Intelligent Mobility – Flexibilisierung durch KI in Mobilität und Logistik

In den letzten zehn Jahren ist die Zahl der Fahrgäste im deutschen Schienenverkehr stetig gestiegen und erreichte 2017 144 Millionen. Der steigende Kapazitätsbedarf erfordert neue Methoden zur Planung und zum effizienten Management von Zügen und Infrastrukturen. Dieser Vortrag stellt einen Ansatz vor, der Dispositions-Entscheidungen mittels Reinforcement Learning ermöglicht und einen Beitrag zur Flexibilisierung derzeitiger Entscheidungsstrukturen leistet.

Die Übertragung des Reinforcement-Learning-Ansatzes von den heutigen Computerspielen auf reale Probleme bleibt eine zentrale Herausforderung, die in diesem Vortrag für ein S-Bahn-Netz in zwei Schritten angegangen wird.

Zuerst wird ein Ansatz zur Erkennung von Anomalien vorgestellt, der eine erste Analyse über aktuelle und zukünftige Anomalien umfasst. Der zweite Schritt stellt aktuelle Arbeiten zur Modellierung eines S-Bahn-Netzes als Netzwerk verwandter Betriebsstellen vor. Basierend auf diesem Ansatz werden verschiedene Vorhersagemodelle verwendet, um eine datenbasierte Perspektive auf den aktuellen Status quo des Netzwerks sowie auf mögliche zukünftige Zustände und Aktionen zu erhalten, die zu diesen Zuständen führen könnten.

Vorkenntnisse

* Ein grundlegendes Verständnis für Machine-Learning-Problemstellungen
* Erfahrung im Umgang mit datenbasierten Vorgehensweisen (z.B. Statistik)

Lernziele

* Darstellung der Übertragung eines Reinforcement-Learning-Ansatzes für ein Problem aus der realen Welt
* Modellierung eines Problems, um es durch Reinforcement Learning lösbar zu machen