KI-Trainingsverf ahren, Trainingsdatenerzeugung sowie Prädiktionsverfahren und -system

Die vorliegende Erfindung betri f ft ein Verfahren zum Trainieren einer künstlichen Intelligenz , ein Verfahren zum Erzeugen von Trainingsdatensätzen sowie ein Verfahren zur Prädiktion einer Zählgenauigkeit eines Fahrgast zählsystems und ein entsprechendes System .

Zur automatischen Erhebung von Fahrgast zahlen im öf fentlichen Personennah- oder -fernverkehr, beispielsweise in Schienenfahrzeugen, sind Fahrgast zählsysteme bekannt . Anhand der erhobenen Fahrgast zahlen können Betreiber beispielsweise den Einsatz ihrer Fahrzeuge optimieren . Haben sich mehrere solcher Betreiber zu einem Verkehrsverbund geschlossen, ist es anhand der Fahrgast zahlen auch möglich, Erlöse zwischen den Betreibern auf zuteilen .

Werden die ermittelten Fahrgast zahlen derart verwendet , wird üblicherweise großer Wert auf die Zuverlässigkeit und Präzision der entsprechenden Fahrgast zählsysteme gelegt . Entsprechende Anforderungen sind häufig in Verträgen oder Normen hinterlegt , die zum Beispiel bei der Inbetriebnahme und/oder im laufenden Betrieb eines Fahrgast zählsystems veri fi ziert werden müssen .

Es ist eine Aufgabe der vorliegenden Erfindung, das Ermitteln einer Zählgenauigkeit eines Fahrgast zählsystems zu verbessern, insbesondere zu erleichtern, aufwandsärmer zu gestalten und/oder ausschließlich auf der Grundlage von Daten, die vom Fahrgast zählsystem bereitgestellt werden, zu ermöglichen .

Diese Aufgabe wird gelöst durch ein Verfahren zum Trainieren einer künstlichen Intelligenz , ein Verfahren zum Erzeugen von Trainingsdatensätzen sowie ein Verfahren zur Prädiktion einer Zählgenauigkeit eines Fahrgast zählsystems und einem entsprechenden System gemäß den unabhängigen Ansprüchen .

Bevorzugte Aus führungs formen sind Gegenstand der Unteransprüche und der folgenden Beschreibung .

Bei einem, insbesondere computerimplementierten, Verfahren gemäß einem ersten Aspekt der Erfindung wird eine künstliche Intelligenz derart trainiert , dass - mithil fe der künstlichen Intelligenz - eine Zählgenauigkeit eines Fahrgast zählsystems eines Fahrzeugs , insbesondere Schienenfahrzeugs , ermittelbar ist . Dabei werden Trainingsdatensätze bereitgestellt , die j eweils mithil fe eines Fahrgast zählsystems ermittelte Zähldaten sowie Umstandsdaten, welche die Umstände der Erzeugung der Zähldaten charakterisieren, enthalten . Die Zähldaten charakterisieren eine Anzahl an in ein Fahrzeug eingestiegenen und aus dem Fahrzeug ausgestiegenen Fahrgästen . Zudem wird eine Zählgenauigkeit für j eden der Trainingsdatensätze bereitgestellt , sodass der künstlichen Intelligenz die Trainingsdatensätze mit der j eweiligen korrespondierenden Zählgenauigkeit präsentiert werden können .

Eine Präsentation von Daten im Sinne der Erfindung ist vorzugsweise ein „Füttern" einer künstlichen Intelligenz mit den Daten . Beispielsweise dienen bei der Präsentation die Daten als Input für einen Algorithmus , der bei der Verarbeitung der Daten lernt , in den Daten Muster zu erkennen . Bei der Präsentation werden beispielsweise Daten durch ein neuronales Netz geleitet oder von einem k-means-Algorithmus geclustert .

