Einleitung
Der Einsatz von Künstlicher Intelligenz (KI) bietet große Möglichkeiten, die Effizienz und Qualität des öffentlichen Nahverkehr
Das öffentliche Verkehrssystem, das Menschen in Städten und Gemeinden befördert, wie Busse, Straßenbahnen und U-Bahnen.
s zu verbessern. Insbesondere in den Leitstellen
Zentrale Kontrollstellen, von denen aus der Betrieb des öffentlichen Nahverkehrs überwacht und gesteuert wird.
der Verkehrsbetriebe können KI-Systeme die Disponenten
Mitarbeiter in Leitstellen, die für die Planung und Koordination des öffentlichen Nahverkehrs verantwortlich sind.
bei ihren komplexen Entscheidungen unterstützen. Dabei geht es darum, die Stärken von Mensch und Maschine zu kombinieren - ein Konzept, das auch als "Hybride Intelligenz
Eine Kombination aus menschlicher und maschineller Intelligenz, bei der Computersysteme Menschen bei Entscheidungen unterstützen.
" bezeichnet wird und Teil des Industrie 5.0
Ein Konzept, das die Zusammenarbeit zwischen Mensch und Maschine in den Mittelpunkt stellt, im Gegensatz zu früheren Industriekonzepten, die eher auf Automatisierung ausgerichtet waren.
-Paradigmas ist.
In der Praxis zeigt sich jedoch, dass der Einsatz von KI in diesem Bereich mit verschiedenen Herausforderungen verbunden ist - sowohl auf technischer als auch auf sozio-technischer Ebene. Dieser Artikel beleuchtet diese Hürden im Detail und zeigt auf, welche Lösungsansätze es gibt, um das Potenzial von KI in Leitstellen des öffentlichen Nahverkehrs voll auszuschöpfen.
Herausforderungen
Technische Herausforderungen
Unzureichende Dokumentation wichtiger qualitativer Daten
Eine zentrale Informationsquelle für Disponenten sind Funkgespräche
Direkte Gespräche über Funk oder Telefon zwischen den Disponenten in der Leitstelle und dem Fahrpersonal oder anderen externen Stellen, um wichtige Informationen über Störungen oder Unfälle auszutauschen.
mit dem Fahrpersonal, in denen wichtige Informationen zu Störungen und Unfällen übermittelt werden. Leider werden diese mündlichen Informationen oft nur unvollständig und unstrukturiert dokumentiert, was eine automatische Auswertung durch KI-Systeme stark erschwert. Um diese wertvollen Daten nutzbar zu machen, wäre der Einsatz von Spracherkennungstechnologie
Computersysteme, die in der Lage sind, gesprochene Sprache zu verstehen und in Text umzuwandeln.
ein möglicher Lösungsansatz.
Unausgeglichene Datensätze
Die Datenbasis für KI-Anwendungen im öffentlichen Nahverkehr ist zwar sehr umfangreich, aber Störungen und Verspätungen machen nur einen kleinen Teil der Gesamtdaten aus. Solche unausgeglichenen Datensätze, bei denen eine Klasse deutlich unterrepräsentiert ist, stellen eine Herausforderung für viele KI-Modelle dar. Glücklicherweise hat sich der verwendete Algorithmus LightGBM
Eine Methode des maschinellen Lernens, die sich durch hohe Genauigkeit und Eignung für Datensätze mit vielen Variablen auszeichnet. Sie wird verwendet, um Vorhersagen zu treffen, zum Beispiel darüber, ob in einer bestimmten Verkehrssituation eine Kurzwende sinnvoll ist.
in dieser Studie als geeignet erwiesen, auch mit solchen Datenverteilungen umzugehen.
Veraltete historische Daten
Aufgrund von Baumaßnahmen
Arbeiten, die an Infrastruktur wie Schienenwegen durchgeführt werden, um sie zu erneuern oder zu erweitern. Diese Bauarbeiten können den normalen Betriebsablauf im öffentlichen Verkehr beeinflussen und müssen bei Entscheidungen berücksichtigt werden.
und Netzumstrukturierungen
Änderungen im Streckennetz des öffentlichen Verkehrs, zum Beispiel wenn neue Haltestellen hinzukommen oder Linienverläufe angepasst werden. Diese Änderungen führen dazu, dass historische Daten nicht mehr aktuell sind und nicht mehr für die Entwicklung von KI-Systemen verwendet werden können.
im öffentlichen Nahverkehr sind viele historische Daten veraltet und können nicht mehr für das Training von KI-Modellen verwendet werden. Stattdessen muss zunächst eine neue, aktuelle Datenbasis aufgebaut werden, die den aktuellen Gegebenheiten entspricht.
