Daten des öffentlichen Personenverkehrs für ein umweltsensitives Mobilitätsmanagement

Ein wirksames Mobilitätsmanagement als Bestandteil moderner Umweltpolitik erfordert das Zusammenspiel aller Akteure der Mobilitätsbranche. Eine zentrale Rolle kommt dabei dem öffentlichen Personenverkehr (ÖV) zu. Mit seinen Angeboten im Nah- und Fernverkehr verbindet er verschiedene Mobilitätsformen wie Gehen, Radfahren, E-Scooter-Nutzung und motorisierten Individualverkehr (MIV) und erweitert damit multimodale Wegeketten Individualreisender durch kollektive Transportmittel.

In der Praxis wird der ÖV jedoch vor allem im städtischen Raum intensiv genutzt. Die Ursachen für eine geringere Nachfrage in anderen Regionen genauer zu analysieren, hilft dabei, gesellschaftliche Bedarfe besser zu verstehen und daraus Impulse für die Weiterentwicklung des öffentlichen Verkehrsnetzes abzuleiten. Eine zentrale Voraussetzung für solche Analysen sowie für eine zukunftsfähige, KI-gestützte Steuerung von Mobilität ist der Zugang zu Daten aus dem ÖV. Erst auf dieser Grundlage lässt sich eine saubere, verlässliche und intermodale Mobilität entwickeln, die über programmatische Ziele hinaus praktisch umsetzbar wird.

Zu den häufig genannten Ursachen für eine geringe Nutzung des ÖV zählen Defizite in der Versorgungsqualität. Dazu gehören beispielsweise schlecht erreichbare Haltestellen oder zu geringe Taktfrequenzen. Auch mangelnde Verlässlichkeit durch Fahrtausfälle oder Verspätungen wirkt sich negativ auf die Attraktivität des Angebots aus.

Gleichzeitig besitzt der ÖV ein erhebliches Potenzial für eine emissionsärmere Mobilität. Durch seine hohe Transportkapazität kann er – abhängig von der Auslastung – deutlich bessere Emissionswerte pro Fahrgast erreichen als andere Verkehrsformen. Dieses Potenzial lässt sich jedoch nur dann ausschöpfen, wenn der ÖV systematisch in ein integriertes Mobilitätsmanagement eingebunden wird.

Ein solches Mobilitätsmanagement muss die Anforderungen des ÖV konsequent in seine Entscheidungen einbeziehen. Dazu gehören unter anderem Fragen der Verkehrsmittelwahl, Tempolimits, Maßnahmen der Verkehrslenkung sowie die Steuerung von Lichtsignalanlagen. Im Regelbetrieb trägt insbesondere der Einsatz emissionsarmer Fahrzeuge dazu bei, lokale Umweltbelastungen zu reduzieren. Auch Investitionen in Elektrobussysteme und eine entsprechende Ladeinfrastruktur können die Attraktivität des ÖV erhöhen.

Gleichzeitig ist das Verkehrssystem einem kontinuierlichen Wandel unterworfen. Infrastrukturmaßnahmen wie Straßen- oder Gleisbaustellen wirken sich unmittelbar auf den Betrieb des ÖV aus. Solche Veränderungen beeinflussen wiederum die Bereitschaft der Menschen, Busse, Straßenbahnen oder Züge zu nutzen oder auf sie umzusteigen.

Aus Sicht des ÖV gilt daher ein grundlegendes Prinzip: Maßnahmen der Verkehrslenkung dürfen nicht zulasten des ÖV und seiner Fahrgäste gehen. Verlängerte Reisezeiten werden von vielen Nutzenden nur begrenzt akzeptiert. Im ungünstigen Fall führt dies zu einem Wechsel zum MIV – mit entsprechenden Folgen für Verkehrsfluss und Luftqualität.

Planerische und bauliche Maßnahmen müssen deshalb stets auch ihre Auswirkungen auf die Qualität des ÖV berücksichtigen. In der Praxis sind häufig Kompromisse zwischen den Anforderungen des MIV und denen des ÖV notwendig. Gleichzeitig kann eine gezielte Bevorzugung des ÖV ein wirksamer Anreiz sein, dieses gemeinschaftliche Verkehrssystem stärker zu nutzen. Ergänzend können spezifische Anreizsysteme dazu beitragen, auch andere umweltfreundliche Mobilitätsformen zu fördern.

