AI 4 Sustainable PT

FFG Juni 2024 – Mai 2026

Nachhaltiger regionaler öffentlicher Verkehr durch KI-gestützte Bewertung der Mobilität.

Wie kann Künstliche Intelligenz (KI) helfen, die Herausforderungen des öffentlichen Verkehrs in strukturschwachen, ländlichen Regionen zu bewältigen? Das Forschungsprojekt AI 4 Sustainable PT entwickelt ein erklärbares, graphbasiertes KI-Framework, das datengetrieben Planungslücken identifiziert, Mobilitätsbedarfe prognostiziert und konkrete Optimierungsmaßnahmen vorschlägt – mit dem Ziel, die Resilienz und Attraktivität regionaler Mobilitätsangebote zu steigern.

Motivation und Herausforderung

Ländliche Regionen sehen sich im Kontext nachhaltiger Mobilität mit besonderen strukturellen Herausforderungen konfrontiert: geringe Bevölkerungsdichte, ausgedünnte Fahrpläne, begrenzte Erreichbarkeit – kombiniert mit begrenzten Ressourcen für systematische Bedarfserhebung und strategische Planung. Gleichzeitig verändern gesellschaftliche Trends wie multilokales Leben, Homeoffice oder demografische Verschiebungen das Mobilitätsverhalten fundamental. Klassische Planungsmethoden auf Basis historischer Daten und impliziter Erfahrungswerte werden diesen dynamischen Veränderungen im Mobilitätsverhalten nicht mehr gerecht.

Genau hier setzt das Projekt AI 4 Sustainable PT an: Durch den Einsatz erklärbarer KI-gestützter Verfahren soll es möglich werden räumlich-zeitliche Mobilitätsmuster zu erkennen, Maßnahmen zur Netzverbesserung objektiv zu bewerten und zuverlässige Nachfrageprognosen zu erstellen. Grundlage dafür sind aktuelle Fortschritte in graphbasierten Methoden, insbesondere Graph Neural Networks (GNN), die heterogene und fragmentierte Daten – etwa zu Fahrplänen, Bevölkerungsstruktur und Infrastruktur – effizient verknüpfen und in einem Mobilitätsgraphen abbilden.

Projektziele

Ziel des Projekts ist es, strukturelle Merkmale attraktiver öffentlicher Verkehrsnetze zu identifizieren und daraus evidenzbasierte Handlungsempfehlungen zur Verbesserung der Netzattraktivität in ländlichen Regionen abzuleiten. Durch die intelligente Verknüpfung verschiedenster Datenquellen können Engpässe im Mobilitätsnetz erkannt, die Wirkung möglicher Maßnahmen – etwa zusätzliche Haltestellen oder Routenanpassungen – quantifiziert und fundierte, datengestützte Entscheidungen getroffen werden. Zu den zentralen Innovationen gehören:

  • die Integration neuartiger (z. B. sozioökonomischer) Datenquellen über strukturierte Datenkataloge für ein umfassenderes Verständnis der Mobilitätsnachfrage.
  • der Einsatz spatio-temporaler GNNs zur Prognose und Bewergung von Netzveränderungen
  • sowie erklärbare KI-Methoden (Explainable AI, Counterfactual Reasoning), die transparente und nachvollziehbare Empfehlungen leifern.

Umsetzung

Kern des Projekts ist ein graphbasiertes KI-Frameworks, das heterogene Datenquellen – etwa georeferenzierte Infrastrukturdaten, Fahrpläne, sozioökonomische Strukturdaten oder Mobilitätsumfragen – zu einem einheitlichen Mobilitätsgraphen zusammenführt. Darauf aufbauend kommen moderne Methoden des maschinellen Lernens und der erklärbaren KI zum Einsatz, um robuste Vorhersagen und optimierte Planungsmaßnahmen zu generieren. Ein interaktives Web-Dashboard dient als Demonstrator und visualisiert sowohl den zugrundeliegenden Datenbestand als auch die vorgeschlagenen Maßnahmen und deren potenzielle Wirkung. Die Empfehlungen werden auf Basis von Key Performance Indicators (KPIs) bewertet – etwa in Bezug auf Reisezeitverkürzung, CO₂-Einsparung, Steigerung des ÖPNV-Anteils und Netzresilienz bei Störungen.

Projektpartner

Darüber hinaus unterstützen mehrere Praxispartner (LOI-Partner) das Projekt aktiv mit Daten und Anwendungsszenarien, darunter:

Projektdauer

03.06.2024 – 31.05.2026

Fördergeber

Das Projekt wird im Rahmen der FFG-Ausschreibung „Mobilität 2023: Regionale Mobilitätslabore & Digitalisierung für M&L-Dienste“ gefördert.

FFFG Forschung wirkt.

Heinzl Bernhard

Senior Researcher Data Science