Störungsmanagement & Wiederherstellung des Betriebs (Fluggesellschaften, Bahn, ÖPNV)

Wenn Wetter, technische Defekte, Streiks oder Personalmangel den Plan durchkreuzen, müssen Betriebsleitstellen (OCC der Fluggesellschaft, Bahn-Leitstellen, ÖPNV-Leitstellen) binnen Minuten entscheiden, was verspätet, getauscht oder gestrichen wird, wie Flugzeuge/Züge und Besatzungen rechtskonform wieder eingesetzt werden und wohin gestrandete Fahrgäste kommen. Wiederherstellungs-Engines verbinden ML-Verspätungsprognosen mit MIP-, heuristischen oder Reinforcement-Learning-Solvern und legen einem menschlichen Disponenten gerankte Optionen vor. Das verringert Folgeverspätungen, Entschädigungskosten und manuelle Arbeitslast.

Problem & Nutzen

• Heute: Disponenten verlassen sich auf Erfahrung, Tabellen, regelbasierte Werkzeuge und Telefonate. Ressourcen werden nacheinander wiederhergestellt (erst Flugzeuge, dann Besatzung, dann Fahrgäste), was suboptimal ist, weil die drei Probleme gekoppelt sind. Die Entscheidungen sind zeitkritisch und müssen rechtliche Vorgaben einhalten (Dienst- und Ruhezeitgrenzen, Wartungsfenster, Slot-Regeln, Gleiskapazität).
• KI-Nutzen: (1) vorhersagen, wie sich eine primäre Verspätung über Umläufe, Anschlüsse und die rechtliche Zulässigkeit der Besatzung fortpflanzt; (2) viele Wiederherstellungsalternativen gemeinsam über alle Ressourcen erzeugen und bewerten; (3) die routinemäßige Fahrgastseite automatisieren (Umbuchung, Benachrichtigungen). Gewinne werden typischerweise als weniger Annullierungen, kürzere Wiederherstellungszeit und geringere Kosten pro Störungstag berichtet; veröffentlichte Zahlen hängen stark vom Betreiber ab und werden besser in einem Pilot im Schattenbetrieb gemessen als angenommen.
• Regulatorischer Kostentreiber: In der EU verpflichtet die Verordnung (EG) Nr. 261/2004 bei Annullierungen und langen Verspätungen zu Betreuung, Umbuchung und pauschaler finanzieller Entschädigung; jedes Wiederherstellungsszenario wird daher gegen explizite Kosten aus den Fahrgastrechten bewertet [1]. Bahnreisende haben vergleichbare Rechte nach der Verordnung (EU) 2021/782 [2].

Varianten

• Integrierte Wiederherstellung bei Fluggesellschaften (OCC): Flugzeugumläufe, Reparatur der Besatzungsumläufe, Nachtflugverbot/Slot-Behandlung und Umbuchung von Fahrgästen. Führende Solver-Anbieter: Lufthansa Systems, Sabre, Jeppesen (Boeing), Amadeus, SITA, IBS.
• Umbuchung und Neubuchung von Fahrgästen (Handels-/E-Commerce-Sicht): Selbstbedienungs-Umbuchung in App/Chat mit alternativen Angeboten (eigene Flüge, Partnerairlines, Bahn-Flug), Gutscheinen und Erstattungen; Teilschritt der Wiederherstellung, nah an der Automatisierung des Kundenservice (AGENT-010 für Geschäftsreisen).
• Störungsmanagement und Disposition bei der Bahn: Konfliktlösung auf Gleisabschnitten (Zeiten verschieben, Reihenfolge ändern, umleiten, streichen), Neuplanung von Fahrzeugen und Personal, Neuzuteilung von Bahnsteigen; Kapazitäts- und Verkehrsmanagement im Stil von CTMS der Deutschen Bahn sowie nationale Infrastrukturbetreiber (z. B. SBB, ProRail, Trafikverket).

