Datengetriebene Mobilitätslösungen:Mit Highspeed zur Mobilitätswende

KI ist in aller Munde, die Einsatzfähigkeit vielfältig. Doch Grundvoraussetzung zur Verwendung von KI-Technologien sind auch hier Daten. Da das Projekt KI4autoBUS im ländlichen Raum umgesetzt wird, ist es nicht allzu überraschend, dass die Datengrundlage überschaubar ist. Mit KI können die vorhandenen Daten jedoch smart genutzt werden, indem diese „künstlich“ angereichert werden, ohne dabei die Daten zu verfälschen. Die erzeugte, größere Datenmenge ist vor allem für das Training der KI nützlich.

Eines ist klar: Um die Shuttles in Bad Birnbach zu optimieren und auf die Bedarfe der Menschen vor Ort anzupassen, spielen Mobilitätswege eine wichtige Rolle. Es geht also darum zu wissen, von wo nach wo die Menschen in Bad Birnbach unterwegs sind, an welchen Haltestellen besonders häufig Buchungen auftreten, wo sie abgesetzt werden möchten und zu welcher Tageszeit sie sich fortbewegen. Welche Daten könnten darüber besser Auskunft geben als die Buchungsdaten der beiden Shuttles in Bad Birnbach selbst.

Herausforderung Nr. 1: Die seit Mai 2022 eingesetzten Shuttles liefern zwar Buchungsdaten, jedoch reichen diese nicht aus, um ein KI-Modell darauf zu trainieren – auch wenn die Buchungsdaten seit Projektbeginn stetig mehr werden.
Das führt zu der Frage, wie eine größere Datengrundlage für die KI geschaffen werden kann. Welche alternativen Daten geben Auskunft über die Mobilitätswege? Zur Erweiterung der Datengrundlage wurden deshalb Bewegungsdaten für die Region geprüft. Bewegungsdaten, die zum Beispiel aus dem Mobilfunk oder aus Fahrzeugen gewonnen werden, können ebenfalls Auskunft über Mobilitätswege geben.

Herausforderung Nr. 2: Die geprüften Bewegungsdaten liegen für Bad Birnbach nicht in ausreichender Granularität vor, die für das Training der KI und für die Zielstellung des Projektes erforderlich wäre.
Ein typisches Henne-Ei-Problem also: Die KI braucht Daten in ausreichender Menge und Qualität, der ländliche Raum gibt diese Datenbasis aber nicht her. Wie also kann KI mit wenigen verfügbaren Daten dazu beitragen, On-Demand-Lösungen zu optimieren? Wie kann auch der ländliche Raum vom Einsatz von KI in der Mobilität profitieren? Ein Blick über den Tellerrand lohnt sich. Denn genau Ansätze, die für Problemstellungen wie die des Projektes KI4autoBUS bisher kaum bis gar nicht zum Einsatz kommen, können Antwort auf diese Fragen geben.

KI braucht, wie zuvor beschrieben, Daten in ausreichender Menge und Qualität. Für den ländlichen Raum ist das, nicht nur in unserem Projekt, ein Problem. Ein spezieller KI-basierter Ansatz, das sogenannte Reinforcement Learning (RL) kann hier helfen. Denn bei RL wird ein Agent entwickelt, der seine Handlungen durch Interaktion mit einer simulierten Umgebung, die Bad Birnbach ähnelt, erlernt und dabei selbst Daten erzeugt. Diese Handlungen werden in einem bestimmten System hinsichtlich ihrer Effizienz bewertet, sodass der Agent lernt, welche seiner Handlungen „richtig“ sind und diese dann wiederholt. Belohnt wird der Agent zum Beispiel dann, wenn ein Shuttle eine mobilitätseingeschränkte Person vor einer nicht-mobilitätseingeschränkten Person abholt oder er die Shuttles an der richtigen Haltestelle positioniert, weil dort eine Buchung erwartet wird. Bevor die Shuttles also auf die echte Welt „losgelassen“ werden, trainieren sie in einer simulierten Umgebung und üben dort so lange, bis sie das erwünschte Verhalten zeigen.

Je mehr Daten vorhanden sind, desto eher kann die KI auch individuelle Mobilitätsbedarfe vorhersagen und bei der Routenplanung entsprechend berücksichtigen. Wenn also eine Person jeden Tag zur selben Zeit an einer bestimmten Haltestelle abgeholt werden möchte, kann der Agent das schon vorab bei der Routenplanung einkalkulieren. Und wer bei der Buchung angibt, beispielsweise auf einen Rollstuhl oder einen Rollator angewiesen zu sein, wird von der KI priorisiert und vom Shuttle bevorzugt abgeholt. So wird die Wartezeit für diese Reisenden möglichst gering gehalten. Gleichzeitig werden die Shuttles für eine barrierefreie Nutzung umgerüstet. Auf diese Weise wird zukünftig auch den Personen, die aus den verschiedensten Gründen in ihrer Mobilität eingeschränkt sind, eine ganzheitliche Teilhabe ermöglicht.

Das Projekt zeigt, wie Bedarfsorientierung und Wirtschaftlichkeit näher zusammenrücken. Vor allem im ländlichen Raum, wo das ÖPNV-Angebot oftmals dünn ist und der öffentliche Nahverkehr keine echte Alternative zum eigenen Pkw darstellt, kann ein nachfrageorientierter ÖPNV ein echter Gamechanger sein. Dafür müssen Mobilitätsdaten aber in ausreichender Qualität vorliegen und richtig eingesetzt werden. Sie können zum Beispiel bei On-Demand-Angeboten dafür sorgen, dass die Disposition von Fahrzeugen und Personal dynamisch ist und auf Nachfragespitzen oder -täler reagieren kann – vorausgesetzt, dass die Nachfrage vorhergesagt werden kann. Das funktioniert nicht nur bei On-Demand-Verkehren, sondern auch bei sämtlichen anderen Mobilitätsangeboten, die als Ergänzung zum ÖPNV eingesetzt werden können. So können sich Reisende auf ein flexibles Angebot verlassen und Verkehrsunternehmen die Kapazitätsplanung ihrer Flotten und ihres Personals besser steuern. Für ein intelligentes Mobilitätsangebot lohnt es sich also, nach rechts und links zu blicken, um dafür alle relevanten Daten miteinzubeziehen – von Buchungsdaten bis hin zu Bewegungs-, Wetter- und Veranstaltungsdaten.