Implementierungsstrategie
"Während der Projektlaufzeit wird eine skalierbare Datenpipeline zur Erfassung, Vorverarbeitung und Analyse der Daten aus der vorhandenen Fahrzeugsensorik sowie der installierten kamerabasierten Systeme mit integrierter Objekterkennung (SmartCams) innerhalb eines U-Bahn-Wagens aufgebaut. Ziel ist die Datenverarbeitung weitgehend auf Edge-Systemen direkt im Fahrzeug durchzuführen, um Datenvolumen zu reduzieren, Latenzen zu minimieren und Datenschutzanforderungen bereits auf der Erfassungsebene zu berücksichtigen. Auf dieser Basis wird eine datenschutzkonforme KI-Architektur für den U-Bahn-Betrieb entwickelt, die eine integrierte Nutzung der heterogenen Datenquellen ermöglicht. Das Training der KI-Modelle erfolgt mittels Federated-Learning-Methoden, sodass sensible Rohdaten lokal auf den jeweiligen Systemen verbleiben und ausschließlich modellrelevante Parameter ausgetauscht werden. Auf Grundlage der entwickelten prädiktiven KI-Modelle werden zwei Proof-of-Concepts (PoCs) implementiert und anhand realer Daten aus einem Wiener U-Bahn-Wagen evaluiert: • Vorhersage der Zugbelegung: Durch die Kombination von Fahrzeugsensordaten (z. B. Türzyklen, Fahrgastzähler) und anonymisierten Zählinformationen aus SmartCams werden zeit- und streckenabhängige Prognosemodelle zur Belegung von U-Bahn-Zügen entwickelt. Diese dienen als Grundlage für eine verbesserte Kapazitätsplanung und operative Entscheidungsunterstützung. • Optimierung des Passagierflusses: Kamerabasierte Objekterkennung liefert aggregierte Informationen zu Ein- und Ausstiegsbewegungen sowie zu Aufenthaltsmustern im Fahrzeug- und Bahnsteigbereich. In Verbindung mit FL-basiert trainierten Modellen werden daraus prädiktive Analysen und Handlungsempfehlungen zur Optimierung des Passagierflusses abgeleitet, etwa zur Reduktion von Stauungen und zur Verbesserung der Aufenthaltsqualität. Durch den Einsatz von Federated-Learning-Techniken wird sowohl die Einhaltung regulatorischer Datenschutzanforderungen als auch die Skalierbarkeit und Übertragbarkeit der entwickelten Lösung auf weitere Fahrzeuge, Linien und urbane ÖV-Systeme sichergestellt."

Lessons Learned
"Grundsätzlich hat sich die Annahme bestätigt, dass es im Bereich des öffentlichen Nahverkehrs einen Mangel an qualitativ hochwertigen Daten gibt, was ein großes Hindernis bei der Entwicklung von KI-Anwendungen darstellt. Die AI4PT-Strategie auf kostengünstige kamerabasierte Systeme mit integrierter Objekterkennung (SmartCams) in Kombination mit vorhandenen U-Bahn-Fahrzeugsensoren zu setzen ist entsprechend gerechtfertigt. In durchgeführten Gesprächen mit Stakeholder hat sich das Interesse an zuverlässigen Fahrgastprognosen bestätigt. Da das Projekt noch nicht abgeschlossen ist (Projektende: Dez 2026), liegen zum aktuellen Zeitpunkt noch keine Ergebnisse aus den PoCs vor."