Ein Aspekt der Erfindung basiert auf dem Ansatz , die Zählgenauigkeit eines Fahrgast zählsystems eines Fahrzeugs anhand von Zähldaten dieses Fahrgast zählsystems vorherzusagen . Dazu wird eine von dem Fahrgast zählsystem gezählte Anzahl an in das Fahrzeug eingestiegenen Fahrgästen und eine von dem Fahrgast zählsystem gezählte Anzahl an aus dem Fahrzeug ausgestiegenen Fahrgästen mit den Umständen, unter denen die Fahrgäste gezählt werden, verknüpft . Eine entsprechend trainierte künstliche Intelligenz kann anhand dieser Verknüpfung auch bei spärlicher Datenlage robuste Vorhersagen zur Zählgenauigkeit machen . Im Gegensatz zu konventionellen Verfahren, die eine manuelle Aus zählung des tatsächlichen Fahrgastaufkommens und anschließenden Vergleich mit den Zählungen des automatischen Fahrgast zählsystems zur Bestimmung der Zählgenauigkeit erfordern, benötigt die entsprechend trainierte künstliche Intelligenz keine manuelle Aus zählung zur Abschätzung der Zählgenauigkeit . Die trainierte künstliche Intelligenz kann vielmehr intrinsisch dazu in der Lage sein, anhand ihrer Zählung beim Absolvieren wenigstens einer Fahrtenkette auch eine Aussage über die Zählgenauigkeit zu machen .

Eine Fahrtenkette ist hierbei vorzugsweise die Fahrt des Fahrzeugs auf einer vorgegebenen Strecke von einem Ausgangspunkt , etwa einen Startbahnhof , bis zu einem Endpunkt , etwa einen Zielbahnhof , mit mehreren dazwischenliegenden Halten, an denen Fahrgäste ein- und/oder aussteigen können . Anders gesagt ist eine Fahrtenkette eine Verkettung von Fahrten entlang einer Route . Die Fahrtenkette ist beispielsweise die Verkettung von Fahrten zwischen den Haltestellen einer Busoder Bahnlinie .

Nachfolgend werden bevorzugte Aus führungs formen der Erfindung und deren Weiterbildungen beschrieben . Diese Aus führungs formen können j eweils , soweit dies nicht ausdrücklich ausgeschlossen wird, beliebig miteinander sowie mit den im Weiteren beschriebenen Aspekten der Erfindung kombiniert werden .

In einer bevorzugten Aus führungs form wird die Zählgenauigkeit ermittelt auf Grundlage einer Vergleichs zählung . Eine Vergleichs zählung ist hierbei vorzugsweise eine manuelle oder automatisierte Zählung der ein- und/oder aussteigenden Fahrgäste , die parallel zur ( automatisierten) Zählung durch das Fahrgast zählsystem stattfindet . Insofern ist eine Vergleichszählung bevorzugt eine Zählung von Fahrgästen, die unabhängig von und zusätzlich zur Zählung mit dem Fahrgast zählsystem durchgeführt wird . Durch einen Vergleich der Zählung durch das Fahrgast zählsystem mit der Vergleichs zählung kann die Zählgenauigkeit des Fahrgast zählsystems obj ektiv, zuverlässig und präzise ermittelt werden .

Vorzugsweise erfolgt diese Vergleichs zählung über einen vorgegebenen Mindestzeitraum . Die Berücksichtigung eines Mindest Zeitraums , beispielsweise von einer oder zwei Wochen, lässt das Sammeln einer ausreichenden Statistik zu . Somit kann die Zählgenauigkeit gegebenenfalls auch anhand von Zähldaten des Fahrgast zählsystems selbst ermittelt werden, etwa auf Grundlage der Di f ferenz zwischen einer über einen Zeitraum von ein bis zwei Wochen gesammelte Anzahl an eingestiegenen Fahrgästen und der im selben Zeitraum gesammelten Anzahl an ausgestiegenen Fahrgästen .

Alternativ oder zusätzlich kann eine ausreichende Statistik auch gesammelt werden, indem die Vergleichs zählung bei einer vorgegebenen Mindestanzahl an Fahrtenketten des Fahrzeugs erfolgt .

In einer weiteren bevorzugten Aus führungs form charakterisieren die Zähldaten die Anzahl an ein- und ausgestiegenen Fahrgästen bei einer Fahrtenkette . Anders gesagt kann j eder Trainingsdatensatz auf ( genau) einer Fahrtenkette basieren . Dadurch lässt sich für j eden Trainingsdatensatz eine ausreichende Statistik erzielen . Eine Bedingung hierfür kann sein, dass zu j edem Trainingsdatensatz , also etwa der Fahrtenkette , eine - beispielsweise manuelle - Vergleichs zählung vorliegt .

In einer bevorzugten Aus führungs form wird eine Di f ferenz zwischen der mithil fe des Fahrgast zählsystems ermittelten Anzahl an ein- und ausgestiegenen Fahrgästen ermittelt und mit den Umstandsdaten und/oder der Zählgenauigkeit verknüpft . Beispielsweise wird die Di f ferenz zwischen der Anzahl an ein- und ausgestiegenen Fahrgästen zusammen mit den Umstandsdaten der künstlichen Intelligenz als Input präsentiert , während die entsprechende Zählgenauigkeit als Output präsentiert wird . Die Berücksichtigung der Di f ferenz zwischen der Anzahl an ein- und ausgestiegenen Fahrgästen hat sich im Zusammen- spiel mit den Erfassungsumständen als robuste Größe zur KI- gestützten Ermittlung der Zählgenauigkeit erwiesen .

