Implementierungsstrategie
Zunächst werden relevante Nutzungsszenarien definiert, etwa Pendler- und Spitzenzeiten, Randzeiten sowie Stadtteile mit geringer ÖV-Dichte, und daraus ein konzeptioneller Rahmen für einen hybriden Betrieb aus klassischen Linien und On-Demand-Angeboten entwickelt. Anschließend werden unterschiedliche Datenquellen zusammengeführt – beispielsweise Fahrplandaten, Nachfrageschätzungen aus Mobilfunkdaten, Quelle-Ziel-Matrizen und Ticketdaten – und durch Datenbereinigung sowie Harmonisierung so aufbereitet, dass eine robuste Grundlage für KI-Modelle entsteht. Die entwickelten Algorithmen werden danach in einer Simulationsumgebung validiert, um Leistungsfähigkeit, Stabilität und Wirkung unter verschiedenen Rahmenbedingungen zu prüfen, bevor reale Pilotierungen erfolgen. Mögliche Anwender sind vor allem ÖV-Betreiber und Stadtwerke, die flexible Linien- und Mikro-ÖV-Bausteine in bestehende Angebote integrieren möchten, sowie Mobilitätsdienstleister (z.B. On-Demand-Shuttle-Anbieter), die ihre Disposition und operative Steuerung optimieren wollen. Darüber hinaus können Verkehrsplanungsbüros das System nutzen, um Nachfrageprognosen und Szenarien zu modellieren, Services frühzeitig abzubilden und Wirkungsszenarien systematisch zu evaluieren.

Lessons Learned
Das Projekt befindet sich noch in einem frühen Entwicklungsstadium (TRL 3); technologische Machbarkeit und Nutzerakzeptanz sind daher noch offen. Insbesondere muss in den nächsten Phasen validiert werden, ob sich Echtzeitdaten zuverlässig integrieren lassen und KI-basierte Optimierungsverfahren im Live-Betrieb des öffentlichen Verkehrs stabil und robust funktionieren. Ein wesentliches Risiko ist der begrenzte Zugang zu qualitativ hochwertigen Echtzeit- und historischen Verkehrsdaten. Zudem erfordert die Kombination aus generativen Modellen, Reinforcement Learning und Optimierungsverfahren umfangreiche Tests und Validierungen, um Fehlprognosen oder unerwünschte Systemreaktionen zu vermeiden – gerade mit Blick auf die Einbettung eines hybriden Linien- und On-Demand-Betriebs in bestehende Betriebsabläufe und IT-Systeme. Schließlich kann eine niedrige Nutzerakzeptanz die Wirksamkeit des Dienstes deutlich mindern, selbst wenn die technische Lösung grundsätzlich funktioniert.