Anomalieerkennung im Stadtbusverkehr auf Basis von Echtzeitdaten

Institut

Lehrstuhl für Fahrzeugtechnik

Typ

Bachelorarbeit / Semesterarbeit /

Inhalt

experimentell /  

Beschreibung

Hintergrund

Städtische Bussysteme generieren große Mengen an Echtzeitdaten, die zur Analyse des Betriebs verwendet werden können. Das Erkennen von Anomalien bei Verspätungen und Verbrauchsmustern trägt zur Verbesserung der Zuverlässigkeit und Betriebsstabilität bei. Daher sammeln wir Daten aus verschiedenen europäischen Städten, um einen Datensatz für die Analyse aufzubauen.

Deine Aufgabe

• Sammeln und Vorverarbeiten von Echtzeitdaten (Fahrzeugpositionen, Verspätungen, Haltestellenabfolgen)
• Rekonstruieren von Fahrten und Berechnung des Energieverbrauchs
• Vergleich von GFTS-Echtzeitdaten mit statischen GTFS-Daten
• Anwenden von Methoden zur Anomalieerkennung an, um Anomalien zu identifizieren
• Erarbeitung eines Konzepts für ein kontinuierliches Monitoring

Voraussetzungen

Was solltest Du mitbringen?

• Starkes Interesse für Mobilitätsdaten und ÖPNV
• Initiative und selbstständiges Arbeiten
• Python Grundkenntnisse

 

Sprache

Englisch/Deutsch

 

Wenn Du interessiert bist, schreib mir eine E-Mail und füge der Bewerbung einen Lebenslauf und ein Zeugnis bei.

Louis Stille-Hönig, louis.stille-hoenig@tum.de

Tags

FTM Smart Mobility, FTM Stille-Hoenig

Möglicher Beginn

sofort

Kontakt

Louis Stille-Hönig, M.Sc.
Raum: MW 3509
Tel.: +49 89 289 15341
louis.stille-hoenigtum.de