Entwurf und Implementierung einer eXplainable Artificial Intelligence (XAI) zur effizienten Erstellung von Nachfrage- und Umsatzprognosen am Beispiel des Bikesharing-Anbieters VRNnextbike

2021, Masterarbeit, Marco Erhard

Betreuung durch Dipl.-Ing. M.Sc. Thorwin Böhm

Abstract

Die vorliegende Masterarbeit verfolgt das algorithmische Ziel einer erklärbaren und interpretierbaren XAI-Lösungsmethode zu Nachfrage- und Umsatzprognosen im Segment des smarten Bikesharings in der Stadt Kaiserslautern (Rheinland-Pfalz). Ergänzend dazu liegen auch globale und lokale historische Bikesharing-Datenerkenntnisse sowie genutzte VRNnextbike-Preismodelle im Fokus, welche die kausalen Zusammenhänge des zukünftigen Marktverhaltens im IoT-Ökosystem der Fahrradvermietung aufzeigen und realitätsnah in der angestrebten XAI-Methodik erklärbar unterstützen. Die Beantwortung wurde in Zusammenarbeit mit dem Lehrstuhl VPE zunächst durch mehrere aufeinander aufbauende Fragestellungen begonnen, indem die datenseitige IoT-Infrastruktur in Bezug zum verknüpften physischen E-SMARTbike offengelegt wurde. Darauf aufbauend wurde die Brücke zur smarten Serviceleistung durch die verflochtene und webbasierte Algorithmik und den Quelldaten geebnet, die das entscheidende Fundament der intelligenten Nachfrage- und Umsatzprognosen bildeten. Schließlich konnte aus der Literatur zur AI, den aktuellen Studien und dem Stand der Technik eine mathematisch-algorithmische Methodik gewonnen werden, die entsprechend dem Schwerpunkt der Forschungsfrage nichtlineare, zeitgekoppelte und erklärbare Prognosen in Zukunft zulässt. Die gewonnenen Erkenntnisse daraus führten zu dem sogenannten White-Box-Ansatz und generalisierten Additivmodell der Open-Source-Bibliothek „Prophet“, das durch seine mathematische Nachvollziehbarkeit die Voraussetzungen einer geeigneten und robusten XAI-Lösung darstellt. Mithilfe der bereitgestellten Zeitreihen-Datensätze (Buchungsverzeichnis von VRNnextbikes) und externen Parameterdaten (Windgeschwindigkeit, Niederschlag und Durchschnittstemperatur sowie Feier- und Ferientage) konnte durch gezielt relevante Datenzuführungen in das eigen modular aufgebaute XAI-Modell zukünftige Prognosen intelligent gewonnen werden. Die Stärke des White-Box-Ansatzes wie die globale Modelleinsicht, die im Bikesharing-Geschäft essenziell ist und die erklärbaren mathematischen Parameter der modernen Open-Source-Bibliothek lösten hierbei die gesuchte Effizienz und Erklärbarkeit der Forschungsfrage. Lösungsorientiert kann die Forschungsfrage somit als erklärbar und methodisch im Segment der „Artifiziellen Intelligenz1“ bestätigt werden. Die dabei erzielten Nachfrage- und Umsatzprognosen am Beispiel des Bikesharing-Anbieters VRNnextbike lieferten über die mathematisch-statistischen Zusammenhänge und seine adaptierten externen Einflussfaktoren stabile Erklärungen die Nachvollziehbar und Vertrauenswürdig sind.