Trafikverket har många viktiga samhällsfunktioner och ansvarar för samhällsviktig infrastruktur så som järnvägsnätet. Trafikverket har mer specifikt uppgifterna att underhålla järnvägsnätet, koordinera och informera tågoperatörer i deras användning av järnvägsnätet samt att ge relevant trafikinformation till resenärer som reser med dessa tågoperatörer. Kännedom om hur lång tid en trafikstörande händelse kan tänkas ta innan trafik fortlöper som vanligt är därför högst relevant. Detsamma gällande när tåg förväntas ankomma och avgå från stationer. Prognoser av dessa tider görs av trafikinformatörer, som endast har basala automatiska förslag och stöd så som medelvärdet för tidigare år. Genom bättre prediktiva modeller kan trafikinformatörer stärkas så att de ges förutsättningar att göra bättre prognoser. Detta kan i förlängningen leda till snabbare, exaktare och mer relevant trafikinformation till resenärer, tågoperatörer, underhållsarbetare och trafikverkets interna processer i stort. Den potentiella samhällsnyttan detta kan innebära är såldes mycket stor. Projekt AIRT avser att ta fram ett kunskapsunderlag för framtida realtids-prognoser av tågtrafik med avseende på enskilda tågindividers ankomsttid respektive enskilda trafikstörande händelsers varaktighet. Trafikverket har stora mängder historisk data över trafik och trafikhändelser. Forskning kring vädrets påverkan på järnvägssystemet för att identifiera på verkans faktorer inom väderdata. Visualisering har användas i projektet för att se på data sätt men också för att visualisera resultat och användning av 3D teknik. Målet med projektet är att undersöka AI-tekniker och framförallt maskininlärningstekniker som utifrån denna data ska ha möjlighet att förbättra prediktioner avseende ankomsttid och störningslängd jämfört med prediktioner så som de görs i verksamheten idag.