Wir haben eine Applikation entwickelt, um Gleislagefehler grafisch darzustellen und nach ihren Ursachen zu suchen, denn auch in Zeiten von Big Data bleibt das menschliche Gehirn eine der leistungsfähigsten Maschinen zur Mustererkennung. Hierfür erhalten alle Strecken einen “Gefährdungskoeffizienten”, der aus den Angaben "Alter", "Leistungstonnen pro Tag" und "Züge pro Tag" mit einer frei wählbaren Gewichtung berechnet wird, und wer-den auf der Karte dementsprechend eingefärbt. Auf diese Weise kann man die Daten interaktiv untersuchen. Unsere Ergebnisse: Die Daten der DB enthalten einige Inkonsistenzen und sind nicht ganz vollständig. Das Alter spielt für die Gleislagefehler eine untergeordnete Rolle, Leistungstonnen und Züge pro Tag schon eher.

1. Infra- und
Datenstrukturen erleben
Flexible Mustererkennung in integrierten Netzwelten
#dbhackathon | Die Vier M | Berlin, 08./09.05.2015

2. Beispiel: Gleislagefehler, wo kommen sie her?
#dbhackathon | Die Vier M | Berlin, 08./09.05.2015 Quelle: http://de.wikipedia.org/wiki/Gleisverwerfung

3. Big Data: sichtbar gemacht 
Mustererkennung mit menschlichem Gehirn
#dbhackathon | Die Vier M | Berlin, 08./09.05.2015
Quelle: http://commons.wikimedia.org/wiki/Fractal

4. Viele bislang ungenutzte Möglichkeiten:
räumliche & zeitliche Darstellung von Daten
 Demo!
 Karte mit interaktiver Handhabung, wie z.B. von Google Maps bekannt
 Verschieben, Vergrößern, Anklicken für Details
 Geografische Merkmale: Höhenlinien
 OSM Infrastrukturdaten wie z.B. Gleise oder Brücken
 Nachvollziehbarkeit räumlicher und zeitlicher Abläufe
 Sofortige Veränderung der dargestellten Einflussgrößen
 Hypothesen lassen sich visuell testen
 Interaktion macht Spaß!
#dbhackathon | Die Vier M | Berlin, 08./09.05.2015

5. Ergebnisse
 Die Datenlage
 Für manche Strecken fehlen Leistungstonnen und Anzahl der Züge
 Daten überlappen sich, unklare Zuordnung
 Bedeutung der Spalte „In_Betrieb_ab“ (Alter=heute-Spalte) nicht klar
 Abweichungen zwischen Karte und DB-Daten
 Erkenntnisse
 Alter: kein wesentlicher Einfluss auf Gleislagefehler
 Leistungstonnen und Züge pro Tag schon eher
 Summa summarum
 Mehr Expertenwissen ist notwendig, um die Daten weiter auszuwerten
 Interaktive grafische Darstellungen immer nötig
 Beurteilung der Datenqualität
 Überprüfung von menschlichen und algorithmischen Hypothesen
#dbhackathon | Die Vier M | Berlin, 08./09.05.2015

6. Technische Eigenschaften
 Anwendung komplett in JavaScript
 Fast komplett im Webbrowser, inkl. Datenauswertung, Client-Deployment entfällt
 Moderne Webbrowser: hocheffiziente JavaScript-Verarbeitung
 Dutzende von Millionen USD und EUR in Performanceverbesserung geflossen (Google, Apple, MS)
 Ahead-of-Time Compiler, Geschwindigkeit kann Größenordnung von C++ oder Java erreichen
 Entwickler muss natürlich effizienten Code machen: JavaScript ist nicht die Limitation
 Server: 100 Zeilen Code, betriebssystemunabhängig ebenfalls JavaScript (Node.js)
 keine Installation notwendig, portable Einzelordnerapplikation, optional als Dienst
 Kartendaten: OpenStreetMap
 Eingabeformate
 CSV für Gleislagefehler und Regionalbereich Mitte, KML für Deutschlandnetz
 Bisher: 50MB Daten (CSV+KML) beim Start in den Browser geladen, ca. 0,5 Sekunden
 Optional: Binärdaten direkt im Browser, 200MB+ in 0.7 Sekunden (LAN vorausgesetzt)
 Optional: Node.js Module für fast alle Datenbanken, Schnittstellen zu Drittsystemen
#dbhackathon | Die Vier M | Berlin, 08./09.05.2015

7. Vielen Dank für die
Aufmerksamkeit!
Fragen, Anregungen? Mail an michael.siebert2k@gmail.com !
#dbhackathon | Die Vier M | Berlin, 08./09.05.2015