Wie KI die Busnetzplanung verändert: Takt, Linienführung und Echtzeit-Disposition

Fast jeder Anbieter von Planungs- und Dispositionssoftware verkauft heute „KI". Manches davon ist wirklich neu: Machine-Learning-Modelle, die Fahrzeiten je Zeitband vorhersagen, oder Nachfragemodelle, die die Wirkung einer Netzänderung abschätzen, bevor sie in Betrieb geht. Manches ist jahrzehntealtes Operations Research mit neuem Etikett. Und manches, vor allem alles, was als „Echtzeit-Neuausrichtung des Netzes" beschrieben wird, steckt noch weitgehend in der Pilotphase.

Für einen Aufgabenträger oder ein Verkehrsunternehmen lautet die sinnvolle Frage nicht „Sollen wir KI einsetzen?", sondern „Welche Planungsaufgabe, welcher Algorithmus, mit welchen Daten?". Die Antwort auf den letzten Teil ist fast immer dieselbe: Der Algorithmus ist nur so gut wie die Ist-Daten aus dem RBL (rechnergestütztes Betriebsleitsystem, international ITCS). Ein Optimierer, der mit Soll-Fahrzeiten statt mit gemessenen Fahrzeiten arbeitet, liefert eine sehr präzise Antwort auf die falsche Frage.

Dieser Artikel trennt, was heute im Betrieb funktioniert, von dem, was Marketing ist, anhand belegter Beispiele aus Barcelona, Dublin, den nordischen Hauptstädten, London und Chicago.

Was umfasst „KI" in der Busplanung tatsächlich?

Zwei Punkte fallen auf. Erstens ist die ausgereifteste „KI" in der Tabelle, die Umlauf- und Dienstplanung, klassische Optimierung und kein Machine Learning. Zweitens hängt jede Zeile von Ist-Daten ab. Ohne sie hat keines dieser Werkzeuge etwas Reales, aus dem es lernen kann.

Fahrzeiten: Wo beginnt das Datenproblem?

Die Kalibrierung der Fahrzeiten ist die unspektakulärste Aufgabe und diejenige mit dem klarsten Nutzen. Zu knappe Fahrzeiten bedeuten den ganzen Tag verspätete Busse; zu großzügige bedeuten Verfrühungen und bezahlte Stunden, die das Verkehrsunternehmen nicht braucht.

Diese Arbeit ist älter als das Etikett KI. Das Modul HASTUS-ATP von GIRO, 2011 dokumentiert und gemeinsam mit Transports Metropolitans de Barcelona und der Universität Barcelona entwickelt, berechnet optimale Fahrzeiten und minimale Wendezeiten aus historischen Ortungsdaten. In London wurde das iBus-System von TfL, das mehr als 8.000 Busse umfasst, genutzt, um tatsächliche Fahrzeiten zwischen Messpunkten je Tageszeit zu berechnen, damit die Betreiber realistischere Fahrpläne einreichen können, wie Hounsell, Shrestha und Wong in Transportation Research Part C (2012) beschreiben.

Machine Learning bringt eine feinere Granularität und die Möglichkeit, mehr Variablen zu kombinieren: historische Fahrzeiten, Verkehrsmuster, Wetter, Schulkalender, jeweils je Abschnitt und Zeitband. Vorhersagefunktionen für Fahrzeiten bieten inzwischen die meisten Planungs- und Dispositionswerkzeuge an. Wenn sich eine neu kalibrierte Linie verbessert, ist der entscheidende Faktor jedoch selten das Modell. Es ist eine Saison sauberer, fahrtgenauer Ortungsdaten auf den relevanten Linien, abgeglichen mit dem, was das RBL aufgezeichnet hat.

Vorsicht auch bei der Darstellung von Verbesserungen. Steigt eine Pünktlichkeitsquote von 80 % auf 90 %, ist das eine Verbesserung um 10 Prozentpunkte, aber ein relativer Anstieg um 12,5 %. Beide Zahlen sind korrekt, aber nicht dieselbe Zahl, und Ausschreibungsbewertungen sollten angeben, welche gemeint ist.

Warum lässt sich „Garbage in, garbage out" messen?

