Zugprognose mit Graphentheorie: Ein Forschungsprojekt macht Zugläufe berechenbar

Das Wichtigste in Kürze

• Evolit und Sclable erforschen gemeinsam mit der ÖBB-Infrastruktur AG neue Ansätze der Zugprognose.
• Eine eigens entwickelte Influence-Pipeline bringt unterschiedliche Einflussfaktoren wie Fahrplan oder Fahrzeitenrechnung auf eine gemeinsame Datenbasis.
• Ein User-Interface zeigt die Prognosen tabellarisch und auf der Landkarte, inklusive alternativer Pfade und der Ergebnisse an den einzelnen Betriebsstellen entlang des Zuglaufs.
• Das Projekt wurde im Frühjahr 2026 bei der AIR Salzburg zweifach ausgezeichnet, unter anderem als „The Most Promising AI Project”.

Ob ein Zug pünktlich ankommt, hängt von vielen Faktoren ab. Die dafür relevanten Informationen liegen in unterschiedlichen Systemen und täglich ist eine große Zahl an Zugverbindungen zu betrachten. Verlässliche Zeitprognosen zu erstellen ist deshalb schwierig und aufwändig.

Die ÖBB-Infrastruktur AG startete darum eine Forschungsinitiative. Gemeinsam mit Evolit und dem Partner Sclable entstand die Trajektorienbasierende Zugprognose: ein System, das den Bahnbetrieb als probabilistischen, kantengewichteten Graphen abbildet und daraus Zeit- und Fahrtprognosen ableitet.

Ausgangslage & Problemstellung: Viele Systeme, viele Einflüsse, schwierige Prognosen

Zeit- und Fahrtprognosen gehören zu den anspruchsvollsten Aufgaben des operativen Bahnbetriebs. Jede Prognose muss eine Vielzahl von Einflussfaktoren berücksichtigen und bewerten. Dazu kommt die Infrastruktur selbst: Sie muss mit allen nötigen Details abgebildet werden, bis hinunter zu den einzelnen Spurplanknoten.

Zugprognosen sind zudem grundsätzlich mit Unsicherheiten behaftet. Rein regelbasierte oder statische Logik stößt hier an Grenzen, weil sie Wahrscheinlichkeiten und das Zusammenspiel vieler Einflussgrößen nur eingeschränkt abbilden kann. Gesucht waren deshalb neue, datengetriebene Konzepte – als Baustein auf dem Weg zu einem KI-gestützten Verkehrsmanagement.

Am Anfang stand die Forschungsfrage: Wie lässt sich die Komplexität des Bahnbetriebs so modellieren, dass Zugläufe effizient berechnet, unterschiedliche Einflussfaktoren berücksichtigt und verschiedene Prognosemethoden verglichen werden können?

Analyse & Herangehensweise: Auf Erfahrung aufbauen, Einflüsse generisch abbilden

Das Projekt wurde nicht auf der grünen Wiese gestartet. In einem Vorprojekt hatten Evolit und Sclable gemeinsam ein Tool für Fahrdienstleiter:innen entwickelt, das Konflikte in einem Zuglenkbereich analysiert und Lösungen vorschlägt. Die dort erarbeiteten Methoden und Berechnungswege zur Zugprognose flossen direkt in das neue Projekt ein.

Die Influence-Pipeline: ein gemeinsamer Nenner für alle Methoden

Gemeinsam mit der ÖBB-Infrastruktur AG hat das Team eine Architektur erarbeitet, die verschiedenste Einflussfaktoren generisch abbildet: die Influence-Pipeline. Sie führt alle Einflussgrößen – etwa die Fahrzeitenrechnung oder Anschlusszüge – in einheitlicher Form zusammen. Statt jedes Modell eigens mit Eingangsdaten zu versorgen, lassen sich unterschiedliche methodische Ansätze fair vergleichen und neue Ansätze schrittweise ergänzen.

