Selama bertahun-tahun, DARWIN telah digunakan oleh industri kereta api UK sebagai platform maklumat lalainya, yang bertanggungjawab untuk menyediakan ramalan ketibaan dan berlepas, nombor platform, anggaran kelewatan, perubahan jadual dan pembatalan semua dalam masa nyata. Walau bagaimanapun, kerana sistem ini bergantung pada input operasi semata-mata, dan tidak mengambil kira sumber data lain yang boleh mempengaruhi kelewatan, ramalan yang tidak tepat telah menyebabkan tahap ketidakpercayaan antara penumpang dan pengendali yang memberikan maklumat.

Saya bertemu dengan Menteri Rel, Chris Heaton-Harris, untuk membincangkan bagaimana Zipabout bekerjasama dengan rakan kongsi Birmingham University, Lembaga Piawaian Keselamatan Rel (RSSB) dan Penyelesaian Risiko, untuk meningkatkan keupayaan industri dalam menyampaikan maklumat kelewatan dan gangguan yang tepat kepada penumpang.

Sebagai sebahagian daripada taklimat menteri maya, kami menunjukkan bagaimana model ramalan pembelajaran mesin (ML) kami menggabungkan pelbagai sumber data masa nyata dan bersejarah, untuk mewujudkan satu siri 200+ 'ciri' yang boleh mempengaruhi kelewatan dan gangguan.

Dengan menggunakan data yang banyak (termasuk pergerakan kereta api, data operasi, data cuaca, permintaan penumpang dan gangguan melata), kami kemudian dapat menghasilkan ramalan kelewatan yang lebih tepat pada skala besar. Kami melakukan ini melalui platform pemprosesan data masa nyata kami yang unik - yang disediakan oleh rakan teknologi kami Kx.

Pendekatan ML baru ini membolehkan kita membuat ramalan yang menyumbang kepada banyak faktor dalaman dan luaran yang memberi kesan kepada kelewatan. Keputusan setakat ini menunjukkan bahawa ramalan kami adalah 50% lebih tepat daripada DARWIN apabila ia menjangkakan kelewatan antara dua dan empat setengah jam lebih awal. Ini sebahagian besarnya disebabkan oleh fakta bahawa DARWIN mendasarkan maklumatnya pada jadual yang sedia ada, dan hanya mula membuat ramalan gangguan / kelewatan sejam sebelum waktu ketibaan yang dijadualkan. Ini sering boleh menyebabkan penumpang mengetahui kereta api mereka ditangguhkan apabila mereka sudah berada di stesen.  

Walau bagaimanapun, ramalan kelewatan yang lebih tepat hanyalah sebahagian daripada cabaran yang dihadapi oleh industri rel, juga penting untuk mempertimbangkan bagaimana maklumat ini disampaikan kepada penumpang.

Oleh itu, kami melihat bagaimana perkhidmatan maklumat peribadi kami, yang menyampaikan kemas kini perjalanan kepada penumpang, boleh mempengaruhi tingkah laku penumpang dan meningkatkan pengalaman pelanggan. Ini termasuk bagaimana masa dan kata-kata kemas kini dapat membantu menetapkan jangkaan penumpang kereta api, dan bahkan meningkatkan kecekapan operasi di seluruh rangkaian.

Untuk meneroka ini dengan lebih lanjut, kami sedang menjalankan percubaan pelanggan dunia sebenar dengan LNER dan akan mengumpulkan maklum balas pelanggan langsung secara besar-besaran untuk membantu memperbaiki dan membangunkan penyelesaian selanjutnya - jadi tonton ruang ini.

Sebagai tindak balas kepada taklimat, Menteri Rel Chris Heaton-Harris berkata:

"Memanfaatkan data dan teknologi baru adalah penting untuk memodenkan dan meningkatkan rangkaian pengangkutan kami, dan kami bertekad untuk memacu inovasi melalui kerjasama seperti ini. Projek-projek ini akan membantu industri menangani kesesakan, kelewatan dan meningkatkan aksesibiliti, dan saya berharap dapat melihat peranan penting yang boleh mereka mainkan dalam meningkatkan perjalanan untuk penumpang.