Foto Philipp Bartke ©

Dr. Philipp Bartke: "Machine Learning for demand modelestimation at Deutsche Bahn Fernverkehr"

12. Dez.

Im Rah­men des For­schungs­kol­lo­qui­ums Wirt­schafts­in­for­ma­tik und Data Sci­ence re­fe­riert Herr Dr. Philipp Bartke von der DB Fernverkehr AG über "Machine Learning for demand modelestimation at Deutsche Bahn Fernverkehr".

 

 

 

Da­tum und Ort:  12. Dezember 2019     12.15 Uhr     Raum C 40.255

Inhalt:

deutsch:
Die Nachfrage nach Transportleistungen unterliegt großen Schwankungen im Jahres-, Wochen- und Tagesverlauf. Die zur Verfügung stehende Sitzplatzkapazität ist jedoch durch die verfügbare Infrastruktur und Fahrzeugressourcen begrenzt und daher nicht im gleichen Maße skalierbar wie die Nachfrageseite. Daher setzt DB Fernverkehr dynamische Preissteuerung ein, um durch Preissignale die Nachfrage gleichmäßiger auf die zur Verfügung stehende Kapazität zu verteilen.  Voraussetzung für eine präzise Preissteuerung ist ein Modell der Kundennachfrage, das den Einfluss des Preises aber auch der Produktqualität und der zur Verfügung stehenden Alternativen einbezieht. In der Praxis stellt insbesondere die Schätzung der Modellparameter für solche Nachfragemodelle eine große Herausforderung dar, da die Parameter entlang einer Vielzahl von Dimensionen, wie Wochentag, Saison, Vorbuchungszeitraum u.s.w. variieren können. Wir stellen einen Gradient-Boosting-Ansatz vor, mit dem Parameter von Nachfragemodellen aus vorhandenen Buchungs- und Preisdaten geschätzt werden können und zeigen erste Ergebnisse aus dem praktischen Einsatz.

englisch:
The demand for transport services is subject to major fluctuations in the course of the year, week and day. However, seating capacity is limited by available infrastructure and vehicle resources and is therefore not as scalable as the demand side. DB Fernverkehr therefore uses dynamic price controls to distribute demand more evenly across the available capacity. The prerequisite for precise price control is a model of customer demand that takes into account the influence of price, product quality and available alternatives. In practice, estimating the model parameters for such demand models poses a particular challenge, since the parameters can vary along a variety of dimensions, such as weekday, season, pre-booking period, etc. We present a gradient-boosting approach to estimate parameters of demand models from existing booking and price data and show first results from practical use.