Lokführer sind Mangelware - in ganz Europa wird dadurch das gewünschte Wachstum des nachhaltigen Verkehrsträgers Schiene ausgebremst. Manuelle Dispositionsprozesse führen im komplexen operativen Bahnbetrieb zu einer niedrigen Produktivität und damit zu einer Verknappung des Fahrpersonals. Unternehmen leiden unter niedriger Einsatzflexibilität und hohen Kosten und eine flexible Berücksichtigung verschiedener Präferenzen und Lebensweisen der Mitarbeiter ist ebenso kaum umsetzbar.
Hier setzt das im Februar 2021 gemeinsam von den Partnern Menlo79 GmbH, Havelländische Eisenbahn AG, SCI Verkehr GmbH und Zuse-Institut Berlin gestartete Projekt WILSON-LEARN an. Ziel ist es, unter Nutzung eines Machine Learning Algorithmus die Effizienz in der operativen Personaldisposition im Schienengüterverkehr deutlich zu steigern. Das Projekt wird im Rahmen des Bundesprogramms „Zukunft Schienengüterverkehr“ mit rund 750.000 Euro durch das Bundesministerium für Verkehr und digitale Infrastruktur (BMVI) gefördert. Im Rahmen des Bundesprogramms „Zukunft Schienengüterverkehr“ fördert das BMVI Erprobungen und Markteinführungen von Innovationen mit dem Ziel, die Wirtschaftlichkeit und Logistikfähigkeit des Schienengüterverkehrs zu steigern.
Es soll ein Machine Learning Algorithmus umgesetzt und erprobt werden, der valide Echtzeit-Vorschläge für eine effiziente, operative Personaldisposition im Schienengüterverkehr generiert und damit eine Steigerung der Personalproduktivität ermöglicht sowie dem Personalmangel entgegenwirkt. Anhand von erfolgreichen Dispositionsentscheidungen der Vergangenheit erlernt der Algorithmus, welche Faktoren für eine nachhaltige Disposition entscheidend sind und kann so die Disposition von zeitintensiven Prozessen intelligent unterstützen. Machine Learning Algorithmen bieten sich gerade für eine solche Herausforderung an, da sie im Vergleich zu statischen Optimierern in der Lage sind, Verhalten zu erlernen und realitätsgetreuer zu handhaben.
