Modell, Daten & Grenzen — in Ruhe erklärt
Was genau wird hier berechnet, aus welchen Daten, und wo wird das Modell ehrlich schwach?
1 · Was bedeutet die Zahl?
Die Auslastung ist die queue-times-Auslastung: ein Wert von 0 % entspricht dem leertesten Tag der letzten
12,5 Jahre, 100 % dem vollsten. Die
Berechnung ist die von queue-times selbst (verfügbar in dessen „Crowd Level“-Feed) —
diese Seite liest nur aus und prognostiziert weiter, sie misst nichts selbst.
2 · Das Modell: 20er-Ensemble aus Gradient-Boosted Trees
Grundeinheit ist ein Gradient Boosting Classifier (HGB — histogram-based gradient boosting) aus scikit-learn.
20 solche Modelle werden mit leicht versetzten Trainingsschnitten und
verschiedener Zufallssaat trainiert; ihre Prognosen werden gemittelt (Ensemble). Das reduziert Einzel-Ausreißer deutlich, ohne dass ein
„bestes“ Modell per Hand gewählt werden muss.
Trainiert wird auf täglichem Ist-Wert (0–100 %). Ziel ist nicht, exakte Werte vorauszusagen, sondern die reale Tagesauslastung so dicht wie möglich zu treffen — damit die 7- und 30-Tage-Vorschau zuverlässig bleibt.
3 · Was das Modell weiß (Feature-Gruppen)
- Zeitraum — Jahreszeit, Monat, Wochentag, Ferien (DE), Sommer-/Winterzeit. Kalender-Fakten, keine Datums-Features: Das Modell lernt Muster („zweite Juli-Woche ist voll“), keine Jahreszahlen — dadurch bleibt es auch in künftigen Jahren sinnvoll.
- Reise- & Ferienstruktur — Ferientypen und -dauer in deutschen Bundesländern, Gesamtreisedruck (wie viel „Urlaub“ in Deutschland auf den Tag fällt). Quellen sind die offiziellen Ferienkalender.
- Park-Events — Sperrtag/ResortPass, Halloween-Saison, Park geschlossen, Sonderöffnungszeiten. Aus den queue-times-Kalendern.
- Wetter — Höchst-/Tiefsttemperatur, Niederschlag, Wolkenbedeckung, „empfundene“ Temperatur, Wind, Gewitter-Wahrscheinlichkeit. Für die Prognose kommt das Wetter aus Open-Meteo (NWP); ab ~Tag 16 fällt es auf Klimamittelwerte des Kalendertags zurück, weil Langfrist-Wetterprognosen nicht verlässlich sind.
4 · Datenquellen & Aktualisierung
- queue-times — Auslastung (Ist & ihre Prognose), Öffnungs-/Schließzeiten, Events. Der Kern aller Zahlen auf dieser Seite.
- Open-Meteo — Wetterdaten (NWP + historische). Für Prognose & Rückblick.
- Offizielle Ferienkalender — deutsche Landesferien (Reisedruck-Features).
Alles wird in einer lokalen SQLite-DB zusammengeführt und jeden Morgen geneuigt (Wetter-Prognose, neue queue-times-Daten, Modell-Neu-Train auf den jüngsten Daten). Historie: Februar 2014 bis heute; Prognose: bis zu ~6 Monate voraus.
5 · Ehrliche Grenzen
- Messwerte der letzten Tage können von queue-times nachträglich korrigiert werden (z. B. wenn ein Tag erst im Nachhinein „gemessen“ statt „geschätzt“ wird). Die Seite zeigt dann den korrigierten Wert.
- Ungewöhnliche Tage (Sturm, Pandemien, große Sonderveranstaltungen, außergewöhnliche Preise) sind kaum lernbar — dafür gibt es zu wenige Beispiele. Diese Tage treiben die Abweichung, sind aber selten.
- Langfrist-Prognose (weit über 16 Tage hinaus) basiert auf Klimawetter, nicht auf der tatsächlichen Vorhersage — die Zahl bleibt sinnvoll, aber der „Wetter-Hebel“ ist aus.
- Die Auslastung ist eine relative Größe (0–100 % über 12,5 Jahre), kein absoluter Besucherzahlen.
6 · Architektur in einem Satz
Ein Python-Skript lädt queue-times & Open-Meteo, pflegt eine SQLite-DB, trainiert das Ensemble und legt Prognosen ab — die Web-App (SvelteKit) liest nur aus der DB und rendert; es läuft kein Modell im Browser.