Transit-Netzwerk-Design mit KI: Zwei‑Ebene Nachfrageunsicherheit

Ein neues Forschungsmodell namens 2LRC‑TND (Two‑Level Rider Choice Transit Network Design) kombiniert maschinelles Lernen mit kontextualer stochastischer Optimierung, um die Planung von öffentlichen Verkehrssystemen realistischer zu gestalten. Im Gegensatz zu herkömmlichen Modellen, die feste Nachfrageannahmen verwenden, berücksichtigt 2LRC‑TND zwei Ebenen von Unsicherheiten: die Kernnachfrage von Fahrgästen, die bereits öffentliche Verkehrsmittel nutzen, und die latente Nachfrage von potenziellen Fahrgästen, deren Entscheidung von der Verfügbarkeit und Qualität des Angebots abhängt.

Zur Erfassung dieser Unsicherheiten nutzt das Verfahren zwei Modellauswahlverfahren für die Reise­moduswahl, die auf mehreren Machine‑Learning‑Algorithmen basieren. Die daraus gewonnenen Wahlmodelle werden anschließend in ein kontextuelles stochastisches Optimierungsproblem integriert, das mit einem Constraint‑Programming‑SAT‑Solver gelöst wird. Dadurch entsteht ein flexibles Design, das sowohl aktuelle als auch potenzielle Nutzerbedürfnisse berücksichtigt.

Die Wirksamkeit von 2LRC‑TND wurde anhand einer Fallstudie im Großraum Atlanta getestet, die über 6.600 Reise­wege und mehr als 38.000 Fahrten umfasste. Die Ergebnisse zeigen, dass das Modell in der Lage ist, Transitnetzwerke zu entwerfen, die Nachfrageunsicherheiten und kontextuelle Faktoren berücksichtigen und damit realistischere und effizientere Verkehrsnetze ermöglichen.