DB setzt auf KI: Wie das Innovationsprojekt DB ECHO dabei hilft, Störungen im deutschen Bahnverkehr zu reduzieren
Business Challenge
Zehntausende tägliche Fahrten, tagesabhängige Störsituationen, Mischverkehr und unterschiedlichste organisatorische sowie geographische Anforderungen machen das Netz der Deutschen Bahn zu einem der komplexesten Schienenverkehrsnetze weltweit. Das deutsche Bahnnetz ist sogar eines der wichtigsten Verkehrssysteme in Europa. Mit Millionen von Fahrgästen, die täglich reisen, ist es entscheidend, die Effizienz und Zuverlässigkeit des Systems aufrechtzuerhalten.
Auf die Sicherstellung eines möglichst hohen und planmäßigen Verkehrsflusses wird bei der Deutschen Bahn besonderes Augenmerk gelegt – angefangen bei der Analyse des Betriebs bis hin zur Disposition in den Betriebszentralen.
Im Rahmen des DB mindbox-Programms von 2018 suchte die DB Fernverkehr AG der Deutschen Bahn nach innovativen Lösungsansätzen, Störungen im Betrieb zu analysieren und Betriebsabläufe darauf aufbauend optimieren zu können, um letztendlich die Pünktlichkeit im Fernverkehr weiter zu verbessern.
Die DB mindbox ist der Startup-Hub der Deutschen Bahn und fördert innovative Startup-Lösungen, um Innovationen und Digitalisierung rund um das Kerngeschäft Bahn weiter zu verbessern.
Unser Konzept DB ECHO konnte sich nach einem mehrstufigen Auswahlverfahren gegen eine Vielzahl von Startups aus ganz Europa durchsetzen.
UMSETZUNG
Die Kapazität und Auslastung des Bahn-Netzes haben einen unmittelbaren Effekt auf die Pünktlichkeit der Züge. Daher hatte DB ECHO das Ziel, die tagesaktuelle Auslastung des Bahnnetzes zu erfassen. Der KI-basierte Assistent DB ECHO wurde dabei als Werkzeug zur Wahrnehmungserweiterung der Disponenten und Analyse-Teams konzipiert.
Der Ansatz: Durch eingetretene Störungen verknappen sich u.a. Strecken-Kapazitäten und die Auslastung des Netzes steigt, was Verspätungen zur Folge haben kann. Diese Verspätungen breiten sich im System aus, wie ein Echo. Wird das Echo eines Ereignisses erkannt, kann auch die Ursache selbst festgestellt werden. Damit kann die Ausbreitung der Störeffekte durch gezielte Gegenmaßnahmen verlangsamt oder ganz verhindert werden.
Mittels Machine Learning Verfahren kann der Auslastungszustand von Streckenabschnitten bestimmt und Wirkzusammenhänge von Störungen identifiziert werden. Damit können Ursachen von Problemen und Wirkungen von (Gegen-)Maßnahmen analysiert werden.
Ergebnis
DB ECHO untersucht mittels mehrschichtiger Analyse- und Machine Learning Verfahren alle Zugfahrten eines Tages gleichzeitig und ist somit in der Lage, übergreifende Wirkzusammenhänge von geographischen Knoten und Strecken zu identifizieren und datenbasiert zu bewerten. Neben der täglichen makroperspektivischen Analyse unterschiedlicher Betriebslagen konnten Optimierungsmaßnahmen simulativ durch das Dispositionsteam getestet werden.
Als Frontend wurde ein Analyse- und Konfigurationsdashboard entwickelt. Hier galt es, einen optimalen Zuschnitt für die unterschiedlichen Anwendergruppen zu finden. Eine intuitive Benutzbarkeit im Alltag galt es mit der Komplexität der Daten in Einklang zu bringen, wobei großer Wert auf Flexibilität und Benutzerfreundlichkeit gelegt wurde.
