Přístupnostní navigace
E-application
Search Search Close
Bachelor's Thesis
Author of thesis: Bc. Martin Kováčik
Acad. year: 2025/2026
Supervisor: Ing. Juraj Lazúr
Reviewer: Ing. Jiří Hynek, Ph.D.
Public transportation is an indispensable part of any modern city. With a growing population in today’s fast-paced world, demands are increasing not only for accessibility and safety, but also for the punctuality of vehicles. Although not all types of delays can be predicted, there are factors that influence delays and create certain patterns in train behavior. Correctly identifying these factors, using machine learning methods, can help recognize and understand these patterns and use them to predict delays. The goal of this work is to process large datasets of delay history, incorporate factors that adequately represent the causes of delays, and then normalize them and use them to train a neural network. The neural network then predicts delays in a format suitable for visualization The result of this work is a comprehensive tool that processes data and regularly retrains the neural network to better understand new trends in transportation data. The resulting prediction is available in two modes: the first provides a delay prediction for the specified stop, and the second provides a delay estimate for the entire route.
Big data, transportation data, delay factors, predictions, delay predictions, machine learning, visualization, delay visualization
Date of defence
18.06.2026
Result of the defence
Defended (thesis was successfully defended)
Grading
A
Process of defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A.
Topics for thesis defence
Language of thesis
Czech
Faculty
Fakulta informačních technologií
Department
Department of Information Systems
Study programme
Information Technology (BIT)
Composition of Committee
doc. Dr. Ing. Dušan Kolář (předseda) doc. Ing. Vladimír Janoušek, Ph.D. (místopředseda) Ing. Radek Hranický, Ph.D. (člen) Ing. Jiří Matoušek, Ph.D. (člen) Ing. Zdeněk Materna, Ph.D. (člen)
Supervisor’s reportIng. Juraj Lazúr
Študent zadanú prácu riešil svedomito a zodpovedne, ďaleko nad pôvodný rámec zadania. Teoretický prínos práce spočíva najmä v stanovení limitov otvorených dát pri predikcii meškania v hromadnej doprave. Praktický prínos práce spočíva v implementovanom predikčnom a simulačnom nástroji, ktorý je možné využívať v ďalších aplikáciach. Celkovo prácu hodnotím stupňom A.
Cieľom práce bolo preskúmať možnosti a limity predikcie meškania hromadnej dopravy s využitím otvorených dátových zdrojov. Študent v rámci práce vykonal rozsiahly prieskum rôznych faktorov spôsobujúcich meškanie a verejne dostupných dátových zdrojov. Výsledný prístup s využitím neurónovej siete ukazuje potenciál a zároveň hranicu využiteľnosti otvorených dát pre samotnú predikciu. Celkovo hodnotím prácu kladne s potenciálom náväznosti na ďalšiu vedeckú prácu. Praktickým výstupom práce je vizualizačný a simulačný nástroj, ktorý je možné okamžite využiť pri plánovaní ciest v dopravných systémoch.
Študent si sám aktívne do-hľadával zdroje a príkladové štúdie. Z týchto zdrojov študent získal solídny teoretický základ, ktorý využil pri praktickej implementácií a testovaní svojho riešenia.
Študent aktívne komunikoval počas celého riešenia práce, konzultácie prebiehali pravidelne každé dva týždne, pred dokončením každý týždeň. Práca postupovala dobrým tempom.
Práca bola dokončená s rezervou a mohla tak byť dostatočne konzultovaná.
Študent svoje výstupy prezentoval na konferencii Excel@FIT a výstupy práce predstavujú základ pripravovaného článku.
Grade proposed by supervisor: A
Reviewer’s reportIng. Jiří Hynek, Ph.D.
Bakalářská práce je kvalitní jak po teoretické, tak po praktické stránce. Student splnil zadání a vytvořil prakticky využitelný predikční nástroj rozšiřující projekt Lissy. Navrhuji hodnocení stupněm A.
Evaluation level: more difficult assignment
Cílem práce bylo vytvořit nástroj pro predikci a vizualizaci zpoždění veřejné dopravy s využitím metod strojového učení. Student zpracoval velká historická data zpoždění z Jihomoravského kraje a doplnil je o vlivy počasí, dopravních špiček a kalendářních událostí. Výsledný systém disponuje otevřeným API a predikuje zpoždění jak pro konkrétní zastávky, tak pro celé trasy spojů. Student se musel seznámit s neuronovými sítěmi (PyTorch), metodami normalizace dat (scikit-learn) a principy návrhu REST API (FastAPI). Zadání hodnotím jako obtížnější. Považuji ho za splněné.
Práce je dobře strukturovaná a kapitoly na sebe logicky navazují.
Po jazykové a typografické stránce je práce na dobré úrovni. Práce místy obsahuje překlepy a výpisy kódu nejsou číslované.
Výstupem je funkční predikční nástroj s otevřeným API rozhraním, který poskytuje odhad zpoždění ve dvou režimech: pro konkrétní vybranou zastávku nebo pro celou trasu spoje. Výstupy jsou integrovány do projektu Lissy.
Výsledky jsou využitelné jak v rámci projektu Lissy, tak v rámci dalších projektů pracujících s daty o zpožděních veřejné dopravy.
Evaluation level: assignment fulfilled
Evaluation level: is within the usual extent
Práce s literaturou je na dobré úrovni. Student citoval dostatečné množství převážně odborných zdrojů.
Grade proposed by reviewer: A
Responsibility: Mgr. et Mgr. Hana Odstrčilová