Warum klassische Optimierung allein nicht mehr reicht
Mathematische Optimierung liefert nachweislich optimale Lösungen – unter der Annahme, dass alle Parameter bekannt und deterministisch sind. In der Praxis sieht es anders aus. Fahrgastaufkommen schwankt stochastisch, Fahrzeuge fallen ungeplant aus, Baustellen entstehen über Nacht, und Disponenten müssen in Sekunden reagieren.
Genau hier setzt unser hybrider Ansatz an. Wir nutzen Operations Research als mathematisches Rückgrat und erweitern es gezielt um Machine-Learning-Komponenten. Das Ergebnis: Dispositionssysteme, die nicht nur den aktuellen Zustand optimieren, sondern zukünftige Störungen antizipieren und proaktiv gegensteuern.
Dieser Paradigmenwechsel betrifft alle Bereiche der Verkehrsplanung – von der strategischen Netzplanung über die taktische Umlauf- und Dienstplanung bis zur operativen Echtzeit-Disposition. Unser Team vereint tiefes Domänenwissen im ÖPNV mit Expertise in modernen KI-Verfahren.
class HybridDispatcher:
"""OR + ML Hybrid-Dispositionskern."""
def __init__(self, config):
self.milp_solver = GurobiSolver(config)
self.demand_model = LSTMForecaster()
self.rl_agent = PPOAgent(state_dim=128)
def dispatch(self, state):
# 1. ML-Prognose: Nachfrage 2h
forecast = self.demand_model.predict(
state.passenger_data, horizon=120
)
# 2. MILP: Optimale Zuweisung
solution = self.milp_solver.optimize(
vehicles=state.fleet,
demand=forecast
)
# 3. RL: Echtzeit-Anpassung
action = self.rl_agent.act(
state=state.encode(),
milp_hint=solution
)
return action
Vier Säulen der intelligenten Disposition
Jedes KI-Modul löst ein spezifisches Problem im Dispositionsprozess. Gemeinsam bilden sie einen geschlossenen Regelkreis von der Prognose über die Optimierung bis zur Echtzeit-Steuerung.
Nachfrageprognose
LSTM- und Transformer-basierte Modelle prognostizieren Fahrgastströme auf Haltestellenebene. Trainiert auf historischen AFC-Daten, Wetterdaten und Veranstaltungskalendern erreichen unsere Modelle eine Prognosegenauigkeit von über 92 Prozent auf 2-Stunden-Horizont. Diese Vorhersagen fließen direkt in die MILP-Zielfunktion ein und ermöglichen eine bedarfsgerechte Fahrzeugzuweisung, bevor die Nachfrage tatsächlich eintritt.
Reinforcement Learning
Wenn ein Fahrzeug ausfällt oder eine Straße gesperrt wird, muss die Disposition in Sekunden reagieren. Unser PPO-basierter RL-Agent wurde in einer digitalen Zwillings-Simulation mit über 10 Millionen Episoden trainiert. Er lernt optimale Umplanungsstrategien, die den MILP-Lösungsraum als Ausgangspunkt nutzen und in Echtzeit anpassen.
Computer Vision
Kamerabasierte Fahrgastzählung liefert Echtzeit-Auslastungsdaten ohne manuelle Zählung. Unsere Modelle erkennen Besetzungsgrade mit einer Genauigkeit von über 95 Prozent und fließen als Live-Constraint in die Disposition ein. Zusätzlich erkennt das System Zustandsabweichungen an Haltestellen und triggert automatisch Verstärkerfahrten.
NLP & Erklärbare KI
Disponenten brauchen nicht nur optimale Ergebnisse, sondern auch nachvollziehbare Begründungen. Unser NLP-Modul generiert automatisch menschenlesbare Erklärungen für jede Dispositionsentscheidung. Warum wurde Bus 47 auf Linie 3 umgeleitet? Das System liefert die Antwort in natürlicher Sprache – inklusive der zugrundeliegenden Daten und Constraints.
KI-Disposition in der Praxis
Unser hybrider OR+KI-Ansatz entfaltet seinen Mehrwert in sechs konkreten Anwendungsfeldern. In jedem Bereich kombinieren wir domänenspezifische Optimierungsmodelle mit maßgeschneiderten Machine-Learning-Komponenten.
Dienstplanoptimierung
KI-gestützte Prognose von Krankenständen und Überstunden. Das ML-Modell erkennt Muster in historischen Abwesenheitsdaten und passt die Reserveplanung proaktiv an. Kombiniert mit MILP-basierter Dienstoptimierung sinken Personalkosten um bis zu 15 Prozent.
Mehr erfahren →Umlaufplanung
Demand-Prediction-Modelle identifizieren Linien mit schwankender Nachfrage. Die Umlaufplanung wird dynamisch angepasst – mehr Fahrzeuge zu Stoßzeiten, weniger in Randzeiten. Der MILP-Solver garantiert dabei die Einhaltung aller technischen Constraints.
Mehr erfahren →Ridepooling & On-Demand
Echtzeit-Matching von Fahrgastwünschen mit verfügbaren Fahrzeugen. Unser Algorithmus bündelt Fahrtwünsche mit ähnlichen Routen und minimiert Umwege. Reinforcement Learning optimiert die Positionierung leerer Fahrzeuge basierend auf prognostizierter Nachfrage.
E-Bus Lademanagement
Machine Learning prognostiziert den Energieverbrauch jeder Fahrt unter Berücksichtigung von Topografie, Wetter und Fahrstil. Der Optimierer plant Ladezyklen so, dass Stromkosten minimiert und Netzbelastungsspitzen vermieden werden.
Mehr erfahren →Flughafen-Disposition
KI-basierte Turnaround-Prognose für Bodenverkehrsdienste. Computer Vision erkennt den Abfertigungsfortschritt in Echtzeit, während der RL-Agent GSE-Fahrzeuge dynamisch zuweist. Kürzere Turnaround-Zeiten und weniger Verspätungen.
Mehr erfahren →Predictive Maintenance
Sensordaten aus Fahrzeugen werden mit ML-Modellen analysiert, um Ausfälle vorherzusagen, bevor sie eintreten. Die Disposition berücksichtigt prognostizierte Werkstattaufenthalte bereits bei der Umlaufplanung. Das reduziert ungeplante Ausfälle um bis zu 40 Prozent.
Mehr erfahren →pipeline:
name: "OR+KI Hybrid Disposition"
version: "3.2"
stages:
- name: data_ingestion
sources: [AFC, AVL, GTFS, weather_api]
frequency: "real-time"
- name: demand_forecast
model: "LSTM-Transformer-Ensemble"
horizon: "2h / 24h / 7d"
accuracy: ">92% (MAPE)"
- name: optimization
solver: "Gurobi 11.0"
method: "MILP + Column Generation"
gap: "<0.5%"
- name: realtime_adjustment
agent: "PPO (Proximal Policy)"
latency: "<200ms"
- name: explainability
method: "SHAP + NLG"
output: "natural language report"
OR + KI: Das Beste aus beiden Welten
Reine KI-Systeme liefern oft beeindruckende Ergebnisse – aber ohne Garantie. Ein neuronales Netz kann einen Dienstplan erstellen, der in 95 Prozent der Fälle funktioniert. In den restlichen 5 Prozent verletzt er Arbeitszeitgesetze oder vergisst Pausenregelungen. Unser Ansatz ist anders.
Das MILP-Modell bildet das mathematische Rückgrat. Es garantiert die Einhaltung aller harten Constraints – Arbeitszeitgesetz, Tarifverträge, technische Fahrzeugbeschränkungen. Machine Learning liefert die Eingabedaten: präzise Nachfrageprognosen, Ausfallwahrscheinlichkeiten, Energieverbrauchsschätzungen. Reinforcement Learning übernimmt die Echtzeit-Anpassung, wenn die Realität vom Plan abweicht.
Das Ergebnis ist ein System, das mathematisch beweisbar korrekte Lösungen liefert und gleichzeitig aus Erfahrung lernt. Kein Black-Box-Ansatz, sondern transparente, erklärbare Entscheidungen.
Messbare Verbesserungen durch KI
Prognose-Genauigkeit
Echtzeit-Reaktion
KI-Module integriert
Ungeplante Ausfälle
OR-Expertise trifft KI-Kompetenz
Wir sind kein reines KI-Startup und kein klassisches IT-Beratungshaus. Unser Team vereint Operations-Research-Spezialisten mit Machine-Learning-Engineers, die gemeinsam seit über einem Jahrzehnt Dispositionssysteme für den ÖPNV entwickeln.
Diese Kombination ist entscheidend. Wer nur KI versteht, baut Systeme, die beeindruckend aussehen, aber Arbeitszeitgesetze verletzen. Wer nur OR versteht, baut Systeme, die mathematisch perfekt sind, aber an stochastischen Störungen scheitern. Wir verbinden beides – und liefern Lösungen, die in der Praxis funktionieren.
