Multi-Level Optimization for a Demand-Responsive Connector

Der öffentliche Personennahverkehr stellt eine nachhaltigere Alternative zum motorisierten Individualverkehr dar und kann sowohl zur Reduktion des Verkehrsaufkommens als auch zur Reduktion von Emissionen beitragen. Um mehr Nutzer für sich zu gewinnen, muss der ÖPNV jedoch attraktiver werden, insbesondere in den Schwachverkehrszeiten und in städtischen Randgebieten. Aktuell mangelt es häufig noch an zu geringer Flexibilität durch niedrige Taktfrequenzen und fehlende Anschlussverbindungen. Abhilfe hierbei können sogenannte Flexible Transit Services schaffen, welche den klassischen fahrplangebundenen ÖPNV (Fixed-Route Transit) mit On-Demand-Verkehren (Demand-Responsive Transit) kombinieren.

Diese Dissertation setzt sich mit der vorausschauenden Planung eines Demand-Responsive Connectors auseinander, bei dem Fixed-Route und Demand-Responsive Transit über feste Umstiegspunkte miteinander verbunden werden. Ziel ist es, die taktische und operative Planung eines solches Systems mithilfe mathematischer Optimierungsmodelle auf eine neuartige Weise miteinander zu kombinieren. Hierzu werden in einem ersten Schritt auf taktischer Ebene robuste Lösungen auf Basis eines statisch stochastischen Modells erzeugt. In einem zweiten Schritt wird eine dynamisch stochastische Planung auf operativer Ebene durchgeführt. Abschließend werden die taktischen Pläne mittels Reinforcement Learning in die Planung auf operativer Ebene integriert, sodass eine Multi-Level-Optimierung entsteht.