Europäische Forschungskonsortien entwickeln KI-Assistenzsysteme, die Disponenten in Bahnleitstellen bei unvorhergesehenen Störungen mit Vorschlägen zur Umplanung unterstützen. Die Technologie erfasst den Live-Zustand aller Züge im Steuerbereich und empfiehlt abgestimmte Maßnahmen zu Zugreihenfolge, Geschwindigkeit und Trassenwahl. Ziel ist es, Dispositionsentscheidungen zu beschleunigen, Fahrplanabweichungen zu minimieren und die verbleibende Netzkapazität optimal zu nutzen.
Europäische Forschungsprojekte zeigen, wie KI-Assistenten Leitstellendisponenten bei Netzstörungen unterstützen, um Züge schneller wieder in den Fahrplan zu bringen.
In der Bahnsteuerung überwachen Disponenten die Zugbewegungen anhand der mit den Eisenbahnverkehrsunternehmen vereinbarten Soll-Fahrpläne. Unvorhergesehene Störungen wie Signaldefekte, Streckensperrungen oder Extremwetter lösen Kettenreaktionen und Verspätungen im gesamten Netz aus. Die manuelle Umplanung unter Berücksichtigung von Zugprioritäten, Gleisbelegungen und Fahrgastströmen ist zeitaufwendig und hochkomplex. In europäischen Forschungsprojekten entwickelte Systeme bündeln den Echtzeitzustand aller Züge und Streckenabschnitte im Zuständigkeitsbereich. Auf Basis von Reinforcement Learning und Zustandsprognosen berechnet die KI konkrete Maßnahmenbündel, darunter Geschwindigkeitsanpassungen, Überholreihenfolgen und Ausweichrouten. Die Disponenten behalten die operative Kontrolle und wählen die passendste Maßnahme aus. So sollen Züge schneller zum Regelfahrplan zurückkehren und die verfügbare Kapazität bestmöglich genutzt 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.
Automatisierte Assistenzsysteme sollen Disponenten in hochbelasteten Situationen mit hoher Konfliktdichte durch konkrete Dispositionsempfehlungen unterstützen und die operative Abstimmung erleichtern. Forschungsarbeiten belegen die Erprobung solcher Empfehlungen im Pilotbetrieb, die künftig direkt in zentrale Leitsysteme integriert werden sollen. Belastbare Nachweise über langfristige Entlastungswirkungen oder veränderte Kompetenzanforderungen liegen jedoch noch nicht vor, da es keine dokumentierten Fälle im Regelbetrieb gibt.
„An automated dispatching assistance system is currently being piloted to provide support for train dispatchers in their work.“
Fachberichte zur übergeordneten Technologieklasse automatisierter Verkehrsmanagementsysteme stellen bei Echtzeit-Umplanungen eine Reduktion von Zugverspätungen um bis zu 15 Prozent sowie sinkende Entschädigungskosten in Aussicht. Die Quelle belegt jedoch lediglich diese breitere Systemklasse und nicht das spezifische KI-Muster zur Fahrplanumdisposition. Für den tatsächlichen KI-Einsatz bleiben verlässliche wirtschaftliche Kennzahlen zu Investitionsaufwänden und Einsparungen weiterhin offen.
„David Waboso, group managing director for Digital Railway, said the technology could reduce train delays by as much as 15 per cent.“
Wissenschaftliche Arbeiten analysieren fahrgastorientierte Umplanungsansätze, die Reisendendaten einbeziehen, um im Störungsfall Anschlüsse und Reiseketten gezielter zu berücksichtigen. Während die Forschung entsprechende methodische Modelle beschreibt, fehlen weiterhin empirische Belege für messbare Verbesserungen der Pünktlichkeit oder eine gesteigerte Kundenzufriedenheit im praktischen Alltag. Reale gesellschaftliche Auswirkungen auf Reisende sind für dieses Muster im Regelbetrieb bislang nicht belegt.
„Among these approaches, passenger-oriented rescheduling considers train rescheduling while taking passenger data into account, as opposed to operation-oriented rescheduling.“
Automatisierte Umplanungsverfahren zielen bei Störungen darauf ab, außerplanmäßige Zughalte zu verringern und Geschwindigkeitsprofile energetisch zu optimieren. Forschungssimulationen belegen den direkten Zusammenhang zwischen der automatisierten Konfliktbereinigung im Verkehrsmanagement und dem resultierenden Traktionsenergiebedarf. Konkrete Einsparwerte oder der zusätzliche Energieaufwand für den Betrieb der Recheninfrastruktur sind in den Quellen jedoch nicht quantifiziert.
„The primary objective was to determine train headway times while considering automated traffic conflict resolution and speed profile optimization in relation to traction energy consumption.“
Fehlkalkulationen bei der Zugdisposition können zu Kapazitätsengpässen oder Sicherheitsrisiken führen, weshalb die Letztverantwortung beim Personal verbleibt. Ein solches System fällt voraussichtlich nicht unter Anhang III Nummer 2 der Verordnung (EU) 2024/1689, da der Schienenverkehr dort nicht aufgeführt ist, könnte jedoch nach Artikel 6 Absatz 1 als Sicherheitsbauteil relevant werden. Zudem greifen voraussichtlich Anforderungen an die KI-Kompetenz nach Artikel 4, wobei konkrete Ausfallrisiken mangels Praxisfällen nicht dokumentiert sind.
„Zusätzlich zu den in Absatz 1 genannten Hochrisiko-KI-Systemen gelten die in Anhang III genannten KI-Systeme als hochriskant.“
Belegt: eine abgerufene Quelle oder ein freigegebener Praxisfall trägt die Aussage. Eingeordnet: redaktionelle Einschätzung. Offen: dazu ist nichts dokumentiert. Keine Rechtsberatung.
Die fachliche Passung wurde KI-gestützt anhand der Anwendung und der beruflichen Aufgaben geprüft. Daraus folgt keine gemessene KI-Wirkung auf den gesamten Beruf.