Bei der Auswahl potenzieller Befragter wurden folgende Profile verwendet: (i)Vertraut mit verbraucherorientierten IKT-Anwendungen(ii)Vorzugsweise mit Expertise in den Verbraucherwissenschaften (Psychologie, Verhaltenswissenschaften, Marketing, user-centred design, user experience researcher)(iii)Vorzugsweise mit Expertise in Human-Machine Interaction(iv)Mobility professional, aber sie/er kann auch in einem anderen Sektor tätig sein, solange sie/er einen starken Verbraucherfokus hat. Wir haben erwartet, dass sie aufgrund der ziemlich komplexen Logik, die damit verbunden ist, skaliert werden muss, aber jetzt scheint es, dass sie so schlecht läuft, dass sie das Projekt gefährdet. Wir können das Problem durch Skalierung mildern, aber selbst dann könnte es sich als zu langsam erweisen. Bei weiteren Untersuchungen ist klar, dass die Anwendung nur in der Lage ist, eine kleine Anzahl gleichzeitiger Projekte zu verarbeiten. Es stellt sich heraus, dass wir Blockierungsvorgänge eingeführt haben, die alle Threads verbrauchen, was wiederum die Anwendung lähmt. Kecman und Goverde [32] wenden Big-Data-Techniken an, um Lauf- und Verweilzeiten aus tatsächlichen Betriebsdaten vorherzusagen, basierend auf Datensätzen aus Blockabschnitten. Die Studie verwendet zufällige Gesamtstrukturen von baumbasierten Modellen, um nichtlineare Beziehungen zwischen Eingabevariablen und Prozesszeiten vorherzusagen, mit ausreichender Robustheit für Ausreißer in den Daten, verringertes Risiko einer Überanpassung und Fokus auf Echtzeitanwendung. Die Laufzeitvorhersager werden für jeden Blockabschnitt und die Wohnzeitvorhersager für jeden Stationsbahnsteig berechnet. Unter den interessanten Erkenntnissen sind die Fahrzeiten länger, wenn der Weg zum vorhergehenden Zug kurz ist, was bedeutet, dass die nachfolgenden Züge dazu neigen, langsamer zu werden, um die Fahrt zu glätten und das Risiko eines gelben Signals zu verringern. Darüber hinaus finden die Autoren keine Beweise, die die Hypothese stützen, dass Züge schneller fahren, wenn sie verspätet sind.
Es wurde festgestellt, dass alle Züge in jedem Zustand ungefähr mit der maximalen Leistung fahren. Die Autoren schlagen vor, dass bei unzureichender Vorhersagegenauigkeit neue Variablen in das Modell aufgenommen werden könnten, wie z. B. die Plattformform für Wohnzeiten. Viele gängige Mustererkennungsalgorithmen sind probabilistisch, da sie statistische Schlussfolgerungen verwenden, um die beste Bezeichnung für eine bestimmte Instanz zu finden. Im Gegensatz zu anderen Algorithmen, die einfach eine “beste” Bezeichnung ausgeben, geben oft auch probabilistische Algorithmen eine Wahrscheinlichkeit aus, dass die Instanz durch die angegebene Bezeichnung beschrieben wird.
