Abschlussarbeit (Bachelor/Master)

Vorhersage der Nachfrage nach Taxi-Fahrten mittels Deep Learning

Für Mobility-as-a-Service Dienste wie Uber und Lyft, aber auch für klassische Taxi-Betreiber oder Carsharing Anbieter ist eine akkurate Vorhersage der Nachfrage nach den angebotenen Diensten essentiell. Diese wird unter anderem zur Preisgestaltung sowie Steuerung der Fahrzeugflotte genutzt. Es hat sich als schwierig herausgestellt mittels klassischer Prognoseverfahren die zeitliche und räumliche Dimension der zukünftigen Nachfrage abzubilden. Entsprechend haben sich Deep Learning basierte Ansätze für diesen Anwendungsfall in der Forschung etabliert.

Aufgaben

Im Rahmen dieser Arbeit soll ein vorhandener Datensatz von historischen Taxi-Fahrten aus New York City genutzt werden. Ziel ist es eine Deep Learning Architektur zu konzipieren und implementieren, welche die zukünftige Taxi-Nachfrage vorhersagt. Dabei sollen vorhandene Ansätze aus der Literatur basierend auf Recurrent Neural Networks dahingehend erweitert werden, dass nicht nur der Ursprung der zukünftigen Nachfrage vorhergesagt wird, sondern auch das Ziel. Die Arbeit umfasst u.a. folgende Inhalte:

  • Literaturrecherche
  • Konzeption und Implementierung einer Deep Learning Architektur zur Vorhersage von Taxi-Nachfrage
  • Integration von zusätzlichen externen Einflussfaktoren (z.B. Wetter) in das Modell
  • Planung und Durchführung von Experimenten
  • Evaluation der Ergebnisse und Vergleich mit klassischen ML- oder Zeitreihen-basierten Ansätzen

Wir Bieten

  • ein interdisziplinäres Arbeitsumfeld mit Partnern aus Wissenschaft, Wirtschaft und Anwendern
  • eine wirtschafts-/industrienahe Arbeitsumgebung und -organisation
  • eine angenehme Arbeitsatmosphäre
  • konstruktive Zusammenarbeit
  • die Möglichkeit zu einer anschließenden Promotion im beschriebenen Themenfeld

Wir erwarten

  • selbständiges Denken und Arbeiten
  • Grundkenntnisse in maschinellem Lernen und Statistik
  • Programmierkenntnisse (z.B. Python, C++, Java)
  • Erste Praxis-Erfahrungen mit TensorFlow, Keras, scikit-learn oder ähnlichen Frameworks sind vorteilhaft
  • sehr gute Deutsch- oder Englischkenntnisse

Erforderliche Unterlagen

Wir freuen uns auf Ihre digitale Bewerbung an Martin Pouls, pouls@fzi.de, mit folgenden Unterlagen:

  • aktueller Notenauszug
  • tabellarischer Lebenslauf

Weitere Informationen

  • Start: ab sofort
  • Betreuendes Institut am KIT: Institut für Operations Research (IOR), Prof. Dr. Stefan Nickel
  • Projekt-Homepage