Präventive Krisensteuerung durch ML-Prognosen

Projektbeschreibung

Dieses innovative Projekt konzentriert sich auf die Entwicklung präventiver Managementsysteme zur Vermeidung von Krisensituationen im öffentlichen Nahverkehr. Im Gegensatz zu reaktiven Ansätzen, die erst nach Eintreten eines Problems aktiviert werden, nutzt dieses System fortschrittliche Machine-Learning-Algorithmen und prädiktive Analysen, um potenzielle Störungen frühzeitig zu erkennen und proaktive Maßnahmen einzuleiten. Besonderer Fokus liegt auf der Vorhersage kritischer Wasserstände an Verkehrsinfrastrukturen sowie auf der Prognose von Verspätungsmustern und deren Kaskadeneffekten im Netzwerk.

Das System unterstützt Entscheidungsträger bei der präventiven Planung in Szenarien wie:

• Ansteigenden Pegelständen mit potenzieller Beeinträchtigung des Schienenverkehrs
• Vorhersehbaren wetterbedingten Infrastrukturbelastungen
• Frühzeitiger Erkennung von sich entwickelnden Verspätungsmustern
• Identifikation potenzieller Personalengpässe vor deren Auftreten
• Präventiver Ressourcenumverteilung zur Vermeidung von Überlastungssituationen

Im Rahmen des Projekts arbeiten Studierende mit realen Betriebsdaten von Transdev, um ein transparentes Dashboard zu entwickeln, das Entscheidungshilfen visuell darstellt und die zugrundeliegenden Prädiktionsmodelle erklärt. Dieser Ansatz verbindet praxisnahe Lehre mit konkretem Nutzen für den Mobilitätssektor und fördert gleichzeitig die Entwicklung von erklärbareren KI-Systemen.

Projektziele

• Entwicklung von ML-Modellen zur präzisen Vorhersage kritischer Wasserstände und deren zeitlicher Entwicklung
• Implementierung von Algorithmen zur Erkennung und Prognose komplexer Verspätungsmuster und deren Ausbreitungseffekten
• Erstellung eines transparenten Entscheidungsunterstützungs-Dashboards mit erklärbaren KI-Komponenten
• Integration und Aufbereitung multipler Echtzeit-Datenströme aus Wetter-, Verkehrs- und BetriebssystemenEntwicklung eines Früherkennung-Frameworks mit automatisierten Empfehlungen für präventive Maßnahmen
• Konzeption eines Bewertungssystems zur kontinuierlichen Verbesserung der Prognosegüte und Maßnahmeneffektivität
• Evaluierung der wirtschaftlichen und operativen Vorteile präventiver gegenüber reaktiver Managementansätze
• Schaffung einer bedienerfreundlichen Schnittstelle zur nahtlosen Integration in bestehende Betriebsprozesse

Projektteam

Studenten

• Vaibhavi Balbadri
• Catrina Carrigan
• Umer Farooq
• Luca Gyhr
• Kateryna Rusnyak
• Ganesh Sahu
• Joelle Schneemann
• Marius Schweitzer
• Jan Süßmann
• Jonas von Werne

Supervisor

• Mara Burger
• Jan vom Brocke