In einer weiteren bevorzugten Aus führungs form enthalten die Umstandsdaten eine Information zu wenigstens einem der folgenden Umstände : i ) Haltestelle , ii ) Ort , iii ) Status eines Fahrgastzählsystemsensors , iv) Bahnsteighöhe , v) Wetter, vi ) Uhrzeit und/oder vii ) Beleuchtungsstärke . Es hat sich gezeigt , dass diese Umstände einen besonders großen Einfluss auf die Zuverlässigkeit des Fahrgast zählsystems und somit auch auf seine Zählgenauigkeit haben können .

Beispielsweise kann an einer bestimmten Haltestelle , insbesondere an einem bestimmten Bahnhof , eine Bodenbeschaf fenheit vorliegen, welche das Erkennen von Fahrgästen durch oberhalb der Türen des Fahrzeugs positionierten (und daher den Boden als Hintergrund miterfassenden) Sensoren und damit deren Zählung beeinträchtigt . Gegebenenfalls kann bei einer lokalen Begrenzung einer solchen Bodenbeschaf fenheit , etwa bei einer Baustelle , die Fahrgasterkennung nur bei einem von mehreren Sensoren, d . h . an einem bestimmten Ort , beeinträchtigt sein . Ähnlich kann die Erkennungs zuverlässigkeit mit unterschiedlichen Bahnsteighöhen variieren, da die zu erfassenden Fahrgäste dann unterschiedliche Entfernungen zum j eweiligen erfassenden Sensor einnehmen .

Gegebenenfalls kann die Fahrgast zählung auch durch einen Betriebs zustand eines oder mehrerer der Sensoren und/oder die Lichtverhältnisse , die etwa durch Wetter, Uhrzeit und/oder Beleuchtungsstärke , d . h . die Helligkeit , bedingt sind, beeinträchtigt sein .

Alternativ oder zusätzlich können die Umstandsdaten einen Wert für die Erfassungswahrscheinlichkeit eines Fahrgastzählsystemsensors enthalten, insbesondere wenn der Fahrgastzählsystemsensor ein sogenannter „intelligenter Sensor" ist . Solche Sensoren stellen beispielsweise pro Erfassung ( zum Beispiel pro Zählevent ) und Klassi fi zierung ( zum Beispiel pro Fahrgastkategorie , d . h . Kind oder Erwachsener ) eine Wahrscheinlichkeit für die korrekte Erkennung des Obj ekts bereit . Eine derartige , bereits vom Sensor ermittelte Erkennungswahrscheinlichkeit kann einen signi fikanten Einfluss auf die Zählgenauigkeit des Fahrgast zählsystems haben .

In einer weiteren bevorzugten Aus führungs form wird ein Korrelationsmaß für eine Korrelation zwischen den Zähldaten, den Umstandsdaten und/oder den bereitgestellten Zählgenauigkeiten ermittelt . Insofern können die Trainingsdatensätze vorverarbeitet werden, um das Training der künstlichen Intelligenz ef fi zienter zu gestalten . Dabei wird insbesondere geprüft , wie gut die Zähldaten, beispielsweise die Di f ferenzen zwischen der Anzahl an ein- und aussteigenden Fahrgästen, mit den bereitgestellten Zählgenauigkeiten korrelieren . Zweckmäßigerweise wird ermittelt , welche durch die Umstandsdaten charakterisierten Umstände bei abweichender Korrelation, d . h . bei geringem Korrelationsmaß , vorliegen . Die derart vorverarbeiteten Trainingsdatensätze können dann der künstlichen Intelligenz präsentiert werden .

Um die künstliche Intelligenz spezi fischer auf die Prädiktion vorzubereiten, können die Trainingsdatensätze auf Grundlage des Korrelationsmaßes gefiltert werden . Beispielsweise werden diej enigen Zähldaten, Umstandsdaten und/oder Zählgenauigkeiten der künstlichen Intelligenz präsentiert , für die das ermittelte Korrelationsmaß eine vorgegebene Korrelationsbedingung erfüllt .

