Nachrichten, Gerüchte, Meldungen und Berichte aus der IT-Szene

Redaktion: Heinz Schmitz


KI für bessere Fahrpläne

Buss im Verkehr

Bus-Fahrpläne können z.B. durch einen Stau, schnell durcheinandergewirbelt werden. KI soll helfen sie zu verbessern. (Quelle: Alexander Grishin/Pixabay)

 

Ein kurzer Stau, eine klemmende Tür oder viele Umstiege an einer Haltestelle: Bereits kleine Verzögerungen im Fahrplan von Bahn und Bus können zu großen Problemen führen. Eine neue Künstliche Intelligenz (KI) soll künftig dabei helfen, die Pläne so zu gestalten, dass sie weniger anfällig sind. Entwickelt wurde sie von einem Team der Martin-Luther- Universität Halle-Wittenberg (MLU), des Fraunhofer-Instituts für Techno- und Wirtschaftsmathematik ITWM und der Universität Kaiserslautern.

 

Das Team suchte nach einem effizienten Weg, Fahrpläne darauf zu überprüfen, wie gut sie kleinere unvermeidliche Störungen und Verspätungen ausgleichen können. In der Fachsprache wird das die Robustheit von Fahrplänen genannt. Bislang waren für solche Fahrplanoptimierungen aufwendige Computersimulationen nötig, die die Reiserouten für eine Vielzahl von Fahrgästen unter verschiedenen Szenarien errechneten. Eine einzige Simulation kann dabei schnell mehrere Minuten Rechendauer benötigen. Für eine Fahrplanoptimierung sind jedoch viele Tausend solcher Simulationen nötig. "Mit unserem neuen Verfahren ist es möglich, die Robustheit eines Fahrplans innerhalb von Millisekunden sehr genau zu schätzen", sagt Prof. Dr. Matthias Müller-Hannemann vom Institut für Informatik der MLU. Die Forschenden aus Halle und Kaiserslautern trainierten ihre Künstliche Intelligenz mit zahlreichen Beispielen zur Bewertung von Fahrplänen. Anhand von Fahrplänen für Göttingen und einen Teil des südlichen Niedersachsens überprüfte das Team die neue KI und erzielte dabei sehr gute Ergebnisse.

 

"Verspätungen sind unvermeidlich. Sie können zum Beispiel dann auftreten, wenn es während der Rushhour zum Stau kommt, wenn eine Tür der Bahn klemmt oder auch wenn an einer Haltestelle besonders viele Fahrgäste ein- oder aussteigen", so Müller-Hannemann weiter. Bei knappen Umsteigezeiten können selbst wenige Minuten Verspätung bedeuten, dass Reisende ihre Anschlüsse verpassen. "Im ungünstigsten Fall handelt es sich dabei um die letzte Verbindung eines Tages", ergänzt Mitautor Ralf Rückert. Eine weitere Folge könnte auch sein, dass Fahrzeugumläufe gestört werden, sodass Folgefahrten erst mit Verzögerung beginnen können und sich das Problem fortsetzt.

 

Die Möglichkeiten, um solchen Verzögerungen im Vorfeld entgegenzuwirken, sind begrenzt: Die Fahrtzeiten zwischen und die Wartezeiten an Haltestellen könnten großzügiger gestaltet sowie größere Zeitpuffer an Endhaltestellen und zwischen aufeinanderfolgenden Fahrten eingeplant werden. Das alles geht jedoch auf Kosten der Wirtschaftlichkeit. Das neue Verfahren könnte nun dabei helfen, Fahrpläne so zu optimieren, dass sie einen sehr guten Kompromiss zwischen den Wünschen der Fahrgäste, wie schnelle Verbindungen und wenige Umstiege, der Robustheit der Fahrpläne gegenüber Störungen und den äußeren wirtschaftlichen Rahmenbedingungen der Verkehrsbetriebe darstellen.

 

Originalpublikation:

Müller-Hannemann M., Rückert R., Schiewe A., Schöbel A. Estimating the robustness of public transport schedules using machine learning. Transportation Research Part C: Emerging Technologies (2022). doi: 10.1016/j.trc.2022.103566

https://doi.org/10.1016/j.trc.2022.103566

 

Zurück