P-004 · 2026 · Teamprojekt · Industriepartner
ÖPNV-Routenplanung in Lüneburg mit HVV-Fahrplandaten
Schulbusrouting für die KVG Lüneburg: Aufbereitung von GTFS-Fahrplandaten, Fahrgastzuordnung und eine Evaluierung bestehender Linien gegenüber optimierten Routen.
Eine Nachfrage, drei Routing-Szenarien
Gleiche Fahrgastzuordnung: Abfahrts-, Umstiegs- und Fahrzeitprüfung
Das Planungsproblem
Schulbusrouten müssen Ankunftsfenster, Kapazitätsgrenzen sowie Grenzen für Fahrzeit und Umstiege einhalten. Unser Team aus über 20 Studierenden verglich im Machine Learning Lab der Leuphana zusammen mit der KVG den bestehenden ÖPNV-Fahrplan in zwei Regionen des Landkreises Lüneburg mit eigenen Schulbusrouten aus drei Algorithmen: lineare Optimierung (LP), ein genetischer Algorithmus und Simulated Annealing.
Aufbau der Fahrplan-Baseline
Die Baseline beantwortet eine einfache Frage: Wie gut bedient der bestehende Fahrplan diese Schüler bereits? Ich habe eine Pipeline gebaut, die den HVV-GTFS-Feed auf Schultagsfahrten zwischen 04:30 und 08:30 Uhr filtert. Das Ergebnis habe ich mit offiziellen PDF-Fahrplänen abgeglichen, vier im Feed fehlende Buslinien gefunden und sie, von Hand geprüft, in einen konsolidierten Fahrplan aufgenommen.
Zuordnung der Schüler
Für jeden Schüler sucht die Zuordnungslogik Haltestellen im Umkreis von 1 km um den Wohnort, findet Fahrten, die die Schule rechtzeitig erreichen, und erlaubt höchstens zwei Umstiege. Eine bessere Umstiegsindizierung und räumliche Suche steigerten den Anteil zugeordneter Schüler in der Entwicklung von 85 % auf 98,9 %. Ich habe konfigurierbare Präferenzen für weniger Umstiege, kürzere Fahrten oder spätere Abfahrten ergänzt sowie Prüfberichte, die jede Verletzung und jede fehlgeschlagene Zuordnung erklären.
Vergleich der Routing-Ansätze
Ich habe den Evaluierungsworkflow gebaut, der die Baseline und die drei Algorithmen gleich behandelt. Er lädt die Routen jedes Szenarios, ordnet die Schüler mit derselben Logik zu und berichtet Abdeckung, Fahrzeiteffizienz, Gerechtigkeit, Busanzahl und Auslastung. Dabei habe ich ID-Abweichungen zwischen Fahrplänen, einen Fehler bei der Zeitumrechnung und eine irreführende Umwegkennzahl behoben, die ich durch eine Effizienzquote aus tatsächlicher und erlaubter Fahrzeit ersetzt habe.
Ergebnisse
Von 1.007 Schülern bedienten der bestehende Fahrplan und die Routen aus Simulated Annealing alle, während lineare Optimierung und genetischer Algorithmus 94 bzw. 183 Schüler ohne Zuordnung ließen. Die Fahrzeiten blieben in allen Szenarien deutlich unter den Grenzen, doch die lineare Optimierung ergab in der Südregion deutlich längere Fahrten. Kein Algorithmus war bei jedem Kriterium der beste: Eigens geplante Routen schlugen die Baseline bei mehreren Kriterien, allerdings mit zusätzlichen Bussen.
Meine Rolle und Grenzen
Meine Aufgabe waren die Baseline und die Evaluierung, einschließlich Methodik- und Vergleichsfolien für die Teampräsentation; die Routing-Algorithmen haben andere Teammitglieder entwickelt. Fahrgastdaten, genaue Standorte und detaillierte Fahrpläne werden hier nicht veröffentlicht. Die Abbildungen unten zeigen aggregierte Ergebnisse aus der Abschlusspräsentation des Teams.