Was Künstliche Intelligenz und Big Data in der Verkehrsplanung verändern, was sie den Planungsteams überlassen und wie Flow beides einsetzt.
Die meisten Planungswerkzeuge gehen davon aus, dass ein Mensch jede Variante zeichnet, modelliert und prüft. Deshalb werden Netze vereinfacht, Studien untersuchen nur eine Handvoll Alternativen und die Auswirkungen auf die Fahrgäste liegen erst Tage oder Wochen später aus einem separaten Modell vor.
Verkehrsunternehmen erzeugen heute als Nebenprodukt des laufenden Betriebs enorme Mengen detaillierter Betriebsdaten: Fahrgastzählungen, Fahrzeugpositionen, Vertriebsdaten und Fahrpläne. Zugleich können Optimierungsmodelle Netzentwürfe inzwischen in einem Umfang durchsuchen, den kein Team von Hand zeichnen könnte. Zusammen machen sie aus einer eigenen Modellierungsaufgabe eine Frage, die Planerinnen und Planer noch am selben Vormittag beantworten können.
Heutige WerkzeugeModelle lassen Variablen weg, damit sie rechenbar bleiben.
Mit FlowTransitFlow bildet einen weit größeren Teil des realen Netzes ab und kommt einer echten Simulation näher.
Heutige WerkzeugeJede Variante wird von Hand gezeichnet und über Tage oder Wochen modelliert, was die Zahl der untersuchten Varianten begrenzt.
Mit FlowTransitFlow schlägt neue Netze vor, berechnet Millionen von Optionen in wenigen Minuten und legt die stärksten zur Prüfung vor.
Heutige WerkzeugeFür die Wirkung auf die Fahrgastzahlen ist ein eigener Lauf des Verkehrsmodells nötig.
Mit FlowTransitJede Änderung bewertet das gesamte Netz neu, während Sie sie vornehmen.
Heutige WerkzeugeBerichte werden im Nachhinein von Hand zusammengestellt.
Mit FlowTransitAutomatisch erstellte Berichte erläutern jede Änderung mit Karten, Kennzahlenübersichten und Erreichbarkeitsanalysen.
KI ist ein unscharfer Sammelbegriff für Software, die Aufgaben übernimmt, für die früher menschliches Urteilsvermögen nötig war. In der Verkehrsplanung ist es hilfreich, drei Arten zu unterscheiden.
Dashboards und Berichte zu Fahrgastzahlen, Fahrzeiten und Pünktlichkeit. Sie bilden die Grundlage für alles Weitere, geben für sich genommen aber keine Empfehlung.
Modelle des maschinellen Lernens, die mit Daten aus dem bisherigen Betrieb trainiert wurden, prognostizieren Fahrzeiten, Auslastung und Nachfrage, einschließlich der Reaktion der Fahrgäste auf eine Änderung.
Optimierungsverfahren durchsuchen mögliche Netzentwürfe und empfehlen den stärksten. Flow nutzt Deep Reinforcement Learning (tiefes bestärkendes Lernen), trainiert an realen und synthetischen Städten und ausgerichtet an Ihren Zielen und Randbedingungen.
Flow arbeitet in der zweiten und dritten Kategorie, und jede Bewertung lässt sich auf ihre Eingangsdaten und Annahmen zurückführen. Fahrpläne, Umläufe und Dienstpläne bleiben in Ihrem System für die Dienst- und Umlaufplanung.
Die meisten Planungswerkzeuge bewältigen die Komplexität eines Netzes, indem sie Variablen weglassen. Flow nimmt sie wieder auf: die Entscheidungen, die in der Hand der Planung liegen, das, was Fahrgäste erleben, das, was Verkehrsunternehmen leisten müssen, und die physischen Grenzen des Straßenraums.
Alles wird gemeinsam auf der realen Straßengeometrie mit gemessenen Geschwindigkeiten bewertet, und die Routen- und Verkehrsmittelwahl der Fahrgäste wird über Fußwege, Radfahrten und Umstiege hinweg modelliert. Das Modell kommt einer echten Simulation des Netzes näher, sodass es weniger Überraschungen gibt, sobald das neue Angebot auf der Straße ist.
Schon eine mittelgroße Stadt hat eine astronomische Zahl möglicher Linienkonfigurationen, und eine von Hand gezeichnete Studie untersucht nur die wenigen, die ihr Zeitplan zulässt. Der stärkste Entwurf ist womöglich nie darunter.
