Ein Forschungsteam der ETH Lausanne (EPFL) hat gemeinsam mit den SBB ein KI-gestütztes Modell entwickelt, das den Strombedarf des Schweizer Bahnnetzes für den Folgetag deutlich präziser vorhersagen kann. Das System reduziere Prognosefehler erheblich und soll den Bahnbetrieb effizienter machen.

Das Modell kombiniert historische Verbrauchsdaten des Bahnnetzes mit zusätzlichen Kontextinformationen wie Fahrplänen, Betriebsplanungsdaten und Wettervorhersagen. Die Ergebnisse wurden in der Fachzeitschrift 'Energy Reports' veröffentlicht, wie die EPFL mitteilte. Demnach sinkt der durchschnittliche Prognosefehler durch die zusätzlichen Informationen um 26,6%. Vergleichsmassstab sind Modelle, die ausschliesslich auf historischen Daten beruhen.

Besonders deutlich falle der Zugewinn an Genauigkeit an atypischen Betriebstagen aus, an denen sich Zugverkehr oder Fahrgastaufkommen erheblich von den üblichen Mustern unterscheiden. In solchen Fällen können die Vorhersagefehler um bis zu 80% reduziert werden.

Nach Angaben der EPFL beeinflussen in einem komplexen System wie dem nationalen Eisenbahnnetz zahlreiche Faktoren den Strombedarf, darunter Wetterbedingungen und das Fahrgastaufkommen. Herkömmliche Prognosemodelle, die sich allein auf historische Daten stützen, könnten diese Zusammenhänge häufig nur unzureichend abbilden.

"Ich glaube nicht an Prognosen, die ausschliesslich auf Vergangenheitsdaten beruhen. In vielen Fällen liefern die Planungsdaten der Betreiber deutlich bessere Hinweise als das, was sich allein aus historischen Informationen ableiten lässt", sagt Doktorand Raffael Theiler, der die Studie gemeinsam mit Assistenzprofessorin Olga Fink durchgeführt hat.

Nach Einschätzung der Forscherinnen und Forscher lässt sich der Ansatz auch auf andere Branchen übertragen, etwa auf die Fertigungsindustrie, die Logistik oder das Management von Lieferketten. "Ich hoffe, dass unsere Studie Unternehmen dazu ermutigt, ihre Daten besser zu nutzen und Systeme wie das von uns entwickelte einzusetzen", so Theiler.