Der ÖPNV muss Erreichbarkeit und Angebotsqualität verbessern und zugleich wirtschaftlicher werden. Bedarfsverkehre, Linienangebote und weitere Mobilitätsdienste können dazu beitragen, wenn sie im Zusammenwirken mit dem Linienverkehr geplant und betrieben werden. Künstliche Intelligenz (KI), Digitale Zwillinge und die Vernetzung bestehender Systeme zur Erschließung neuer Datenquellen eröffnen Möglichkeiten, Mobilitätsangebote regional zu koordinieren und Entscheidungen vorausschauend zu treffen. Das Forschungsprojekt AIAMO (Artificial Intelligence And MObility) untersucht die technologischen und organisatorischen Grundlagen dafür.
Neue Anforderungen an regionale Mobilität
Verkehrliche, ökologische und energetische Fragestellungen sowie die Belange der Kritischen Infrastruktur bis hin zu Zivilschutz und Verteidigung müssen zunehmend auf regionaler Ebene betrachtet werden. Für den ÖPNV besteht eine wesentliche Herausforderung darin, auch in nachfrageschwachen Räumen die Erreichbarkeit zu verbessern und zugleich die Wirtschaftlichkeit der Angebote zu erhöhen.
Die integrierte Betrachtung von Mobilität ist nicht neu. Die Novellierung der Verordnung über das transeuropäische Verkehrsnetz (TEN-T) und die Anforderungen an nachhaltige urbane Mobilitätspläne (Sustainable Urban Mobility Plans, SUMP) für urbane Knoten unterstreichen ihre Bedeutung. Die veränderten Rahmenbedingungen verlangen jedoch, bestehende Systeme schneller und effizienter zu verknüpfen und zugleich die Robustheit der Infrastruktur zu stärken.
Planung und Betrieb im Zusammenspiel
Straßenverkehr, ÖPNV, Wirtschaftsverkehr und Sharing-Angebote sind vielfach getrennte Systeme. Unterschiedliche Datenformate und Zuständigkeiten erschweren ihre Verknüpfung. Zugleich müssen die verschiedenen Verkehrs- und Mobilitätsangebote stärker auf regionaler Ebene integriert und Planung und Betrieb enger miteinander verbunden werden.
Eine wichtige Grundlage dafür ist die steigende Verfügbarkeit aktueller Daten. Verkehrsmodelle können kontinuierlich neu kalibriert und damit sowohl für die strategische Planung als auch für die operative Steuerung eingesetzt werden. Klassische Simulationen und KI-Verfahren lassen sich zu hybriden Modellen verbinden.
Für den ÖPNV sind insbesondere Echtzeit- und Auslastungsdaten relevant. Sie können den Betrieb optimieren sowie die Planung von Angeboten und Betriebsstrategien verbessern. Dabei lassen sich unterschiedliche Einflussfaktoren auf die Nachfrage berücksichtigen, beispielsweise besondere Wetterverhältnisse oder unregelmäßig stattfindende Veranstaltungen. Dadurch können Bedarfsverkehre flexibler gestaltet und tägliche Betriebsanpassungen in übergeordnete Mobilitäts-Management-Strategien integriert werden.
KI als Bindeglied verteilter Systeme
Verkehrs-Management-Systeme, Fahrzeug- und Sensordaten, Umweltmessnetze sowie Informationen aus dem öffentlichen Verkehr liefern dynamische Datenströme, die häufig in einzelnen Anwendungen verbleiben. Um sie übergreifend nutzen zu können, müssen die Daten integriert, harmonisiert und für konkrete Aufgaben aufbereitet werden. KI gewinnt so über einzelne Anwendungen hinaus strategische Bedeutung. Sie kann Sensordaten interpretieren und Zusammenhänge zwischen Verkehr, Umwelt, Infrastruktur und Mobilität analysieren. Auf dieser Grundlage lassen sich adaptive Strategien entwickeln.
Sprachmodelle können die Interaktion unterschiedlicher Nutzender unterstützen und perspektivisch Arbeitsabläufe verteilter Systeme dynamisch koordinieren. Für den ÖPNV eröffnet dies beispielsweise die Möglichkeit, neue Anbieter-Konstellationen durch die Verknüpfung der jeweiligen systemspezifischen Lösungen flexibler umzusetzen. Auch die Anpassung von Systemkonfigurationen an Krisen- und Notfall-Situationen wird damit denkbar.
Eine Voraussetzung für solche verteilten Strukturen ist die Souveränität der beteiligten Unternehmen über ihre Systeme und Daten. Teilsysteme können lokal oder in einer europäischen Cloud betrieben und durch dezentrale Rechenkapazitäten, so genannte Edge-Lösungen, in Fahrzeugen und Infrastruktur ergänzt werden. Vorhandene Systeme lassen sich auf diese Weise weiter nutzen und schrittweise migrieren. KI-basierte Integrationskomponenten und Agenten können ihren Aufbau und ihre Wartung vereinfachen.
