Die Grundlage von Künstlicher Intelligenz bilden Daten, und die sind bereits jetzt schon reichlich vorhanden. Ob historische oder Echtzeit-Verkehrsdaten, Daten aus dem Ticketing, der Fahrplanauskunft oder dem Flottenmanagement: Die gesammelten Daten sind mittlerweile so detailliert und umfangreich, dass sie für das Training von Algorithmen weiterverwendet werden können. Die Anwendung von KI auf diese Daten kann Veränderungen und Trends präziser und in kürzerer Zeit aufzeigen. Das ermöglicht verbesserte Abfahrtsprognosen, eine optimale Routenplanung sowie schnelle Reaktionen auf aktuelle Ereignisse wie Unfälle oder Staus.
Erheblich verbesserte Abfahrtsprognosen dank
Maschinellem Lernen
In einem Pilotprojekt von INIT und dem Verkehrsunternehmen Golden Gate Bridge, Highway & Transportation District in San Francisco wurde beispielsweise mithilfe einer KI-basierten Lösung die Genauigkeit der Abfahrtsprognosen von Bussen erheblich verbessert, im extremsten Fall von 49 auf bemerkenswerte 87,47 Prozent. Der Machine Learning Core stellt Prognosen auf Basis historischer Daten und Echtzeitinformationen zur Verfügung, verwendet innovative Algorithmen zur Mustererkennung und kann große Datenmengen (Big Data) verarbeiten. In MOBILEstatistics, INITs Auswertungs- und Statistiksystem, werden die Betriebsdaten gesammelt und mit vielen weiteren Informationen wie Fahrzeiten aufbereitet. In einem Trainingsprozess eruiert das System die jeweils zuverlässigsten Verfahren und gibt die so prognostizierten Abfahrtszeiten für die Haltestellen an die diversen angeschlossenen Systeme weiter. Dabei werden auch aktuelle Verkehrseinschränkungen oder die Fahrtdauer der unmittelbar vorausfahrenden Fahrzeuge berücksichtigt. Fahrgäste können direkt die Live-Prognosen einsehen, und die Fahrt wird noch besser planbar.
In INITs MOBILE-ITCS nextGen ist die ML-Prognose standardmäßig enthalten.
Mit KI zu zuverlässigeren Auslastungsinformationen und mehr Fahrgastkomfort
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, das System zur Auslastungsinformation und Fahrgastlenkung von INIT, 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. 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 kommen ein patentiertes Verfahren und ein KI-Algorithmus zum Einsatz. Dabei 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. Die so gewonnenen Informationen können dann z.B. im Intermodal Transport Control System MOBILE-ITCS von INIT 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, was wiederum für eine gleichmäßigere Auslastung sorgt.
Den kompletten Artikel lesen Sie in der Nahverkehrs-praxis 1-2024.