Sozio-technische Herausforderungen
KI-Training auf Basis suboptimaler historischer Daten
Eine weitere Herausforderung ist, dass die historischen Daten, auf denen KI-Systeme trainiert werden, oft unvollständig sind und wichtige Kontextinformationen fehlen. Dadurch besteht die Gefahr, dass suboptimale Entscheidungen aus der Vergangenheit reproduziert werden, anstatt eine Qualitätsverbesserung zu erreichen.
Heterogene Entscheidungen der Disponenten
In der Praxis treffen Disponenten aufgrund fehlender einheitlicher Handlungsanweisungen individuelle und unterschiedliche Entscheidungen bei Störungen. Diese Heterogenität in den Entscheidungen erschwert das Training einer KI, da sich keine gleichförmigen Handlungsmuster in den Daten zeigen. Stattdessen könnten regelbasierte Expertensysteme
Computerprogramme, die menschliches Fachwissen und Entscheidungsregeln nachbilden, um Probleme zu lösen oder Empfehlungen zu geben. Im Kontext des öffentlichen Verkehrs könnten solche Systeme eine Alternative zu KI-basierten Entscheidungsunterstützung sein.
einen vielversprechenden Ansatz darstellen.
Unklare Zielhierarchien bei dispositiven Maßnahmen
Bei Störungen im öffentlichen Nahverkehr gibt es oft Zielkonflikte, die sich nicht eindeutig auflösen lassen. Zum Beispiel steht die Zufriedenheit der Fahrgäste oft im Widerspruch zu anderen Prioritäten. Für KI-Systeme, die auf Methoden des [bestärkenden Lernens](# "Eine Methode des maschinellen Lernens, bei der ein Computerprogramm durch Belohnung und Bestrafung für seine Handlungen lernt, die beste Lösung für ein Problem zu finden. Dieses Verfahren erfordert jedoch eine klar definierte Zielhierarchie
Eine klare Reihenfolge von Prioritäten oder Zielen, die ein System verfolgen soll. Im öffentlichen Verkehr gibt es oft mehrere, teilweise widersprüchliche Ziele, wie zum Beispiel die Zufriedenheit der Fahrgäste und die Effizienz des Betriebs, die nicht immer einfach zu vereinbaren sind.
, was im Kontext des öffentlichen Verkehrs eine Herausforderung darstellt.") basieren, ist eine klare Zielhierarchie jedoch unerlässlich.
Objektivität und Glaubwürdigkeit relevanter Informationsquellen
Funkgespräche mit dem Fahrpersonal sind eine wichtige Informationsquelle, insbesondere bei Störungen und Unfällen. Allerdings kann die Objektivität
Die Unparteilichkeit und Sachlichkeit von Informationen, die für Entscheidungen verwendet werden. Im öffentlichen Verkehr können Informationen, die von beteiligten Personen wie Fahrern kommen, manchmal subjektiv oder verzerrt sein, was die Entscheidungsfindung erschwert.
und Glaubwürdigkeit
Die Verlässlichkeit und Vertrauenswürdigkeit von Informationen. Wenn Disponent:innen im öffentlichen Verkehr Entscheidungen treffen müssen, ist es wichtig, dass sie sich auf glaubwürdige Informationen stützen können, was nicht immer einfach ist.
dieser Informationen nicht immer garantiert werden, da das Fahrpersonal direkt in die Situation involviert sein kann. Daher kommt den zwischenmenschlichen Fähigkeiten der Disponenten eine besondere Bedeutung zu, um die Belastbarkeit der Informationen einzuschätzen.
