ML-gestützte Verkehrsnetzplanung

Die Gestaltung eines effektiven und effizienten öffentlichen Personennahverkehrsnetzes (ÖPNV), das sowohl Haltestellen als auch Linien umfasst, stellt eine komplexe, multidimensionale Herausforderung dar, ist jedoch grundlegend für eine nachhaltige Stadtentwicklung. Herkömmliche Ansätze der Verkehrsplanung nutzen häufig deterministische mathematische Modelle, die dazu neigen, die Komplexität und Dynamik städtischer Systeme zu stark zu vereinfachen. Zudem lassen sie in der Regel die umfassende, integrierte Sichtweise vermissen, die für eine effektive Optimierung erforderlich ist – insbesondere mangelt es an einer Berücksichtigung des gesamten Netzwerks sowie sämtlicher Verkehrsträger.

Kurz gesagt zielt meine Masterarbeit darauf ab, die Planung von öffentlichen Busnetzen zu rationalisieren und zu optimieren, indem ein KI-Framework auf Basis von Graphen-Neuronalen Netzen (GNNs) entwickelt wird. Das Hauptziel besteht darin, einen GNN-gestützten Algorithmus zu entwickeln und zu evaluieren, um neue Bushaltestellenplatzierungen und Routendesigns zu generieren (oder bestehende zu verbessern), wobei Kriterien wie Erreichbarkeit, Effizienz und Kosteneffektivität im Fokus stehen. Die zu beantwortende Forschungsfrage lautet: ‚Kann ein KI-Framework, das einen auf Daten erfolgreicher ÖPNV-Netze trainierten GNN-Algorithmus nutzt, die traditionelle Verkehrsplanung in Bezug auf die genannten Kriterien übertreffen?‘

Hierfür werden potenzielle und bestehende Verkehrsnetze in Graphenknoten mit geospatialen Attributen und Straßenverbindungen als Kanten transformiert. Dies ermöglicht es, das Modell mittels überwachten Lernens (Supervised Learning) anhand von Daten aus erfolgreichen Fallstudien (z. B. Zürich, Singapur, Hongkong) zu trainieren. In der Endphase konstruiert das entwickelte GNN-Framework iterativ Netzwerkentwürfe und schlägt optimale ÖPNV-Netze vor, die anschließend anhand von Leistungskennzahlen mit bestehenden Entwürfen verglichen werden. Die Studie legt einen besonderen Schwerpunkt auf multimodale Integration, umfassende geospatiale Merkmale (z. B. Fußgängerzugang, Bevölkerungsdichte) und die Anwendbarkeit auf Städte ohne etablierte Verkehrsnetze.