bereitgestellten Zählgenauigkeiten ermittelt . Insbesondere wird geprüft , inwieweit die Zähldaten mit einer bestimmten Zählgenauigkeit korrelieren und inwieweit die Umstandsdaten dabei eine Rolle spielen . Das Ergebnis der Prüfung wird zweckmäßigerweise durch das Korrelationsmaß repräsentiert .
Beispielsweise wird geprüft , unter welchen Umständen die Di fferenz zwischen der Anzahl an ein- und aussteigenden Fahrgästen, gegebenenfalls in Relation zur Gesamtzahl an erfassten Fahrgästen, die zugehörige Zählgenauigkeit zumindest annährend widerspiegelt .
Insofern kann auch geprüft werden, welche Umstandsdaten bzw . dadurch charakterisierten Umstände bei abweichender Korrelation zwischen der Di f ferenz und der Zählgenauigkeit auf fällig sind . Dieser Prüfung lässt sich das Korrelationsmaß zugrunde legen . Erreicht oder unterschreitet das ermittelte Korrelationsmaß einen vorgegebenen Korrelationsschwellenwert , können Abweichungen zwischen den Umstandsdaten und anderen, insbesondere vorgegebenen, Umstandsdaten, die Umstände in einer Situation charakterisieren, in der das Korrelationsmaß den Korrelationsschwellenwert überschreitet , ermittelt werden .
Auf Grundlage der ermittelten Korrelation zwischen den Zähldaten, den Umstandsdaten und/oder den Zählgenauigkeiten werden in einem weiteren optionalen Verfahrensschritt S4 diej enigen Daten ausgewählt , mit denen die künstliche Intelligenz trainiert werden soll . Vorzugsweise werden dazu diej enigen Zähldaten, Umstandsdaten und Zählgenauigkeiten ausgewählt , für die das ermittelte Korrelationsmaß eine vorgegebene Korrelationsbedingung erfüllt . Beispielsweise werden diej enigen Trainingsdatensätze ausgewählt , in denen die Zähldaten und Umstandsdaten maximal mit der Zählgenauigkeit korrelieren . Insbesondere können diej enigen Trainingsdatensätze ausgewählt werden, in denen die Korrelation der Di f ferenz zwischen der Anzahl an ein- und aussteigenden Fahrgästen mit der Zählgenauigkeit einen vorgegebenen Korrelationsschwellenwert erreicht oder überschreitet und die - im Verfahrensschritt S3 ermittelten - Umstände als unauf fällig bewertet werden .
Als Teil dieses Verfahrensschrittes können die Trainingsdatensätze auch in Abhängigkeit der Erfüllung der vorgegebenen Korrelationsbedingung aufbereitet werden . Beispielsweise können Umstandsdaten, welche Umstände charakterisieren, die sich als unerheblich im Hinblick auf eine Korrelation mit der Zählgenauigkeit erwiesen haben, aus den Datensätzen entfernt werden . Durch diese „Verschlankung" der Daten kann die Ef fi- zienz beim Training der künstlichen Intelligenz maßgeblich erhöht werden .
In einem weiteren Verfahrensschritt S5 werden die , gegebenenfalls wie vorher beschrieben modi fi zierten, Trainingsdatensätze und die damit verknüpften Zählgenauigkeiten einer künstlichen Intelligenz präsentiert . Beispielsweise werden diese Daten einem k-means-Algorithmus , einem genetischen Algorithmus , einem neuronalen Netz oder dergleichen präsentiert . Dadurch wird die künstliche Intelligenz darauf trainiert , auf Grundlage von Zähldaten und Umstandsdaten, die beispielsweise bei einer Fahrtenkette erzeugt , erfasst und/oder ausgelesen werden, eine Zählgenauigkeit mit hoher Präzision und Zuverlässigkeit zu prädi zieren .
In einem optionalen weiteren Verfahrensschritt S 6 kann das Training der künstlichen Intelligenz ausgewertet werden . Beispielsweise kann geprüft werden, welche Schlüsselkennzahlen ( engl . „key-perf ormance-indicator" , kurz KPI s ) mit dem Trainingsmodell erzielbar sind . So lässt sich etwa prüfen, mit welcher Genauigkeit die trainierte künstliche Intelligenz Vorhersagen tri f ft . Die Auswertung des Trainings , insbesondere die Schlüsselkennzahlen, können gegebenenfalls einer Zerti fi zierung der künstlichen Intelligenz zugrunde gelegt bzw . als Qualitätsnachweis vorgelegt werden .
In einem Beispiel kann eine Vergleichs zählung, etwa eines externen Dienstleisters , in einem Bus ergeben : 50 Fahrgäste sind eingestiegen, 49 Personen sind ausgestiegen ( da eine Person zum Beispiel mit dem Bus fahrer bis zum Depot sitzen bleibt ) . Werden bei der ( automatisierten) Zählung durch das Fahrgast zählsystem 50 Einsteiger und 49 Aussteiger gezählt , beträgt die Zählgenauigkeit 100% .
Wird der Zählgenauigkeit eine Di f ferenz zwischen gezählten ein- und ausgestiegenen Fahrgästen zugrunde gelegt , ergibt sich dasselbe . Gemäß der üblichen Annahme j edoch, dass die Summe der Einsteiger gleich der Summe der Aussteiger ist , hätte nur eine Zählgenauigkeit von ca . 98 % abgeschätzt werden können (Abweichung von einem Fahrgast bei 50 Zählevents ) .
Die gemäß dem Verfahren V trainierte künstliche Intelligenz kann den Sachverhalt „die Summe der Einsteiger muss nicht zwingend der Summe der Aussteiger entsprechen" durch Verknüpfung mit den Umstandsdaten feststellen . Diese Umstandsdaten können in diesem Beispiel wie folgt aussehen : i ) aus historischen Daten zur Strecke ( oder ähnlicher Strecken) folgt , dass zur maßgeblichen Uhrzeit weniger Fahrgäste aussteigen, als zuvor eingestiegen sind ( Sitzenbleiber bis Betriebsende ) ; und/oder ii ) Meldungen des Fahrgast zählsensors ( z . B . Fehlermeldungen vom Sensor, Meldungen über die Wahrscheinlichkeit für bestimmte Zählevents und/oder dergleichen) lassen nicht auf einen Zähl fehler schließen .
Obwohl die Erfindung im Detail durch die bevorzugten Aus führungsbeispiele näher illustriert und beschrieben wurde , ist die Erfindung nicht durch die of fenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen .

