DOI: 10.24053/ IV-2024-0031 Internationales Verkehrswesen (76) 2 ǀ 2024 72 Advanced-Analytics-Plattform für On-Demand-Verkehr Intelligente Nachfrageprognosen mit Machine Learning zur Optimierung des Fahrzeugeinsatzes im ODV Mobilitätsbedarf, ÖPNV-integrierter On-Demand-Verkehr, Analytics-Plattform, Prognosemodelle, Machine Learning und KI, Dispositionsplanung On-Demand-Verkehre können zum klassischen ÖPNV eine flexible Ergänzung darstellen, die Überbrückung der ersten oder letzten Meile erleichtern, den ÖPNV attraktiver machen und insgesamt zu höheren Fahrgastzahlen beitragen. Die Herausforderung ist dabei, durch Bedarfsprognosen eine Planbarkeit des benötigten Fahrzeugeinsatzes herzustellen, z. B. durch Einsatz von KI. Im Pilotprojekt „Predictive Demand“ der rnv wurde gemeinsam mit d-fine eine Plattform für Advanced Analytics aufgebaut und umgesetzt, um mittels datenbasierter Modelle zur Nachfragevorhersage die Fahrzeugdisposition zu optimieren. Julian Schrögel, Ludwig Schwiedrzik, Sebastian Schwinn E in On-Demand-Verkehr (ODV) im Flächenbetrieb unterscheidet sich für die Nutzerinnen und Nutzer im Vergleich zum klassischen ÖPNV im Wesentlichen durch zwei Aspekte. Zum einen werden die Fahrgäste an ihrem Wunschort oder in unmittelbare Nähe dazu abgeholt und sind somit nicht örtlich an die vorhandenen Haltestellen gebunden. Zum anderen entfällt die strikte zeitliche Vorgabe durch Fahrpläne, denn die Abholung durch On-Demand-Shuttles orientiert sich zeitlich an dem konkreten Bedarf bzw. Fahrtwunsch. Dadurch gelingt es, ein Mobilitätsangebot zu schaffen, das sich nach den Bedürfnissen und der Mobilitätsnachfrage richtet, anstatt durch die Haltestellen und die Taktung basierend auf betrieblichen Abläufen und Schichtplänen getrieben zu sein. Dank der immer stärkeren Nutzung von ODV-Apps auf Smartphones wird durch Nutzeranfragen und -buchungen eine ganz neue, umfassende Datengrundlage geschaffen - wer fragt an, wann geht es los und TECHNOLOGIE  Digitalisierung DOI: 10.24053/ IV-2024-0031 Internationales Verkehrswesen (76) 2 ǀ 2024 73 bracht zu werden. Die erste und letzte Meile werden so für die Fahrgäste komfortabler - insbesondere für Familien mit Kindern oder für mobilitätseingeschränkte Personen, für die geeignete Fahrzeuge eingesetzt werden. Zusätzlich werden Fahrtwünsche mehrerer Fahrgäste mit ähnlichen Strecken oder Zielen intelligent gebündelt. Das Ziel des Pilotprojekts „Predictive Demand“ war es, eine eigene cloudbasierte Daten- und Analyseplattform bei rnv zu entwickeln, die mithilfe kontinuierlich lernender Modelle tagesaktuelle Nachfragevorhersagen für den Shuttle-Service zur Verfügung stellt und zur Optimierung der Dispositions- und Dienstplanung von fips dient. Die entwickelte Advanced-Analytics- Plattform setzt sich im Wesentlichen aus drei Komponenten zusammen: 1. Ein Data Hub, bestehend aus einer hierarchisch geordneten Rohdatenablage und einer relationalen Datenbank, ruft regelmäßig Daten von der On-Demand- Software ab und macht diese für die weitere Verwendung verfügbar. 2. Ein Modellierungs-Hub ermöglicht die Entwicklung und das Training von Vorhersagemodellen, die automatisierte Bereitstellung der Vorhersageergebnisse und die Berechnungen für einen optimierten Fahrzeugeinsatz. 