MobilityLab
Das MobilityLab entwickelt datengetriebene KI-Methoden für die Optimierung von Verkehrsnetzen. In vielen Sparten des Verkehrsbereichs ist der Trend zu immer stärker vernetzten System zu beobachten. Je mehr Details integriert werden, desto komplexer wird die Datenanalyse, Steuerung und Optimierung. Dies führt zu einer Vielzahl ungelöster Fragestellungen. Aufbauend auf neuen Trends wie E-Mobilität, Free Flight und Digitalisierung, soll das MobilityLab Innovationen durch die Formulierung und Untersuchung mathematischer Schlüsselprobleme forcieren. Diese sind die Basis für realistische Modelle und effiziente Algorithmen, die aus der Identifizierung, Analyse und Ausnutzung spezifischer Problemstrukturen hervorgehen. Da viele Strukturen in der Verkehrswelt ähnlich sind, lassen sich die Ergebnisse im Idealfall auf andere Anwendung übertragen, auch auf Netzwerkprobleme außerhalb des Verkehrssektors.
Im Rahmen der zweiten Phase des Forschungscampus MODAL arbeiten wir an drei Projekten in den Bereichen Flugplanung, Luftfrachtlogistik und E-Bus-Einsatz. Unsere Kooperationspartner sind die FU Berlin, Lufthansa Systems GmbH & Co. KG, Ab Ovo Deutschland GmbH and LBW Optimization GmbH.
In unserem Flugplanungsprojekt konstruieren wir dynamische superschnelle Kürzeste-Wege-Algorithmen im Hinblick auf Free Flight. Dabei wird auch eine Pareto-Optimierung z. B. bezüglich Flugzeit, Treibstoffverbrauch und Überflugkosten betrachtet. Weitere Aspekte sind integrierte Flugplanung und Parallelisierung.
Schichtplanung für die Behandlung von Luftfrachtcontainern ist der Kern unseres zweiten Projekts. Wir möchten eine Kombination aus ganzzahliger Programmierung, robuster Optimierung, stochastischen Methoden und maschinellem Lernen finden, die die gegenwärtig verwendeten heuristischen Ansätze verbessert. Zum Zwecke einer realistischen Evaluierung erstellen wir darüber hinaus eine anpassbare Simulationsumgebung.
Das dritte Projekt beschäftigt sich mit dem Einsatz elektrischer Busse im öffentlichen Nahverkehr. Die eingeschränkten Reichweiten der Fahrzeuge bringen neue Schwierigkeiten in Bezug auf die Einsatzplanung mit sich. Mit Hilfe von Methoden des maschinellen Lernens propagieren wir Ladezustandsfunktionen um eine feinkörnige Modellierung zu ermöglichen. Außerdem wollen wir robuste Umlaufpläne für gemischte Flotten aus elektrischen und konventionellen Fahrzeugen berechnen, aufbauend auf unserer Expertise für Eisenbahnumlaufoptimierung und integrierte Umlauf- und Dienstplanung.