Ein zweiter Aspekt der Erfindung betri f ft ein, insbesondere computerimplementiertes , Verfahren zum Erzeugen eines Trainingsdatensatzes zum Trainieren einer künstlichen Intelligenz . Die künstliche Intelligenz ist dabei vorzugsweise derart trainierbar, insbesondere durch ein Verfahren gemäß dem ersten Aspekt der Erfindung, dass eine Zählgenauigkeit eines Fahrgast zählsystems für ein Fahrzeug, insbesondere ein Schienenfahrzeug, ermittelbar ist . Der zweite Aspekt der Erfindung kann als insbesondere ein Verfahren zur Erzeugung eines Trai- ningsdatensat zes zum Einsatz im Verfahren gemäß dem ersten Aspekt der Erfindung betref fen .

Zur Erzeugung des Trainingsdatensatzes werden in ein Fahrzeug einsteigende und aus dem Fahrzeug aussteigende Fahrgäste mithil fe eines Fahrgast zählsystems über einen vorgegebenen Mindestzeitraum gezählt und Umstände , unter denen die ein- und aussteigenden Fahrgäste gezählt werden, mithil fe einer Erfassungsvorrichtung erfasst . Die gezählten ein- und aussteigenden Fahrgäste werden dann mit den erfassten Umständen verknüpft .

Bei einem, insbesondere computerimplementierten, Verfahren gemäß einem dritten Aspekt der Erfindung zur Prädiktion einer Zählgenauigkeit eines Fahrgast zählsystems eines Fahrzeugs , insbesondere Schienenfahrzeugs , werden Eingangsdaten bereitgestellt , die mithil fe eines Fahrgast zählsystems ermittelte Zähldaten sowie Umstandsdaten enthalten . Die Zähldaten charakterisieren dabei eine Anzahl an in ein Fahrzeug eingestiegenen und aus dem Fahrzeug ausgestiegenen Fahrgästen . Die Umstandsdaten charakterisieren die Umstände der Erzeugung der Zähldaten . Eine Zählgenauigkeit des Fahrgast zählsystems wird auf Grundlage der Eingangsdaten mithil fe einer, insbesondere durch das Verfahren gemäß dem ersten Aspekt der Erfindung trainierten, künstlichen Intelligenz prädi ziert . Mit diesem Verfahren können selbst bei spärlicher Datenlage robuste Vorhersagen über die Zählgenauigkeit gemacht werden .

Ein System gemäß einem vierten Aspekt der Erfindung zur Prädiktion der Zählgenauigkeit eines Fahrgast zählsystems eines Fahrzeugs , insbesondere Schienenfahrzeugs , weist eine Schnittstelle auf , über die Eingangsdaten bereitstellbar sind . Die Eingangsdaten enthalten mithil fe eines Fahrgastzählsystems ermittelte Zähldaten, welche eine Anzahl an in ein Fahrzeug eingestiegenen und aus dem Fahrzeug ausgestiegenen Fahrgästen charakterisieren, sowie Umstandsdaten, welche die Umstände der Erzeugung der Zähldaten charakterisieren . Es ist zudem eine Prädiktionsvorrichtung vorgesehen, welche zur Aus führung des Verfahrens gemäß dem dritten Aspekt der Erfindung eingerichtet ist .

Eine Prädiktionsvorrichtung im Sinne der Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein . Die Prädiktionsvorrichtung kann insbesondere eine , vorzugsweise mit einem Speicher- und/oder Bussystem daten- bzw . signalverbundene , Verarbeitungseinheit aufweisen . Beispielsweise kann die Prädiktionsvorrichtung eine Mikroprozessoreinheit ( CPU) oder ein Modul einer solchen und/oder ein oder mehrere Programme oder Programmmodule aufweisen . Die Prädiktionsvorrichtung kann dazu ausgebildet sein, Befehle , die als ein in einem Speichersystem abgelegtes Programm implementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangssignale an einen Datenbus abzugeben . Ein Speichersystem kann ein oder mehrere , insbesondere verschiedene , Speichermedien, insbesondere optische , magnetische , Festkörper- und/oder andere nicht- flüchtige Medien, aufweisen . Das Programm kann derart beschaf fen sein, dass es die hier beschriebenen Verfahren verkörpert bzw . aus zuführen imstande ist , so dass das Mittel die Schritte solcher Verfahren aus führen kann und damit insbesondere eine Zählgenauigkeit eines Fahrgastzählsystems prädi zieren kann .

