Das Forschungskonsortium AI4REALNET entwickelt ein KI-Assistenzsystem, das Disponenten in Bahnleitstellen bei unvorhergesehenen Betriebsstörungen mit operativen Umplanungsvorschlägen unterstützt. Die Technologie erfasst den Live-Zustand aller Züge im Steuerungsbereich und empfiehlt abgestimmte Maßnahmen zu Zugreihenfolge, Fahrgeschwindigkeit und Trassenwahl. Ziel ist es, Dispositionsentscheidungen zu beschleunigen, Fahrplanabweichungen zu minimieren und die verbleibende Netzkapazität optimal zu nutzen.
Das europäische Horizon-Europe-Projekt AI4REALNET zeigt, wie KI-Assistenten Leitstellendisponenten bei Netzstörungen unterstützen können, um Züge schneller wieder auf Fahrplankurs zu bringen.
In der betrieblichen Bahnsteuerung überwachen Disponenten Zugbewegungen anhand von Soll-Fahrplänen, die mit Eisenbahnverkehrsunternehmen vereinbart wurden. Treten unvorhergesehene Störungen wie Signaldefekte, Streckenblockaden oder Extremwetter auf, führt dies zu Kettenreaktionen und Verspätungen im gesamten Schienennetz. Das manuelle Umplanen unter Berücksichtigung von Zugprioritäten, Gleisbelegungen und Passagierströmen ist zeitaufwendig und hochkomplex. Das im europäischen Projekt AI4REALNET entwickelte System aggregiert den Echtzeitzustand sämtlicher Züge und Streckenabschnitte im Zuständigkeitsbereich. Auf Basis von Reinforcement Learning und Zustandsprognosen berechnet die KI konkrete Aktionsbündel, darunter Geschwindigkeitsanpassungen, Überholungsreihenfolgen und Ausweichrouten. Die menschlichen Disponenten behalten dabei die operative Kontrolle und wählen die am besten geeignete Maßnahme aus. Auf diese Weise sollen Züge schneller zum Regelfahrplan zurückkehren und die verfügbare Streckenkapazität bestmöglich ausgeschöpft werden.
Klassische dispositionsunterstützende Regelsysteme stoßen bei dynamischen Mehrzugkonflikten an kombinatorische Grenzen, da sie komplexe Wechselwirkungen zwischen Geschwindigkeit, Reihenfolge und Trassenverfügbarkeit in Echtzeit nicht flexibel optimieren können. Maschinelle Lernverfahren und Reinforcement Learning können hingegen riesige Zustandsräume in Sekundenschnelle bewerten und auf unvorhergesehene Störungskonstellationen adaptiv reagieren.
Netzbetreiber mit intelligenter Echtzeit-Disposition können Verkehre stabiler abwickeln und sich als verlässliche Partner im europäischen Güter- und Personenverkehr etablieren.
Die Reduktion verspätungsbedingter Folgekosten und Pönalen stärkt die Wirtschaftlichkeit von Netzbetreibern und Eisenbahnverkehrsunternehmen, während die Schieneninfrastruktur ohne teure Neubauten höher ausgelastet werden kann.
Betriebsleitstellen stellen von reaktiven, manuellen Umplanungen auf proaktive, datengestützte Entscheidungsprozesse um, was eine enge Verknüpfung von Sensordaten, Zuglaufmeldungen und Leitsystemen erfordert.
Disponenten in der Zuglenkung werden bei akuten Flächenstörungen spürbar entlastet, da die KI komplexe Wechselwirkungen im Netz vorberechnet und ihnen strukturierte Optionen anbietet.
Die Tätigkeit wandelt sich von der rein manuellen, unter hohem Stress ausgeführten Trassenneuplanung hin zu einer übergeordneten Überwachungs- und Steuerungsfunktion mit Schwerpunkt auf sicherheitskritischen Abwägungen.
Erforderlich ist die Kompetenz, von der KI vorgeschlagene Aktionssets zügig auf Plausibilität zu prüfen, Randbedingungen zu bewerten und die Freigabe souverän zu verantworten.
Fahrgäste erleben weniger unvorhergesehene Zwischenhalte auf freier Strecke, da Konflikte durch angepasste Geschwindigkeiten und Zugfolgen vorausschauend aufgelöst werden.
Ein stabilerer Zugverkehr steigert die gesellschaftliche Akzeptanz des Schienenverkehrs als verlässliches Verkehrsmittel für die tägliche Mobilität.