Kaum ein Gespräch über Planung und Disposition kommt heute ohne den Begriff KI aus. Vorstände fragen, ob man nicht auch etwas mit KI machen sollte. Anbieter versprechen, dass ihre KI den Dienstplan in Sekunden erstellt. Und in den Planungsabteilungen wächst die Unsicherheit, was davon Substanz hat und was Marketing ist.
Wir arbeiten seit Jahren an der Schnittstelle von künstlicher Intelligenz und mathematischer Optimierung. Unser Team besteht aus Mathematikerinnen, Informatikern und Verkehrsplanern, und wir setzen beide Welten täglich ein. Gerade deshalb möchten wir in diesem Beitrag etwas Ordnung in die Begriffe bringen. Nicht um KI kleinzureden, sondern um zu zeigen, wo sie ihre Stärken hat und wo andere Verfahren besser passen.
Zwei Arten von Fragen
Der wichtigste Unterschied lässt sich an zwei Fragen erklären, die in jeder Planung vorkommen.
Die erste Frage lautet, was passieren wird. Wie viele Fahrgäste werden morgen früh auf Linie 7 unterwegs sein? Wie viele Krankmeldungen erwarten wir im Februar? Wann fällt ein bestimmtes Bauteil voraussichtlich aus? Das sind Prognosefragen. Für sie sind Verfahren des maschinellen Lernens hervorragend geeignet, weil sie Muster in großen Datenmengen erkennen, die ein Mensch nicht sehen würde.
Die zweite Frage lautet, was wir tun sollen. Welche Fahrzeuge fahren welche Fahrten? Wer übernimmt welchen Dienst? In welcher Reihenfolge werden die Fahrzeuge in der Werkstatt bearbeitet? Das sind Entscheidungsfragen, und sie haben eine besondere Eigenschaft. Die Antwort muss eine Vielzahl von Regeln einhalten, die nicht verletzt werden dürfen. Für diese Art von Fragen ist das Operations Research gemacht, die Wissenschaft der mathematischen Optimierung.
Wer diese beiden Fragen auseinanderhält, hat schon viel gewonnen. Denn viele Enttäuschungen mit KI-Projekten entstehen, weil ein Werkzeug für die falsche Art von Frage eingesetzt wird.
Was maschinelles Lernen gut kann
Maschinelles Lernen lernt aus Beispielen. Man gibt einem Modell historische Daten, etwa die Fahrgastzahlen der letzten Jahre zusammen mit Wetter, Ferienzeiten und Veranstaltungen, und das Modell lernt, wie diese Faktoren zusammenhängen. Danach kann es für neue Situationen eine Vorhersage treffen.
Das funktioniert beeindruckend gut, wenn genug Daten vorhanden sind und die Zukunft der Vergangenheit einigermaßen ähnelt. Nachfrageprognosen, die Erkennung ungewöhnlicher Muster in Betriebsdaten oder die Vorhersage von Ausfallwahrscheinlichkeiten sind klassische Anwendungen. Auch Bestands- und Beschaffungsprognosen gehören dazu, wie wir sie unter Procurement Prediction beschreiben. Mehr zu den Verfahren finden Sie auf unserer Seite zu Machine Learning.
Was maschinelles Lernen dagegen nicht von sich aus kann, ist Regeln garantiert einhalten. Ein Modell, das aus Beispielen gelernt hat, wie Dienstpläne aussehen, kann Pläne erzeugen, die plausibel wirken, aber eine Ruhezeit verletzen oder eine Fahrt doppelt vergeben. In einem Bereich, in dem jede Regelverletzung rechtliche oder betriebliche Folgen hat, ist das ein ernstes Problem.
Was mathematische Optimierung gut kann
Mathematische Optimierung geht den umgekehrten Weg. Sie lernt nicht aus Beispielen, sondern beschreibt das Problem explizit. Welche Entscheidungen gibt es? Welche Regeln gelten? Was ist das Ziel? Diese Beschreibung ist ein mathematisches Modell, und ein Solver sucht darin systematisch nach der besten Lösung.