Die voranstehend beschriebenen Eigenschaften, Merkmale und Vorteile der Erfindung sowie die Art und Weise , wie diese erreicht werden, werden im Zusammenhang mit den Figuren in der folgenden Beschreibung von Aus führungsbeispielen der Erfindung näher erläutert . Soweit zweckdienlich, werden in den Figuren dieselben Bezugs zeichen für dieselben oder einander entsprechende Elemente der Erfindung verwendet . Die Aus führungsbeispiele dienen der Erläuterung der Erfindung und beschränken die Erfindung nicht auf die darin angegebenen Kombinationen von Merkmalen, auch nicht in Bezug auf funktionale Merkmale . Zudem können alle in den Aus führungsbeispielen angegebenen Merkmale isoliert betrachtet und in geeigneter Wei- se mit den Merkmalen eines beliebigen Anspruchs kombiniert werden .

Es zeigen, zumindest teilweise schematisch :

FIG 1 ein Beispiel eines Systems zur Prädiktion der Zählgenauigkeit eines Fahrgast zählsystems ; und

FIG 2 ein Beispiel eines Verfahrens zum Trainieren einer künstlichen Intelligenz .

FIG 1 zeigt ein Beispiel eines Systems 1 zur Prädiktion der Zählgenauigkeit eines Fahrgast zählsystems 10 eines Fahrzeugs 100 . Das System 1 weist Schnittstellen 2a, 2b auf , über die Daten an einer Prädiktionsvorrichtung 4 bereitstellbar sind . Die Prädiktionsvorrichtung 4 ist mit einer Speichervorrichtung 3 daten- bzw . signalverbunden .

Die Schnittstellen 2a, 2b erlauben insbesondere das Bereitstellen von Eingangsdaten, welche von der Prädiktionsvorrichtung 4 zur Ermittlung der Zählgenauigkeit verarbeitet werden können . Diese Eingangsdaten enthalten Zähldaten Z , die eine Anzahl an in das Fahrzeug 100 ein- und aus dem Fahrzeug 100 ausgestiegenen Fahrgästen charakterisiert . Die Eingangsdaten enthalten zudem Umstandsdaten U, welche die Umstände der Erzeugung der Zähldaten Z , insbesondere die Fahrgast zählung, charakterisieren .

Die Zähldaten Z werden bevorzugt von dem Fahrgast zählsys- tem 10 erzeugt und über die Schnittstelle 2a bereitgestellt . Die Zähldaten Z basieren zweckmäßigerweise auf einer Erfassung von ein- und aussteigenden Fahrgästen durch einen oder mehrere Fahrgastzählsystemsensoren 11 . Diese Sensoren 11 sind beispielsweise im Bereich von Türen des Fahrzeugs 100 angeordnet . Ein solcher Sensor 11 weist vorzugsweise einen optischen Sensor, beispielsweise eine 3D-Kamera zur Erzeugung von Bildern und/oder eine time-of- f light-Kamera zur Erzeugung von Punktwolken, auf . Mithil fe von an sich bekannten Algorithmen können in diesen Sensordaten Obj ekte erkannt und identi fizierte Fahrgäste gezählt werden .

Die Umstandsdaten U werden bevorzugt von einer Erfassungsvorrichtung 12 erzeugt und/oder ausgelesen und über die Schnittstelle 2b bereitgestellt . Die Umstandsdaten U basieren zweckmäßigerweise auf einer Erfassung von Umgebungs- oder Umweltbedingungen und/oder Eigenschaften des Fahrgast zählsys- tems 10 . Die Umstandsdaten U charakterisieren zum Beispiel i ) die Haltestelle , ii ) die Position des Fahrzeugs 100 , insbesondere des j eweiligen Zählsensors 11 , iii ) die Höhe der Bahnsteigkante an einem Bahnhof , iv) das Wetter oder v) die Uhrzeit , zu der die ein- und aussteigenden Fahrgäste gezählt werden . Alternativ oder zusätzlich können die Umstandsdaten U auch vi ) einen Status des Fahrgast zählsystems 10 , insbesondere des j eweiligen Fahrgastzählsystemsensors 11 , und/oder vii ) eine Erfassungswahrscheinlichkeit des j eweiligen Sensors 11 beim Erfassen der ein- und aussteigenden Fahrgäste charakterisieren .

Diese Information zu den Umständen kann beispielsweise mithil fe einer landseitigen, d . h . nicht dem Fahrzeug 100 zugeordneten, Erfassungsvorrichtung 12a aus entsprechenden Datenbanken abgerufen oder von entsprechenden Diensten empfangen werden . Alternativ oder zusätzlich kann diese Information von einer fahrzeugseitigen Erfassungseinrichtung 12b ausgelesen oder bestimmt werden . Es ist auch denkbar, dass diese Information zumindest teilweise vom Fahrgast zählsystem 10 selbst bereitgestellt wird . In diesem Fall könnte ein Teil der Umstandsdaten U auch über die Schnittstelle 2a bereitgestellt werden .