So funktioniert es

1. Live-Daten (Betriebssystem, Flugsicherung/Infrastruktur, Wetter, Buchungen)
2. Störungserkennung + Prognose der Verspätungsfortpflanzung (ML auf Historie + regelbasiertes Netzmodell)
3. Szenarioerzeugung (MIP / Spaltengenerierung / Heuristiken / RL-Policy / Simulation)
4. Bewertung von Zulässigkeit + Kosten (Dienstzeit, Ruhe, Wartung, Slots, EU261, Fahrzeugrestriktionen)
5. gerankte Optionen an den Disponenten (Was-wäre-wenn, Erklärung, Kennzahlen-Deltas)
6. Freigabe durch Menschen (Duty Manager der OCC / Bahndisponent)
7. Ausführung: Dienstplan, Fahrplan, Bahnsteig-/Gleisanpassungen + Fahrgastbenachrichtigungen und Umbuchung
8. Rückkopplung: Ergebnis gegen Prognose für das Nachtrainieren

• Prognoseschicht: Gradient Boosting oder Sequenz-/Graph-Neuronale-Netze prognostizieren Ankunftsverspätung, Wendezeit und Anschlussverlust; das überschneidet sich mit PRED-018 (Prognose der Ankunftszeit).
• Optimierungsschicht: gemischt-ganzzahlige Programmierung (Gurobi, CPLEX, HiGHS, OR-Tools CP-SAT) für die Wiederherstellung von Flugzeugen und Besatzung; Nachbarschaftssuch-Heuristiken für Reaktionen im Minutenbereich; bei der Bahn Modelle im Stil von Job-Shop mit Sperrzeit-Nebenbedingungen. RL-Policies (gemessen an der Flatland-Challenge für Bahnnetze) dienen als schnelle Vorschlagsgeber, deren Ausgabe vom exakten Prüfer validiert wird [3][4].
• LLM-Schicht (optional, unterstützend): fasst die Lage für den Duty Manager zusammen, entwirft Fahrgastnachrichten in mehreren Sprachen und übersetzt (siehe OPT-018) „Was wäre, wenn das Drehkreuz zwei Stunden schließt?“ in Solver-Szenarien. LLMs dürfen nicht über die Zulässigkeit entscheiden; das tun Solver und Regelwerk.
• Mensch-in-der-Schleife (Human-in-the-Loop): Der Disponent gibt den Plan frei oder ändert ihn; sicherheitsrelevante Bahn-Stellwerks- und Signaltechnik bleiben in zertifizierten Systemen außerhalb der KI-Schleife.

Datenaufbereitung

Benötigt werden der Sollfahrplan (Flüge, Züge, Umläufe), der betriebliche Echtzeitstatus (Verspätungen, Positionen, Störungen), Besatzungsdienstpläne und gesetzliche Dienstgrenzen, Flotten- und Wartungsstatus, Fahrgastbuchungen und Anschlüsse sowie historische Störungsfälle. Diese liegen in Betriebsleitsystemen, Werkzeugen zur Besatzungsplanung, PSS-/Buchungssystemen, Fahrplandatenbanken und oft in E-Mails, Funkprotokollen und Tabellen.

Typische Lücken: Datensilos zwischen Besatzungs-, Flotten- und Fahrgastsystemen, uneinheitliche Kennungen, verzögerte oder unvollständige Echtzeitdaten, schlecht dokumentierte Regeln und Tarifvereinbarungen sowie fast keine gelabelten „guten Wiederherstellungsentscheidungen“. Fahrgast- und Besatzungsdaten sind personenbezogen.

Aufbereitungsschritte: (1) ein gemeinsames Datenmodell und verlässliche Ereignisströme aufbauen (PREP-005), (2) Regeln und Nebenbedingungen maschinenlesbar festhalten (PREP-012), (3) historische Störungen als Test- und Wiedergabesatz zusammenstellen (PREP-018), (4) Fahrgast- und Besatzungsdaten pseudonymisieren (PREP-022), (5) die Qualität der Datenströme überwachen (DATA-008). Werkzeuge: Streaming-Schicht (Kafka), Data Warehouse, Simulationsumgebung. Rechnen Sie mit 60 Prozent oder mehr des Aufwands für Datenintegration und -qualität.