Claims

Patentansprüche
1. Verfahren (T) zum Trainieren einer künstlichen Intelligenz derart, dass eine Zählgenauigkeit eines Fahrgast zählsys- tems (10) eines Fahrzeugs (100) , insbesondere Schienenfahrzeugs, ermittelbar ist, wobei
- Trainingsdatensätze bereitgestellt werden (Sl) , die jeweils mithilfe eines Fahrgast zählsystems (10) ermittelte Zähldaten (Z) enthalten, welche eine Anzahl an in ein Fahrzeug (100) eingestiegenen und aus dem Fahrzeug (100) ausgestiegenen Fahrgästen charakterisieren, sowie Umstandsdaten (U) , welche die Umstände der Erzeugung der Zähldaten (Z) charakterisieren,
- eine Zählgenauigkeit für jeden der Trainingsdatensätze bereitgestellt wird (S2) , und
- einer künstlichen Intelligenz die Trainingsdatensätze mit der jeweils korrespondierenden Zählgenauigkeit präsentiert werden (S5) .
2. Verfahren (T) nach Anspruch 1, wobei die Zählgenauigkeit ermittelt wird auf Grundlage einer Vergleichszählung über einen vorgegebenen Mindestzeitraum.
3. Verfahren (T) nach Anspruch 1 oder 2, wobei die Zählgenauigkeit ermittelt wird auf Grundlage einer Vergleichszählung bei einer vorgegebenen Mindestanzahl an Fahrtenketten des Fahrzeugs (100) .
4. Verfahren (T) nach einem der vorangehenden Ansprüche, wobei die Zähldaten (Z) die Anzahl an ein- und ausgestiegenen Fahrgästen bei einer Fahrtenkette charakterisieren.
5. Verfahren (T) nach einem der vorangehenden Ansprüche, wobei eine Differenz zwischen der mithilfe des Fahrgast zählsystems (10) ermittelten Anzahl an ein- und ausgestiegenen Fahrgästen ermittelt und mit den Umstandsdaten (U) und der Zählgenauigkeit verknüpft wird.
6. Verfahren (T) nach einem der vorangehenden Ansprüche, wobei die Umstandsdaten (U) eine Information zu wenigstens einem der folgenden Umstände enthalten: Haltestelle, Ort, Status eines Fahrgastzählsystemsensors (11) , Bahnsteighöhe, Wetter, Uhrzeit und/oder Beleuchtungsstärke.
7. Verfahren (T) nach einem der vorangehenden Ansprüche, wobei die Umstandsdaten (U) einen Wert für die Erfassungswahrscheinlichkeit eines Fahrgastzählsystemsensors (11) enthalten .
8. Verfahren (T) nach einem der vorangehenden Ansprüche, wobei ein Korrelationsmaß für eine Korrelation zwischen den Zähldaten (Z) , den Umstandsdaten (U) und/oder den bereitgestellten Zählgenauigkeiten ermittelt (S3) und der Präsentation zugrunde gelegt wird.
9. Verfahren (T) nach Anspruch 8, wobei diejenigen Zähldaten (Z) , Umstandsdaten (U) und Zählgenauigkeiten der künstlichen Intelligenz präsentiert werden, für die das ermittelte Korrelationsmaß eine vorgegebene Korrelationsbedingung erfüllt.
10. Verfahren (E) zum Erzeugen eines Trainingsdatensatzes zum Trainieren einer künstlichen Intelligenz, insbesondere mit dem Verfahren (T) nach einem der vorangehenden Ansprüche, derart, dass eine Zählgenauigkeit eines Fahrgast zählsys- tems (10) eines Fahrzeugs (100) , insbesondere Schienenfahrzeugs, ermittelbar ist, wobei