Die Prädiktionsvorrichtung 4 umfasst zweckmäßigerweise eine Datenverarbeitungseinrichtung zur Verarbeitung der Zähldaten Z und der Umstandsdaten U . Beispielsweise umfasst die Prädiktionsvorrichtung 4 eine künstliche Intelligenz , welche zur Auswertung der Zähldaten Z und Umstandsdaten U trainiert ist . Die künstliche Intelligenz ist insbesondere dazu trainiert , auf Grundlage der Zähldaten Z und der Umstandsdaten U die Zählgenauigkeit des Fahrgast zählsystems 10 vorherzusagen .

Zum Betrieb der künstlichen Intelligenz kann die Prädiktionsvorrichtung 4 eine Verarbeitungseinheit , beispielsweise eine Mikroprozessoreinheit , aufweisen . Die Verarbeitungseinheit ist zweckmäßigerweise mit der Speichervorrichtung 3 daten- bzw . kommunikationsverbunden . Die Speichervorrichtung 3 kann ein oder mehrere , insbesondere verschiedene , Speichermedien, insbesondere optische , magnetische , Festkörper- und/oder andere nicht- flüchtige Medien, aufweisen . Auf der Speichervorrichtung 3 ist zweckmäßigerweise ein mit der künstlichen Intelligenz korrespondierendes Programm gespeichert , dass es ein Verfahren V zur Prädiktion der Zählgenauigkeit des Fahrgast zählsystems 10 verkörpert bzw . aus zuführen imstande ist , sodass die Prädiktionsvorrichtung 4 Schritte dieses Verfahrens aus führen kann und damit insbesondere eine Zählgenauigkeit des Fahrgast zählsystems 10 prädi zieren kann .

Beim Verfahren V zur Prädiktion der Zählgenauigkeit des Fahrgast zählsystems 10 wertet die künstliche Intelligenz der Prädiktionsvorrichtung 4 insofern die bereitgestellten Zähldaten Z und Umstandsdaten U aus . Die prädi zierte Zählgenauigkeit kann dann als Ausgabe A ausgegeben werden, etwa über eine entsprechende Schnittstelle an einen Benutzer oder ein anderes Hardware- und/der Softwaremodul .

Die durch das System 1 bereitgestellte Infrastruktur lässt sich auch bei einem Verfahren E Zur Erzeugung eines Trainingsdatensatzes zum Trainieren der künstlichen Intelligenz verwenden . Beispielsweise werden die Zähldaten Z und Umstandsdaten U, die im Zusammenhang mit derselben Fahrtenkette stehen, in einem solchen Datensatz miteinander verknüpft . Es ist zweckmäßig, wenn darüber hinaus eine (unabhängige ) Vergleichs zählung der bei dieser Fahrtenkette ein- und aussteigenden Fahrgäste vorgenommen wird, um die tatsächliche Zählgenauigkeit des Fahrgast zählsystems 10 zu ermitteln . Die Zähldaten Z und die Umstandsdaten U sowie diese tatsächliche Zählgenauigkeit können dann einem Verfahren zum Training der künstlichen Intelligenz zugrunde gelegt werden, wie es im Zusammenhang mit FIG 2 beschrieben ist .

FIG 2 zeigt ein Beispiel eines Verfahrens T zum Trainieren einer künstlichen Intelligenz , und zwar derart , dass mithil fe der künstlichen Intelligenz eine Zählgenauigkeit eines Fahrgast zählsystem eines Fahrzeugs , insbesondere Schienenfahrzeugs , ermittelbar ist .

In einem Verfahrensschritt S 1 werden Trainingsdatensätze be- reitgestellt . Solche Trainingsdatensätze umfassen beispielsweise von einem Fahrgast zählsystem erzeugte Zähldaten, für die auch (unabhängige ) Vergleichs zählungen durchgeführt worden sind . Es ist zweckmäßig, dass die Zähldaten bei einer Zerti fi zierung des Fahrgast zählsystems erzeugt worden sind, bei der die Zählung durch das Fahrgast zählsystem durch eine unabhängige Zählung überprüft worden ist .

Die Zähldaten charakterisieren beispielsweise die vom zertifi zierten Fahrgast zählsystem gezählte Anzahl an ein- und ausgestiegenen Fahrgästen .

