Daten aus dem öffentlichen Personennahverkehr (ÖPNV) sind eine wichtige Komponente für ein umweltsensitives Mobilitätsmanagement. Fahrplan- und Echtzeitdaten in Ergänzung mit Betriebsdaten ermöglichen neben digitalen Fahrgastinformationen auch Verkehrssimulationen, KI-basierte Prognosen und adaptive Steuerungsstrategien. Das Forschungsprojekt AIAMO zeigt anhand konkreter Anwendungen in Leipzig und Landau i. d. Pfalz, wie sich durch die intelligente Verknüpfung von ÖPNV-, Verkehrs- und Umweltdaten neue Potenziale für ein leistungsfähiges umweltsensitives Mobilitätsmanagement erschließen lassen.
Der ÖPNV ist das Fundament nachhaltiger Mobilität in Städten. Busse, Straßenbahnen und Bahnen bündeln effizient große Fahrgastmengen und senken so Emissionen und Flächenbedarf deutlich. Gleichzeitig übernimmt der ÖPNV eine zentrale Funktion in multimodalen Mobilitätssystemen, wenn Fußgänger, Fußgängerinnen und Passagiere mit Fahrrad oder E-Scooter im gleichen Verkehrsmittel reisen können oder motorisierter Individualverkehr und andere Sharing-Angebote durch „Park+Ride“ miteinander verknüpft werden.
Damit diese Systeme zuverlässig funktionieren, gewinnt ein datenbasiertes, umweltsensitives Mobilitätsmanagement zunehmend an Bedeutung. Die Fahrplan-, Betriebs- und Echtzeit-Prognosedaten der Verkehrsunternehmen liefern wichtige Informationen für die Verkehrssteuerung sowie für digitale Anwendungen wie Verkehrssimulationen oder KI-basierte Prognosemodelle. Voraussetzung dafür sind standardisierte Daten.
Mit höherer ÖPNV-Nutzung Umweltbelastung reduzieren
Der ÖPNV besitzt ein erhebliches Potenzial zur Reduktion verkehrsbedingter Emissionen. Durch die hohe Transportkapazität von Bussen und Schienenfahrzeugen können insbesondere bei guter Auslastung deutlich geringere Emissionen pro Fahrgast erzielt werden als im motorisierten Individualverkehr. Um dieses Potenzial zu nutzen, muss der ÖPNV systematisch in Maßnahmen der Verkehrssteuerung integriert werden. Entscheidungen zu Temporegelungen, Verkehrslenkung oder Lichtsignalsteuerung wirken sich unmittelbar auf die Betriebsqualität von Bus und Straßenbahn aus.
Die Nutzung des Angebots aus dem öffentlichen Verkehr hängt jedoch maßgeblich von dessen Qualität ab. Zu den wichtigsten Faktoren zählen die Erreichbarkeit von Haltestellen, die Taktfrequenz der Linien sowie die Zuverlässigkeit des Betriebs. Verspätungen, Fahrtausfälle oder lange Taktzeiten reduzieren die Attraktivität von Bus und Tram deutlich und führen dazu, dass Fahrgäste auf den motorisierten Individualverkehr ausweichen. Zur Vermeidung von Verspätungen kann eine gezielte Bevorzugung der Fahrzeuge des ÖPNV, beispielsweise durch Vorrangschaltungen an Lichtsignalanlagen oder mit eigenen Fahrspuren, dazu beitragen, Reisezeiten zu stabilisieren und die Zuverlässigkeit des Systems zu erhöhen.
Standardisierte Daten als Grundlage digitaler Mobilität
Die Digitalisierung hat auch im öffentlichen Verkehr zu grundlegenden Veränderungen geführt. Fahrgastinformationen werden heute überwiegend digital bereitgestellt: über mobile Anwendungen, webbasierte Auskunftssysteme oder dynamische Anzeigetafeln an Haltestellen. Diese Systeme basieren auf umfangreichen Datensätzen zu Linien, Haltestellen, Fahrplänen und aktuellen Betriebszuständen.
