Allgemeiner zweistufiger Rahmen zur Optimierung bedarfsorientierter Mobilität

Intelligenteres Fahren auf Abruf

Stellen Sie sich vor, Sie bestellen einen geteilten Kleinbus, der Sie in Wohnortnähe abholt, in Bahnhofsnähe oder bei der Arbeit aussteigt und seine Batterie leise auflädt, während Sie Ihrem Tag nachgehen. Dieses Papier untersucht, wie solche On‑Demand‑Dienste geplant werden können, damit viele Menschen eine kleine Fahrzeugflotte teilen, pünktlich ankommen und Kosten sowie Emissionen gering bleiben. Die Autoren entwerfen und testen eine allgemeine Planungsmethode, die Städten helfen könnte, starre Buslinien zugunsten flexiblerer, saubererer öffentlicher Verkehrsmittel zu überwinden.

Was Fahrt auf Abruf wirklich bedeutet

Bedarfsorientierter Verkehr umfasst Dienste, bei denen Fahrzeuge keinen festen Fahrplänen oder Routen folgen. Stattdessen stellen Menschen Fahranfragen, oft per App, und das System gruppiert diese zu gemeinsamen Fahrten, weist Fahrzeuge zu und entscheidet, wann und wohin die Fahrzeuge fahren sollen. Weltweit werden solche Dienste in Vororten, ländlichen Gegenden und als „Letzte‑Meile“‑Verbindungen zu Zügen und U‑Bahnen erprobt. Sie versprechen besseren Zugang bei weniger Fahrzeugen, sind aber schwer effizient zu betreiben: Jede neue Buchung kann beeinflussen, wer mitfährt, welche Haltestellen besucht werden und ob Passagiere pünktlich ankommen.

Zwei Planungsebenen für jede Fahrt

Die Autoren schlagen einen zweistufigen Planungsrahmen vor, der trennt, was jedes System tun muss, von dem, was nur manche Systeme benötigen. Die erste Ebene deckt die Grundlagen ab: die Zuordnung jeder Person zu einem oder mehreren Fahrzeugen, die Festlegung der Reihenfolge, in der Fahrzeuge Haltestellen anfahren, und die Überprüfung, dass Kapazitäts‑ und Zeitgrenzen eingehalten werden. Die zweite Ebene fügt praktische Ergänzungen hinzu. Sie kann elektrische Fahrzeuge berücksichtigen, die geladen werden müssen, ohne die Batterie zu leeren, teilweise vorgeplante Routenabschnitte, die in bestimmten Zeitfenstern eingehalten werden müssen, und individuelle Passagierwünsche wie Rollstuhlplätze oder an Bord verfügbares WLAN. Da diese Details in einer separaten Ebene gehalten werden, können Städte denselben Kernrahmen an sehr unterschiedliche lokale Bedürfnisse anpassen.

Drei Freiheitsgrade für Fahrzeugbewegungen

Ein auffälliger Teil der Studie ist der Vergleich von drei Abstufungen der Routing‑Freiheit. In der flexibelsten „General“‑Variante können Fahrzeuge direkt zwischen beliebigen Haltestellen verkehren. In der „Sections“‑Variante dürfen sie nur entlang vorab definierter Linienabschnitte fahren, können jedoch an Kreuzungen zwischen diesen wechseln. In der restriktivsten „Routes“‑Variante umrundet jedes Fahrzeug eine einzige feste Route und Fahrgäste müssen bei Bedarf zwischen Routen umsteigen. Man könnte erwarten, dass die freiste Variante am besten funktioniert, weil sie mehr Möglichkeiten bietet. Stattdessen zeigen Experimente basierend auf dem Busnetz von Rzeszow, Polen, mit 64 Haltestellen, sechs Fahrzeugen (davon drei elektrisch) und 200 Passagieren das Gegenteil: Die fixe‑Routen‑Option liefert konstant die geringste durchschnittliche Verspätung und ist zudem deutlich schneller zu berechnen, während die vollständig freie Option den Algorithmus tendenziell in komplizierte, ineffiziente Routenmuster verstrickt.

