Bus-Chaos verhindern: Wie KI das Problem der Pulkbildung im ÖPNV löst

Jeder Fahrgast und jeder Verkehrsplaner kennt das frustrierende Phänomen: Man wartet scheinbar ewig an der Haltestelle, nur um dann drei Busse derselben Linie direkt hintereinander ankommen zu sehen. Danach folgt wieder eine lange Lücke. Dieses Problem, bekannt als „Bus Bunching“ oder Pulkbildung, ist mehr als nur ein Ärgernis. Es ist ein Symptom für die grundlegende Starrheit traditioneller, fahrplanbasierter Verkehrssysteme, die mit der dynamischen und oft unvorhersehbaren Realität des Stadtverkehrs kollidieren. Die üblichen Antworten darauf sind oft oberflächlich: Man fordert mehr Pünktlichkeit oder mehr Busse, ohne das zugrunde liegende systemische Problem zu lösen.

Künstliche Intelligenz (KI) wird oft als Allheilmittel präsentiert, das diese Probleme durch präzise Vorhersagen und Echtzeit-Anpassungen lösen kann. Doch das ist nur die halbe Wahrheit. Die wahre Revolution der KI im öffentlichen Personennahverkehr (ÖPNV) liegt nicht allein in ihrer prognostischen Fähigkeit, sondern in ihrer Rolle als Manager komplexer, oft widersprüchlicher Ziele. Der Kern der Herausforderung ist nicht, einen perfekten Plan zu erstellen, sondern unvermeidbare Abweichungen intelligent zu steuern. Was ist wichtiger: die starre Pünktlichkeit laut Fahrplan oder ein gleichmässiger, verlässlicher Takt?

Dieser Artikel taucht tief in die Entscheidungsdilemmata ein, mit denen KI-Systeme im ÖPNV täglich konfrontiert sind. Statt die KI als magische Blackbox darzustellen, analysieren wir die konkreten Abwägungen, die sie treffen muss: zwischen der Effizienz des Gesamtnetzes und dem Komfort des einzelnen Fahrgastes, zwischen der datengestützten Logik eines Algorithmus und der wertvollen Erfahrung eines menschlichen Fahrers. Es geht darum zu verstehen, wie KI nicht nur den Verkehr, sondern die Logik der Verkehrsplanung selbst neu definiert.

Um die Komplexität dieser Herausforderung zu verstehen, werden wir die verschiedenen Ebenen der KI-gesteuerten Verkehrssteuerung untersuchen. Von flexiblen On-Demand-Lösungen bis hin zur vorausschauenden Wartung bietet jede Anwendung neue Möglichkeiten, aber auch neue operative Dilemmata.

Warum ersetzt der Rufbus den starren Fahrplan am Sonntagabend?

Starre Fahrpläne sind in ihrer Essenz ineffizient, besonders zu Zeiten schwacher Nachfrage wie am späten Abend oder an Wochenenden. Einen grossen Gelenkbus alle 20 Minuten durch leere Vororte fahren zu lassen, ist weder wirtschaftlich noch ökologisch sinnvoll. Hier löst der On-Demand-Verkehr, oft als Rufbus oder Ridepooling-Service realisiert, ein zentrales Dilemma: die Aufrechterhaltung der Angebotsgarantie bei gleichzeitiger Maximierung der Ressourceneffizienz. Statt nach einem festen Zeit- und Linienplan zu verkehren, bündelt ein KI-Algorithmus die Fahrtwünsche mehrerer Passagiere in Echtzeit zu einer optimierten Route. Das Fahrzeug fährt nur, wenn ein tatsächlicher Bedarf besteht.

Dieses Modell transformiert den ÖPNV von einem angebotsorientierten zu einem nachfrageorientierten System. Die KI wird zum dynamischen Disponenten, der virtuelle Haltestellen einrichtet und die optimale Fahrzeugpositionierung berechnet. So wird eine flächendeckende Mobilität auch in Gebieten und zu Zeiten gewährleistet, in denen sich ein klassischer Linienverkehr nicht rentieren würde. Der starre Fahrplan wird durch einen flexiblen Servicekorridor ersetzt, der die betrieblichen Erfordernisse des ÖPNV mit der Flexibilität eines modernen Flächenbetriebs verbindet.

