HEUREKA‘24 für Optimierung in Verkehr und Transport

Nach einer Covid-bedingten virtuellen HEUREKA im Jahr 2021 fand die diesjährige Tagung HEUREKA‘24 für Optimierung in Verkehr und Transport, organisiert von der Forschungsgesellschaft für Straßen- u. Verkehrswesen (FGSV) sowie dem Verband Deutscher Verkehrsunternehmen (VDV), am 13. & 14.03.2024 wieder in bewährter Weise in Stuttgart im Haus der Wirtschaft statt und feiert damit ihr 40-jähriges Jubiläum. Die team war mit geballter Kompetenz vertreten.

Trotz der kurzfristig angesetzten Streiks der Deutschen Bahn sowie des Sicherheitspersonals am Flughafen Stuttgart, welche die An- und Abreise sehr herausfordernd machte, konnten sich die über 300 Teilnehmer:innen über die neuesten Entwicklungen und Forschungsergebnisse zum Thema Verkehr und Transport austauschen.

teamKompetenz zeigt etwas andere Sicht auf die Autobahn

Die HEUREKA gilt als DER Treffpunkt der verkehrstechnischen Branche, vor allem in Deutschland, aber auch darüber hinaus. Neben sehr interessanten fachlichen und durchaus kontroversen Übersichtsvorträgen, beispielsweise zum Thema Entscheidungs-, Optimierungs-, und Kommunikationsprozesse im kommunalen Handeln zur Unterstützung der Mobilitätswende, oder den neuesten Entwicklungen der Elektromobilität im ÖPNV, wurden in drei parallellaufenden Vortragsreihen, forschungs- und anwendungsorientierte Projekte, Erkenntnisse und Ergebnisse zu Entscheidungs- und Optimierungsverfahren aus allen Bereichen des Verkehrs (Intermodaler Verkehr, Individualverkehr, öffentlicher Verkehr, Güterverkehr) präsentiert und diskutiert.

Auch die team war mit einem Fachvortag in der Vortragsreihe Autobahn vertreten. David Graf präsentierte in diesem Vortrag eine etwas andere Sicht auf die Autobahn. Nicht so sehr die verkehrstechnischen Algorithmen und Modelle waren im Fokus, sondern das Monitoring der eingesetzten Verkehrsinfrastruktur, was auch zu spannender Diskussion und Gesprächen im Nachgang führte.

Dr. David Graf bei der HEUREKA'24
Dr. David Graf, Senior Consultant bei der HEUREKA’24

Inhaltliche Schwerpunktthemen

Die präsentierten Fachvorträge können in vier Themenbereiche zusammengefasst werden, welche die inhaltlichen Schwerpunkte der HEUREKA gut widerspiegeln:

  1. Forschung an Optimierungen, welche einen effizienten Verkehrsfluss unterstützen
  2. Forschung an Optimierungen von Personal, Fahrzeuge und Infrastruktur
  3. Forschung an Optimierungen im Bereich Verkehrsplanung und Verkehrspolitik sowie Verkehrsinnovationen
  4. Forschung an Grundlagen von Mobilität und Daten im Zusammenhang mit Mobilität

Die Abendveranstaltung zum Ausklang und Erfahrungsaustausch bot weitere Möglichkeiten zu spannenden Gesprächen – mit dabei auch gut bekannte Gesichter aus dem täglichen Projektalltag.

Dr. Norbert Baumgartner & Dr. David Graf bei der Abschlussveranstaltung der HEUREKA'24
Dr. Norbert Baumgartner & Dr. David Graf bei der Abschlussveranstaltung der HEUREKA’24

Den Abschluss der Veranstaltung bildete die Verleihung von dotierten Förderpreisen der Stiftung heureka für hervorragende wissenschaftliche Leistungen junger Wissenschaftlerinnen und Wissenschaftler.

Weitere Informationen und Details:

Projekt-Einblicke: OTMEvolver

Das FFG-geförderte Forschungsprojekt OTMEvolver ist eine Kooperation zwischen team und der JKU Linz. Ziel ist es, innovative und intelligente Ansätze für das Monitoring großer, komplexer Systemlandschaften zu entwickeln. Durch (Semi)Automatisierung können damit zusammenhängende Fehlerbilder, deren Ursachen sowie Auswirkungen automatisch erkannt werden – ein Mehrwert für die Servicequalität, das Monitoring und die Fehlerprävention großer, komplexer Systeme.

Zusammenhänge und Abhängigkeiten automatisch erkennen. Ein relevantes Teilziel des Projektes ist die Erstellung eines repräsentativen, semantischen Modells der technischen Infrastruktur. Dabei werden Gewerke, deren Geräte und Systeme (Hardware wie auch Software) – die Operational Technology (OT) – sowie deren Abhängigkeiten zueinander (z.B. Energieversorgung, Netzwerkverbindungen) betrachtet. Da die Abhängigkeiten zwischen einzelnen Gewerken, deren Geräten und Systemen oftmals nicht bekannt sind und diese Information nur implizit in operativen Daten enthalten ist, wird das Ziel verfolgt, diese Abhängigkeiten (semi-)automatisch aus den operativen Daten (z.B. Kommunikationsdaten) abzuleiten, beziehungsweise automatisch zu erkennen.