Für Verkehrsplaner und -planerinnen stellen Fahrplandaten zudem eine wichtige Grundlage für Analysen der Angebotsqualität dar. Die Standardisierung dieser Daten ist dabei von zentraler Bedeutung, denn nur einheitliche Datenstrukturen ermöglichen es, Bedarfsanalysen, Fahrplanung und Echtzeitinformationen der Fahrten über Betreiber- und Regionsgrenzen hinweg zu integrieren, zu nutzen und zu veröffentlichen. Ein wichtiger Bestandteil dieser Standardisierung ist die eindeutige geographische Verortung von Haltestellen. Durch die Zuordnung von Haltestellen zu präzisen Geokoordinaten können sie in digitalen Karten dargestellt und in automatisierte Routingsysteme integriert werden.
Fahrplandaten und Echtzeit-Informationen
In Deutschland werden standardisierte Fahrplandaten unter anderem über die Plattform DELFI e. V. (Durchgängige ELektronische FahrgastInformation) bereitgestellt. Sie stehen in Formaten wie GTFS (General Transit Feed Specification) und NeTEx (Network Timetable Exchange) zur Verfügung. GTFS hat sich international als Standardformat für Fahrplandaten etabliert und enthält grundlegende Informationen zu Linien, Haltestellen und Ankunfts- und Abfahrtszeiten. NeTEx ermöglicht darüber hinaus eine detailliertere Beschreibung eingesetzter Fahrzeuge, Verkehrsnetze und Betriebsstrukturen.
Neben den statischen Fahrplandaten gewinnen Echtzeit-Informationen zunehmend an Bedeutung. Bordrechner in Fahrzeugen erfassen Positions- und Zeitdaten und vergleichen diese mit dem geplanten Fahrplan. Abweichungen der Pünktlichkeit werden anschließend als Echtzeit-Prognosen in die Auskunftssysteme gemeldet. Aktuelle Prognosen zu Abfahrtszeiten, Verspätungen oder Ausfallmeldungen werden während des Betriebs kontinuierlich aktualisiert und ermöglichen damit eine dynamische Reiseplanung (siehe Abb. 1).
Bewertung von Echtzeit-Prognosen anhand von Betriebsdaten im AIAMO Ökosystem
Die Bedeutung der Echtzeit-prognosen nimmt zu – aber steigt die Qualität der Prognosemeldungen in gleichem Maße? Der Vergleich mit Realdaten aus den Bordrechnern der Verkehrsmittel, die tatsächliche Ankunfts- und Abfahrtszeiten dokumentieren, ermöglicht eine Bewertung der Prognosequalität.
Im Forschungsprojekt AIAMO werden Realdaten der Leipziger Verkehrsbetriebe (LVB) verwendet, um die Genauigkeit von Echtzeitprognosen zu analysieren. Die Auswertungen zeigen, dass die Abweichungen meist im Toleranzbereich von etwa einer Minute liegen, in einzelnen Fällen jedoch deutlich größer sein können. Mithilfe von KI-Verfahren lassen sich solche Abweichungen systematisch analysieren und klassifizieren. Diese veredelten und modellierten Daten können dann über die Integrationszone des AIAMOnexus in das AIAMO System eingebunden werden. Der AIAMOnexus verknüpft Datenquellen aus unterschiedlichen Bereichen – darunter lokale Sensordaten der Luftqualität und Verkehrszählung, Floating-Car-Daten und Wetterprognosen – und bereitet sie für den Einsatz in leistungsfähigen KI-Anwendungen auf.
Digitale Zwillinge und Verkehrssimulation
Die Entwicklung digitaler Zwillinge von Verkehrssystemen ist eine relevante Anwendung von Verkehrsdaten für das umweltsensitive Mobilitätsmanagement im urbanen Raum. Dabei wird das reale Verkehrsnetz in einer Simulation abgebildet, die kontinuierlich mit aktuellen Daten versorgt wird.