Tests zu Verspätungen, Auslastung und Batterien

Um zu sehen, wie das Modell unter idealen und realistischen Bedingungen arbeitet, erstellte das Team zwei Testdatensätze. Im ersten wurden Fahranfragen so ausgewählt, dass ein perfekter, verspätungsfreier Plan existiert. Im zweiten waren die Anfragen zufällig, eher wie im echten Leben, wo etwas Verspätung unvermeidbar ist. Für beide Datensätze lief der Rahmen in einer Basisversion und in einer erweiterten Version, die Ladungen für Elektrofahrzeuge und besondere Passagierwünsche einschließt. Das wichtigste Erfolgskriterium war die durchschnittliche Verspätung der Passagiere; die Autoren verfolgten außerdem die maximale Verspätung, wie viele Passagiere überhaupt verspätet waren, die Fahrzeugauslastung und den Batterieladezustand über die Zeit. Mit den festen Routen‑ und abschnittsbasierten Optionen fand das System schnell Pläne, in denen die durchschnittlichen Verspätungen nur wenige Minuten betrugen, selbst wenn Elektrofahrzeug‑Beschränkungen und Passagierpräferenzen berücksichtigt wurden. Das Modell entschied auch, wann und wo die Elektrofahrzeuge zu laden sind, sodass die Batteriestände in sicheren Grenzen blieben und gleichzeitig Fahrgäste bedient wurden.

Wahl der Optimierungsziele

Die Studie vergleicht außerdem mehrere Möglichkeiten, „das Beste" zu definieren. Die Minimierung der durchschnittlichen Verspätung verbessert tendenziell das Gesamtsystem: Die meisten Passagiere kommen früher an, und selbst der am stärksten verspätete Fahrgast ist meist nicht schlechter gestellt als bei anderen Zielsetzungen. Der Versuch, nur die maximale Verspätung oder nur die Anzahl der verspäteten Passagiere zu minimieren, kann dagegen zu Plänen führen, bei denen einige wenige Personen extrem spät ankommen oder Fahrzeuge ineffizient eingesetzt werden. Das legt nahe, dass der Fokus auf die typische Fahrgasterfahrung ein guter Kompromiss ist und dass derselbe Rahmen durch Austausch einer einzigen Zielfunktion auf unterschiedliche politische Prioritäten ausgerichtet werden kann.

Was das für den Alltag bedeutet

Für Nicht‑Expertinnen und Nicht‑Experten ist die Kernbotschaft, dass gut gestaltete Planungswerkzeuge fahr‑auf‑Abruf‑Dienste in Städten praktikabel machen können. Das Papier zeigt, dass ein einziger, anpassbarer Rahmen Passagiere Fahrzeugen zuweisen, Routen planen, Sonderbedürfnisse erfüllen und Batterien managen kann, und das alles bei geringen durchschnittlichen Verspätungen. Vielleicht überraschend ist, dass Fahrzeuge oft besser bedient sind, wenn ihnen eine gewisse Struktur gegeben wird – etwa feste oder halb feste Routen – als wenn sie sich völlig frei bewegen dürfen, weil dies das Problem beherrschbar hält und zu zuverlässigeren Diensten führt. Während Städte mit neuen Verkehrs‑ideen experimentieren, von elektrischen Shuttles bis zu appbasiertem „Micro‑Transit“, werden Rahmenwerke wie dieses wichtig sein, um verstreute Fahranfragen in reibungslose, gemeinsame Fahrten zu verwandeln.

Zitation: Bozek, A., Krzeszowski, T. & Sliwa, T. General two-level framework for demand-responsive transport optimization. Sci Rep 16, 14520 (2026). https://doi.org/10.1038/s41598-026-44833-6

Schlüsselwörter: bedarfsorientierter Verkehr, geteilte Mobilität, intelligenter Stadtverkehr, elektrische Shuttle, Routenoptimierung