Der Energieverbrauch einer Zugfahrt hängt von vielen verschiedenen Einflussgrössen ab und kann stark variieren. Die Gesamtmasse, Streckenlänge, Topologie (insbesondere Steigungen, Tunnel), der Geschwindigkeitsverlauf, Fahrzeugtechnik und nicht zuletzt die meteorologischen Umgebungsbedingungen sind die dominierenden Grössen. Beim Wetter hat z.B. der Wind einen Einfluss auf die Traktionsenergie der Triebfahrzeuge und die Umgebungstemperatur hat einen Einfluss auf die benötigte Heiz- oder Kühlenergie.

Dank verbesserter Kenntnis der Anteile einzelner Einflussgrössen am Gesamtenergieverbrauch können z.B. Energiesparmassnahmen identifiziert und umgesetzt werden oder bessere Leistungsprognosen von Zugfahrten erstellt werden (Lastmanagement bei SBB).

Eine detaillierte physikalische Modellierung der Witterungseinflüsse ist sehr aufwändig. Ist es möglich, mittels Machine Learning in einem vereinfachten Modell die wesentlichen Komponenten abzubilden und so die Prognose des Energieverbrauchs von Zugfahrten zu verbessern?

Für zwei ausgewählten Strecken (jeweils beide Richtungen) mit bestimmten Triebzügen werden Verbrauchswerte und Meteodaten zur Verfügung gestellt.

Im Rahmen der Aufgabenstellung soll mit einem vereinfachten Modell gestartet werden, das zu Beginn den Einfluss eines Witterungsparameters (z.B. Umgebungstemperaturen) berücksichtigt und später erweitert wird.