Green-TrAIn-Plan

Ziele/Ideen

Mit Green-TrAIn-Plan wurde ein neuartiger, KI-basierter Ansatz eingeführt, der datengesteuerte Optimierung mit agentenbasierter Simulation verbindet, um die Zielkonflikte zwischen Nachhaltigkeit, Effizienz und Robustheit in der Eisenbahnplanung zu analysieren. Diese Methode berücksichtigt sowohl die planerische Perspektive als auch eine Evaluierung dieser Pläne hinsichtlich realitätsnaher Störungen im Gesamtsystem. Der Nachhaltigkeitsaspekt wurde durch die Erstellung eines umfassenden Energiedatensatzes berücksichtigt, der drei reale Datenquellen integriert: Betriebs-, Energie- und Infrastrukturdaten. Auf der Grundlage dieses Datensatzes wurden KI-basierte Modelle entwickelt, um den Energieverbrauch von Zügen unter realistischen Bedingungen zu analysieren und vorherzusagen.

Kurzbeschreibung

Die Eisenbahn ist unbestrittenermaßen ein umweltfreundliches Verkehrsmedium. Sowohl eine Attraktivierung des Systems Bahn als auch die Berücksichtigung und realitätsnahe Optimierung des Energieverbrauchs bereits in frühen Planungsprozessen leisten somit einen wesentlichen Beitrag zur Erreichung der Klimaziele. In Green-TrAIn-Plan wurden hierzu ein datengestütztes Energieprognosemodell für geplante Züge sowie hochinnovative, KI-basierte, integrierte Optimierungs- und Simulationsmethoden entwickelt, um in einer automatisierten Umlaufplanung die Qualitätskriterien Energieeffizienz, Ressourceneffizienz und Verspätungsresilienz zu berücksichtigen. Dadurch kann ein wertvoller Beitrag für einen nachhaltigen, wettbewerbsfähigen und widerstandsfähigen Personen- und Güterverkehr geschaffen werden.

Resultate

Ein wichtiger erster Schritt im Projekt war es, verschiedene Datenquellen aus der Planung und dem operativen Bereich sinnvoll zusammenzuführen und diese Daten für die weitere Anwendung aufzubereiten. Aus dieser Arbeit entstand ein AI-Tool, das den Energieverbrauch von einzelnen Zügen abschätzen kann. Optimierungsseitig konnten wir im Verlaufe des Projektes zeigen, dass eine direkte Miteinbeziehung ökologischer Ziele in der Optimierung zu Plänen führt, die auch in Bezug auf andere Zielgrößen, wie Kosten und Effizienz, mit anderen mathematischen Optimierungsergebnissen vergleichbar sind, während der Energieverbrauch reduziert wird. Durch die Miteinbeziehung der Simulation und einer intelligenten Feedbackschleife kann auch die Robustheit der Pläne erhöht werden.

Partner

dwh GmbH: Projektleitung
Universität Wien: wissenschaftlicher Partner
TU Wien: wissenschaftlicher Partner
ÖBB Produktion GmbH: Unternehmnspartner