Die Implementierung solcher hybriden Bedienmodelle erfordert eine solide Datengrundlage, bestehend aus historischen Verkehrsdaten, Ticketing-Informationen und Echtzeit-Flottendaten. Nur so kann der KI-Algorithmus Fahrtwünsche effizient bündeln und die Kundenerfahrung durch kurze Buchungsfristen und intelligente Routenführung optimieren.

Wie berechnet die KI den Ansturm nach dem Fussballspiel voraus?

Die grösste Schwäche starrer Fahrpläne ist ihre Unfähigkeit, auf unregelmässige, aber vorhersehbare Grossereignisse zu reagieren. Ein Fussballspiel, ein Konzert oder eine Messe erzeugen massive, konzentrierte Fahrgastströme, die jedes Standardangebot überfordern und unweigerlich zu Pulkbildung und überfüllten Fahrzeugen führen. Die KI löst dieses Dilemma durch prädiktive Analyse. Anstatt nur auf Echtzeitdaten zu reagieren, nutzt sie historische Daten und externe Informationen (wie den Spielplan der Bundesliga), um Nachfragespitzen proaktiv zu modellieren. Sie lernt aus vergangenen Ereignissen, wie sich Menschenmassen von einem Stadion oder Messegelände zu den Hauptverkehrsknotenpunkten bewegen.

Diese Modelle ermöglichen es der Leitstelle, nicht nur die Anzahl der benötigten Fahrzeuge, sondern auch deren optimale strategische Positionierung im Vorfeld zu planen. Anstatt Busse reaktiv aus dem Depot zu schicken, können sie bereits vor Spielende in Pufferzonen rund um das Ereignis bereitgestellt werden. So werden die Fahrzeuge genau dann und dort eingesetzt, wo der Ansturm beginnt, was die Wartezeiten für die Fahrgäste drastisch reduziert und die Abwanderung der Massen kanalisiert. Eine Studie aus Québec zur Vermeidung von Bus-Pulkbildung zeigt, wie entscheidend die Kalibrierung solcher Modelle ist. Ingenieure nutzten historische Daten aus den Jahren 2018 und 2019, um eine verlässliche Baseline des Fahrerverhaltens und der Fahrgastströme vor der Pandemie zu erstellen. Diese Datenbasis ist das Fundament, auf dem präzise Vorhersagen aufbauen.

Die KI berechnet also nicht einfach nur eine Zahl, sondern simuliert komplexe Szenarien. Sie berücksichtigt Variablen wie das Wetter, den Spielverlauf (ein knappes Spiel führt zu einer konzentrierteren Abwanderung als ein klares Ergebnis) und die Kapazität der verschiedenen Linien, um einen dynamischen Einsatzplan zu erstellen. So wird aus einem drohenden Chaos ein orchestrierter und effizienter Abtransport.

Warten oder fahren: Was entscheidet der Computer bei 2 Minuten Verspätung?

Dies ist das zentrale Dilemma des operativen Betriebs und die Hauptursache für Bus-Pulkbildung. Stellen Sie sich vor, Bus A hat 2 Minuten Verspätung. Soll er nun schneller fahren, um den Fahrplan einzuhalten, oder soll er seine Geschwindigkeit drosseln, um den Abstand zu Bus B (dem nachfolgenden Bus) konstant zu halten? Die traditionelle Verkehrssteuerung, die auf Fahrplantreue fixiert ist, würde den Fahrer anweisen, aufzuholen. Dies führt jedoch zu einer fatalen Kaskade: Bus A sammelt an den nächsten Haltestellen mehr Fahrgäste ein (da die Lücke zu seinem Vorgänger grösser wurde), was ihn weiter verlangsamt. Bus B hinter ihm hat hingegen weniger Fahrgäste und kommt schneller voran, wodurch er Bus A einholt. Das Ergebnis: Bus-Pulkbildung.

Eine KI-gesteuerte Leitstelle löst dieses Dilemma, indem sie den Fokus vom starren Fahrplan auf das dynamische Headway-Management verlagert. Ihr primäres Ziel ist nicht die Pünktlichkeit jedes einzelnen Busses, sondern ein gleichmässiger und verlässlicher Takt auf der gesamten Linie. Wie Cordell Rogers von der MTA in New York treffend formulierte:

The perfect world is everything is on time. Once we step into the real world, we realize everything is not on time, and then we start managing headways.

