KI-basierte Lösungsbausteine im Verkehrsmanagement

Kurzfassung

Die Präsentation beleuchtet die Integration von KI-Systemen in die Verkehrsplanung. Historisch fußt KI auf vier Säulen: mathematischen Grundlagen (Hilbert, Church, Kleene), Zellularautomaten (von Neumann), neuronalen Netzen (McCulloch/Pitts, Wiener) und logisch-operationellen Ansätzen (Turing, Von-Neumann-Architektur). Heute unterscheidet man zwischen „traditionellem“ Machine Learning (Regression, Entscheidungsbäume) und Repräsentationslernen (Deep Learning), wobei vier Lernverfahren zentral sind: überwachtes, unüberwachtes, selbstüberwachtes und verstärkendes Lernen. Der EU AI-Act definiert KI-Systeme über sieben Merkmale, darunter Autonomie, Anpassungsfähigkeit und Umgebungsinteraktion. Entwickler müssen Risikomanagement, Datenqualität, Transparenz und Cybersicherheit sicherstellen. Aktuelle Trends wie Foundation Models, große, multimodale und generalisierbare Modelle – oder Ansätze wie Neurosymbolic AI und Composite AI prägen die Branche. Im Verkehrsmanagement unterstützen KI-Systeme Prozesse von der Datensammlung bis zur Maßnahmenumsetzung. Neuronale Netze wie CNNs (Bildverarbeitung), LSTMs (Zeitreihenanalyse) oder GNNs (Netzwerkmodellierung) ermöglichen Anwendungen wie Verkehrsflussprognosen, Ampelsteuerung oder Anomalie-Erkennung. Hybridlösungen, die symbolische und subsymbolische KI kombinieren, gewinnen an Bedeutung, da sie Erklärbarkeit und Flexibilität vereinen. Fazit: KI bietet großes Potenzial für das Verkehrsmanagement, erfordert aber angepasste Validierungsverfahren und ein effektives Trainingsdatenmanagement. Der Mensch bleibt entscheidend – als Aufsicht und Gestalter im „Human-in-the-Loop“-Prinzip.