3. Ein Business-Intelligence-Layer in Form von interaktiven Dashboards Auf bauend auf den Prognosen sollte im nächsten Schritt unter Berücksichtigung gesetzlicher und betrieblicher Randbedingungen (z. B. Schichtlänge, Pausen etc.) eine optimale Planung des Personals und Steuerung der Fahrzeuge im Betrieb erfolgen. Genau diese Fragestellungen und Herausforderungen waren Ausgangspunkt im Pilotprojekt „Predictive Demand“, welches durch das Bundesministerium für Digitales und Verkehr gefördert wurde. Das Pilotprojekt „Predictive Demand“ für fips in Mannheim Wie datenbasierte Prognosen für den On- Demand-Verkehr, inklusive Auf bau einer internen Advanced-Analytics-Plattform, mehrwertbringend erstellt und nutzbar gemacht werden können, haben die Rhein- Neckar-Verkehr GmbH (rnv) und die d-fine GmbH im gemeinsamen Pilotprojekt „Predictive Demand“ im Jahr 2023 erarbeitet und umgesetzt. Die Hauptrolle für das Pilotprojekt spielte hierbei fips, ein von der rnv angebotener On-Demand-Service, der in den Bediengebieten in Mannheim seit 2021 mit stark steigender Nutzerzahl im Einsatz ist und seit April 2024 auch in drei Stadtteilen in Heidelberg operiert. Über die fips-App können die Nutzenden Start, Ziel und Abfahrtszeit bestimmen, um in umweltfreundlichen Elektrofahrzeugen mit 100 % Ökostrom innerhalb der Bediengebiete zum Ziel gewo geht es hin. Für Verkehrsunternehmen kann so auf einfachem Weg klar werden, wie die Nachfrage im Detail aussieht und wie durch den sinnvollen und DSGVO-konformen Gebrauch dieser Daten zielgenau ein geeignetes Service-Angebot bereitgestellt werden kann. Herausforderungen und Besonderheiten für Verkehrsunternehmen Im Gegensatz zum ÖPNV, wo beispielsweise eine feste Planung und ein Fahrplan für das ganze Jahr aufgestellt werden, ergeben sich für Verkehrsunternehmen im Bereich On-Demand-Verkehr ganz andere Möglichkeiten und auch neue Herausforderungen. Das ODV-Angebot kann viel besser und dynamischer mithilfe der vorhandenen Datenbasis ausgestaltet werden. Der Fahrzeugeinsatz sollte sich daher je nach Bedarf unterscheiden und die Anzahl der Fahrzeuge (ggf. auch Sitzplatzkapazitäten) in den Gebieten zu verschiedenen Zeiten variieren, z. B. zum Berufsverkehr, in der Nacht, am Wochenende, in den Ferien, an Feiertagen, an bestimmten Events etc. Für Verkehrsunternehmen stellt sich die Frage, wie aus den vorhandenen Betriebsdaten (u. a. Fahrtanfragen, Voraus- und On- Demand-Buchungen, Stornierungen durch Fahrgäste, No-shows) sowie weiteren Daten (u. a. Kalenderdaten, ÖPNV-Daten, Umfelddaten) eine bestmögliche Vorhersage für den Mobilitätsbedarf erstellt werden kann. Bild 1: In einem interaktiven Dashboard sind für die Abnehmer unter anderem relevante KPIs und Buchungen des On-Demand-Services abrufbar, sowie die Vorhersageergebnisse verschiedener Modelle für die Bediengebiete visuell dargestellt. Digitalisierung TECHNOLOGIE DOI: 10.24053/ IV-2024-0031 Internationales Verkehrswesen (76) 2 ǀ 2024 74 TECHNOLOGIE Digitalisierung lichen Komponente (Vorhersageintervalle), sodass die Prognoseergebnisse quantitativ relevant und statistisch belastbar sind. Als entscheidende Frage bei der Modellentwicklung entpuppte sich im Pilotprojekt eine sinnvolle Festlegung der örtlichen und zeitlichen Granularität. Mit über 3.000 virtuellen Haltepunkten im Stadtgebiet Mannheim ist eine Vorhersage auf Ebene dieser Stationen nicht