Künstliche Intelligenz im ÖPNV

In einem Pilotprojekt von INIT und Golden GateBridge, Highway & Transportation District in San Francisco wurde beispielsweise mithilfe einer KI-basierten Softwarelösung der österreichischen INIT Tochter inola die Genauigkeit der Abfahrtsprognosen von Bussen erheblich verbessert, im extremsten Fall von 49 auf bemerkenswertte 87,47 Prozent. ML-Core, das Softwareprodukt von inola, stellt Prognosen auf Basis historischer Daten und Echtzeitinformationen zur Verfügung. Es verwendet innovative Algorithmen zur Mustererkennung und kann große  Datenmengen (Big Data) verarbeiten. In MOBILEstatistics, unserem Auswertungs- und Statistiksystem, werden die Betriebsdaten gesammelt und mit vielen weiteren Informationen wie Fahrzeiten aufbereitet. Auf dieser Datengrundlage aufbauend, stehen dem inola ML-Core unterschiedliche Methoden zur automatischen Mustererkennung und Zeitprognose zur Verfügung. Die jeweils beste Methode wird von der Software automatisch erkannt und eingesetzt. Verschlechtert sich die Prognosequalität, wird automatisch ein Neutraining des ML-Modells angestoßen. Somit werden Veränderungen im Verkehrsfluss oder Linienänderungen sofort erkannt und abgebildet. Mit herkömmlichen Prognoseverfahren wäre dies nicht möglich.

Auf der Basis des trainierten Modells berechnet das  ML-Core eine Fahrtzeitprognose für alle Fahrtabschnitte. Aus diesen Einzelwerten werden dann die neu prognostizierten Abfahrtszeiten für die Haltestellen zusammengesetzt und an die diversen angeschlossenen Systeme weitergegeben. Dabei werden auch aktuelle Verkehrseinschränkungen oder die Fahrtdauer der unmittelbar vorausfahrenden Fahrzeuge berücksichtigt. Fahrgäste können direkt die Live-Prognosen einsehen, so wird die Fahrt noch besser planbar. Die Konsequenz: Die Zufriedenheit der Fahrgäste steigt, denn dadurch gibt es keine Sprünge in der Ankunftsprognose mehr.

In INITs MOBILE-ITCS nextGen ist die ML-Prognose standardmäßig enthalten.

Die Kenntnis darüber, wie voll ein Bus oder eine Bahn werden wird, erlaubt Fahrgästen, ihre Reisepläne entsprechend anzupassen und gegebenenfalls auf eine weniger ausgelastete Verbindung auszuweichen. Dafür sind zuverlässige Informationen über die Auslastung der Fahrzeuge in Echtzeit erforderlich, wie sie MOBILEguide, unser System zur Auslastungsinformation und Fahrgastlenkung, liefert. Die technologische Herausforderung liegt dabei in der Bereitstellung einer soliden Datenbasis zur Bestimmung des erwarteten Besetztgrades eines Fahrzeugs. MOBILEguide nutzt dafür State-of-the-art-Technologien und ausgefeilte Algorithmen auf Basis einer hochmodernen Systemarchitektur. Sind Fahrzeuge nicht mit Zählsensoren ausgestattet, werden weitere Datenquellen herangezogen, beispielsweise WLAN- und Bluetooth-Signale von Smartphones oder Anfragen an die Verbindungsauskunft und die mobilithek des BMDV, ein offenes Datenportal, das Mobilitäts-, Geo- und Wetterdaten zur Verfügung stellt.

Die aktuelle Auslastung wird anhand der übertragenen Ein- und Aussteigerzahlen nach jeder Abfahrt von einer Haltestelle ermittelt, mit Fahrplandaten verknüpft und auf Plausibilität geprüft. Damit liegt eine tatsächlich gemessene Anzahl der Fahrgäste in einem Fahrzeug vor. Unter Heranziehung der Fahrzeugkapazitäten wird die aktuelle Auslastung berechnet und abgespeichert.

Für die Ermittlung einer in der Zukunft liegenden Auslastung kommt ein patentiertes Verfahren und ein KI-Algorithmus zum Einsatz. Damit wird im Hintergrundsystem der Echtzeit-Besetztgrad mit dem aus historischen Daten gewonnenen typischen Ein- und Ausstiegsverhalten an der Folgehaltestelle korreliert. Auf diese Weise findet auch die Zahl der voraussichtlichen Aussteiger Berücksichtigung. Damit übertrifft die INIT Lösung herkömmliche Systeme bei Weitem an Zuverlässigkeit.

Die so gewonnenen Informationen können dann z.B. im Intermodal Transport Control System MOBILE-ITCS für den Disponenten dargestellt werden. Am wichtigsten aber ist die Verteilung der Auslastungsinformationen über die Kanäle der Fahrgastinformation, zum Beispiel über Apps oder Websites der Verkehrsunternehmen. Denn so können Fahrgäste ihre Reisepläne entsprechend anpassen und gegebenenfalls auf weniger ausgelastete Verbindungen ausweichen, was wiederum für eine gleichmäßigere Auslastung sorgt.

Der Einsatz von künstlicher Intelligenz ist Teil zahlreicher Forschungsprojekte, die uns bei der Weiterentwicklung unserer Produkte und Lösungen unterstützen. So beschäftigt sich das Verbundvorhaben KARL (Kompetenzzentrum KARL - Künstliche Intelligenz für Arbeit und Lernen in der Region Karlsruhe) mit den Auswirkungen von künstlicher Intelligenz auf das Arbeitsumfeld und die Betriebsorganisation. Ziel ist es, menschzentrierte, transparente und lernförderliche KI-unterstützte Arbeits- und Lernsysteme zu konzipieren und praktisch zu erproben. Innerhalb des Forschungsprojektes KARL erforscht INIT deshalb KI-basierte Assistenzlösungen zur Unterstützung des Leitstellenpersonals. Die KI soll derart trainiert werden, dass sie eine Vielzahl an relevanten Faktoren mit einbezieht und, basierend auf vergangenen Situationen, genau an die jeweilige Situation angepasste dispositive Maßnahmen vorschlägt

Im Forschungsprojekt DaKiMo soll aufgezeigt werden, wie Mobilitätsdaten mithilfe von künstlicher Intelligenz aufbereitet und mit weiteren Daten, etwa zur Verkehrslage oder Witterung, angereichert werden können, um intelligente Informationsdienste für Bürger und Wirtschaft zu schaffen. Das Ziel ist es, ressourceneffiziente und nachhaltige Mobilität zu fördern und so einen Beitrag zur Verkehrswende zu leisten. Im Rahmen des Projekts wird INIT ihre Expertise zu den Datenstrukturen im Öffentlichen Nahverkehr einbringen und die heterogenen Daten aus dem Mobilitätsumfeld zusammen mit den Projektpartnern mithilfe von KI-Verfahren aufbereiten.