– Cordell Rogers, MTA Bus Operations, New York

Die KI empfiehlt dem Fahrer von Bus A also möglicherweise, absichtlich langsamer zu fahren oder an einer Haltestelle kurz zu warten, auch wenn keine Fahrgäste einsteigen. Gleichzeitig könnte Bus B angewiesen werden, seine Abfahrt an einer früheren Haltestelle leicht zu verzögern. Diese Mikro-Anpassungen, die für einen menschlichen Disponenten in einem grossen Netzwerk unmöglich zu überblicken sind, sorgen dafür, dass sich die Abstände stabilisieren und das Angebot für die Fahrgäste entlang der gesamten Linie konsistent bleibt.

Diese Strategie wird durch operative Massnahmen unterstützt, die die Verweildauer an Haltestellen reduzieren, wie etwa der Einstieg an allen Türen, Vorauszahlungstickets oder der Einsatz grösserer Busse auf hochfrequentierten Strecken. Die KI entscheidet also nicht willkürlich, sondern basierend auf einer klaren Priorisierung: Die Verlässlichkeit des Taktes für alle Fahrgäste ist wichtiger als die Pünktlichkeit eines einzelnen Fahrzeugs.

Der Fehler, leere Busse nach Plan fahren zu lassen, der das Budget ruiniert

Das Festhalten an starren Fahrplänen führt zu einer massiven Verschwendung von Ressourcen. Der vielleicht grösste Fehler ist das Betreiben von Linien mit geringer Auslastung, nur weil der Fahrplan es vorschreibt. Ein Bus, der leer oder mit nur wenigen Fahrgästen durch den dichten Stadtverkehr kriecht, verursacht Betriebskosten, emittiert Schadstoffe und blockiert wertvollen Strassenraum, ohne einen nennenswerten Beitrag zur Mobilität zu leisten. In der Innenstadt beträgt beispielsweise die Durchschnittsgeschwindigkeit eines Busses in Berlin nur 14 km/h. Diese Ineffizienz belastet die Budgets der Verkehrsbetriebe erheblich.

Das Dilemma hier lautet: Kosteneffizienz vs. Versorgungssicherheit. Verkehrsbetriebe haben einen Versorgungsauftrag, der sie verpflichtet, auch in weniger frequentierten Gebieten ein Grundangebot bereitzustellen. KI-Systeme bieten einen Ausweg aus diesem Dilemma, indem sie eine dynamische Anpassung der Angebotsform ermöglichen. Anstatt eine Linie komplett einzustellen, kann die KI vorschlagen, in Schwachlastzeiten von einem grossen Gelenkbus auf einen kleineren Midibus oder sogar auf einen flexiblen On-Demand-Service (wie in Abschnitt 1 beschrieben) umzusteigen. Der Algorithmus analysiert historische und Echtzeit-Auslastungsdaten und identifiziert Muster, die eine solche Umstellung rechtfertigen, ohne die Mobilität der Anwohner zu gefährden.

Langfristig kann die KI sogar die gesamte Liniennetzplanung revolutionieren. Durch die Analyse von Bewegungsströmen aus anonymisierten Mobilfunkdaten kann sie aufzeigen, wo traditionelle Linienführungen nicht mehr den realen Bedürfnissen der Bevölkerung entsprechen, und Vorschläge für eine optimierte, kosteneffizientere und kundenfreundlichere Netzstruktur machen. Der Fehler liegt also nicht im Fahren an sich, sondern im Fahren nach einem Plan, der die Realität ignoriert.

Wann rebellieren Fahrer gegen den Algorithmus, der ihre Pausen plant?

Die Einführung von KI in der Umlauf- und Dienstplanung birgt ein erhebliches Konfliktpotenzial. Während der Algorithmus darauf abzielt, die Effizienz zu maximieren, indem er Pausenzeiten, Fahrzeugwechsel und Routen optimiert, kann dies zu Plänen führen, die in der Theorie perfekt, in der Praxis aber unmenschlich sind. Eine zu knapp bemessene Pause, ein unrealistischer Zeitplan für den Weg vom Bus zum Pausenraum oder die ständige Überwachung durch das System können bei den Fahrern zu Stress, Frustration und letztendlich zu Widerstand führen. Die „Rebellion“ der Fahrer ist oft keine prinzipielle Ablehnung der Technologie, sondern ein Symptom für einen schlecht implementierten Algorithmus, der die menschliche Realität ignoriert.