zielführend, da zum einen die Fahrzeuge in einem zusammengefassten Gebiet eingesetzt werden und zum anderen die Anzahl der Anfragen pro Station zu gering ausfällt. Auch Vorhersagen für beispielsweise 5-Minuten-Intervalle bieten hier keinen Mehrwert, da die fips-Personenshuttles nicht getaktet, sondern nach Bedarf fahren, und jeweils für einen längeren (mehrstündigen) Zeitraum innerhalb eines Bediengebiets eingeplant werden. Um die Bedürfnisse und Anforderungen der Dienst- und Dispositionsplanung zu decken, eignete sich für fips eine Nachfragevorhersage pro Bediengebiet in Zeitabschnitten von 60 Minuten. Eine solche Granularität war hier sinnvoll, da unter anderem Fahrzeuge und Personal stets in mehrstündigen Schichten den Bediengebieten zugewiesen werden. Zugleich war dies die kleinteiligste Darstellung, die im bestehenden fips-Betrieb eine ausreichende Datengrundlage hat, um ein performantes oder Änderungen an der Disposition und Warteposition der Fahrzeuge vorgenommen werden. Entscheidend für die Angebotsqualität für die Fahrgäste sowie den effizienten Betrieb des On-Demand-Verkehrs ist es jedoch auch, die Anzahl der einzusetzenden Fahrzeuge und die zugehörige Dienstplanung optimal zu gestalten. Spätestens an dieser Stelle entstehen der Bedarf und Mehrwert einer geeigneten Analytics-Lösung. Eine solche Lösung kann darüber hinaus u. a. dazu dienen, die Backend-Parameter der ODV-Software geeignet entsprechend einer konkreten Zielsetzung zu bestimmen, basierend auf angefallenen Betriebsdaten relevante Leistungskennzahlen (z. B. Pooling-Quoten) zu berechnen oder auch individuelle Ad-hoc-Analysen auf den ODV- Daten nach Integration und Verknüpfung von weiteren Datenquellen durchzuführen. Auswahl der Granularität für die ODV-Nachfrageprognose Durch die Entwicklung von geeigneten Vorhersagemodellen werden die typischen Nutzungsmuster des On-Demand-Services in die Zukunft projiziert und der Mobilitätsbedarf räumlich und zeitlich prognostiziert. Zu berücksichtigen ist hierbei die Kombination aus einer gebietsweisen Aggregation der überaus vielen Haltepunkte bzw. flexiblen Fahrtstrecken und der zeitoperationalisiert die Ergebnisse für Abnehmer: Von Visualisierungen der historischen Buchungen und KPIs zum ODV-Betrieb (wie z. B. Pooling-Quoten) über Darstellungen zur prognostizierten Nachfrage (siehe Bild 1) und Monitoring der Modellgüte bis zu Handlungsempfehlungen für eine bessere Einsatzplanung. ODV-Software und der Bedarf an maßgeschneiderten Analytics- Lösungen Die ODV-Software im Hintergrund inklusive der Fahrgast-App kommt in der Regel von spezialisierten Anbietern und übernimmt viele Koordinationsaufgaben, die der On-Demand-Verkehr mit sich bringt: Prüfung der Verfügbarkeit gemäß Anfrage, Vermittlung der Fahrtanfragen an Fahrzeuge, Planung von Fahrtrouten und Pooling durch Bündeln sich überschneidender Fahrten. Die Software bietet den Verkehrsunternehmen eine Auswahl an Parametern, mithilfe derer die Grundeinstellungen und der Serviceablauf konfiguriert werden können. Beispielsweise können Bediengebiete und virtuelle Haltepunkte definiert werden, die als Start und Ziel der Fahrten zugelassen sind. Ebenso können oftmals Parameter wie z. B. minimale und maximale Werte für Wartezeiten, Umwegzeiten, Fahrtdauern und Fahrtstrecken eingestellt Bild 2: Im BI-Dashboard