Der große Vorteil ist, dass jede gefundene Lösung alle Regeln einhält, weil unzulässige Lösungen gar nicht in Betracht kommen. Und der Solver kann angeben, wie weit die gefundene Lösung höchstens vom theoretischen Optimum entfernt ist. Diese Garantie ist in der Planung viel wert, weil sie aus einem guten Gefühl eine überprüfbare Aussage macht.
Die Grenze der Optimierung liegt dort, wo die Eingangsdaten unsicher sind. Wenn wir nicht wissen, wie viele Fahrgäste morgen kommen, kann auch das beste Modell nur mit Annahmen rechnen. Genau hier kommt maschinelles Lernen ins Spiel. Einen Überblick über unsere Verfahren gibt die Seite zur mathematischen Optimierung.
Die Kombination macht den Unterschied
In der Praxis stellen sich die beiden Welten nicht als Gegensatz dar, sondern als Arbeitsteilung. Das Prinzip heißt in der Fachsprache Predict then Optimize. Zuerst sagt ein lernendes Modell voraus, was passieren wird. Dann entscheidet ein Optimierungsmodell, was angesichts dieser Vorhersage zu tun ist.
Ein Beispiel aus dem Bedarfsverkehr. Ein Prognosemodell schätzt für jede Stunde des nächsten Tages, wie viele Buchungen zu erwarten sind. Ein Optimierungsmodell berechnet daraus, wie viele Fahrzeuge und Fahrer wann im Einsatz sein sollen, und hält dabei alle Arbeitszeitregeln ein. Am Ende steht ein Plan, der auf einer realistischen Nachfrage beruht und trotzdem garantiert zulässig ist.
Ein Beispiel aus der Dienstplanung. Ein Prognosemodell schätzt, wie viele Abwesenheiten an welchen Tagen zu erwarten sind. Die Optimierung plant daraufhin gezielt Reservedienste ein, mehr an Montagen im Winter, weniger an Donnerstagen im Sommer. Mehr dazu im Beitrag zur Dienstplanung im ÖPNV.
Auch unsicherheitsbewusste Varianten sind möglich. Statt nur mit einer einzigen Prognose zu rechnen, kann die Optimierung mehrere Szenarien gleichzeitig betrachten und einen Plan wählen, der in allen Szenarien gut funktioniert. Wie wir solche kombinierten Systeme bauen, beschreiben wir auf der Seite zur KI-gestützten Disposition.
Und Reinforcement Learning?
Eine besondere Rolle spielt das Reinforcement Learning. Hier lernt ein System nicht aus fertigen Beispielen, sondern durch Ausprobieren in einer Simulation. Es trifft Entscheidungen, sieht die Folgen und verbessert seine Strategie Schritt für Schritt.
Das ist besonders interessant für Situationen, in denen sehr schnell viele aufeinanderfolgende Entscheidungen getroffen werden müssen, etwa in der Echtzeitdisposition bei Störungen. Ein trainierter Agent kann in Bruchteilen einer Sekunde reagieren, wo ein vollständiges Optimierungsmodell länger rechnen würde. Wir setzen Reinforcement Learning deshalb gezielt für solche Aufgaben ein, meist in Kombination mit Optimierungsverfahren, die die Vorschläge des Agenten auf Zulässigkeit prüfen. Mehr dazu auf den Seiten zum Reinforcement Learning und zur Echtzeitdisposition.
Und die großen Sprachmodelle?
Seit einigen Jahren prägen große Sprachmodelle die öffentliche Wahrnehmung von KI. Sie können Texte schreiben, Fragen beantworten und sogar Programmcode erzeugen. Für die Planung sind sie vor allem als Bedienoberfläche spannend. Eine Betriebsleiterin kann in normaler Sprache fragen, warum die Auslastung gestern Abend so niedrig war, und bekommt eine Auswertung zurück.
Als Planungswerkzeug selbst sind Sprachmodelle dagegen ungeeignet. Sie rechnen nicht, sie formulieren. Einen Dienstplan, der tausend Regeln gleichzeitig einhält, kann ein Sprachmodell nicht verlässlich erstellen. Es kann aber helfen, ein Optimierungsmodell zu bedienen, Ergebnisse zu erklären und Szenarien in Worte zu fassen.