Für die Einbindung des ÖV in Maßnahmenplanung und umweltsensitives Mobilitätsmanagement sind jedoch hochwertige und valide Daten unverzichtbar. Sie bilden die Grundlage für Verkehrsmodelle und Simulationen. Darüber hinaus können diese Daten mithilfe von KI-Verfahren ausgewertet werden, um Wahrscheinlichkeiten für bestimmte Verkehrszustände zu bestimmen.

Die Fahrgastinformation im ÖV ist heute weitgehend digital organisiert. Gedruckte Fahrplanbücher werden nur noch vereinzelt erstellt, während die klassischen Aushänge an Haltestellen vor allem orientierenden Charakter haben. Informationen zu Fahrten und Verbindungen stehen heute in erster Linie über Apps sowie browserbasierte Auskunftssysteme der Verkehrsunternehmen, Verkehrsverbünde oder Nahverkehrsorganisationen zur Verfügung (Abb. 1).

Die große Zahl unterschiedlicher Verkehrsunternehmen und Verbünde macht es notwendig, diese Daten strukturell zu vereinheitlichen. Nur so lassen sie sich über Gemeinde- und Ländergrenzen hinweg nutzen und ermöglichen eine durchgängige Reiseplanung.

Unter dem Dach von DELFI (Durchgängige Elektronische Fahrgastinformation e.V.) arbeiten Verkehrsexperten der Bundesländer an der Entwicklung und Umsetzung entsprechender Standards für Fahrplanung und Echtzeitinformation. Eine zentrale Festlegung ist die eindeutige Zuordnung einer Haltestellennummer zu einer konkreten Georeferenz. Sie ermöglicht eine präzise Verortung von Haltestellen und Fahrten. Dadurch können Reiserouten automatisiert berechnet, geeignete Wegeführungen ermittelt und Umstiege sinnvoll abgebildet werden.

Für die Mobilitätsplanung sind Fahrplandaten besonders relevant, da sie eine zentrale Instanz für Qualitätsanalysen des ÖV-Angebots bilden. Ausgehend von einzelnen Haltestellen lassen sich beispielsweise Aussagen über die Erreichbarkeit des ÖV innerhalb definierter Distanzen treffen, etwa anhand von Fußwegeroutings.

Auch die Taktfrequenz beeinflusst maßgeblich die wahrgenommene Mobilitätsqualität einer Haltestelle. Ein Angebot im fünf- bis zehnminütigen Takt wird wesentlich komfortabler wahrgenommen als stündliche oder noch seltenere Verbindungen. Werden Fahrplandaten mit weiteren Datensätzen kombiniert, etwa mit Informationen zur Bevölkerungsdichte auf Adressebene, lässt sich die Qualität und Einordnung bestehender ÖV-Angebote wesentlich präziser bewerten.

DELFI stellt Fahrplandaten aus ganz Deutschland über die Mobilithek des Bundes kostenfrei zum Download bereit. Sie werden in zwei Formaten angeboten: GTFS (General Transit Feed Specification) und NeTEx (Network Transport Exchange). GTFS ist ein tabellenbasiertes Format, das grundlegende Informationen zu Linien, Abfahrts- und Ankunftszeiten sowie zu Haltestellen einschließlich ihrer geografischen Koordinaten enthält. NeTEx ist ein leistungsfähigerer Datenstandard, der zusätzlich detaillierte Informationen zu Verkehrsmitteln und deren Einsatz bereitstellt. Der deutschlandweite Sollfahrplandatensatz wird von DELFI zweimal pro Woche aktualisiert. Dadurch lassen sich auch kurzfristige Änderungen, etwa aufgrund von Baustellen, zeitnah berücksichtigen.

Neben Fahrplandaten liefern Echtzeitinformationen ein aktuelles Bild der Verkehrslage. Sie werden deutschlandweit über die sogenannten RegioCluster von DELFI bereitgestellt. Sobald eine Fahrt im Betriebssystem erfasst ist, erscheint in den Auskunftssystemen eine entsprechende Abfahrtsprognose. Für die Planung von Reiserouten ist es entscheidend, diese Angaben möglichst früh zu erhalten. Dazu gehört insbesondere die Bestätigung, dass eine Fahrt tatsächlich stattfindet, idealerweise bereits zwei Stunden vor der geplanten Abfahrt.