werden die Ergebnisse der Vorhersage in Bezug zu der verfügbaren Kapazität gemäß bestehendem Dienstplan gesetzt und verglichen. Dabei werden für Bediengebiet und Zeithorizont unter anderem Engpässe und noch unbesetzte Schichten hervorgehoben. DOI: 10.24053/ IV-2024-0031 Internationales Verkehrswesen (76) 2 ǀ 2024 75 Digitalisierung TECHNOLOGIE nose. Der implementierte Ende-zu-Ende- Prozess reicht von der Integration der ODV-Betriebsdaten bis zur Darstellung von Prognoseergebnissen und Handlungsempfehlungen für die Dienstplanung. Hierbei war ein Erfolgsfaktor des Projekts die durchgehend enge Zusammenarbeit zwischen rnv und d-fine - von Zielkonkretisierung mit den Fachbereichen wie dem Team der Dienstplanung bis zu technischen Abstimmungen mit Data Scientists und der rnv-IT. Derzeit werden bei rnv auf Grundlage der gewonnenen Erkenntnisse die geltenden betrieblichen Regelungen und Vorgaben für den ODV-Fahrdienst überprüft und ggf. angepasst bzw. weiterentwickelt. Gemeinsam mit dem Betriebsrat sollen immer mehr Potenziale ausgeschöpft und Verbesserungen abgestimmt werden, welche in der Praxis eine noch flexiblere Planung und Disposition auf Basis der prognostizierten Nachfrage erlauben. Letztendlich dient die neu entstandene Plattform der rnv darüber hinaus auch weiteren Zwecken, wie z. B. der automatisierten Berechnung und Bereitstellung von Perfomance-KPIs des ÖPNVs, als Unterstützung für Datenanalysen zur Flottentransformation hin zu lokal emissionsfreien Antrieben sowie für weitere zukünftige Anwendungsfälle. ■ Eingangsabbildung: © Summit Art Creations/ Shutterstock.com Nutzung der Bedarfsprognose für optimierten Fahrzeugeinsatz im ODV-Betrieb Die entwickelten Modelle liefern u. a. auf Basis der Features eine Vorhersage, wie viele Buchungen pro Zeiteinheit und Bediengebiet zu erwarten sind und wie lange die fips-Personenshuttles durchschnittlich mit den Fahrten ausgelastet sind. Durch Vergleich dieser Werte mit den gemäß Einsatzplan verfügbaren Fahrzeugkapazitäten werden Engpässe und Ineffizienzen mathematisch ermittelt und im Dashboard für die Dispositions- und Dienstplanung dargestellt (siehe Bild 2). Mithilfe von Handlungsempfehlungen können die Planerinnen und Planer gezielt Anpassungen am Einsatz- und Dienstplan vornehmen, um Differenzen auszugleichen. Im Pilotprojekt war hierbei die Besonderheit zu beachten, dass es sowohl Fahrzeuge gibt, die fest einem Bediengebiet zugeordnet sind, als auch Flotten, die gebietsübergreifend operieren, z. B. rollstuhlgerechte Fahrzeuge oder der Nachtverkehr. Ferner ist es für die Dienstplanung von Vorteil, dass im Dashboard direkt ersichtlich ist, welche Dienste tagesaktuell bereits mit Fahrpersonal besetzt oder noch unbesetzt sind. Dadurch wird es ermöglicht, auf kurze Sicht zu erkennen, inwieweit der Grundbedarf bereits durch besetzte Dienste abgedeckt ist und zu welchen Zeitpunkten beispielsweise eine Verschiebung oder ein Einsatz von Ersatzpersonal (Springern) relevant wird, und auf lange Sicht, wann insgesamt weitere Fahrzeuge bzw. Personal benötigt werden. Fazit und Ausblick Das Pilotprojekt „Predictive Demand“ hat gezeigt, dass die Entwicklung und Einbindung von Vorhersagemodellen für die Mobilitätsnachfrage im On-Demand-Verkehr essenziell für eine vorausschauende und optimierte Dispositions- und