Neues Modell reduziert Fehler bei Zeitvorhersagen für Stadtservice

Städtische 311‑Systeme ermöglichen Bürgern, Probleme wie Lärmbelästigung, verpasste Müllabholung oder Schlaglöcher zu melden. Doch oft bleibt unklar, wann die Anfrage bearbeitet wird, was die Transparenz mindert und die Zufriedenheit der Bewohner senkt.

Die Forscher haben MuST2‑Learn entwickelt, ein Multi‑View‑Spatial‑Temporal‑Type‑Learning‑Framework, das genau diese Unsicherheiten adressiert. Durch die gleichzeitige Berücksichtigung von räumlichen, zeitlichen und Servicetyp‑Dimensionen kann das Modell komplexe Wechselwirkungen zwischen unterschiedlichen Anfragetypen erfassen.

MuST2‑Learn nutzt einen Inter‑Type‑Encoder, um Beziehungen zwischen heterogenen Serviceanfragen zu modellieren, einen Intra‑Type‑Variation‑Encoder, der die innerhalb einer Kategorie auftretende Zeitvariabilität berücksichtigt, sowie einen Spatiotemporal‑Encoder, der räumlich‑zeitliche Korrelationen abbildet. In umfangreichen Tests mit zwei realen Datensätzen konnte das Modell den mittleren absoluten Fehler um mindestens 3 % senken.

Die Ergebnisse zeigen, dass ein ganzheitlicher Ansatz die Genauigkeit von Vorhersagen für die Bearbeitungszeit von Bürgeranfragen deutlich verbessert. Damit bietet MuST2‑Learn eine vielversprechende Grundlage für transparentere und effizientere städtische Serviceprozesse.