Das Dilemma besteht hier zwischen algorithmischer Optimierung und menschlicher Erfahrung. Ein Fahrer weiss aus Erfahrung, dass eine bestimmte Kreuzung zu einer bestimmten Uhrzeit immer verstopft ist, oder dass die angegebene Pausenzeit nicht ausreicht, um zur Toilette zu gehen und einen Kaffee zu trinken. Wenn der Algorithmus dieses implizite Wissen ignoriert, verliert er an Akzeptanz und wird als Bedrohung wahrgenommen. Erfolgreiche KI-Implementierungen behandeln die Fahrer daher nicht als ausführende Organe, sondern als wertvolle Partner. Die KI sollte als intelligentes Assistenzsystem fungieren, das Empfehlungen gibt, dem Fahrer aber in bestimmten Situationen die Möglichkeit zur Übersteuerung lässt. Dieser Ansatz der Mensch-Maschine-Kollaboration nutzt das Beste aus beiden Welten: die Rechenleistung der KI zur Analyse des Gesamtnetzes und die situative Intelligenz und Erfahrung des Menschen vor Ort.

John Patafio von der Transport Workers Union in New York fasst diesen Gedanken perfekt zusammen:

Bus operators know how to make the system work. Give them the right tools, and let them be a part of it.

– John Patafio, Transport Workers Union, New York

Die Akzeptanz steigt, wenn die Technologie den Fahrern hilft, ihre Arbeit besser und stressfreier zu erledigen, anstatt sie zu kontrollieren. Ein System, das proaktiv vor Staus warnt oder realistische Pausenfenster vorschlägt, wird als nützlich empfunden. Ein System, das jede Minute verplant und Abweichungen bestraft, führt unweigerlich zu Konflikten.

Der Fehler, „pünktlich“ anzuzeigen, wenn der Bus schon weg ist

Eine der grössten Frustrationen für Fahrgäste ist eine unzuverlässige Fahrgastinformation. Was nützt eine App, die anzeigt, der Bus sei „pünktlich“, wenn er in Wahrheit gerade an der Haltestelle vorbeigefahren ist, weil er Teil eines Bus-Pulks war und versucht hat, Abstand zu gewinnen? Oder wenn die Anzeige „5 Minuten“ meldet, diese Zeit aber aufgrund eines unvorhergesehenen Staus zu „15 Minuten“ wird? Der Fehler liegt darin, rohe GPS-Daten als verlässliche Prognose zu missverstehen. Die Position eines Busses ist nur ein Datenpunkt; sie sagt nichts über seine zukünftige Geschwindigkeit oder die Verkehrslage aus.

Das Dilemma für die Verkehrsplaner ist die Abwägung zwischen Datenpräzision und Prognosezuverlässigkeit. Eine KI kann dieses Problem lösen, indem sie nicht nur die Echtzeit-Position des Fahrzeugs berücksichtigt, sondern diese mit historischen Verkehrsdaten, aktuellen Staumeldungen und dem Verhalten anderer Fahrzeuge auf derselben Route kombiniert. So wird aus einer einfachen Positionsangabe eine intelligente Ankunftsprognose (ETA – Estimated Time of Arrival). Diese Prognose ist dynamisch und passt sich kontinuierlich an die tatsächlichen Gegebenheiten an. In New York zum Beispiel ist die Pulkbildung so verbreitet, dass stadtweit etwa 1 von 8 Bussen in einem Pulk fährt, was traditionelle Fahrplananzeigen oft unbrauchbar macht.

Eine verlässliche Fahrgastinformation ist ein entscheidender Faktor für die Kundenzufriedenheit und das Vertrauen in den ÖPNV. Eine KI, die lernt, systematische Verspätungen auf bestimmten Abschnitten zu erkennen, kann die Fahrplanauskunft entsprechend anpassen. Sie kann sogar proaktiv alternative Routen vorschlagen, wenn eine grössere Störung auf der Linie absehbar ist. Die Anzeige in der App sollte nicht nur sagen, *wo* der Bus ist, sondern *wann* er realistischerweise ankommen wird. Das ist der entscheidende Unterschied zwischen reiner Datenanzeige und echter Servicequalität.

Latenz oder Analyse: Wann müssen Sie an der Edge entscheiden?

Die Verarbeitung von Daten in einem KI-gesteuerten Verkehrssystem stellt IT-Spezialisten vor ein fundamentales Dilemma: Soll die Entscheidung direkt im Fahrzeug oder an der Haltestelle getroffen werden (Edge Computing) oder zentral in der Cloud (Cloud Computing)? Die Antwort hängt von der Art der Entscheidung ab und ist ein kritischer Faktor für die Systemarchitektur. Es geht um den Kompromiss zwischen Reaktionsgeschwindigkeit (Latenz) und der Tiefe der Analyse (Kontext).