- in ein Fahrzeug (100) einsteigende und aus dem Fahrzeug (100) aussteigende Fahrgäste mithilfe eines Fahrgastzählsystems (10) über einen vorgegebenen Mindestzeitraum gezählt werden,
- Umstände, unter denen die ein- und aussteigenden Fahrgäste gezählt werden, mithilfe einer Erfassungsvorrichtung (12) erfasst werden, und
- die gezählten ein- und aussteigenden Fahrgäste mit den erfassten Umständen verknüpft werden.
11. Verfahren (V) zur Prädiktion einer Zählgenauigkeit eines Fahrgast zählsystems (10) eines Fahrzeugs (100) , insbesondere Schienenfahrzeugs, wobei
- Eingangsdaten bereitgestellt werden, die mithilfe eines Fahrgast zählsystems (10) ermittelte Zähldaten (Z) enthalten, welche eine Anzahl an in ein Fahrzeug (100) eingestiegenen und aus dem Fahrzeug (100) ausgestiegenen Fahrgästen charakterisieren, sowie Umstandsdaten (U) , welche die Umstände der Erzeugung der Zähldaten (Z) charakterisieren,
- eine Zählgenauigkeit des Fahrgast zählsystems (10) auf Grundlage der Eingangsdaten mithilfe einer, insbesondere gemäß einem der Ansprüche 1 bis 9 trainierten, künstlichen Intelligenz prädiziert wird.
12. System (1) zur Prädiktion der Zählgenauigkeit eines Fahrgast zählsystems (10) eines Fahrzeugs (100) , insbesondere Schienenfahrzeugs, mit
- einer Schnittstelle (2a, 2b) , über die Eingangsdaten bereitstellbar sind, die mithilfe eines Fahrgast zählsystems (10) ermittelte Zähldaten (Z) enthalten, welche eine Anzahl an in ein Fahrzeug (100) eingestiegenen und aus dem Fahrzeug (100) ausgestiegenen Fahrgästen charakterisieren, sowie Umstandsdaten (U) , welche die Umstände der Erzeugung der Zähldaten (Z) charakterisieren,
- eine Speichervorrichtung (3) , auf der ein Computerprogrammprodukt gespeichert ist, das einen Computer zur Ausführung der Schritte des Verfahrens (V) gemäß Anspruch 11 veranlasst; und
- eine Prädiktionsvorrichtung (4) , welche zur Ausführung des in der Speichervorrichtung (3) gespeicherten Computerprogrammprodukts eingerichtet ist.
PCT/EP2023/062436 2022-05-30 2023-05-10 Ki-trainingsverfahren, trainingsdatenerzeugung sowie prädiktionsverfahren und -system WO2023232416A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022205397.4A DE102022205397A1 (de) 2022-05-30 2022-05-30 KI-Trainingsverfahren, Trainingsdatenerzeugung sowie Prädiktionsverfahren und -system
DE102022205397.4 2022-05-30

Publications (1)

Publication Number Publication Date
WO2023232416A1 true WO2023232416A1 (de) 2023-12-07

Family

ID=86604797

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/062436 WO2023232416A1 (de) 2022-05-30 2023-05-10 Ki-trainingsverfahren, trainingsdatenerzeugung sowie prädiktionsverfahren und -system

Country Status (2)