Der Optimierer von Flow optimiert Linienführung und Takte gemeinsam, innerhalb der von Ihnen festgelegten Ziele und Randbedingungen, und liefert vollständige Netzvarianten. Jede davon wird nach demselben Verfahren bewertet und danach gekennzeichnet, worauf sie optimiert ist.
Flow bewertet das gesamte Netz bei jeder Bearbeitung neu: geschätzte Reisezeit, Fahrgastzahlen, Erschließung und Kosten, einschließlich der Fahrgäste, die zwischen Linien wechseln. Auswirkungen auf Linien, die Sie gar nicht bearbeitet haben, werden sichtbar, solange die Änderung noch auf dem Bildschirm ist.
Die Kosten sind Schätzungen auf Planungsebene, die Ihre Dienst- und Umlaufplanung bei der Erstellung von Umläufen und Dienstplänen verfeinert.
Jedes Szenario weist die Annahmen aus, unter denen es bewertet wurde, ordnet Änderungen Linie für Linie zu und erstellt die Karten, Kennzahlenübersichten und Analysen zu sozialer Gerechtigkeit, die eine Gremienvorlage braucht, einschließlich der Tabellen für die in den USA vorgeschriebene Title-VI-Analyse. Fragt ein Gremienmitglied, warum sich Linie 6 verbessert hat, zeigt der Bericht die modellierte Fahrgastverlagerung, die dahintersteht.
Eine stadtweite Netzneuordnung oder eine neue Straßenbahn- oder BRT-Linie (Schnellbussystem), auf die das Busnetz neu ausgerichtet werden muss.
Ein neues Wohngebiet, ein Krankenhaus oder ein Campus, der angebunden werden muss, und die Linien, die sich dafür ändern.
Geplante Baustellen, eine geänderte Höchstgeschwindigkeit, ein Unfall oder eine Demonstration mit Straßensperrungen, wobei das Angebot angepasst und danach wieder zurückgestellt wird.
Flow arbeitet mit Daten, die Verkehrsunternehmen bereits vorliegen: dem GTFS-Feed (Soll-Fahrplandaten im Standardformat GTFS), automatischen Fahrgastzählungen (AFZ/APC), historischen Fahrzeugortungsdaten (AVL/RBL), Vertriebsdaten sowie Zensus- und Flächennutzungsdaten, ergänzt um die daraus abgeleiteten Quelle-Ziel-Beziehungen. Modelle, die mit Ihren Betriebsdaten des vergangenen Jahres trainiert wurden, prognostizieren, wie jeder Betriebstag verlaufen wird, und werden im Tagesverlauf laufend aktualisiert.
Wo Zähldaten dünn sind, schätzt Flow die Nachfrage aus Flächennutzung und Pendlerdaten, und jedes Szenario weist aus, welche Eingangsdaten gemessen und welche geschätzt wurden. Die Ergebnisse lassen sich wieder als GTFS exportieren.
Ob ein festes Budget auf möglichst hohe Fahrgastzahlen oder auf eine flächendeckende Erschließung ausgerichtet werden soll, ist eine Abwägung zwischen berechtigten Zielen. Sie gehört in die Hände der Planungsteams, der gewählten Vertreterinnen und Vertreter und der Öffentlichkeit. Ein Modell kennt eine Stadt zudem nicht so, wie ihre Planerinnen und Planer sie kennen: welche Viertel auf eine Linie angewiesen sind, die in keinem Datensatz auffallen würde, was sich Anwohnerinnen und Anwohner bei der letzten Bürgerversammlung gewünscht haben und warum frühere Entscheidungen so getroffen wurden.
Dieses Wissen fließt als Ziele und Randbedingungen in Flow ein, etwa ein geschützter Korridor oder eine Mindestbedienung, und die Planungsteams verfeinern die Netzvarianten, bis das Netz zu ihrer Stadt passt. Flow unterstützt die Planung als Co-Pilot: Es übernimmt Suche und Bewertung, damit Planerinnen und Planer mehr Zeit für die kreative und strategische Arbeit an der Gestaltung eines Netzes haben.
Mehr zu Flow: die Produktübersicht und Flow für Planungsbüros und Verkehrsunternehmen.
Beginnen Sie mit einem Korridor oder mit der Angebotsänderung, an der Sie ohnehin gerade arbeiten.