Fahrgastnachfrage vorhersagen: Machine Learning für ÖPNV und Planung

KI-Tagesseminar · 1 Tag

Nachfrage im Nahverkehr prognostizieren und Fahrplan, Kapazität und Umlauf danach ausrichten

Das nehmen Sie mit

• Automatische Fahrgastzählung, GPS und Ticketing können Sie in ihrer Aussagekraft für eine Prognose einschätzen.
• Eine eigene Nachfrageprognose für eine Linie ist erstellt und ihre Güte mit passenden Kennzahlen bewertet.
• Für Fahrplan, Kapazität, Anschlüsse, Umläufe und On-Demand-Verkehre erkennen Sie, wo Prognosen die Planung verändern.
• Ein Umsetzungsplan berücksichtigt Planungssysteme, Datenschutz, offene Daten und die Akzeptanz bei Fahrpersonal und Fahrgästen.

Ablauf

1. Teil 1

   Modul 1 – Ausgangslage: Planungspraxis und Datenbestand im Verkehrsunternehmen

   • Bestandsaufnahme der Teilnehmenden: nach welchen Grundlagen Linien, Takte und Verstärkerfahrten derzeit geplant werden
   • Zählungen, GPS-Ortung der Fahrzeuge und Ticketing als Datenquellen: Aussagekraft, Lücken und Auflösung
   • Wie sich Daten aus Fahrgastzählsystemen, Leitstelle und Vertrieb für eine Prognose zusammenführen lassen
2. Teil 2

   Modul 2 – Methoden: Wie Machine Learning Verkehrsprognosen schärft

   • Wo lernende Verfahren klassische Hochrechnungen aus Stichtagszählungen übertreffen und wo nicht
   • Verkehrsprognose und Nachfrageprognose unterscheiden: Fahrzeugströme gegenüber Fahrgastaufkommen je Linie
   • Vorführung: Ein Modell schätzt die Fahrgastnachfrage des Folgetags je Haltestelle und Stunde
   • Nutzen und Grenzen: Datenmenge, Sonderlagen ohne Vorbild, Erklärbarkeit gegenüber Aufgabenträgern
3. Teil 3

   Modul 3 – Prognose: Nachfrage, Störungen und Ereignisse abbilden

   • Störungen wie Baustellen, Streckensperrungen oder Wetterlagen als Einflussgrößen ins Modell aufnehmen
   • Großveranstaltungen, Ferien und Schulzeiten berücksichtigen, damit Überlastungen vorab sichtbar werden
   • Übung: Für eine Beispiellinie wird die Fahrgastnachfrage aus historischen Zähldaten vorhergesagt
   • Prognosegüte bestimmen: Abweichungen je Zeitfenster auswerten und Fehlerkennzahlen richtig lesen
4. Teil 4

   Modul 4 – Optimierung: Angebot und Fahrgastaufkommen in Einklang bringen

   • Fahrpläne und Kapazitäten: Takt, Fahrzeuggröße und Verstärker aus der erwarteten Auslastung ableiten
   • On-Demand-Verkehre in nachfrageschwachen Räumen und Zeiten bedarfsgerecht dimensionieren
   • Anschluss- und Umlaufplanung: Übergänge sichern und Fahrzeugeinsatz über den Tag verteilen
   • Übung: Eine überlastete Fahrt wird anhand der Prognose neu bemessen, etwa per Verstärker oder Gelenkbus
   • Das Angebot schrittweise an veränderte Nachfrage anpassen, ohne Stammkundschaft zu verlieren
5. Teil 5

   Modul 5 – Umsetzung: Prognosen in Planung und Betrieb überführen

   • Anbindung an vorhandene Planungssysteme für Fahrplan, Umlauf und Dienst
   • Datenschutz bei Bewegungs- und Ticketdaten sowie Chancen und Pflichten bei offenen Daten
   • Fallstudie: Ein ÖPNV-Angebot wird anhand von Prognosen überarbeitet und das Ergebnis bewertet
   • Akzeptanz bei Fahrpersonal, Leitstelle, Aufgabenträgern und Fahrgästen gewinnen
   • Eigener Fahrplan der Teilnehmenden für den Weg zu einem datengestützten Nahverkehr