Hinter den Kulissen
Wie funktioniert das?
DLPTime sind Live-Wartezeiten und KI-Prognosen für das Disneyland Paris. Hier erfahren Sie ohne Floskeln, wie das Ganze gebaut ist.
Hallo, ich bin Benjamin
Ich betreibe DLPTime. Ursprünglich habe ich die Seite für meine eigenen Tage im Disneyland Paris gebaut: Ich hatte es satt, zwischen fünf Apps zu wechseln, die alle dieselbe Schlange anzeigen, ohne zu sagen, ob sie steigt oder fällt.
DLPTime versucht, eine einfache Frage zu beantworten: „Ist jetzt der richtige Moment, oder sollte ich warten?“ Im Folgenden beschreibe ich ehrlich, wie ich dabei vorgehe.
Woher die Daten kommen
Alle Quellen sind öffentlich oder offen. Für die Modelle werden keine personenbezogenen Daten verwendet.
Wartezeiten
in Echtzeit über die öffentliche API von queue-times.com erfasst, die die offiziellen Feeds des Disneyland Paris bündelt.
Wetter
über die kostenlose API Open-Meteo (Temperatur, Niederschlag, Bewölkung, Wind) an der Position des Parks.
Schulferien
französische, britische und belgische Schulferien (die drei wichtigsten Besuchermärkte), aktualisiert auf Basis offizieller Quellen.
Premier Access
der dynamische Preis für Premier Access ist ein wertvoller Indikator: Disney passt ihn an die erwartete Auslastung an, was ihn zu einem vorlaufenden Signal für die Besucherzahlen macht.
Sonderveranstaltungen
Halloween- und Weihnachtssaison, Parkjubiläen, Neueröffnungen, bekannte technische Schließungen.
Die erfassten Wartezeiten werden historisiert. Aktuell enthält die Datenbank mehrere Monate Historie pro Attraktion, was es ermöglicht, wiederkehrende Muster zu lernen (Tage, Stunden, Saisons).
Warum Machine Learning?
Eine Attraktion folgt keiner einfachen Regel wie „morgens ruhig, nachmittags voll“. Die Muster hängen vom Wochentag, von Ferien, vom Wetter, von der Neuheit und von der Attraktion selbst ab. Zu viele Variablen für handgeschriebene Regeln.
Machine Learning glänzt genau bei dieser Art Problem: Es lernt selbst, welche Signale zählen und wie stark. Meine Aufgabe ist es, ihm die richtigen Daten zu liefern und darauf zu achten, dass es sich nicht verläuft.
Eine Attraktion folgt keiner einfachen Regel. Zu viele Variablen für handgeschriebene Regeln — genau hier glänzt Machine Learning.
Die berücksichtigten Signale
Jede Attraktion hat ihr eigenes Verhalten. Die Modelle betrachten parallel mehrere Familien von Signalen:
Jüngste Historie der Schlange
01die zuletzt gemessenen Wartezeiten, ihr Trend und ihre Volatilität.
Zeitlicher Kontext
02Tageszeit (zyklisch kodiert), Wochentag, Wochenende oder nicht.
Parkauslastung
03der durchschnittliche Wartezeitwert über den gesamten Park im Moment, um die Attraktion in ihrem Kontext einzuordnen.
Lokales Wetter
04Temperatur, Niederschlag, Wolken, Wind. Regen ändert alles, vor allem bei Outdoor-Attraktionen.
Schulferien
05Frankreich, Vereinigtes Königreich, Belgien. Ein Schultag und ein Allerheiligen-Dienstag sind nicht derselbe Park.
Premier Access
06der aktuelle Preis für Premier Access spiegelt die von Disney erwartete Auslastung wider. Ein wertvoller Indikator.
Events & Saisons
07Halloween, Weihnachten, Jubiläen, neue Attraktionen. Jede Saison hat ihren eigenen Fingerabdruck.
Der Trick liegt weniger im „welche Signale“ als im „wie sie zusammenwirken und mit welchem Gewicht je nach Attraktion“. Dieser Teil bleibt Eigenentwicklung.
Kurzfristig: 15 bis 60 Minuten
Für die kurzfristigen Prognosen (15 Min., 30 Min., 1 Std.) nutze ich Gradient Boosting (LightGBM), pro Attraktion und pro Horizont trainiert. Schnell, robust und nachvollziehbar, wenn ein Fall aus dem Ruder läuft.
Profil des kommenden Tages
Für das Profil des kommenden Tages kombiniere ich ein statistisches Modell auf historischen Mustern mit TimesFM 1.3 (dem Time-Series-Foundation-Modell von Google) im Shadow-Modus zum Vergleich. Die Auswahl erfolgt anhand der Qualität (MAE), Tag für Tag gemessen.
Die Grenzen, weil Ehrlichkeit gut tut
Die Prognosen sind Richtwerte. Eine Attraktion kann ausfallen, ein Soft Opening kann ohne Vorwarnung kommen, ein Tag kann aus tausend Gründen untypisch sein.
Je weiter der Horizont, desto ungenauer. Die besten Prognosen liegen bei 15–30 Minuten; das Tagesprofil ist eher eine Silhouette als ein präzises Drehbuch.
Neue Attraktionen (jünger als 6 Monate) haben wenig Historie. Die Modelle lernen noch.
Ich prognostiziere nicht das menschliche Erlebnis, sondern nur die Wartezeit. Ein voller Tag kann großartig sein, ein ruhiger Tag kann verregnet sein.
Ein unabhängiges Projekt, ohne Werbung
DLPTime ist ein persönliches Projekt ohne jegliche Verbindung zu The Walt Disney Company. Keine Werbung, kein kommerzielles Tracking außer einer anonymen Reichweitenmessung. Der Code läuft auf einem OVH-VPS, die Modelle trainieren jede Nacht.
Wie Sie das Projekt unterstützen können
Wenn Sie die Seite nützlich finden, ist Teilen die beste Unterstützung. Und schreiben Sie mir gerne, was funktioniert und was nicht — ich lese alles.
WEITERLESEN
Der Guide Attraktion für Attraktion
Für jede Attraktion das beste Zeitfenster, die Stoßzeit und die Zuverlässigkeit, jede Nacht aktualisiert.