Die typischen Fehlerquellen kennt jeder, der schon einmal einen RBL-Datenstrom geprüft hat (welche Funktionen ein RBL dafür mitbringen sollte, zeigt unsere RBL-Checkliste 2026). Zu lange Intervalle bei der Positionsmeldung machen die Erkennung von Ankunft und Abfahrt an der Haltestelle unzuverlässig. Niedrige Anmeldequoten des Fahrpersonals führen dazu, dass sich viele Fahrten keinem Fahrzeug zuordnen lassen. Eine Haltestellenerkennung über Geofences kann sowohl Pünktlichkeitswerte als auch gemessene Fahrzeiten verfälschen.

Füttert man ein Fahrzeitmodell mit solchen Fehlern, empfiehlt es mit großer Sicherheit Fahrpläne, die auf Artefakte kalibriert sind. Das ist der Kern des ganzen Themas: KI-Planungswerkzeuge reparieren schlechte RBL-Daten nicht, sie verstärken sie.

Umgekehrt gilt dasselbe. In der Region Helsinki veröffentlicht HSL Positionsdaten, bei denen die meisten Fahrzeuge einmal pro Sekunde melden, zusammen mit Ereignissen für Ankunft, Abfahrt und Türöffnung an der Haltestelle: Das ist der Detaillierungsgrad, aus dem ein Fahrzeitmodell tatsächlich lernen kann.

Netzneugestaltung und Nachfrageprognose: Wer gestaltet, Werkzeug oder Mensch?

Die bekanntesten Netzneugestaltungen des letzten Jahrzehnts wurden nicht von Algorithmen entworfen. In Dublin ging die BusConnects-Neugestaltung der National Transport Authority (NTA) von einem Optionsbericht der Berater Jarrett Walker + Associates aus dem Jahr 2017 aus, durchlief ab Mitte 2018 mehrere Runden öffentlicher Konsultation und wird seit Juni 2021 schrittweise umgesetzt. In ihrem Fortschrittsbericht vom März 2025 gab die NTA an, dass die Fahrgastzahlen in den Gebieten mit dem neuen Netz bis Ende 2024 um 48 % gestiegen waren, gegenüber 8 % im übrigen Netz. Barcelonas Nova Xarxa, ein orthogonales Netz, das Badia, Argote-Cabanero und Daganzo (UC Berkeley, 2016) untersucht haben, zog mehr Nachfrage an als das alte Netz, wobei Ende 2015 rund 26 % der Fahrten einen Umstieg beinhalteten.

Wo Software heute hilft, ist das Testen von Szenarien. Aktuelle Planungswerkzeuge können die Wirkung einer Netzänderung auf die Fahrgastzahlen aus beobachteten Fahrtdaten abschätzen, und manche zeigen gemessene Fahrzeiten von Haltestelle zu Haltestelle direkt im Fahrplaneditor an, sodass Planer sehen, wo die tatsächlichen Abfahrten vom Plan abweichen. Anbieter bündeln diese Funktionen zunehmend als „KI-Plattformen" für Planung, Disposition und Betrieb. Der entscheidende Test für Käufer bleibt derselbe: Welche Daten speisen jede Vorhersage, und wie aktuell sind sie?

Auch die Nachfrageprognose hängt davon ab, was das Fahrzeug misst. Ruter in Oslo begann ab 2016, mehr als 400 Busse mit automatischer Fahrgastzählung und weiteren Sensoren auszustatten, und entwickelte sich dann zu einer offenen, auf ITxPT basierenden Bordarchitektur. Der hochfrequente Datenstrom von HSL in Helsinki enthält neben den Türereignissen auch ein Feld zur Besetzung. Genau solche granularen, standardisierten Daten machen eine belastungsbasierte Taktfestlegung glaubwürdig statt geraten.

Die ehrliche Zusammenfassung: Machine Learning verbessert die Prognose für jedes Szenario. Die Wahl des Szenarios (Flächenerschließung oder Takt, wo Umstiege erzwungen werden, was man der Öffentlichkeit sagt) bleibt eine politische und fachliche Entscheidung.

Umlauf- und Dienstplanung: Ist das der ausgereifte Teil?

Umlaufbildung und Dienstplanerstellung sind die Bereiche, in denen Optimierung am längsten verankert ist. Planungs- und Dispositionswerkzeuge, darunter HASTUS als eines der etabliertesten, lösen große kombinatorische Probleme (welches Fahrzeug welche Fahrten übernimmt, wie Dienste Tarifverträge, Ablösepunkte und Betriebshöfe berücksichtigen), um Fahrzeuge und bezahlte Stunden einzusparen.

