Monitoring von Veränderungen der Fahrgeschwindigkeit im DB Fernverkehr

Problem

In Langsamfahrstellen dürfen FV-Züge nur mit verringerter Geschwindigkeit fahren.
Diese haben daher einen erheblichen Einfluss auf die FV-Pünktlichkeit der Deutschen Bahn.

Langsamfahrstellen des Hochgeschwindigkeitsverkehrs (>160 km/h) sind nicht sicherheitsrelevant und müssen deshalb nicht zentral erfasst werden.

Aufgrund dieser schwierigen Datenlage herrscht Intransparenz über die aktuelle Betriebslage und ein effizientes Management der Pünktlichkeit ist erschwert.

Vorgehensweise

Datenanalyse
Datenvisualisierung der Streckenabschnitte
Erstellung einer Web-Applikation

Datenanalyse

Aus den GPS-Daten von Fernverkehrszügen werden mittels eines empirischen Ansatzes Geschwindigkeitseinbrüche bestimmt.

Datenvisualisierung der Streckenabschnitte

Die identifizierten Streckenabschnitte werden auf einer Karte visualisiert und deren Relevanz anhand des Fahrzeitverlustes aus den Betriebsdaten bestimmt.

Erstellung einer Web-Applikation

Eine R-Shiny Web-Applikation verschneidet die Daten mit Informationen aus der Netzleitzentrale und stellt die Inhalte einem Expertengremium bereit.

Ergebnis

Die Langsamfahrstellen sind in einer Sicht zusammengestellt. Eine Fokussierung auf die wichtigsten Stellen ist anhand des Fahrzeitverlustes möglich

Unsere Expert:Innen

Steve Nitsch

Principal Key Account Manager

Unverbindlich beraten lassen

Sie möchten wissen, welche Möglichkeiten es mit KI und Data Science in Ihrem Unternehmen gibt? Sie wollen mehr über unsere Use Cases und Technik erfahren? Sprechen Sie mit unseren Experten!

Kontakt

12 Jahre Erfahrung aus über 3.000 Daten- & KI-Projekten

Weitere Referenzen

Procurement & Supply-Chain

Optimierung der Produktion mit Agentic AI

Steigerung der Liefertreue um 5% durch unser Multi-Agentensystem dank intelligenter Priorisierung und automatischer Root-Cause-Analysen

Production

Chatten mit dem Labor bei einem Spezialchemiehersteller

Interaktive Web-App für F&E-Entscheider in 10 internationalen Laboren

Finance & Controlling

Ganzheitliche Automatisierung der Finanzprognose

Automatische Berichterstattung und Reduzierung des operativen Aufwands im Finanzbereich

Finance & Controlling

Aufbau einer MLOps-Plattform bei einem Chemiekonzern

EBIT-Potenzial von bis zu 10 Mio. Euro durch die Skalierung von KI-Anwendungen

Anbieter:	HubSpot, Inc., 25 First Street, Cambridge, MA 02141, USA
Cookiename:	__hstc; hubspotutk; __hssc; __hssrc; __cf_bm; __cfruid
Laufzeit:	6 Monate; 6 Monate; 30 Minuten; Sitzungsende; 30 Minuten; Sitzungsende
Datenschutzlink:	https://legal.hubspot.com/de/privacy-policy
Host:	.hubspot.com

Anbieter:	InnoCraft Ltd., 150 Willis St, 6011 Wellington, New Zealand
Cookiename:	_pk_id..; _pk_ses..
Laufzeit:	13 Monate; 30 Minuten
Datenschutzlink:	https://matomo.org/gdpr-analytics/
Host:	.matomo.cloud

Anbieter:	Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Ireland
Cookiename:	YSC; VISITOR_INFO1_LIVE; PREF
Laufzeit:	Sitzungsende; 6 Monate; 8 Monate
Datenschutzlink:	https://policies.google.com/privacy?hl=de
Host:	.youtube.com

Anbieter:	Podigee GmbH, Revaler Straße 28, 10245 Berlin, Deutschland
Cookiename:	Nicht spezifiziert
Laufzeit:	Nicht spezifiziert
Datenschutzlink:	https://www.podigee.com/de/ueber-uns/datenschutz/
Host:	.podigee.com

Anbieter:	Google Ireland Limited, Gordon House, Barrow Street, Dublin 4, Irland
Cookiename:	SID; HSID; NID
Laufzeit:	2 Jahre; 2 Jahre; 6 Monate
Datenschutzlink:	https://policies.google.com/privacy?hl=de
Host:	.google.com