Mit der zunehmenden Vernetzung können KI-gestützte Anwendungen auch Funktionen der integrierten Systemsteuerung übernehmen. Entscheidend ist dabei, welche Entscheidungen automatisiert getroffen werden dürfen und wann der Mensch eingreifen muss. Die Planung und Steuerung von Mobilität erfordern fachliche Abwägungen, bei denen KI unterstützen kann. Die Verantwortung für grundlegende Entscheidungen bleibt beim Menschen.
AIAMO: Entscheidungen als Ausgangspunkt
AIAMO verfolgt einen technologischen und methodischen Ansatz für ein integriertes, umweltsensitives Mobilitäts-Management. Der AIAMOnexus besteht aus einer Integrationszone zur standardisierten Datenanbindung und AI Foundation Models zur Aufbereitung und Bereitstellung der Daten für KI-Anwendungen. Auf dieser Grundlage können Digitale Zwillinge, Prognosemodelle und adaptive Steuerungsverfahren zusammenwirken.
Leitgedanke ist das „Decision-Driven Data Making“: Ausgangspunkt ist nicht die maximal mögliche Datensammlung, sondern die konkrete Entscheidungsanforderung. Aus ihr wird abgeleitet, welche Daten benötigt, wie sie aufbereitet und welchen Anwendungen sie bereitgestellt werden. Der föderierte Ansatz ermöglicht die Verknüpfung bestehender Systeme, ohne die Zuständigkeiten und Datenhoheit der Beteiligten aufzuheben.
Digitale Zwillinge für vernetzte Entscheidungen
Digitale Zwillinge verbinden historische Daten, Echtzeit-Informationen und Prognosen. Sie erweitern klassische Simulationsmodelle und können sowohl in der Planung als auch im laufenden Betrieb eingesetzt werden. Dabei geht es nicht um ein allumfassendes Abbild einer Stadt oder Region, sondern um einen Verbund spezialisierter, interagierender Zwillinge, die Anforderungen verschiedener Akteure und Fachbereiche repräsentieren.
Damit lassen sich die Nachfrage von ÖPNV-Linien, Reisezeiten, aber auch Umweltwirkungen oder Baustellen-Folgen analysieren. Zudem werden Wechselwirkungen zwischen Verkehrsträgern sichtbar. Für den ÖPNV können Angebotsänderungen und tägliche betriebliche Anpassungen im Zusammenhang mit der regionalen Verkehrslage bewertet und in übergeordnete Mobilitäts-Management-Strategien eingebunden werden.
Bisher werden Steuerungsstrategien vielfach im Voraus entwickelt und bei entsprechenden Verkehrslagen aktiviert. Lernende Systeme eröffnen die Perspektive, Maßnahmen zunehmend dynamisch abzuleiten. Dafür müssen auch die unterschiedlichen betrieblichen Anforderungen der beteiligten Unternehmen berücksichtigt werden. Perspektivisch können digitale Verhandlungs-Mechanismen eine kurzfristige Abstimmung ermöglichen.
Digitale Zwillinge unterstützen damit nicht nur die Analyse, sondern auch die Entscheidungsfindung. KI-Agenten können Planende und Betriebsverantwortliche entlasten, ohne sie zu übersteuern.
Erprobung in Leipzig und Landau in der Pfalz
Die beiden Pilotregionen Leipzig und Landau in der Pfalz zeigen unterschiedliche Anwendungsfelder dieses Ansatzes. In Leipzig werden hochaufgelöste Luftqualitäts-Messdaten mit Verkehrsmodellen und Echtzeitdaten aus der Verkehrssteuerung kombiniert. Die daraus entstehenden integrierten Verkehrs- und Umweltlagen bilden die Grundlage für die Bewertung und Auswahl geeigneter Steuerungs-Maßnahmen. Untersucht wird auch Reinforcement Learning, bei dem KI-Systeme anhand realer und simulierter Verkehrssituationen lernen, welche Maßnahmen unter bestimmten Bedingungen geeignete Ergebnisse erzielen. Die Bevorrechtigung des ÖPNV wird im Zuge dieser integrierten Steuerung weiter optimiert.
In Landau in der Pfalz stehen adaptive Lichtsignal-Steuerungen, Prognosen von Schranken-Schließzeiten sowie simulationsgestützte Verfahren zur Entwicklung und Bewertung von Steuerungsstrategien im Mittelpunkt. Ziel ist es, den Verkehrsfluss zu verbessern und dabei mögliche Umweltwirkungen der Steuerungs-Maßnahmen zu berücksichtigen. Digitale Zwillinge ermöglichen es, unterschiedliche Maßnahmen und ihre voraussichtlichen Auswirkungen zu simulieren und miteinander zu vergleichen. Damit liefern sie eine Grundlage für die Auswahl geeigneter Steuerungs-Strategien.
Die Pilotanwendungen konzentrieren sich auf die Straßenverkehrs-Steuerung und das umweltsensitive Mobilitäts-Management. Für den ÖPNV ist insbesondere der zugrunde liegende Ansatz relevant: Bestehende Daten und Systeme werden so verknüpft, dass ihre Wechselwirkungen berücksichtigt und betriebliche Maßnahmen in einen regionalen Zusammenhang gestellt werden können.