Ebenso relevant ist die frühzeitige Mitteilung von Fahrt- oder Haltausfällen, damit alternative Verbindungen rechtzeitig berücksichtigt werden können. Während der Fahrt werden die Prognosen über die Bordrechner in Bussen und Bahnen fortlaufend aktualisiert. Sie erfassen Position und Uhrzeit des Fahrzeugs und gleichen diese mit dem hinterlegten Fahrplan ab. Eine Abweichung von mehr als einer Minute wird in der Fahrgastinformation als Verspätung ausgewiesen.

Die Qualität von Echtzeitprognosen lässt sich nur beurteilen, wenn sie mit Daten aus dem tatsächlichen Betrieb abgeglichen werden. Solche Ist-Daten entstehen während der Fahrt in den Bordrechnern der Fahrzeuge und bilden das reale Verkehrsgeschehen ab. Für Analysen stehen diese Daten in der Regel nicht über die Auskunftssysteme zur Verfügung, sondern müssen direkt bei den Verkehrsunternehmen angefragt werden.

Im Forschungsprojekt AIAMO stellen die Leipziger Verkehrsbetriebe (LVB) entsprechende Ist-Daten aus der Pilotregion Leipzig bereit. Auf dieser Grundlage kann die Genauigkeit der Echtzeitprognosen sowohl über Differenzanalysen als auch mithilfe von KI-Verfahren untersucht werden.

Die aufbereiteten und modellierten Datensätze werden über die Integrationszone des AIAMOnexus in das AIAMO System eingebunden. Dort werden sie mit weiteren Datenquellen verknüpft – etwa mit lokalen Sensordaten, Verkehrsinformationen oder Wetterprognosen – und für die Nutzung in KI-Anwendungen vorbereitet.

Digitale Zwillinge ermöglichen es, Verkehrssysteme auf Basis realer Daten in Simulationen abzubilden und unterschiedliche Entwicklungen im Verkehrsfluss zu analysieren. Im Projekt AIAMO nutzt das DLR (Deutsches Zentrum für Luft- und Raumfahrt e.V.) dafür Fahrplandaten und Echtzeitprognosen des ÖV, die die aktuelle Verkehrssituation in Echtzeit widerspiegeln. Auf dieser Grundlage wird der ÖV in Verkehrssimulationen als eigenständiger Verkehrsteilnehmer in die Berechnung der Verkehrslast einbezogen.

Dadurch lassen sich Maßnahmen im Straßenverkehr nicht nur im Hinblick auf mögliche Stauentwicklungen oder Verkehrsverlagerungen des MIV untersuchen. Auch ihre Auswirkungen auf den ÖV können systematisch bewertet werden. Simulationen, etwa mit SUMO (Simulation of Urban Mobility), unterstützen Verkehrsplaner dabei, fundierte Entscheidungen für die Verkehrssteuerung zu treffen. Ziel ist es, die Luftqualität zu verbessern und gleichzeitig eine ausgewogene Belastung von ÖV und MIV zu erreichen.

Für ein wirksames Mobilitätsmanagement ist eine möglichst präzise Einschätzung der aktuellen Verkehrslage entscheidend. Eine wichtige Grundlage dafür bilden Echtzeitprognosen im ÖV. Diese Prognosen beruhen auf punktuell erfassten Fahrzeugpositionsdaten (z. B. an Haltestellen), wodurch die aktuelle Verkehrslage zwischen den Haltestellen nur unzureichend berücksichtigt wird. Auswertungen der Ist-Daten der LVB zeigen, dass die Abweichungen dieser Prognosen meist im Bereich von etwa einer Minute liegen, im Einzelfall jedoch deutlich größer sein können.

Um die Plausibilität solcher Prognosen systematisch zu bewerten, kommen KI-basierte Klassifikationsmodelle zum Einsatz. Neben ÖV-Daten werden dabei auch Informationen zur aktuellen Straßenverkehrslage einbezogen, wie etwa Verkehrszähldaten, Floating-Car-Daten oder daraus abgeleitete Geschwindigkeiten.