Entscheidungen, die in Millisekunden getroffen werden müssen, sind auf Edge Computing angewiesen. Ein autonomer Bus kann nicht warten, bis seine Sensordaten in die Cloud und zurückgeschickt werden, um eine Kollisionswarnung auszulösen oder eine Notbremsung einzuleiten. Diese Rechenoperationen müssen lokal, „an der Kante“ des Netzwerks, stattfinden. Auch die Steuerung von Ampelvorrangschaltungen oder die Türöffnung sind klassische Anwendungsfälle für die Edge, wo eine minimale Latenz über Sicherheit und Effizienz entscheidet.

Andererseits erfordern strategische Entscheidungen die Rechenleistung und den umfassenden Datenüberblick der Cloud. Die Umleitung einer ganzen Linie aufgrund eines Unfalls, die Koordination von Anschlussverbindungen über verschiedene Verkehrsmittel hinweg oder die Analyse von Fahrgastströmen zur Optimierung des gesamten Netzes – all das benötigt eine zentrale Perspektive, die ein einzelnes Fahrzeug nicht haben kann. Die Cloud aggregiert Daten aus der gesamten Flotte und dem gesamten Verkehrsnetz, um fundierte, makroökonomische Optimierungen vorzunehmen.

Eine moderne Systemarchitektur im ÖPNV ist daher immer hybrid. Sie nutzt die Stärken beider Ansätze: die blitzschnelle Reaktion der Edge für operative Sicherheit und die analytische Tiefe der Cloud für strategische Effizienz.

Wie nutzen Sie Predictive Maintenance, um Maschinenstillstände zu verhindern?

Ein unerwarteter Fahrzeugausfall ist der Super-GAU für jeden Verkehrsbetrieb. Er führt nicht nur zu direkten Reparaturkosten, sondern löst eine Kettenreaktion aus: Linien müssen unterbrochen, Ersatzfahrzeuge organisiert und Fahrgäste informiert werden. Die traditionelle, intervallbasierte Wartung versucht dies zu verhindern, ist aber ineffizient – oft werden Teile ausgetauscht, die noch voll funktionsfähig sind. Predictive Maintenance (vorausschauende Wartung) löst dieses Dilemma zwischen maximaler Verfügbarkeit und minimalen Wartungskosten.

Mithilfe von Sensoren, die Daten von kritischen Komponenten wie Motor, Bremsen oder Türen erfassen, kann eine KI Abweichungen vom Normalbetrieb in Echtzeit erkennen. Sie lernt, welche Muster (z.B. eine leichte Erhöhung der Motortemperatur bei bestimmter Last) auf einen bevorstehenden Defekt hindeuten. Anstatt auf einen festen Wartungsplan zu vertrauen, meldet das System proaktiv einen konkreten Handlungsbedarf. Die Werkstatt kann so die Reparatur genau dann einplanen, wenn sie notwendig ist – idealerweise über Nacht oder am Wochenende, um den operativen Betrieb nicht zu stören.

Dieser datengesteuerte Ansatz transformiert die Wartung von einer reaktiven oder präventiven zu einer prädiktiven Strategie. Er ermöglicht es, die Lebensdauer von Bauteilen voll auszuschöpfen und gleichzeitig das Risiko unerwarteter Ausfälle drastisch zu senken. Die Analyse zeigt, dass die möglichen Kosteneinsparungen bei der Wartung durch Bedarf statt fester Intervalle 10-20% betragen können. Noch wichtiger ist jedoch die gesteigerte Zuverlässigkeit der Flotte, die sich direkt auf die Qualität des Angebots und die Zufriedenheit der Fahrgäste auswirkt.

Die KI wird so zum digitalen Diagnostiker, der nicht nur den Zustand der Flotte überwacht, sondern auch die Logistik der Ersatzteilbeschaffung und die Einsatzplanung der Werkstatt optimiert. Sie stellt sicher, dass die Busse auf der Strasse sind, um Fahrgäste zu befördern, und nicht in der Werkstatt stehen.

Die Implementierung einer KI-gesteuerten Verkehrsplanung ist kein rein technisches Projekt, sondern ein strategischer Wandel. Beginnen Sie damit, Ihre Datengrundlage zu analysieren und klare Prioritäten für die Optimierungsziele zu definieren, um die Effizienz Ihres Netzes schrittweise und nachhaltig zu steigern.