Mangelnde Akzeptanz und Angst vor technologischer Ersetzung
Viele Disponenten sehen KI-Systeme zur Entscheidungsunterstützung
Computersysteme, die Menschen dabei helfen, bessere Entscheidungen zu treffen, indem sie relevante Informationen und Analysen bereitstellen.
mit Skepsis. Sie betonen die Wichtigkeit ihres "Bauchgefühl
Eine intuitive Einschätzung oder Empfindung, die die Disponenten bei ihren Entscheidungen haben, und die über rein logische Überlegungen hinausgeht.
s" für gute Entscheidungen und haben Bedenken, ihr Erfahrungswissen
Das implizite Wissen und die Fähigkeiten, die die Disponenten im Laufe ihrer Berufserfahrung aufgebaut haben und die nicht leicht in explizite Regeln oder Anweisungen übersetzt werden können.
für eine KI offenzulegen. Außerdem befürchten sie, langfristig durch die Technologie ersetzt zu werden, obwohl das Konzept der Industrie 5.0 gerade auf die Ergänzung menschlicher Fähigkeiten durch Maschinen abzielt.
Lösungsansätze
Um die genannten Herausforderungen zu adressieren, sind verschiedene Lösungsansätze denkbar:
Erklärbare KI-Systeme zur Entscheidungsunterstützung
Ein wichtiger Schlüssel zum Erfolg ist die Entwicklung von KI-Systemen, die ihre Entscheidungen transparent und nachvollziehbar erklären können. Dafür wurde in dieser Studie die XAI-Methode
Methoden, die dabei helfen, die Entscheidungen von KI-Systemen für Menschen nachvollziehbar und verständlich zu machen.
SHAP
Eine spezielle Technik, um die Entscheidungen von KI-Modellen zu erklären, indem der Beitrag einzelner Eingabefaktoren zur Vorhersage dargestellt wird.
eingesetzt, die sowohl lokale Erklärungen für einzelne Entscheidungen als auch globale Erklärungen zum Gesamtverhalten des KI-Modells liefert. Das erhöht das Vertrauen der Disponenten in die Technologie.
Integration zusätzlicher Datenquellen
Um die Vorhersagegenauigkeit
Die Fähigkeit eines KI-Systems, zuverlässige Vorhersagen über zukünftige Ereignisse oder Situationen zu treffen.
weiter zu verbessern, sollen zusätzliche Daten wie die Fahrzeugauslastung
Informationen darüber, wie voll die Fahrzeuge im öffentlichen Nahverkehr zu einem bestimmten Zeitpunkt sind.
in das KI-Modell integriert werden. Auch der Einsatz von Spracherkennungstechnologie zur Auswertung des Funkverkehr
Die Kommunikation über Funk zwischen den Disponenten in der Leitstelle und dem Fahrpersonal oder anderen Stellen.
s könnte wertvolle Informationen erschließen, die bisher ungenutzt bleiben.
Regelbasierte Expertensysteme als Alternative
Als Alternative zu datengetriebenen KI-Lösungen könnten auch regelbasierte Expertensysteme ein vielversprechender Ansatz sein. Dabei würde zunächst eine Wissensbasis
Eine strukturierte Sammlung von Informationen und Regeln, die ein Expertensystem nutzt, um Entscheidungen zu treffen.
mit Entscheidungsregeln
Explizite Vorgaben oder Richtlinien, die festlegen, wie in bestimmten Situationen gehandelt werden soll.
aufgebaut, die auf dem Erfahrungswissen der Disponenten basiert. Dieser Ansatz umgeht die Herausforderungen im Umgang mit unvollständigen historischen Daten.
Fazit
Der Einsatz von Künstlicher Intelligenz zur Entscheidungsunterstützung in Leitstellen des öffentlichen Nahverkehrs birgt großes Potenzial, um die Effizienz und Qualität des Betriebs zu verbessern. Allerdings zeigt sich in der Praxis, dass neben technischen Hürden auch zahlreiche sozio-technische Herausforderungen an der Mensch-Maschine-Schnittstelle zu bewältigen sind.
Um dieses Potenzial voll auszuschöpfen, sind neuartige Ansätze erforderlich, die die Transparenz und Erklärbarkeit der KI-Systeme in den Vordergrund stellen, zusätzliche Datenquellen erschließen und die Akzeptanz der Disponenten fördern. Nur so kann die Kombination von menschlicher und maschineller Intelligenz, wie sie das Konzept der Industrie 5.0 vorsieht, in der Realität erfolgreich umgesetzt werden.