Die Trainingsdatensätze enthalten zweckmäßigerweise ebenfalls Umstandsdaten, welche die Umstände charakterisieren, unter denen die Zähldaten erzeugt worden sind . Die Umstandsdaten enthalten beispielsweise eine Information zum Zeitpunkt und/oder zum Ort der Zählung, zum Wetter, zum Status der Sensoren des Fahrgast zählsystems und/oder dergleichen .

Die Trainingsdatensätze werden vorzugsweise j eweils von Zähldaten und Umstandsdaten gebildet , die auf Fahrtenebene erzeugt und/oder ausgelesen wurden . Beispielsweise umfasst j eder Trainingsdatensatz Zähldaten und Umstandsdaten, die bei einer Fahrtenkette erzeugt , erfasst und/oder ausgelesen wurden . In einem weiteren Verfahrensschritt S2 wird für j eden der Trainingsdatensätze eine Zählgenauigkeit bereitgestellt . Die Zählgenauigkeit gibt dabei vorzugsweise an, mit welcher Genauigkeit und/oder Zuverlässigkeit die durch die Zähldaten charakterisierte Anzahl der ein- und ausgestiegenen Fahrgäste vom Fahrgast zählsystem gezählt wurde . Insofern ist es zweckmäßig, dass die Zählgenauigkeit für j eden der Datensätze anhand der entsprechenden Vergleichs zählung ermittelt und bereitgestellt wird .

Im Verfahrensschritt S2 werden vorzugsweise zudem die Trainingsdatensätze aufbereitet oder vorverarbeitet . Beispielsweise kann für j eden Satz an Zähldaten, etwa für j ede Fahrtenkette , eine Di f ferenz zwischen der gezählten Anzahl an ein- und ausgestiegenen Fahrgästen ermittelt werden . Diese Di f ferenz kann eine solide Basis für eine spätere Abschätzung der Zählgenauigkeit des Fahrgast zählsystems bilden .

Zweckmäßigerweise werden die Trainingsdatensätze , d . h . die j eweiligen Zähl- und Umstandsdaten, im Verfahrensschritt S2 auch mit den bereitgestellten Zählgenauigkeiten verknüpft . Anhand dieser Verknüpfung kann die künstliche Intelligenz lernen, welche Kombination aus Zähl- und Umstandsdaten ( auch als Input bezeichnet ) welche Zählgenauigkeit ( auch als Output bezeichnet ) nach sich zieht .

In einem optionalen weiteren Verfahrensschritt S3 wird ein Korrelationsmaß für eine Korrelation zwischen den Zähldaten, den Umstandsdaten und/oder den bereitgestellten Zählgenauigkeiten ermittelt . Insbesondere wird geprüft , inwieweit die Zähldaten mit einer bestimmten Zählgenauigkeit korrelieren und inwieweit die Umstandsdaten dabei eine Rolle spielen . Das Ergebnis der Prüfung wird zweckmäßigerweise durch das Korrelationsmaß repräsentiert .

Beispielsweise wird geprüft , unter welchen Umständen die Di fferenz zwischen der Anzahl an ein- und aussteigenden Fahrgästen, gegebenenfalls in Relation zur Gesamtzahl an erfassten Fahrgästen, die zugehörige Zählgenauigkeit zumindest annährend widerspiegelt .

Insofern kann auch geprüft werden, welche Umstandsdaten bzw . dadurch charakterisierten Umstände bei abweichender Korrelation zwischen der Di f ferenz und der Zählgenauigkeit auf fällig sind . Dieser Prüfung lässt sich das Korrelationsmaß zugrunde legen . Erreicht oder unterschreitet das ermittelte Korrelationsmaß einen vorgegebenen Korrelationsschwellenwert , können Abweichungen zwischen den Umstandsdaten und anderen, insbesondere vorgegebenen, Umstandsdaten, die Umstände in einer Situation charakterisieren, in der das Korrelationsmaß den Korrelationsschwellenwert überschreitet , ermittelt werden .

Auf Grundlage der ermittelten Korrelation zwischen den Zähldaten, den Umstandsdaten und/oder den Zählgenauigkeiten werden in einem weiteren optionalen Verfahrensschritt S4 diej enigen Daten ausgewählt , mit denen die künstliche Intelligenz trainiert werden soll . Vorzugsweise werden dazu diej enigen Zähldaten, Umstandsdaten und Zählgenauigkeiten ausgewählt , für die das ermittelte Korrelationsmaß eine vorgegebene Korrelationsbedingung erfüllt . Beispielsweise werden diej enigen Trainingsdatensätze ausgewählt , in denen die Zähldaten und Umstandsdaten maximal mit der Zählgenauigkeit korrelieren . Insbesondere können diej enigen Trainingsdatensätze ausgewählt werden, in denen die Korrelation der Di f ferenz zwischen der Anzahl an ein- und aussteigenden Fahrgästen mit der Zählgenauigkeit einen vorgegebenen Korrelationsschwellenwert erreicht oder überschreitet und die - im Verfahrensschritt S3 ermittelten - Umstände als unauf fällig bewertet werden .

