I takt med att den moderna och datadrivna världen fortsätter att utvecklas, så väljer många instutitioner och företag att göra en ansats att kapitalisera på dessa entiters egna strömmar av data. Parallellt med denna utveckling söker en än mer globaliserad värld efter sätt att förena en ökande befolkning och större behov av att röra sig flexibelt genom moderna städer med ett trängande behov av att mildra den klimatskada som denna mobilitet medför. Framtiden för kollektivtrafik står som potentiell lösning i gränssnittet mellan dessa två trender och det går därmed att se många fördelar med att tillåta en maskininlärningsalgoritm att finna tidigare osedda mönster och hinder i den dagliga verksamheten. Denna studie utforskar om en på historisk data tränad klassificeringsmodell av typen Random Forest kan användas för att förutspå och förebygga driftstopp i kollektivtrafiken till följd av reparationsbehov hos fordonen. Implementationen av modellen resulterade i en accuracy på 63,1% och en recall på 59,9%. Slutsatsen från undersökningen blir därmed att det finns inneboende potential i metoden, även om det krävs en ökning i kvalitet och bredd på signaldata för att höja effektiviteten i modellen. Detta implicerar, givet ytterligare forskning och förbättring av intern datahantering, att en Random Forest-modell kan ha en kommersiellt mätbar relevans sett till driftstopp och reparationskostnader.

As the modern and data-driven world continues to evolve, many institutions and corporations are eager to capitalize on their own data streams for optimizations of their operations. In tandem with this, the globalized world is searching to find ways of dealing with an ever increasing population with an urge to travel and move throughout sprawling cityscapes - all the while finding ways to mitigate the climate impact that comes with this ease of movement. The future of public transport stands in the middle of these two trends and many advantages can be gained from seizing the opportunity to let machine learning ascertain unknown patterns and obstacles in daily operations. This study explores if the use of a Random Forest classifier, having been trained on historical data, would present an effective way of predicting vehicle downtime due to repairs. The implementation of the classifier resulted in an accuracy of 63.1% and a 59.9% recall. The conclusion of the study reveals that there is potential in the method although the quality and range of possible signals need to be improved to further raise the effectiveness of the model. This implies, given further investigation and an ample adaptation of the data stream and the company technical infrastructure, that a Random Forest model would result in commercial benefits in regards to downtime and cost of repair.