Pseudonymisierung von Videoüberwachungsmaterial im ÖPNV-Fahrzeug

Pseudonymisierung von Videoüberwachungsmaterial im ÖPNV-Fahrzeug

Im Rahmen von ANYMOS hat IRIS in Zusammenarbeit mit dem FZI zwei zentrale Anwendungsfälle bearbeitet, die den Spagat zwischen Datenschutz und Mehrwert für Fahrgäste sowie ÖPNV-Betreibende adressieren. Ziel war es, innovative KI-basierte Lösungen zu entwickeln, die sowohl rechtliche Rahmenbedingungen ein-halten als auch neue, datenbasierte Möglichkeiten eröffnen.
ÖPNV-Unternehmen stehen vor der Herausforderung, Videoüberwachungsmaterial nur für 72 Stunden speichern zu dürfen. Gleichzeitig benötigen Ermittlungsbehörden oftmals längere Zeit, um Opfer oder Zeugen zu befragen und entsprechendes Beweismaterial anzufordern. Hinzu kommt, dass in vielen Unternehmen nur eine sehr kleine Personenzahl Zugriff auf diese Daten hat.

Unser Ansatz:
• Entwicklung einer KI-basierten Echtzeit-Pseudonymisierung direkt im Fahrzeug
• Schutz besonders sensibler Bildbereiche durch moderne Verschlüsselungsverfahren
• Videos können ohne Identifizierbarkeit der Personen gesichtet werden
• Im Bedarfsfall ist eine gezielte De-Anonymisierung einzelner Betroffener möglich – unbeteiligte Personen bleiben dauerhaft unkenntlich.

Damit entsteht ein neuer Handlungsspielraum: Mehr befugte Personen können Videomaterial prüfen, ohne Datenschutzrechte zu verletzen, während Opfer und Ermittlungsbehörden schneller zu relevanten Informationen gelangen.

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.