Umsetzungswege

Welcher Weg für wen

• Großunternehmen: Weg B. Die Wiederherstellung ist ein zentraler, sicherheitsrelevanter Betriebsablauf, der an proprietäre Besatzungs-, Flotten- und Fahrgastsysteme gebunden ist; die meisten Betreiber kombinieren Anbieter-Suiten über Schnittstellen mit eigenen Optimierungs- und LLM-Schichten, daher zählt die Integration mehr als ein reiner Produktkauf.
• Entwickler: Weg C. Open-Source-Solver und Simulation (OR-Tools, HiGHS, SimPy) sind die übliche Basis, um Wiederherstellungskomponenten ohne Lizenzbindung zu bauen und zu testen.
• Öffentliche Hand: Weg C. Verkehrsbehörden und öffentliche Betreiber profitieren wegen Vergaberegeln, betrieblicher Kritikalität und Datenkontrolle von souveränen, selbst betriebenen oder deutschen/EU-Cloud-Umgebungen.

Weg A — Kaufen (Standardsoftware)

• OCC-/Wiederherstellungs-Suiten für Fluggesellschaften: Lufthansa Systems (Lido, Netline; Deutschland/EU), Sabre (Schedule Manager und Produkte zur Störungsbehebung), Lösungen von Jeppesen/Boeing für Besatzung und Betrieb, Amadeus (Altéa-Ökosystem und Betriebsleit-Produkte; EU), SITA (OCC-Werkzeuge, Air Transport IT; schweizerisch/EU-verwurzelt), IBS Software. Umbuchungs-Engines für Fahrgäste sind oft Teil des PSS (Navitaire, Amadeus, Sabre).
• Bahn / ÖPNV: Verkehrsmanagementsysteme von Siemens Mobility, Hitachi Rail, Alstom, Thales mit Modulen zur Konflikterkennung und -lösung; eigene Initiativen der Deutschen Bahn zum digitalen Kapazitäts- und Verkehrsmanagement; Trapeze, Hacon/Siemens (HaCon, Deutschland), INIT (Deutschland) und GIRO für die Leitung im ÖPNV.
• Wählen Sie A, wenn: Sie eine Fluggesellschaft bzw. ein Betreiber mit bereits zertifiziertem OCC-Stack sind; die Wiederherstellungs- Engine muss tief in Besatzungsregeln, Wartung und PSS integriert sein, was sich nicht neu aufbauen lässt.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Solver als Dienst: Gurobi Cloud, Google OR-Tools (CP-SAT, Routing-Bibliothek) auf verwalteter Rechenleistung, Timefold Solver (Open Core, Belgien) für Planungs-Nebenbedingungen.
• Wählen Sie B, wenn: ÖPNV-Betreiber oder regionale Verkehrsunternehmen ein maßgeschneidertes Werkzeug auf Basis vorhandener Fahrplan- und AVL-Daten brauchen, ohne eine vollständige OCC-Suite.

Weg C — Selbst betreiben (Open Source)

• Solver: HiGHS (MIP), OR-Tools CP-SAT, Timefold, SCIP; Simulation mit SimPy oder Werkzeugen im Stil von SUMO/OpenTrack.
• RL / Forschung: Flatland (AIcrowd) für Bahnumgebungen, PyTorch mit RLlib/Stable-Baselines3 [3].
• Hardware: HW1 (CPU-Server) genügt zum Lösen; eine GPU (HW2) nur für RL-Training oder einen LLM-Assistenten im eigenen Haus. Im Betrieb dominieren der Aufwand für Solver-Tuning, Datenpipelines und 24/7-Verfügbarkeit.

Weg D — Eigenes Training

Lohnt sich für RL oder gelernte Vorschlagsgeber, wenn das Netz groß ist und die Reaktion unter einer Minute liegen muss. Erforderlich sind Jahre betrieblicher Historie (Soll gegen Ist), ein Simulator mit hoher Wirklichkeitstreue und ein Zulässigkeitsprüfer als Sicherheitsnetz. Typischer Ansatz: lernen, den exakten Solver mit einem Startwert zu versorgen oder zu beschneiden, statt ihn zu ersetzen.