Als Teil dieses Verfahrensschrittes können die Trainingsdatensätze auch in Abhängigkeit der Erfüllung der vorgegebenen Korrelationsbedingung aufbereitet werden . Beispielsweise können Umstandsdaten, welche Umstände charakterisieren, die sich als unerheblich im Hinblick auf eine Korrelation mit der Zählgenauigkeit erwiesen haben, aus den Datensätzen entfernt werden . Durch diese „Verschlankung" der Daten kann die Ef fi- zienz beim Training der künstlichen Intelligenz maßgeblich erhöht werden .

In einem weiteren Verfahrensschritt S5 werden die , gegebenenfalls wie vorher beschrieben modi fi zierten, Trainingsdatensätze und die damit verknüpften Zählgenauigkeiten einer künstlichen Intelligenz präsentiert . Beispielsweise werden diese Daten einem k-means-Algorithmus , einem genetischen Algorithmus , einem neuronalen Netz oder dergleichen präsentiert . Dadurch wird die künstliche Intelligenz darauf trainiert , auf Grundlage von Zähldaten und Umstandsdaten, die beispielsweise bei einer Fahrtenkette erzeugt , erfasst und/oder ausgelesen werden, eine Zählgenauigkeit mit hoher Präzision und Zuverlässigkeit zu prädi zieren .

In einem optionalen weiteren Verfahrensschritt S 6 kann das Training der künstlichen Intelligenz ausgewertet werden . Beispielsweise kann geprüft werden, welche Schlüsselkennzahlen ( engl . „key-perf ormance-indicator" , kurz KPI s ) mit dem Trainingsmodell erzielbar sind . So lässt sich etwa prüfen, mit welcher Genauigkeit die trainierte künstliche Intelligenz Vorhersagen tri f ft . Die Auswertung des Trainings , insbesondere die Schlüsselkennzahlen, können gegebenenfalls einer Zerti fi zierung der künstlichen Intelligenz zugrunde gelegt bzw . als Qualitätsnachweis vorgelegt werden .

In einem Beispiel kann eine Vergleichs zählung, etwa eines externen Dienstleisters , in einem Bus ergeben : 50 Fahrgäste sind eingestiegen, 49 Personen sind ausgestiegen ( da eine Person zum Beispiel mit dem Bus fahrer bis zum Depot sitzen bleibt ) . Werden bei der ( automatisierten) Zählung durch das Fahrgast zählsystem 50 Einsteiger und 49 Aussteiger gezählt , beträgt die Zählgenauigkeit 100% .

Wird der Zählgenauigkeit eine Di f ferenz zwischen gezählten ein- und ausgestiegenen Fahrgästen zugrunde gelegt , ergibt sich dasselbe . Gemäß der üblichen Annahme j edoch, dass die Summe der Einsteiger gleich der Summe der Aussteiger ist , hätte nur eine Zählgenauigkeit von ca . 98 % abgeschätzt werden können (Abweichung von einem Fahrgast bei 50 Zählevents ) .

Die gemäß dem Verfahren V trainierte künstliche Intelligenz kann den Sachverhalt „die Summe der Einsteiger muss nicht zwingend der Summe der Aussteiger entsprechen" durch Verknüpfung mit den Umstandsdaten feststellen . Diese Umstandsdaten können in diesem Beispiel wie folgt aussehen : i ) aus historischen Daten zur Strecke ( oder ähnlicher Strecken) folgt , dass zur maßgeblichen Uhrzeit weniger Fahrgäste aussteigen, als zuvor eingestiegen sind ( Sitzenbleiber bis Betriebsende ) ; und/oder ii ) Meldungen des Fahrgast zählsensors ( z . B . Fehlermeldungen vom Sensor, Meldungen über die Wahrscheinlichkeit für bestimmte Zählevents und/oder dergleichen) lassen nicht auf einen Zähl fehler schließen .

Obwohl die Erfindung im Detail durch die bevorzugten Aus führungsbeispiele näher illustriert und beschrieben wurde , ist die Erfindung nicht durch die of fenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen .