Wie wird ML in der Verkehrsplanung eingesetzt?

ML liefert präzise Prognosen für Optimierungsparameter: Fahrgastnachfrage, Fahrzeiten, Verspätungswahrscheinlichkeiten und Wartungsbedarf. Diese Vorhersagen fließen als Input in unsere mathematischen Optimierungsmodelle ein und verbessern deren Ergebnisqualität.

Welche ML-Modelle werden eingesetzt?

Wir nutzen Gradient Boosting (XGBoost, LightGBM) für tabellarische Daten, LSTM und Transformer für Zeitreihenprognosen, und Graph Neural Networks für netzwerkbasierte Vorhersagen. Die Modellwahl hängt von der Datenstruktur und den Anforderungen ab.

Wie werden die Modelle trainiert?

Wir trainieren auf historischen Betriebsdaten des Kunden – typischerweise Fahrplandaten, Telemetriedaten, Fahrgastzählungen und Wetterdaten. Durch Cross-Validation und Backtesting stellen wir die Generalisierungsfähigkeit sicher.

Kann ML die Optimierung ersetzen?

Nein, ML ergänzt die mathematische Optimierung, ersetzt sie aber nicht. ML liefert bessere Input-Parameter, während die eigentliche Planungsentscheidung weiterhin durch Optimierungsverfahren getroffen wird.

Wie wird die Modellqualität sichergestellt?

Durch kontinuierliches Monitoring der Vorhersagegenauigkeit, automatische Modell-Retraining-Pipelines und A/B-Tests im Produktivbetrieb stellen wir sicher, dass die Modelle stets aktuelle und präzise Vorhersagen liefern.

Machine Learning für Verkehrsplanung

// Grundlagen

Datengetriebene Optimierungsparameter

Die Qualität jeder Optimierungslösung hängt maßgeblich von der Genauigkeit der Input-Parameter ab. Wie viele Fahrgäste werden morgen früh an Haltestelle X einsteigen? Wie lange dauert die Fahrt von A nach B bei Regen? Wann wird Bus 42 seine nächste Wartung benötigen? Machine Learning beantwortet diese Fragen mit einer Präzision, die traditionelle statistische Methoden deutlich übertrifft.

Unsere ML-Pipeline verarbeitet heterogene Datenquellen: Historische Fahrplandaten, Echtzeit-Telemetrie (GPS, Odometer, Türkontakte), Fahrgastzählsysteme (APC), Wetterdaten, Veranstaltungskalender und sozioökonomische Daten. Durch sorgfältiges Feature Engineering extrahieren wir die relevanten Muster und Zusammenhänge aus diesen Daten.

Der entscheidende Mehrwert entsteht durch die Integration von ML und Optimierung: Präzisere Nachfrageprognosen führen zu besseren Kapazitätsplanungen, genauere Fahrzeitvorhersagen ermöglichen realistischere Fahrpläne, und Predictive Maintenance reduziert ungeplante Fahrzeugausfälle. Diese Synergie zwischen datengetriebener Vorhersage und mathematischer Optimierung ist ein Kernmerkmal unserer Lösungen.

// ML-Pipeline: Nachfrageprognose

features = [

                hour, weekday, month,

                weather, temperature,

                events, holidays,

                lag_1d, lag_7d, lag_365d

              ]

model = XGBoost(

                objective='reg:squarederror',

                n_estimators=500,

                learning_rate=0.05

              )

              model.fit(X_train, y_train)

// MAPE: 8-12% typisch

Nachfrageprognose

Vorhersage des Fahrgastaufkommens auf Haltestellenebene für die Kapazitätsplanung. Gradient Boosting und LSTM-Modelle berücksichtigen saisonale Muster, Wetter, Veranstaltungen und Ferienzeiten für die Busverkehrsplanung.

Fahrzeitprognose

Präzise Vorhersage von Fahrzeiten unter Berücksichtigung von Tageszeit, Verkehrslage, Wetter und Haltestellenbelastung. Ermöglicht realistische Fahrpläne und verbessert die Pünktlichkeit im ÖPNV.

Verspätungsvorhersage

Frühzeitige Erkennung von Verspätungskaskaden durch Analyse von Echtzeit-Telemetriedaten. Ermöglicht proaktive Dispositionsmaßnahmen, bevor sich Verspätungen auf den gesamten Betrieb auswirken.

Predictive Maintenance

Vorhersage von Wartungsbedarf und Ausfallwahrscheinlichkeiten auf Basis von Sensordaten, Laufleistung und Betriebsbedingungen. Reduziert ungeplante Ausfälle und optimiert die Werkstattplanung.

Anomalie-Erkennung

Automatische Erkennung ungewöhnlicher Betriebsmuster: Fahrzeitabweichungen, Energieverbrauchsspitzen, ungewöhnliche Fahrgastströme. Frühwarnsystem für betriebliche Probleme und Infrastrukturschäden.

Energieverbrauchsprognose

Vorhersage des Energiebedarfs für E-Bus-Flotten unter Berücksichtigung von Streckenprofile, Beladung, Temperatur und Fahrweise. Ermöglicht optimale Ladeplanung und Reichweitenmanagement.

// Technologie

ML-Stack und Infrastruktur

Unsere ML-Infrastruktur ist auf die spezifischen Anforderungen der Verkehrsbranche zugeschnitten. Wir nutzen bewährte Frameworks wie scikit-learn, XGBoost, LightGBM und PyTorch für die Modellentwicklung. Die Modelle werden in containerisierten Umgebungen (Docker, Kubernetes) bereitgestellt und über standardisierte APIs in unsere Optimierungsplattform integriert.

Ein zentraler Aspekt ist das Feature Engineering: Die Rohdaten aus Verkehrsunternehmen müssen in aussagekräftige Features transformiert werden. Wir haben über Jahre hinweg domänenspezifisches Wissen aufgebaut, welche Features für welche Vorhersageaufgaben relevant sind – von zeitlichen Mustern über räumliche Korrelationen bis hin zu Wechselwirkungen zwischen Verkehrsträgern.

Die kontinuierliche Modellpflege ist ebenso wichtig wie die initiale Entwicklung: Automatische Retraining-Pipelines, Drift-Detection und Performance-Monitoring stellen sicher, dass die Modelle auch bei veränderten Betriebsbedingungen – etwa nach Fahrplanwechseln oder Netzänderungen – präzise Vorhersagen liefern.

"Die ML-basierte Nachfrageprognose hat die Genauigkeit unserer Kapazitätsplanung deutlich verbessert. Wir können jetzt proaktiv auf Nachfragespitzen reagieren, statt erst im Nachhinein überfüllte Busse zu registrieren."

Datenanalyse

Verkehrsverbund, Österreich

Case Study: MILP-basierte Flottenoptimierung

Machine Learning für datengetriebene Verkehrsplanung