Regelwerke und Verantwortung
Lernende Systeme verändern die Anforderungen an fachliche Regelwerke und rechtliche Rahmenbedingungen. Auch klassische Steuerungs-Verfahren und Signalanlagen treffen bereits Optimierungs-Entscheidungen. Neu ist die Perspektive, Strategien verschiedener Systeme KI-gestützt aufeinander abzustimmen und dabei Wechselwirkungen und Zielkonflikte fortlaufend zu berücksichtigen.
Die fachlichen Regelwerke müssen diese Entwicklung aufgreifen. Im Straßenverkehr betrifft dies insbesondere die Empfehlungen und Richtlinien der Forschungsgesellschaft für Straßen- und Verkehrswesen (FGSV), im öffentlichen Verkehr jene des Verbands Deutscher Verkehrsunternehmen (VDV). Für die Datennutzung ist unter anderem das Gesetz über intelligente Verkehrssysteme im Straßenverkehr und deren Schnittstellen zu anderen Verkehrsträgern (IVSG) relevant. Hinzu kommen die anwendungsabhängigen Anforderungen der europäischen KI-Verordnung (AI Act).
Nachvollziehbarkeit, Sicherheit und klare Verantwortlichkeiten sind deshalb wesentliche Voraussetzungen für den Einsatz lernender Systeme. Das gilt auch für die Gestaltung der Zusammenarbeit zwischen Mensch und KI.
Regional, resilient und sektorübergreifend
Die technologische Entwicklung eröffnet die Perspektive eines regionalen Gesamtsystems, in dem Straßenverkehr und ÖPNV mit Wirtschaftsverkehr, autonomen Mobilitätsdiensten und Sharing-Angeboten enger zusammenwirken. Verkehrs- und Umweltsysteme könnten perspektivisch auch integriert gesteuert werden. Gleichzeitig steigen die Anforderungen an Resilienz und Krisenfähigkeit.
Voraussetzungen sind interoperable Daten und widerstandsfähige Kommunikationsnetze, die hohe Anforderungen an Cybersicherheit erfüllen. Hinzu kommen transparente Governance-Strukturen und europäische Datensouveränität. Technische Innovation allein reicht dafür nicht aus. Ebenso erforderlich sind organisatorische Veränderungen, die Zusammenarbeit der beteiligten Akteure und klar definierte kommunale Zielsysteme.
Vom Einzelangebot zum lernenden Mobilitätssystem
Der Technologiesprung liegt nicht in immer neuen Einzelsystemen, sondern in ihrer intelligenten Vernetzung. Kuratierte Verkehrs- und Mobilitätsdaten bilden zusammen mit KI und lernfähigen Modellen die Grundlage für einen gemeinsamen Lage-, Prognose- und Entscheidungsraum. Dieser ermöglicht es, Verkehrsinfrastruktur, Mobilitätsangebote, Umweltwirkungen und Sicherheits-Anforderungen in ihrem Zusammenhang zu betrachten.
Die Arbeiten in Leipzig und Landau in der Pfalz liefern dafür technologische Erkenntnisse und praktische Erfahrungen. Ziel ist ein vorausschauendes, umweltsensitives und regional koordiniertes Mobilitäts-Management, das sich an kommunalpolitischen Zielsetzungen orientiert. Für den ÖPNV liegt darin die Chance, seine unterschiedlichen Angebote und betrieblichen Prozesse stärker mit anderen Mobilitätsdiensten und der regionalen Infrastruktur zu vernetzen. Entscheidend ist, ob aus der intelligenten Vernetzung ein spürbarer Mehrwert entsteht: ein ÖPNV, der sich besser an den tatsächlichen Mobilitätsbedarf anpasst und auch unter schwierigen wirtschaftlichen Bedingungen ein verlässliches Angebot ermöglicht.
Über AIAMO
Das Forschungsprojekt AIAMO verbindet die neuesten Entwicklungen der KI mit konkreten, praktischen Anwendungen im Bereich der inter- und multimodalen Mobilität. Es zielt darauf ab, Mobilitätsdaten effizient zu nutzen, um die Verkehrssteuerung in Städten und ländlichen Regionen zu optimieren, den CO₂-Ausstoß zu minimieren und gleichzeitig die Lebensqualität der Bürger zu erhöhen. AIAMO entwickelt und nutzt KI-Modelle zur Analyse und Optimierung von Mobilitätsdaten. Durch die Einbindung bisher ungenutzter Daten sowie deren intelligente Vernetzung und Analyse, werden neue Möglichkeiten für die nachhaltige Mobilität eröffnet. Das Projekt wird gefördert vom Bundesministerium für Digitales und Staatsmodernisierung (BMDS) in Höhe von 16,7 Mio. Euro. Das durch den ITS Germany e.V. geführte Konsortium umfasst 14 Partner aus Wissenschaft, Forschung und Industrie.
Text: Prof. Dr.-Ing. Michael Ortgiese, Abteilungsleiter digitale Verkehrsplanung am DLR-Institut für Verkehrsforschung, Berlin, Bild: Adobe Stock