Dienstplanung sind und der Auf bau von internen Data-Analytics-Architekturen und Kompetenzen gewinnbringend ist. Hiervon profitieren einerseits die Fahrgäste durch eine bessere Angebotsqualität und verringerte Wartezeiten, wenn genug On-Demand- Shuttles zum richtigen Zeitpunkt auf der Straße im Einsatz sind. Auf der anderen Seite können die Verkehrsunternehmen mit einer auf Prognosen basierten angepassten Schichtplanung zielgerichtet den Mobilitätsbedarf decken, um Peaks in der Nachfrage durch den Einsatz flexibler Kräfte zu bedienen und Leerlauf bei geringer vorhergesagter Auslastung zu vermeiden. Ermöglicht wurde dieser Mehrwert im Pilotprojekt durch den Auf bau einer internen, cloudbasierten Analytics-Plattform und die Umsetzung der Nachfrageprog- Vorhersagemodell für die Nachfrage zu entwickeln. Modellierung und Muster in der Mobilitätsnachfrage im On-Demand-Verkehr Grundsätzlich ist es im Rahmen der Implementierung vorteilhaft, verschiedene Prognosemodelle zu entwickeln und diese basierend auf einer definierten Prognosegüte miteinander zu vergleichen. Üblicherweise wird ein einfaches Vorhersagemodell als Baseline genutzt, welches von komplexeren Modellen zu schlagen wäre. Außerdem werden durch Feature Engineering die zugrundeliegenden Rohdaten (wie Betriebsdaten, Kalenderdaten, Wetterdaten, Umfelddaten und Fahrgastzähldaten aus dem nahegelegenen Linienverkehr) auf bereitet und in für die Modelle geeignete Features (Merkmale) umgewandelt. Im Pilotprojekt wurden insgesamt drei Arten von Modellen entwickelt: y Ein einfaches statistisches Modell, welches den Mittelwert der vergangenen Wochen abbildet, diente als Baseline und Vergleichspunkt. y Ein Machine-Learning-Modell für Zeitreihenprognosen beruhte auf Fourier-Reihen zur Darstellung von regelmäßig wiederkehrenden Mustern (Saisonalitäten). y Ein weiteres ML-Modell basierte auf Entscheidungsbäumen unter Einbeziehung einer Reihe von numerischen und kategorischen Features. Aus den gesammelten Anfrage- und Buchungsdaten ist erkennbar, dass sich die Nachfrage am Wochenende von der Nachfrage unter der Woche deutlich unterscheidet. Ebenso lassen sich Nachfragepeaks zu klassischen Stoßzeiten an Werktagen identifizieren. Während diese wiederkehrenden Muster auch im einfachen statistischen Modell abgebildet werden konnten, war es bei den Machine-Learning-Modellen im Sinne der Prognosegüte besser möglich, die Auswirkung von irregulären Kalenderdaten wie Schulferien und Feiertagen auf die Nutzung des On-Demand-Services vorherzusagen. In Ergänzung zu den herkömmlichen Kalenderdaten ist es auch empfehlenswert, bekannte Veranstaltungen - oftmals bereits durch eine erhöhte Anzahl im Voraus getätigter Fahrtanfragen identifizierbar - als Input in die Modelle zu integrieren, da diese typischerweise einen erheblichen Effekt auf die Nachfrage haben. Generell findet auch über die Entwicklungsphase hinaus weiterhin ein Monitoring zur Performance und Retraining der Prognosemodelle im operativen Betrieb statt. Julian Schrögel, M. A., Referatsleiter Neue Geschäftsfelder, Rhein-Neckar-Verkehr GmbH, Mannheim J.Schroegel@rnv-online.de Ludwig Schwiedrzik, Dr., Consultant, d-fine Austria GmbH, Wien Ludwig.Schwiedrzik@d-fine.com Sebastian Schwinn, Dr., Manager Mobilität und Transport, d-fine GmbH, Frankfurt Sebastian.Schwinn@d-fine.com