Über uns

10

NPS Score

200+

Erfolgreiche KI Projekte

75+

Wissenschaftliche Publikationen

Übersicht

Projekt Umfang

Wir entwickelten eine KI-basierte Lösung zur Erkennung von Fahrtanomalien und Vorhersage von Haltausfällen, zum Beispiel aufgrund einer unerwarteten Verspätung, Umleitung oder Störung eines Zuges. Diese Störungen wirken sich negativ auf die Kundenzufriedenheit aus. Unsere Lösung soll die Disposition bei der Erkennung solcher Störungen unterstützen.

Key Objectives & Deliverables

1

Fahrtdatenanalyse: Statistische Auswertung 
vergangener Fahrten und Feature Engineering.

2

KI-gestützte Anomalieerkennung: Präzise Erkennung von Störungen der Fahrt, Haltausfällen und sogenannten Geisterhalten.

3

Interpretierbare Ergebnisse: Ausgabe erkannter Anomalien unterstützt durch Angabe von Wahrscheinlichkeiten und zugrunde liegender Ursachen.

Die Deutsche Bahn AG (DB) ist eines der größten Mobilitäts- und Logistikunternehmen Europas mit Sitz in Deutschland. Sie betreibt den Schienenpersonen- und Güterverkehr, verbindet Städte und Regionen und fördert nachhaltige Mobilität. Mit modernster Technologie und einem umfassenden Streckennetz setzt die DB auf Effizienz, Pünktlichkeit und Kundenzufriedenheit. Erfahren Sie hier mehr über die Deutsche Bahn.

Mobilität & KI

Der Schienenverkehr profitiert stark von KI-gestützten Innovationen. Laut Deloitte wird der Markt für intelligente Mobilität bis 2025 auf 850 Milliarden Euro wachsen, über 1% des globalen BIP. KI optimiert Fahrpläne, erkennt Anomalien und Störungen frühzeitig und verbessert Betriebsabläufe. Sie reduziert Ausfälle, steigert Energieeffizienz und integriert erneuerbare Energien – für eine zuverlässige, nachhaltige und zukunftsfähige Mobilität.

Ziel ist die zuverlässige und rechtzeitige Erkennung von Haltausfällen und ungewöhnliche Fahrtanomalien. Eine besondere Herausforderung stellen hierbei sogenannte Geisterzüge dar. Hierbei handelt es sich um ausfallende oder verspätete Züge, die - beispielweise aufgrund fehlender Ausfallsmeldungen - noch in den Auskunftssystemen angezeigt werden, aber nie am Gleis erscheinen. Hier gilt es die Disposition effizient zu unterstützen und eine schnelle sowie präzise Behebung von Unstimmigkeiten in der Fahrgastinformation zu ermöglichen.

„Perelyn hat uns geholfen, eine KI-Lösung zur Erkennung von Fahrtanomalien und Haltausfällen im Fernverkehr zu entwickeln. Die Zusammenarbeit war effizient, lösungsorientiert und technisch auf höchstem Niveau. Besonders überzeugt hat uns die transparente Ergebnisdarstellung. Perelyn ist ein starker Partner für datengetriebene Mobilitätslösungen.“

— Sven Krause, Program Manager Reisendeninformation, Deutsche Bahn AG

Unser Ansatz

Perelyn hat gemeinsam mit dem Team für Reisendeninformation (DB AG) eine maßgeschneiderte, KI-basierte Lösung entwickelt, welche in Echtzeit alle täglich anfallenden Fahrten im Fernverkehr analysiert und nach Anomalien untersucht. Hierbei werden sowohl aktuelle Ereignisse, wie beispielsweise Stillstand auf einer Strecke, als auch historische Fahrtdaten mit einbezogen. Unsere Technologie filtert dabei pro Zug relevante Informationen aus der Datenflut.

Industrieperspektive

KI-basierte Systeme bieten der Mobilitätsbranche rund um die Uhr präzise Prognosen, erkennen Anomalien in Echtzeit und steigern die betriebliche Effizienz. Sie senken Betriebskosten, optimieren Ressourcen und verbessern die Fahrgastkommunikation. Gleichzeitig ermöglichen sie wertvolle Datenanalysen für eine vorausschauende Instandhaltung. Trotz dieser Vorteile bleiben Datenschutz und Datenqualität zentrale Herausforderungen, die eine sorgfältige Umsetzung erfordern.