Country Link
DE (1) DE102022205397A1 (de)
WO (1) WO2023232416A1 (de)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695722A (zh) * 2020-05-13 2020-09-22 南京理工大学 一种城市轨道交通车站节假日短时客流预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160259980A1 (en) 2015-03-03 2016-09-08 Umm Al-Qura University Systems and methodologies for performing intelligent perception based real-time counting

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695722A (zh) * 2020-05-13 2020-09-22 南京理工大学 一种城市轨道交通车站节假日短时客流预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SEIDEL ROBERT ET AL: "NAPC: A Neural Algorithm for Automated Passenger Counting in Public Transport on a Privacy-Friendly Dataset", IEEE OPEN JOURNAL OF INTELLIGENT TRANSPORTATION SYSTEMS, IEEE, vol. 3, 30 December 2021 (2021-12-30), pages 33 - 44, XP011898782, DOI: 10.1109/OJITS.2021.3139393 *

Also Published As

Publication number Publication date
DE102022205397A1 (de) 2023-11-30

Similar Documents

Publication Publication Date Title
DE102018212877B4 (de) Verfahren zum Betrieb eines autonom fahrenden Kraftfahrzeugs
DE102020212799A1 (de) Durchführen von objekt- und aktivitätserkennung auf der grundlage von daten von einer kamera und einem radarsensor
EP3751466A1 (de) Verfahren zur vorhersage eines schadstoffwertes in der luft
EP3877231A1 (de) Prädiktion eines voraussichtlichen fahrverhaltens
EP2521070A2 (de) Verfahren und System zum Erfassen einer statischen oder dynamischen Szene, zum Bestimmen von Rohereignissen und zum Erkennen von freien Flächen in einem Beobachtungsgebiet
DE102008017568A1 (de) Verfahren und Verkehrsnachfrage-Analyseeinheit zur Bestimmung von Quelle-Ziel-Nachfragedaten von Verkehrsflüssen
WO2018153563A1 (de) Künstliches neuronales netz und unbemanntes luftfahrzeug zum erkennen eines verkehrsunfalls
EP3511920B1 (de) Parkassistenzsystem mit entfernter konfiguration eines lokalen neuronalen netzes
DE112021000514T5 (de) Aktualisierung des maschinellen lernens mit sensordaten
EP4222039A1 (de) Optische schienenwegerkennung
DE102019206349A1 (de) Verfahren und Computer-Programm-Produkt zum Erkennen von Signalzeichen zur Verkehrssteuerung spurgebundener Fahrzeuge sowie Signalzeichenerkennungssystem und Spurgebundenes Fahrzeug, insbesondere Schienenfahrzeug
EP2254104B1 (de) Verfahren zum automatischen Erkennen einer Situationsänderung
WO2023232416A1 (de) Ki-trainingsverfahren, trainingsdatenerzeugung sowie prädiktionsverfahren und -system
EP3710870B1 (de) Erfassungssystem
DE102019205017B3 (de) Intentionsbestimmung eines Personenverkehrsmittels
EP4186775B1 (de) Verfahren und vorrichtung zum erkennen von eigenschaften eines fahrzeugs
DE102021204040A1 (de) Verfahren, Vorrichtung und Computerprogramm zur Erstellung von Trainingsdaten im Fahrzeug
EP3734557A1 (de) Verfahren zur bereitstellung von trainingsdaten für adaptierbare situationserkennungsalgorithmen sowie verfahren zur automatisierten situationserkennung von betriebssituationen eines fahrzeugs zur öffentlichen personenbeförderung
EP3772017A1 (de) Bahnsignalerkennung für autonome schienenfahrzeuge
DE102017207958B4 (de) Verfahren zum Generieren von Trainingsdaten für ein auf maschinellem Lernen basierendes Mustererkennungsverfahren für ein Kraftfahrzeug, Kraftfahrzeug, Verfahren zum Betreiben einer Recheneinrichtung sowie System
EP4187498A1 (de) Verfahren und vorrichtung zur automatisierten erkennung von verkehrsteilnehmertypen im strassenverkehr
DE102022206624B4 (de) Fahrgastzählsystem
DE102018205659A1 (de) Objekterkennung in für Fortbewegungsmittel reservierten Bereichen in Schienenfahrzeugen
WO2024068381A1 (de) Objekterkennung an den enden und koppelstellen eines fahrzeugs
WO2023237424A1 (de) Verfahren und assistenzsystem zum vorhersagen eines fahrschlauches und kraftfahrzeug

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23726914

Country of ref document: EP

Kind code of ref document: A1