Dataföreningen Östra kretsen (DFÖ) utlyser årligen ett pris för bästa exjobb utfört inom IT-området vid Linköpings universitet. Bland kriterierna finns att arbetet ska ha starkt innovativt inslag med potential som framtida produkt alternativt forskningspublicering samt att den nominerade exjobbaren ska ha uppvisat bra kommunikationsförmåga i presentationen och vid framläggningstillfället. Priset delades i år ut för tjugoförsta gången och bland de nominerade fanns Christoffer Johansson som genomfört sitt exjobb på Attentec.
I sitt exjobb med titeln Arrival Time Predictions for Buses using Recurrent Neural Networks har han undersökt möjligheterna att förbättra prediktioner av ankomsttid för bussar med hjälp av moderna tekniker inom maskininlärning. I Sverige är vi duktiga på att koppla upp kollektivtrafiken och varje sekund rapporterar många bussar, tåg och spårvagnar sin nuvarande position. Tillsammans bildar det ett stort nätverk där varje fordon – i Christoffers fall bussar – blir en uppkopplad IoT-enhet. Tack vare det finns möjligheter att extrahera mönster och identifiera beteenden när man betraktar positionsangivelserna över en längre tidsperiod.
Christoffer berättar:
“En aspekt som jag tycker är lite extra rolig är att examensarbetets utformning och fokus är sprungen ur en diskussion med Attentec och Östgötatrafiken. Det fanns ett behov av att undersöka och utvärdera hur väl dagens driftade system fungerade för att förstå och kunna föreslå förbättringar. Jag började utan en enda byte data och fick värdefull hjälp av Attentec att snabbt sätta upp en server och påbörja insamling av information.”
Arbetet grundar sig på en studie från 2018 som visar att ett så kallat Recurrent Neural Network (RNN) med long short-term memory (LSTM)-enheter lyckas fånga beroenden över lite längre tidsintervall i en liknande tillämpning. Resultatet i examensarbetet visar att metoden fungerar väldigt väl även för bussar i Östergötland och lyckas förbättra prediktionerna i samtliga utvärderingsmått på alla åtta linjer som på förhand valdes ut, jämfört med dagens system.
Det finns två intressanta bussåkningsfall. Antingen är man intresserad av att bli passagerare eller så sitter man redan på bussen. Dessa två grupper har lite olika behov. I det ena fallet är det förmodligen intressant att få en förväntad ankomsttid som gärna är något optimistisk så att man är på plats i tid när bussen kommer. När man väl sitter på bussen kan det vara mer intressant med ett estimat som talar om att bussen åtminstone inte brukar vara senare än tid x till hållplats y för att på så sätt underlätta planering av kommande händelser. Resultatet visar att man med hjälp av en anpassad felfunktion effektivt kan offra lite pricksäkerhet mot säkerheten att prediktionerna sällan under- eller överestimerar den faktiska tiden för att på så sätt tillgodose behoven hos de båda grupperna.