"Bei einem Eisenbahnunternehmen mit einem Umsatz von 5 Milliarden Euro kann KI einen Wertzuwachs von rund 700 Millionen Euro pro Jahr ermöglichen."

Quelle: McKinsey & Company – The journey toward AI-enabled railway companies

Projektphasen

Phase 1
Vorbereitung & Prototyping

Voranalysen zur Merkmalsauswahl und Definition des notwendigen Funktionsumfangs: Statistische Analysen zur Auswahl geeigneter Merkmale für die Fahrtanomalie-/ Haltausfallerkennung.

Entwicklung eines Minimalprototyps: Demonstration der Möglichkeiten der datengetriebenen Anomalie-Erkennung auf Basis der verfügbaren Merkmale.

Phase 2
Implementierung & Bereitstellung

Bereitstellung auf AWS EC2: Integration der containerisierten Lösung in das bestehende System von AWS Cloud.

Wissenstransfer: Detaillierte Dokumentation sowie interaktive Code Tutorials.

Phase 3
Verbesserung & Rollout

Optimierung der Ergebnis-Interpretierbarkeit: Abbildung der Erkennungsergebnisse auf aus historischen Haltausfalldaten errechneten Wahrscheinlichkeitsangaben unter Angabe relevanter Merkmale.

Phase 1
Vorbereitung & Prototyping

Vor-analysen zur Merkmalsauswahl und notwendigen Funktionsumfangs: Statistische Analysen zur Auswahl geeigneter Merkmal für die Fahrtanomalie-/Haltausfallerkennung.

Entwicklung eines Minimalprototyps: Demonstration der Fähigkeiten.

Phase 2
Implementierung & Bereitstellung

Bereitstellung auf AWS EC2: Integration der containerisierten Lösung in das bestehende System von AWS Cloud.

Wissenstransfer: Detaillierte Dokumentation sowie interaktive Code Tutorials

Phase 3
Verbesserung & Rollout

Optimierung der Ergebnis-Interpretierbarkeit: Erkennungsergebnisse werden abgebildet auf reale Wahrscheinlichkeiten von historischen Haltausfällen unter gegebenen Bedingungen

Wir finden die Ursachen Ihrer Anomalien!

Übersicht

Die automatische Anomalie- und Haltausfallerkennung wurde entwickelt um die Disposition effizient zu unterstützen und eine schnelle Behebung von Unstimmigkeiten in der Fahrgastinformation zu ermöglichen.

Perelyn implementierte eine Full-Stack Lösung gemeinsam mit dem Team für Reisendeninformation (DB AG) innerhalb ihrer AWS-Umgebung, mit besonderem Fokus auf Transparenz in der Ergebnispräsentation, sowie eine einfache Konfiguration und Einsicht durch verschiedene Ebenen der Organisation.

Vorteile für Unternehmen

Unsere KI lernt aus historischen Fahrtdaten, erkennt automatisch Anomalien und prognostiziert mögliche Haltausfälle in Echtzeit. Dies steigert die Effizienz der Anomalieerkennung und unterstützt eine vorausschauende Betriebssteuerung.

Technologischer Ansatz: Modular und skalierbar

Unsere modular aufgebaute, container-basierte Architektur lässt sich flexibel anpassen und verarbeitet große Datenmengen effizient. Eine benutzerfreundliche Konfiguration ermöglicht eine einfache Implementierung – auch für technisch weniger versierte Anwender.

“Unser Ziel war es einen spürbaren Beitrag zur Unterstützung der Disponenten zu leisten, für mehr Kundenzufriedenheit, und damit für eine zukunftsorientierte Mobilität.”

– Michael Banf, Chief AI Scientist Perelyn

Key Tech

Software Engineering

Python, gitlab

Machine Learning & Data Science

Pandas, Scikit-Learn, Pytorch, Tensorflow

Machine Learning Operations (MLOps)

Airflow, MLflow

Cloud & Microservices

AWS, EC2, Docker

Kontaktformular

Name*
Email*
Nachricht
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.
Helfen Sie uns unsere Webseite zu verbessern. Indem Sie “Akzeptieren” klicken, Stimmen sie zu, dass wir ein Cookie auf ihrme Gerät speichern um die Nutzung der Webseite zu Analysieren. Lesen Sie unsere Datenschutzerklärung für mehr Informationen.
Etwas is schief gegangen. Versuchen sie es erneut.