Stand der Technik (2026)

• Hybride Entscheidungsunterstützung dominiert: ML-Prognosen + exakte/heuristische Optimierung + Freigabe durch Menschen. Reines End-to-End-RL ist überwiegend noch Forschung und Pilotbetrieb, wie die Flatland- und verwandte Wettbewerbe zur Neuplanung im Bahnverkehr zeigen [3][4].
• Integrierte Wiederherstellung (Flugzeuge + Besatzung + Fahrgäste gemeinsam gelöst) ist ein etabliertes Forschungsthema; Produktivsysteme zerlegen sie aus Gründen der Geschwindigkeit und Erklärbarkeit weiterhin oft nacheinander [5].
• Generative KI ist an den Rändern angekommen: Lagezusammenfassungen, mehrsprachige Fahrgastkommunikation, Was-wäre-wenn-Abfragen in natürlicher Sprache und automatisierter Umbuchungsdialog.
• Grenzen und Fehlerbilder: veraltete oder widersprüchliche Live-Daten; Lösungen, die zulässig, aber betrieblich fragil sind (kein Puffer, hohes Risiko von Folgeverspätungen); seltene Ereignisse (Luftraumsperrungen, Cyber- Vorfälle), die außerhalb der Trainingsdaten liegen; übermäßiges Vertrauen der Disponenten; Fairnessprobleme, wenn Fahrgäste ohne transparente Regeln nach kommerziellem Wert priorisiert werden.

Gemeinsame Bausteine & Kombinationen

• Gleicher Solver-Stack: OPT-013 (Fahrplangestaltung), OPT-003 (Personaleinsatzplanung), OPT-002 (APS) und OPT-019 (Außendienst-Disposition) teilen sich MIP-/CP-SAT-Werkzeuge und Kenntnisse in der Regelmodellierung.
• Vor- und nachgelagert: OPT-018 (LLM Was-wäre-wenn), OPT-028 (Ersatzverkehr); PRED-018 (Prognose von Ankunftszeit/Verspätung), Wetter und OPT-026 (Optimierung von Flugtrajektorien).

Aufwand, Kosten & Kennzahlen

• Weg A: Quartale; Lizenz plus Integration in Besatzungs-, Wartungs- und PSS-Systeme dominieren.
• Weg B: 6-12 Monate für einen fokussierten Umfang (z. B. Bus/Tram oder Wiederherstellung an einem einzelnen Drehkreuz).
• Kennzahlen: Pünktlichkeit (On-Time-Performance), gesamte Verspätungsminuten, vermiedene Annullierungen, Zeit bis zur Rückkehr zum Regelfahrplan, Verstöße gegen die Zulässigkeit bei der Besatzung (Ziel null), verpasste Anschlüsse von Fahrgästen, Kosten für Entschädigung und Betreuung, Akzeptanzquote der Vorschläge bei den Disponenten, Lösungszeit.

Menschen & Veränderung

Binden Sie die Geschäftsleitung, die Leitung der Betriebssteuerung (OCC) und die Anwender, also Fahrdienstleiter und Disponenten, von Anfang an ein; sie tragen bei Störungen die Verantwortung und müssen den Vorschlägen vertrauen. IT und IT-Sicherheit sichern die Echtzeit-Schnittstellen (kritische Infrastruktur kann zusätzliche Branchenregeln mit sich bringen), Recht/Compliance prüft Fahrgastrechte und Dienstzeitregeln, und die oder der Datenschutzbeauftragte betreut Fahrgast- und Besatzungsdaten. Kunden sind durch Umbuchungen mittelbar betroffen.

Betriebsrat: ja. Die Neuplanung von Besatzungen und Werkzeuge, die Handlungen der Disponenten protokollieren, sind geeignet, Verhalten und Leistung zu überwachen, daher greift § 87 Abs. 1 Nr. 6 BetrVG (BAG: objektive Eignung genügt); Auswirkungen auf die Arbeitszeit begründen weitere Rechte. Informieren Sie nach § 90 Abs. 1 Nr. 3 und erwägen Sie einen Sachverständigen nach § 80 Abs. 3. Öffentliche Betreiber beteiligen den Personalrat nach BPersVG oder Landesrecht.