Für Käufer sind zwei Einschränkungen wichtig. Erstens behandelt der Optimierer Fahrzeiten und Wendezeiten als Eingangsgrößen. Stammen diese aus dem alten Fahrplan statt aus gemessenen Daten, kann ein „effizienterer" Umlauf schlicht bedeuten, dass Pufferzeiten entfernt werden, die das Straßennetz in Wirklichkeit nicht zulässt, was sich dann in Verspätungen und ausgefallenen Fahrten zeigt. Zweitens verändern neuere Funktionen der generativen KI (Abfragen in natürlicher Sprache, unterstützte Einrichtung) die Bedienoberfläche, nicht die zugrunde liegende Mathematik.

Echtzeit-Disposition: Was gibt es heute, was ist noch Pilot?

Hier ist die Lücke zwischen Marketing und Betrieb am größten.

Was heute Standard ist. Leitstellen steuern den Betrieb bereits in Echtzeit nach: einen Bus an einem Messpunkt halten, einen verspäteten Bus vorzeitig wenden lassen, um eine Lücke in der Gegenrichtung zu schließen, ein Reservefahrzeug einsetzen oder eine Linie mit dichtem Takt auf Abstandsregelung umstellen. TfL beschreibt vorzeitige Wenden in der Antwort auf eine Anfrage nach dem Informationsfreiheitsgesetz als Entscheidungen, bei denen „die Umstände normalerweise das beste Vorgehen bestimmen". Diese Entscheidungen treffen Disponenten mit Hilfe der RBL-Anzeigen, Regeln und Erfahrung. Software schlägt zunehmend Maßnahmen vor, aber ein Mensch entscheidet.

Was im Feld getestet wurde. Stockholm hat auf seinen Stammbuslinien Versuche mit regelmäßigkeitsgesteuertem (abstandsbasiertem) Betrieb durchgeführt, die Oded Cats in Transport Policy (2014) analysiert hat. Sein Fazit: Regelmäßigkeit erfordert Änderungen in Planung, Betrieb und Überwachung, nicht nur einen Steuerungsalgorithmus. Jüngst testete die Chicago Transit Authority (CTA) ein Entscheidungsunterstützungssystem zur Abstandsregelung auf Linie 81 (Oktober 2022, Halten an der Endhaltestelle) und Linie 66 (November 2023, Halten unterwegs). Die Wartezeiten sanken auf Linie 81 um 8,7 % in der Morgenspitze und um 19,9 % in der Abendspitze, auf Linie 66 um 5,8 % in der Abendspitze, bei einer um 5,5 % geringeren Besetzung im 90. Perzentil. Allerdings befolgte das Fahrpersonal die Halteanweisungen auf Linie 81 nur zu 35 % und auf Linie 66 zu 56,9 %, und erfahrene Fahrer folgten am seltensten.

Was noch überwiegend Forschung ist. Reinforcement Learning für das Halten von Bussen und die Flottensteuerung ist ein aktives Forschungsfeld, aber die große Mehrheit der veröffentlichten Ergebnisse stammt aus Simulationen. Eine vollautomatische Disposition, bei der ein Algorithmus ohne Freigabe durch die Leitstelle Zusatzfahrzeuge einsetzt oder Busse vorzeitig wenden lässt, ist in keinem großen Netz, das wir überprüfen konnten, gängige Praxis.

Umfragen auf beiden Seiten des Atlantiks weisen in dieselbe Richtung. Der internationale Verband des öffentlichen Verkehrs UITP mit Sitz in Brüssel stellte in seiner Studie „Moving Forward with Artificial Intelligence in Public Transport" (Februar 2020, 48 antwortende Verkehrsorganisationen) fest, dass Betriebssteuerung in Echtzeit und Kundenanalyse die häufigsten KI-Anwendungen waren, die jeweils von 25 % der Befragten genutzt, getestet oder angeboten wurden, während Netzplanung und Linienführung noch relativ wenig verbreitet waren. Sechs Jahre später beschreibt der KI-Leitfaden der APTA (Mai 2026), gestützt auf eine Umfrage unter 32 nordamerikanischen Mitgliedsunternehmen, die Branche als „in der Erprobung, im Lernen und in der Skalierung", wobei der Betrieb zu den Bereichen mit der höchsten geplanten Einführung zählt, nicht mit dem höchsten heutigen Reifegrad.