Im Projekt AIAMO nutzt das Deutsche Zentrum für Luft- und Raumfahrt e. V. (DLR) Fahrplandaten und Echtzeitinformationen, um den öffentlichen Verkehr in Verkehrssimulationen wie SUMO (Simulation of Urban Mobility) einzubinden. Dadurch können Busse und Schienenverkehr als aktive Verkehrsteilnehmer in der Analyse des Gesamtsystems berücksichtigt werden. Mit Simulationswerkzeugen wie SUMO lassen sich verschiedene Szenarien untersuchen, etwa die Auswirkungen von Baustellen, veränderten Verkehrsregelungen oder Großveranstaltungen auf den Verkehrsfluss und die Auslastung der Straßennetze. Solche Simulationen ermöglichen es im Vorfeld, Maßnahmen im Hinblick auf den Individualverkehr und deren Auswirkungen auf den ÖPNV-Betrieb einzuschätzen.
KI-basierte Prognosen verkehrsrelevanter Ereignisse
Ein weiteres Anwendungsfeld datenbasierter Verkehrssteuerung ist die Vorhersage verkehrsrelevanter Ereignisse im Verkehrsnetz. Insbesondere beschrankte Bahnübergänge können nach Schließen der Schranken Stausituationen erzeugen, die sowohl den Individualverkehr als auch Buslinien betreffen (siehe Abb. 2).
In der AIAMO Pilotregion Landau i. d. Pfalz werden Fahrplan- und Echtzeitdaten des Regionalverkehrs mit Verkehrszähldaten aus der Straßenverkehrssteuerung kombiniert, um Schrankenschließungen zu prognostizieren und deren Auswirkungen auf den Verkehrsfluss abschätzen. Verkehrssteuerungssysteme wie beispielsweise Lichtsignalanlagen können angepasst werden, um Staus zu reduzieren und den Verkehrsfluss zu stabilisieren.
Datenintegration als Schlüssel für zukünftige Mobilitätssysteme
Digitale Daten aus dem ÖPNV entwickeln sich zunehmend zu einer zentralen Ressource für Verkehrsplanung und umweltsensitives Mobilitätsmanagement. Fahrplandaten, Echtzeitinformationen und Realdaten der Verkehrsunternehmen ermöglichen detaillierte Analysen, Simulationen und situationsbezogene Prognosen. Gleichzeitig zeigt sich ein wechselseitiger Einfluss von Individualverkehr und straßengebundenem ÖPNV. Für eine realistische Bewertung des Verkehrs sind deshalb zusätzliche Datenquellen wie Verkehrszähldaten oder Floating-Car-Daten erforderlich.
Durch die Integration dieser unterschiedlichen Datenquellen lassen sich komplexe Verkehrsabläufe modellieren und in digitalen Zwillingen abbilden, die mit datenbasierten Vorhersagen und intelligenten Verkehrssteuerungssystemen auch die Zuverlässigkeit und Leistungsfähigkeit des ÖPNV verbessern. Schließlich verdeutlicht das Forschungsprojekt AIAMO, dass ein umweltsensitives und intermodales Mobilitätsmanagement in Städten und Kommunen nur über die Verfügbarkeit von Daten aus allen Bereichen der urbanen Infrastruktur gelingen kann. In diesem System bilden die Daten des ÖPNV eine zentrale Säule.
Über AIAMO
Das Forschungsprojekt AIAMO verbindet die neuesten Entwicklungen der Künstlichen Intelligenz (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 Bürgerinnen und Bürger zu erhöhen. AIAMO entwickelt und nutzt KI-Modelle zur Analyse und Optimierung von Mobilitätsdaten. Durch die Einbindung bisher ungenutzter Daten sowie deren intelligenten 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 Millionen Euro. Das durch ITS Germany e.V. geführte Konsortium von 14 Partnern aus Wissenschaft, Forschung und Industrie – T-Systems, Theis Consult, Fraunhofer IML, Bosch, Deutsches Zentrum für Luft- und Raumfahrt, Helmholtz Zentrum für Umweltforschung, highQ, FKFS, TEQYARD, Yunex Traffic, Swarco sowie Schlothauer & Wauer – entwickelt innovative Lösungen, die urbane und ländlich geprägte Mobilitätsbedürfnisse gleichermaßen abdecken.