Mehrwert. Ein (semi-)automatisch „gelerntes“ semantisches Modell der technischen Infrastruktur kann für folgende Anwendungsbereiche einen Mehrwert erzielen:

  • Qualitätssicherung
    • Durch das automatisierte Erfassen aller aktiven OT-Geräte sowie deren Abhängigkeiten zueinander können Abweichungen zwischen Soll- (z.B. Planungsstand) und Ist-Stand eines Systems (der technischen Infrastruktur) aufgezeigt werden.
    • Dies trifft ebenso auf Veränderungen eines Systems (der technischen Infrastruktur), um langfristig dessen Entwicklung zu erfassen.
  • Fehleranalyse u. Ursachenermittlung
    • Informationen über Abhängigkeiten bzw. semantische Beziehungen zwischen Geräten unterstützen im Störfall beim Identifizieren der zugrundeliegenden Ursache, um eine gezielte Entstörung zu ermöglichen.
  • Monitoring der Servicequalität
    • Entsprechende Servicequalitäts-Regeln (z.B. abgeleitet von den minimalen Betriebsbedingungen) auf Basis eines semantischen Modells ermöglichen ein Monitoring der Servicequalität sowie die Bestimmung der Auswirkungen von Störfällen auf die Servicequalität.
  • Präventive Maßnahmen
    • Weiters können diese Informationen beim Prognostizieren von möglichen systemkritischen Störfällen und ein präventives Alarmieren unterstützen, um frühzeitig auf potenzielle Störquellen reagieren zu können.

Semantisches Modell als Basis für Anwendungsbereiche eines Monitorings

Synergien zwischen Forschung und Praxis nützen. Die Forschungstätigkeiten im Projekt sind auch die Basis für meine Dissertation in diesem Themenumfeld. Den wissenschaftlichen Input aus dem Forschungsprojekt bzw. meiner Dissertation kann ich optimal in Kundenprojekte der team im Umfeld der Verkehrstelematik einbringen. Das ermöglicht mir, wissenschaftlich fundierte Lösungen für Anforderungen und Problemstellungen in der Praxis zu erarbeiten.

In Zukunft Hand in Hand? Künstliche Intelligenz

Mit Daten zu Information und Wissen.
Unglaubliche Mengen an Daten werden jeden Tag weltweit erzeugt. Expertinnen und Experten sprechen von einem Datenvolumen von 100-200 Zettabytes im Jahr 2025. Vor allem Unternehmen sammeln fleißig Daten – über ihre Geschäftsprozesse, über ihre Produktionsanlagen und über ihre Kundinnen und Kunden.

Aktuelle Technologien, wie beispielsweise das Internet-of-Things (IoT), haben einen großen Anteil am massiven Datenwachstum. Während Daten wertvolle Ressourcen mit großem Potential darstellen, werden diese oft nicht zu Informationen und weiter zu Wissen verarbeitet. Sie bleiben damit größtenteils ungenützt – doch dabei bieten sie Chancen abseits des automatisierten Marketings.

In Zukunft Big Data?
In diesem Zusammenhang führt kein Weg am Schlagwort Big Data vorbei – charakterisiert durch die fünf Vs (1) Volume, (2) Variety, (3) Velocity, (4) Veracity, und (5) Value. Big Data ist auch ein Auslöser für den allgegenwärtigen Hype um Künstliche Intelligenz, da manuelle Verarbeitung dieser Datenmengen nur sehr schwer bis überhaupt nicht möglich ist. Mithilfe unterschiedlicher Methoden und Algorithmen „lernen“ Maschinen, die Daten zu analysieren und interpretieren. Schließlich sollen sie die menschliche Sprache verstehen, Personen in Videos erkennen, ein defektes Gerät vorhersagen oder Entscheidungen treffen, um bei Routinetätigkeiten eine Effizienzsteigerung zu erzielen.

Deep Learning: Eintauchen ins maschinelle Lernen
Vor allem Deep Learning – eine Methode des Maschinellen Lernens basierend auf künstliche neuronale Netze – liefert bedeutende Ergebnisse in den verschiedensten Anwendungsbereichen. Dazu gehören autonome Systeme im Bereich Transport, Bilddatenanalyse im Bereich Medizin oder auch die Erkennung von Cyber-Attacken im Bereich IT-Security. Das erfolgt vor allem unter der Verwendung großer Datenmengen, die nun auch in Massen zur Verfügung stehen.
Während meines Informatikstudiums habe ich mich vermehrt mit Intelligenten Informationssystemen, Data Science und genannten Technologien beschäftigt. Zwei Projekte bzw. Anwendungsbereiche zeigen, wie vielfältig Künstliche Intelligenz genutzt werden kann.

1.    Im Katastrophenfall: KI
In meiner Masterarbeit befasste ich mich mit der automatisierten, auf maschinellem Lernen basierenden, Klassifizierung von Social-Media-Daten im Katastrophenfall (z.B. Erdbeben, Waldbrände). Konkret wurde eine Methode entwickelt, die Twitter-Nachrichten von Usern vor-Ort, primär basierend auf den textuellen Inhalt, in informative und nicht informative Nachrichten klassifiziert. Diese Informationen sollen im Speziellen Einsatzkräften und Behörden als zusätzliche Informationsquelle für das Katastrophenmanagement dienen.

2. Mit Sicherheit intelligent: Semantische Technologien
Aktuell beschäftige ich mich im Rahmen eines FFG unterstützten Forschungsprojektes und meiner Dissertation auch mit semantischen Technologien, wie beispielsweise Ontologien für die digitale und formale Repräsentation von Wissen.
In Kombination mit datengetriebenen Ansätzen des maschinellen Lernens soll eine „intelligentere“ Überwachung von vernetzter kritischer Infrastruktur (z.B. Sensoren u. Aktoren) in industriellen Internet-of-Things Netzwerken ermöglicht werden.

Bei team kann ich den aktuellen Forschungsstand zu diesen spannenden Themen bestmöglich im Bereich Public Transport/ Rail einbringen.