Bahnübergänge stellen in vielen Städten sensible Punkte im Verkehrsnetz dar. Sobald sich die Schranken für eine Zugdurchfahrt schließen, entstehen kurzfristig Rückstaus im Straßenverkehr. Die daraus resultierenden Verzögerungen verlängern Fahrzeiten und können temporär auch die lokale Luftqualität beeinträchtigen.

Ein Beispiel hierfür ist die AIAMO Pilotregion Landau in der Pfalz. Dort treffen schienengebundener Regionalverkehr, straßengebundener ÖV und MIV unmittelbar aufeinander (Abb. 2).

Im AIAMO Projekt werden Fahrplan- und Echtzeitdaten des ÖV mit Zähldaten aus der Verkehrssteuerung kombiniert, etwa aus Induktionsschleifen im Straßenbelag. Auf dieser Datengrundlage lassen sich Schrankenschließungen KI-basiert ermitteln, wenn sie für die Verkehrssteuerung relevant werden.

Die Bewertung erfolgt anhand der aktuellen Netzbelastung im Umfeld des Bahnübergangs. Ziel ist eine frühzeitige Anpassung der Lichtsignalsteuerung, um Rückstaus zu reduzieren, den Verkehrsfluss zu stabilisieren und gleichzeitig die lokale Luftbelastung zu senken.

Verlässliche Daten bilden die Grundlage für ein wirksames Mobilitätsmanagement. Im ÖV entstehen heute große Mengen digitaler Informationen – von Fahrplandaten über Echtzeitprognosen bis hin zu Betriebsdaten aus Fahrzeugen und Infrastrukturen. Von dieser Datenbasis profitieren unterschiedliche Akteure: Mobilitätsplaner ebenso wie Anbieter digitaler Mobilitätsdienste oder Nutzende des ÖV. Voraussetzung dafür ist jedoch eine hohe Qualität der bereitgestellten Informationen, denn nur valide Daten ermöglichen belastbare Prognosen und fundierte verkehrsplanerische Entscheidungen.

Die Anwendungsbeispiele zeigen zugleich, dass KI-gestützte Analysen neben ÖV-Daten weitere Informationsquellen benötigen. Insbesondere straßengebundene Verkehrsmittel wie Busse oder Straßenbahnen werden stark durch den MIV und den Wirtschaftsverkehr beeinflusst. Für belastbare Bewertungen müssen daher auch zusätzliche Daten, etwa Verkehrszählungen oder Floating-Car-Daten, einbezogen werden.

Erst durch die Verknüpfung dieser unterschiedlichen Datenquellen lassen sich Verkehrsabläufe modellieren, digitale Zwillinge entwickeln und Prognosen über zukünftige Verkehrssituationen erstellen. Auf dieser Grundlage wird ein umweltsensitives und intermodales Mobilitätsmanagement für Städte und Kommunen zunehmend realisierbar.

Das Forschungsprojekt AIAMO verbindet die neuesten Entwicklungen der Künstlichen Intelligenz (KI) mit konkreten, praktischen Anwendungen im Bereich der inter- und multimodalen Mobilität. Es zielt darauf ab, Mobilitätsdaten effizient zu nutzen, um die Verkehrssteuerung in Städten und ländlichen Regionen zu optimieren, den CO2-Ausstoß zu minimieren und gleichzeitig die Lebensqualität der Bürgerinnen und Bürger zu erhöhen. AIAMO entwickelt und nutzt KI-Modelle zur Analyse und Optimierung von Mobilitätsdaten. Durch die Einbindung bisher ungenutzter Daten sowie deren intelligenten Vernetzung und Analyse, werden neue Möglichkeiten für die nachhaltige Mobilität eröffnet.

Das Projekt wird gefördert vom Bundesministerium für Digitales und Staatsmodernisierung (BMDS) in Höhe von 16,7 Millionen Euro. Das durch ITS Germany e.V. geführte Konsortium von 14 Partnern aus Wissenschaft, Forschung und Industrie – T-Systems, Theis Consult, Fraunhofer IML, Bosch, Deutsches Zentrum für Luft- und Raumfahrt, Helmholtz Zentrum für Umweltforschung, highQ, FKFS, TEQYARD, Yunex Traffic, Swarco sowie Schlothauer & Wauer – entwickelt innovative Lösungen, die urbane und ländlich geprägte Mobilitätsbedürfnisse gleichermaßen abdecken.