Was bedeutet das für Verkehrsunternehmen und Aufgabenträger?

Prüfen Sie vor dem Kauf eines KI-Planungsmoduls die Grundlagen:

1. Messen Sie Fahrzeiten je Abschnitt und Zeitband, nicht nur von Endpunkt zu Endpunkt, und über genügend Wochen, um wiederkehrende Muster von Störungen zu unterscheiden.
2. Prüfen Sie die Datenqualität des RBL: Intervall der Positionsmeldung, Zuordnungsquote der Fahrten (Anmeldung des Fahrpersonals), Verfahren der Haltestellenerkennung, Anteil der Fahrten mit vollständigen Datensätzen.
3. Verknüpfen Sie Besetzung und Fahrten: Daten aus Fahrgastzählung oder Ticketing stützen Taktentscheidungen nur, wenn sie der tatsächlich gefahrenen Fahrt zugeordnet sind.
4. Schließen Sie den Kreislauf: Vergleichen Sie jeden neuen Fahrplan nach Inbetriebnahme mit den Ist-Daten und lassen Sie das Ergebnis in die nächste Kalibrierung einfließen.
5. Behandeln Sie Echtzeit-KI zunächst als Entscheidungsunterstützung: Planen Sie die Akzeptanz von Leitstelle und Fahrpersonal ein, denn die CTA-Pilotprojekte zeigen, dass die Befolgung der begrenzende Faktor ist.

Hier verdient sich das RBL seinen Platz in der Planungskette. Ein RBL gestaltet das Netz nicht neu, aber es liefert die Ist-Daten (gefahrene Fahrten, Abschnittsfahrzeiten, Pünktlichkeit je Haltestelle und Zeitband, Kilometer), die jedes Planungswerkzeug, mit oder ohne KI, braucht, um richtig zu liegen. Bei Pysae stammen diese Daten aus Operations, dem Modul für die Betriebslenkung in Echtzeit, während Network das Modul ist, in dem Fahrplandaten KI-gestützt bearbeitet und als GTFS und NeTEx exportiert werden.

Häufig gestellte Fragen

Kann KI ein neues Busnetz allein entwerfen?

Nein. Werkzeuge können Szenarien erzeugen und bewerten sowie Fahrgastzahlen prognostizieren, aber die erfolgreichen Neugestaltungen, etwa BusConnects in Dublin oder die Nova Xarxa in Barcelona, wurden von Planern geführt, die Zielkonflikte offen und unter Beteiligung der Öffentlichkeit abgewogen haben.

Welche Daten brauche ich, bevor ich vorhergesagte Fahrzeiten nutze?

Fahrtgenaue Datensätze aus dem RBL mit präzisen Ankunfts- und Abfahrtszeiten an den Haltestellen, einen hohen Anteil korrekt Fahrzeugen zugeordneter Fahrten und mindestens eine vollständige Saison Historie je Linie und Zeitband.

Wird Echtzeit-Disposition durch KI heute schon eingesetzt?

Leitstellen steuern den Betrieb jeden Tag mit RBL-Werkzeugen nach. Algorithmische Empfehlungen wurden in Feldversuchen getestet, etwa bei der CTA in Chicago. Vollautomatische Disposition ist weiterhin Forschung.

Quellen: Hounsell, Shrestha, Wong, „Data management and applications in a world-leading bus fleet", Transportation Research Part C (2012); TRID, „ATP: Run-time analysis and improved punctuality" (GIRO, 2011); National Transport Authority, „BusConnects Network Plan sees spike in passenger numbers in Dublin" und BusConnects Dublin Progress Report (März 2025); Badia, Argote-Cabanero, Daganzo, „Network effects in bus transit: evidence from Barcelona's Nova Xarxa" (UC Berkeley, 2016); HERE, „What Oslo's buses can teach us about data collection" (Ruter); Digitransit, HSL High-Frequency Positioning API; TfL, Antwort auf eine Informationsfreiheitsanfrage zu vorzeitigen Wenden (WhatDoTheyKnow); Cats, „Regularity-driven bus operation", Transport Policy 36 (2014); Rodriguez et al., „Deploying robust decision support systems for transit headway control", arXiv 2509.08231 (2025); UITP, „Moving Forward with Artificial Intelligence in Public Transport", Action Points (Februar 2020); APTA, AI and ML in Public Transit Primer (Mai 2026).