Datenschutz: Eine Datenschutz-Folgenabschätzung (DSFA) ist wahrscheinlich; schließen Sie mit jedem Auftragsverarbeiter einen AVV. KI-Kompetenz: Schulen Sie Disponenten in der Simulation, damit sie die Grenzen kennen und übersteuern können; das unterstützt Art. 4 KI-Verordnung. Fahren Sie einen Pilot im Schattenbetrieb in einem Netz oder an einem Drehkreuz, bei dem das System vorschlägt und Menschen entscheiden, und spielen Sie vergangene Störungen nach, bevor Sie live gehen. Typische Sorge: Verantwortung in einer Krise; begegnen Sie ihr mit klarer menschlicher Entscheidungsbefugnis und einem Prüfpfad. Siehe GUIDE-009, GUIDE-004 und GUIDE-013.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt vom Umfang ab. Reine Betriebsplanung bei Fluggesellschaften ist im Allgemeinen minimales Risiko. KI, die als Sicherheitskomponente bei Verwaltung und Betrieb kritischer digitaler Infrastruktur oder des Straßenverkehrs wirkt, fällt unter Anhang III Nr. 2; Bahnsignaltechnik und Flugsicherheitssysteme unterliegen eigenem sektorspezifischem Sicherheitsrecht (und Luftfahrt-/Bahnprodukte den Regeln nach Anhang I). Halten Sie KI außerhalb der sicherheitskritischen Stellwerks- und Flugsicherheitsschleife und dokumentieren Sie die Abgrenzung [6]. Wenn die Besatzungszuteilung eine Überwachung oder Bewertung einzelner Beschäftigter nutzt, kann Anhang III Nr. 4 (Beschäftigung) ausgelöst werden. Eine verbotene Praxis nach Art. 5 liegt nicht vor, solange kein Scoring von Fahrgästen und keine Emotions- analyse ergänzt wird, was vermieden werden sollte.
• DSGVO: Fahrgastdaten (PNR, Kontakt, Bedarf an besonderer Unterstützung, der nach Art. 9 Gesundheitsdaten sein kann) und Besatzungsdaten (Dienststunden, Abwesenheit). Minimieren Sie, begrenzen Sie Zwecke und beachten Sie die Mitbestimmung des Betriebsrats (in Deutschland § 87 BetrVG) bei Werkzeugen mit Bezug zur Besatzung. Übermittlungen von PNR-Daten an Akteure außerhalb der EU brauchen eine Rechtsgrundlage.
• Fahrgastrechte und Arbeitsrecht: EU261-Betreuung und -Entschädigung, EU-Fahrgastrechte im Bahnverkehr, EU- Flugdienstzeitbeschränkungen (EASA-FTL-Regeln) und Tarifverträge werden als harte Nebenbedingungen abgebildet [1][2].
• Betriebliche Risiken und Gegenmaßnahmen: Rückfall auf manuelle Verfahren, wenn das Werkzeug ausfällt; Schattenbetrieb vor dem Start; versioniertes Regelwerk; Erklärung, warum eine Option an erster Stelle steht; Audit-Protokoll für Aufsichtsbehörden und Streitfälle.

Erste Schritte

1. Erfassen Sie die Wiederherstellungsentscheidungen und wer sie verantwortet (Flugzeug/Zug, Besatzung, Fahrgäste); protokollieren Sie aktuelle Reaktionszeiten und Kosten.
2. Stellen Sie einen historischen Datensatz aus Soll- und Ist-Betrieb, Störungen und den manuell getroffenen Entscheidungen zusammen.
3. Bilden Sie die harten Regeln (Dienstzeit, Ruhe, Wartung, Gleisbelegung, EU261) zuerst als validierte Schicht von Nebenbedingungen ab.
4. Bauen Sie eine Baseline: ML-Prognose der Verspätungsfortpflanzung plus Solver an einem einzelnen Drehkreuz oder auf einer Linie; betreiben Sie sie im Schattenbetrieb.
5. Ergänzen Sie die Umbuchung von Fahrgästen und die LLM-gestützte Kommunikation erst, wenn die Planqualität des Kerns nachgewiesen ist.

Quellen

1. Regulation (EC) No 261/2004 (air passenger rights) — https://eur-lex.europa.eu/eli/reg/2004/261/oj
2. Regulation (EU) 2021/782 (rail passengers' rights and obligations) — https://eur-lex.europa.eu/eli/reg/2021/782/oj
3. Flatland challenge (AIcrowd), multi-agent rail rescheduling benchmark — https://flatland.aicrowd.com/
4. Google OR-Tools documentation — https://developers.google.com/optimization
5. Timefold Solver documentation — https://docs.timefold.ai/
6. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. HiGHS open-source solver — https://highs.dev/