Anonymisiertes fahrzeugübergreifendes Tracking von Fahrgästen im Liniennetz

Bislang können ÖPNV-Betreiber nur ungenaue Vorhersagen zum Passenger Demand im gesamten Liniennetz treffen – insbesondere in komplexen, städtischen Netzen. Dies erschwert unter anderem die Planung von Schienenersatzverkehren oder die Prognose der Auswirkungen von Verspätungen und Ausfällen.

Unser Ansatz:
• Entwicklung eines Konzepts zur KI-gestützten, datenschutzkonformen Re-Identifizierung auf Basis modernster Pseudonymisierungsverfahren
• Enge Einbindung von Datenschutzbeauftragten
• Erstellung einer Machbarkeitsstudie

Potenzial der gewonnenen Passenger-Flow-Daten:
• Analyse von kompletten Fahrgastreisen über Linien hinweg
• Erkennung hochfrequentierter Umstiegspunkte
• Eventbasierte Linienübergreifende Auslastungsprognosen (z. B. bei Großveranstaltungen)
• Datengestützte Optimierung des Liniennetzes
• Vorhersage, wie viele Passagiere tatsächlich von Verspätungen oder Ausfällen betroffen sind
• Integration von Auslastungsprognosen in MaaS-Apps (Mobility-as-a-Service)

So können ÖPNV-Betreiber künftig zielgerichteter planen, auf Ereignisse reagieren und die Attraktivität ihres Angebots durch verlässliche Daten erhöhen.