Erklärbarkeit ist kein Nebenthema
Wer in einem Verkehrsunternehmen einen Dienstplan freigibt, übernimmt Verantwortung. Dafür muss er verstehen, warum der Plan so aussieht, wie er aussieht. Ein System, das nur ein Ergebnis ausgibt, ohne es begründen zu können, wird im Alltag schnell umgangen.
Mathematische Optimierung hat hier einen natürlichen Vorteil. Jede Regel ist explizit im Modell hinterlegt, jede Gewichtung dokumentiert. Wenn eine Planerin fragt, warum ein Dienst nicht anders geschnitten wurde, lässt sich zeigen, welche Regel das verhindert oder wie viel eine Alternative kosten würde. Diese Transparenz ist für uns ein Grundprinzip, das wir auf der Seite zu unseren Prinzipien näher beschreiben.
Der rechtliche Rahmen
Mit dem europäischen AI Act gibt es seit 2024 einen verbindlichen Rahmen für KI-Systeme. Besonders relevant für die Planung ist, dass Systeme, die Arbeit zuteilen, Beschäftigte überwachen oder über Arbeitsbedingungen mitentscheiden, grundsätzlich als Hochrisiko eingestuft werden. Nach der jüngsten Anpassung der Verordnung gelten die entsprechenden Pflichten ab Dezember 2027.
Für Unternehmen, die heute KI in der Personalplanung einführen, heißt das, dass sie Dokumentation, menschliche Aufsicht und Nachvollziehbarkeit von Anfang an mitdenken sollten. Systeme, die auf mathematischer Optimierung beruhen und bei denen der Mensch die finale Entscheidung trifft, sind hier gut aufgestellt. Wir bauen unsere Lösungen bewusst so, dass die Entscheidungshoheit bei Ihrem Team bleibt.
Fünf Fragen für Ihr nächstes KI-Projekt
Wenn Sie ein Angebot für eine KI-Lösung in Planung oder Disposition prüfen, helfen diese Fragen bei der Einordnung.
Erstens, welche Aufgabe übernimmt die KI konkret, Prognose oder Entscheidung? Zweitens, wie wird sichergestellt, dass alle Regeln eingehalten werden? Drittens, lässt sich nachvollziehen, warum das System eine bestimmte Lösung vorschlägt? Viertens, wie gut ist die Lösung im Vergleich zum Optimum, und woher weiß man das? Und fünftens, wer trifft am Ende die Entscheidung?
Ein seriöser Anbieter kann alle fünf Fragen klar beantworten. Wenn die Antworten vage bleiben, lohnt es sich, genauer hinzusehen.
Über den Verkehr hinaus
Die Prinzipien, die wir hier beschrieben haben, gelten weit über den Verkehrssektor hinaus. Überall dort, wo Ressourcen unter vielen Regeln verteilt werden müssen, trifft Prognose auf Entscheidung. Wir setzen dieselben Methoden etwa bei der automatischen Kursplanung für Bildungsträger, bei der automatischen Raumbelegung oder bei der Flughafen-Disposition ein.
Sie überlegen, KI oder Optimierung in Ihrer Planung einzusetzen? Sprechen Sie mit uns. Wir helfen Ihnen, die richtige Methode für Ihre Aufgabe zu finden, auch wenn die Antwort manchmal weniger spektakulär ist als erwartet.
Häufige Fragen
Ist mathematische Optimierung nicht auch eine Form von KI?
Im weiteren Sinn ja. Viele Lehrbücher zählen Optimierung und Suchverfahren zur künstlichen Intelligenz. Im heutigen Sprachgebrauch meint KI aber meist lernende Verfahren. Wichtiger als der Begriff ist die Frage, welches Verfahren für welche Aufgabe passt.
Brauchen wir für KI-Prognosen große Datenmengen?
Je mehr historische Daten vorhanden sind, desto besser. Oft reichen aber schon die Betriebsdaten weniger Jahre, ergänzt um externe Faktoren wie Ferienzeiten oder Wetter, für brauchbare Prognosen.
Können wir mit Optimierung beginnen und KI später ergänzen?
Ja, das ist sogar ein sehr sinnvoller Weg. Die Optimierung bringt schnell messbare Ergebnisse, und Prognosemodelle lassen sich später schrittweise einbinden, sobald die Datenbasis steht.