Wie kann die KI helfen, bessere Dispositionsentscheidungen zu treffen?

In den letzten zehn Jahren ist die Zahl der Fahrgäste im deutschen Schienenverkehr stetig gestiegen, rund 148 Millionen Fahrgäste nutzten 2018 die Fernverkehrszüge der Deutschen Bahn. Der steigende Kapazitätsbedarf erfordert neue Methoden zur Planung und zum effizienten Management von Zügen und Infrastruktur. In diesem Artikel wird ein Ansatz vorgestellt, der darauf abzielt, diese Dispositionsentscheidungen im Schienenverkehr zukünftig durch Reinforcement Learning zu lösen.

Reinforcement Learning hat in den vergangenen Jahren große Fortschritte beim Lösen von Brett- und Computerspielen gemacht. In diesen müssen Abwägungsentscheidungen auf strategischer Ebene getroffen werden – teilweise mit widersprüchlichen Zielen. Der vorliegende Artikel beschäftigt sich mit der Herausforderung, diese Erfolge auf reale Probleme im schienengebundenen Verkehr zu übertragen. So sollen in besonders komplexen Situationen des Nahverkehrs Entscheidungen mit Blick auf eine Optimierung der Gesamtsituation getroffen werden. Es wird gezeigt, dass sich der Geschäftsprozess Disposition auf Basis historischer Daten in einen Reinforcement Learning Ansatz für S-Bahnen übersetzen lässt. Dabei wird auf die verwendete Simulation und die Modellierung eingegangen, zudem werden die Ergebnisse erster Experimente gezeigt.