Künstliche Intelligenz kam gezielt in der Datenanalyse zum Einsatz: Sclable analysierte damit die Einflussfaktoren und schuf so die Informationsbasis für die Influence-Pipeline. Evolit setzte bei der Berechnung der Zugläufe auf klassische Algorithmen und Graphentheorie. Diese Kombination macht den Ansatz aus: Die KI gewinnt aus komplexen Daten zusätzliche Erkenntnisse, das nachvollziehbare graphenbasierte Verfahren macht sie für den Bahnbetrieb nutzbar.

Gearbeitet wurde in kurzen Sprints: Ein interdisziplinäres Team aus ÖBB, Sclable und Evolit brachte bahnbetriebliches Wissen, Mathematik und Softwareentwicklung unmittelbar in die Forschung ein.

Umsetzung & Lösung: Das Schienennetz als Graph

Vom Spurplanknoten zum wahrscheinlichsten Pfad

Die Basis der Lösung ist die vollständige Abbildung der relevanten Infrastruktur in einer Graphdatenbank: Alle Spurplanknoten wurden erfasst. Darauf aufbauend berechnet das System mögliche Fahrwege direkt auf dem modellierten Schienennetz und berücksichtigt dabei infrastrukturelle Einschränkungen.

Ein technisches Highlight steckt in der Struktur des Graphen selbst: Der knotenbasierte Graph wurde in einen kantenbasierten Graphen überführt. Der Grund ist praktisch: Ein Spurplanknoten darf nicht in jede Richtung befahren werden. Erst die zusätzliche Information an den Kanten bildet die zulässigen Fahrtrichtungen korrekt ab. Auf diesem projizierten Graphen sucht das System den wahrscheinlichsten Pfad eines Zuges. Ein wesentlicher Teil der Forschungsarbeit bestand darin, dafür geeignete Algorithmen zu untersuchen und hinsichtlich Rechenzeit, Stabilität und Ergebnisqualität zu vergleichen.

Ein Interface, das Methoden vergleichbar macht

Damit die Ergebnisse nicht nur berechnet, sondern auch analysiert werden können, entstand ein eigenes User-Interface. Nutzer:innen wählen einen Zuglauf aus, untersuchen Teilstrecken und legen fest, welche Einflussfaktoren und Berechnungsmethoden verglichen werden sollen – zum Beispiel Mikrosimulation und graphenbasierte Berechnung. Neben den berechneten Ergebnissen lassen sich auch Fahrplan und tatsächlicher Zuglauf gegenüberstellen.

Die Ergebnisse stellt das Interface tabellarisch und auf einer Landkarte dar, die den Zuglauf mit allen Betriebsstellen zeigt. Für einzelne Betriebsstellen lassen sich die Detailergebnisse der verschiedenen Modelle betrachten, beim Graphenmodell inklusive alternativer Pfade. So wird sichtbar, wie die einzelnen Modelle zu ihren Prognosen kommen und wo sich ihre Ergebnisse unterscheiden.

Ergebnisse & Nutzen: Einflüsse sichtbar, Methoden vergleichbar

Mit der Trajektorienbasierenden Zugprognose wurde eine belastbare technische Grundlage für die weitere Forschung an datengetriebenen Prognosemethoden geschaffen. Die erste Projektphase dient bewusst der Analyse und noch nicht dem Einsatz in der Planung. Ihr Erfolg bemisst sich deshalb nicht an klassischen Produktivkennzahlen wie Zeitersparnis oder Prognosegenauigkeit. Das Ergebnis ist ein KI-gestützter Simulationsprototyp, der Zugfahrten systemweit abbildet. Langfristig soll daraus die Grundlage entstehen, um den Kolleg:innen im operativen Betrieb echte Entscheidungsunterstützung zu bieten – gerade bei Störungen, wenn jede Minute zählt.

Zweifach ausgezeichnet bei der AIR Salzburg 2026

Dass der Ansatz überzeugt, zeigt auch der Blick von außen: Bei der AIR Salzburg wurde das Projekt im Frühjahr 2026 gleich zweimal prämiert – als „The Most Promising AI Project” und als „The Most Promising Digital Innovation Project”.