Wohin entwickelt sich die Auslastungs-Prognose?

Diese Seite erklaert, was die Prognose heute bereits leistet, was in den naechsten Wochen folgt und welches Potenzial in 90, 180 und 360 Tagen realistisch erreichbar ist. Sie richtet sich an Entscheider, nicht an Entwickler.

So entsteht eine Prognose

Aus laufenden Echtzeitdaten werden Stundenmittelwerte je Linie aggregiert. Die Prognose vergleicht den anstehenden Tag mit denselben Wochentagen der letzten Wochen und gewichtet juengere Daten staerker.

1. SammelnGTFS-RT (Position, Verspaetung) + URA (Auslastung) alle 15-30 Sekunden vom SWHL-System.
2. VerdichtenStuendliche Aggregate je Linie, Richtung und Haltestelle - Mittelwerte, Streuung, Stichprobenzahl.
3. HistoriePro Wochentag/Stunde werden 4-12 Wochen rueckwaerts geprueft. Ferien und Feiertage werden gefiltert.
4. VorhersageGewichteter Mittelwert mit Konfidenz-Niveau. Wetter und Kalender-Events fliessen als Korrektur ein.
5. AnzeigenHeatmap, Linien-Drilldown, Karten-View mit gefaerbten Haltestellen und 5-Minuten-Detail.

Wann erreicht die Prognose welche Reife?

Die Genauigkeit waechst mit der Datenbasis. Erst nach mehreren Wochen pro Wochentag wird der gewichtete Mittelwert tragfaehig.

Phase 1 - Heute & naechste Wochen

Was die Daten jetzt schon koennen

Cold-Start mit ~4 Tagen Historie. Per-Stop-Forecast in 5-Min-Buckets ist live, Richtungs-Filter funktioniert ueber inferierte Fahrtrichtung. Werte sind noch volatil — Konfidenz wird mit jeder weiteren Woche solider.

Heute moeglich

Auslastungs-Heatmap (Linie x Stunde) der letzten Tage
Stundenprognose pro Linie + Richtung auf Basis 4 Wochen Historie
Per-Stop-Forecast in 5-Min-Buckets (Karte + Heatmap-Tabelle + Klick-Popup)
Verspaetungs-Prognose auf Stundenebene
Fahrtrichtung aus Bewegungsbearing inferiert (Hin/Rueck pro Position)
Manuelle Ferien-/Feiertags-Filterung im Admin-Bereich
Daten-Ausfall-Tracking (URA / GTFS-RT)

Voraussetzungen

Stabiler GTFS-RT-Feed (gelegentliche 503-Ausfaelle an der Quelle)
Mind. 4 Wochen je Wochentag pro Linie fuer matched-Historie

Reife30%

Phase 2 - in 90 Tagen

Stabile Wochenrhythmen + Genauigkeits-Messung

Mit 12 Wochen Datenhistorie wird die Prognose pro Wochentag belastbar. Stoerungen werden als Ausreisser sichtbar statt das Mittel zu kippen. Ein naechtlicher Backtest vergleicht Prognose mit Ist und veroeffentlicht MAE / Hit-Rate.

Dann moeglich

Pro Linie + Richtung verlaessliche Auslastungsbaender
Streuungsbaender (Min/Max) erlauben Worst-Case-Planung
Naechtlicher Voll-Backtest mit MAE / MAPE / Hit-Rate (Spec #57)
Genauigkeits-Dashboard zeigt Trend pro Linie
Wetter-Korrelation belegbar (Regen vs. trocken)
Erste automatisierte Anomalie-Erkennung (Streik, Stoerung)

Voraussetzungen

Lueckenlose Datensammlung ueber 90 Tage
Ferien- und Feiertagskalender vollstaendig gepflegt
Pre-Aggregat fuer trip_updates (TD-042) wegen 5-Min-Delay-Performance

Reife55%

Phase 3 - in 180 Tagen

Saisonale Muster

Halbjahresdaten zeigen Schule vs. Ferien, Sommer- vs. Winterauslastung, Touristensaison und Effekte von Grossereignissen.

Dann moeglich

Saisonale Korrekturmodelle (Schulwochen vs. Ferien)
Vergleich mit Vorjahres-Vergleichsmonat (sobald 12+ Monate vorliegen, partiell ab 6)
Wettermodelle pro Wettertyp (Regen / Sturm / Schnee / Hitze)
Linien-Cluster: aehnliche Tagesprofile gruppieren
Konfidenz-Intervalle statt Punkt-Schaetzern

Voraussetzungen

Vollstaendiger Wetterdatenstrom (Bright Sky / DWD)
Kalender mit Schulferien fuer 2 Schuljahre

Reife75%

Phase 4 - in 360 Tagen

Strategische Steuerung

Mit einem vollen Jahr Historie sind Jahres-Saisonalitaet, Sondereffekte (z.B. Travemuender Woche) und Trendlinien nutzbar - Grundlage fuer Fahrplanaenderungen.

Dann moeglich

Jahresvergleich Vorjahr vs. aktuell (Trend-Erkennung)
ML-Prognose mit saisonalen Komponenten (z.B. Prophet)
Fahrzeug-/Kapazitaetsempfehlung pro Linie & Tageszeit
Korrelation Wetter, Grossveranstaltung, Schulferien gleichzeitig
Grundlage fuer Dynamische Frequenzanpassung im Fahrplan

Voraussetzungen

12+ Monate lueckenlose Datenhistorie
Externe Datenquellen integriert (Veranstaltungskalender Stadt)

Reife95%

Was zusaetzlich moeglich wird

Neben dem Reifegrad gibt es Erweiterungen, die mit weniger Datenmenge auskommen, aber neue Datenquellen oder Algorithmen brauchen.

Live-PushAktuelle Abweichung der Prognose von der Realitaet als Live-Indikator (z.B. ICE-/Bus-Zubringer-Stoerung).
Machine LearningStatt gewichtetem Mittelwert ein gradient-boosted Modell mit Wetter-, Event- und Saison-Features. Sinnvoll ab 90+ Tagen.
Veranstaltungs-KorrekturStadt-Eventkalender (Konzerte, Stadtfest, Travemuender Woche) automatisiert einlesen statt manuell pflegen.
Preis-/TarifanalyseMit Verkaufsdaten der SWL koennen Auslastung und Tarifprodukte verschnitten werden.
Stoerungs-LayerBaustellen, Umleitungen und Linien-Sperrungen einblenden, um Prognose-Ausreisser zu erklaeren.
Fahrzeug-EmpfehlungVorschlag, welche Linie wann mit Gelenkbus / Doppeltraktion verstaerkt werden sollte.

Erwartete Prognose-Genauigkeit

Die Genauigkeit ist anfangs niedrig, weil zu wenig Vergleichsdaten vorliegen. Sie steigt nicht linear, sondern in Stufen mit jedem zusaetzlichen Saison-Zyklus.