KI basierte Innenstadtprognosse 3.0

 KI basierte Innenstadtprognosse


Intelligente Mobilität für Würzburg Wir verbinden Fahrgast-, Wetter-, Veranstaltungs- und Hochschuldaten mit künstlicher Intelligenz, um Verkehrsmuster zu erkennen und die Auslastung, Taktung und Fahrplanung des ÖPNV besser vorherzusagen. Daten verbinden. Mobilität verbessern.1

Ein Kooperationsprojekt von
Das Projekt

Was will das Projekt erreichen?

Bisher beruhen viele Planungsentscheidungen im ÖPNV auf Erfahrungswerten. Das Projekt macht daraus belastbare, datenbasierte Prognosen – mit drei Kernzielen.

🕐

Abfahrtszeiten optimieren

KI-Modelle zeigen, wann Fahrgäste tatsächlich unterwegs sind – Abfahrtszeiten und Taktung richten sich präzise am Bedarf aus.

📈

Auslastung prognostizieren

Die Verknüpfung von Fahrgast-, Wetter-, Event- und Semesterdaten liefert einen verlässlichen Blick auf die zukünftige Auslastung.

🗂️

Planung unterstützen

Prognosen und Dashboards geben WVV und Stadtplanung belastbare Grundlagen für strategische Entscheidungen.

5+
verknüpfte Datenquellen
10
Fokus: Buslinie 10
Sanderring ↔ Hubland
2
Uni-Campus im Blick
24/7
kontinuierliche Datenanalyse
O-Ton · Interview

Warum setzt die WVV auf KI-Prognosen?

🎬 Video-Reportage

Ralf Willrett · Geschäftsführer Mobilität, WSB – über die Verknüpfung von Fahrgast- und Universitätsdaten als Schritt nach vorn für die WVV. Gedreht im Betriebshof der Würzburger Straßenbahn.

So funktioniert’s

Wie entsteht aus Daten eine Prognose?

Einzelne Datensätze erzählen nur einen Teil der Geschichte. Erst die intelligente Verknüpfung macht Muster sichtbar – das ist das Besondere an diesem Projekt.

Anonymisierte Ein- und Ausstiegszahlen aus dem ÖPNV zeigen, wie stark einzelne Linien und Haltestellen zu welcher Tageszeit ausgelastet sind.
Temperatur, Niederschlag und Wetterlage beeinflussen, ob Menschen zu Fuß, mit dem Rad oder mit dem Bus unterwegs sind – ein wichtiger Prognosefaktor.
Konzerte, Märkte oder Feste sorgen für kurzfristige Nachfragespitzen in der Innenstadt und im ÖPNV, die das Modell mit einplant.
Daten zu Vorlesungszeiten und Semesterterminen der Hochschule helfen, studentische Mobilitätsmuster in der Prognose zu berücksichtigen.
Informationen zu Studiengängen und Stundenplänen liefern zusätzlichen Kontext, wann und wo mit erhöhtem Fahrgastaufkommen zu rechnen ist.
KI-Modell Maschinelles Lernen
Mustererkennung
📈 Auslastungs­prognosen
🕑 Taktungs- & Fahrplan­empfehlungen
🖥️ Planungs-Dashboard

Alle Analysen erfolgen ausschließlich auf anonymisierten und aggregierten Daten – Datenschutz ist Projektgrundsatz.

Christoph Jaskula · Verkehrsplaner, Würzburger Straßenbahn GmbH (WSB)

O-Ton · Aus der Praxis

Tiefer einsteigen: Die Daten hinter der Prognose

Am Arbeitsplatz zwischen Karten und Datenströmen: Ein Verkehrsplaner der Würzburger Straßenbahn zeigt, wie Fahrgast- und Stadtdaten für Würzburg ausgewertet werden – hier entstehen die Grundlagen der KI-Prognose.

📍 Verkehrsplanungsbüro der WVV
Fokus Linie 10

Warum ausgerechnet die Linie 10?

Die Buslinie 10 verbindet den Campus Sanderring mit dem Campus Hubland – die Lebensader des studentischen Alltags. Kaum eine Linie reagiert so empfindlich auf den Rhythmus der Universität: Vorlesungsbeginn, Prüfungsphasen und Semesterferien verändern die Fahrgastzahlen messbar.

Genau das macht sie zum idealen Forschungsobjekt: Hier lassen sich die Zusammenhänge zwischen Uni-Kalender und Nachfrage besonders klar modellieren – und später auf das gesamte Netz übertragen.

Bus der Linie 10 der WVV Würzburg mit Fahrtziel Hubland/Mensa Sanderring in der Abendsonne Linie 10 · Hubland/Mensa – Sanderring

Der Semester-Effekt auf die Auslastung

Die Balken zeigen die modellhafte Auslastung im Tagesverlauf (6–20 Uhr) – die Darstellung wechselt automatisch zwischen den drei Phasen des Universitätsjahres.

📖 Vorlesungszeit ✍️ Prüfungsphase 🏖️ Semesterferien
22%18%12%
6
55%38%20%
7
95%72%34%
8
88%80%40%
9
62%74%44%
10
48%68%46%
11
58%60%50%
12
52%64%48%
13
46%66%45%
14
55%70%42%
15
82%64%40%
16
90%55%38%
17
72%44%32%
18
40%30%24%
19
26%20%15%
20

Schematische, illustrative Werte (relative Auslastung in %). Rote Balken markieren Spitzenlast.

O-Ton · Im Fokus

Was bedeutet das Projekt für den Nahverkehr in Würzburg?

Ralf Willrett über den konkreten Nutzen der KI-basierten Innenstadtprognose: bedarfsgerechte Taktung, effizienter Fahrzeugeinsatz und ein Nahverkehr, der sich am Rhythmus der Stadt orientiert.

Ralf Willrett · Geschäftsführer Mobilität, Würzburger Straßenbahn GmbH (WSB)

Porträt von Ralf Willrett, Geschäftsführer Mobilität der Würzburger Straßenbahn GmbH
„Die Verknüpfung unserer Fahrgastdaten mit den Daten der Universität eröffnet uns völlig neue Möglichkeiten: Wir können den Nahverkehr in Würzburg erstmals vorausschauend planen – dort, wo er gebraucht wird, und dann, wenn er gebraucht wird.“
Ralf Willrett · Geschäftsführer Mobilität, Würzburger Straßenbahn GmbH (WSB)
KI-Prognose Datenbasierte Planung ÖPNV Würzburg Smart City
Ergebnisse & Nutzen

Was bringt das Projekt konkret?

WVV

Für die WVV / WSB

  • Bedarfsgerechte Taktung: Fahrpläne nach prognostizierter Nachfrage statt Schätzwerten.
  • Effiziente Ressourcen: Fahrzeuge und Personal dort, wo sie gebraucht werden.
  • Entlastete Leitstelle: Frühwarnung bei erwarteten Nachfragespitzen.
JMU

Für die Universität

  • Anwendungsnahe Forschung: KI-Forschung mit realen Daten und direkter Wirkung.
  • Lehre & Abschlussarbeiten: Studierende arbeiten an echten Fragestellungen.
  • Bessere Campus-Anbindung: Ein Takt, der zum Semesterrhythmus passt.
Und morgen?
⚡ Echtzeitprognosen 🗂️ Zusätzliche Datenquellen 🎯 Präzisere KI-Modelle 🖥️ Erweitertes Dashboard

Ralf Willrett · Geschäftsführer Mobilität, Würzburger Straßenbahn GmbH (WSB)

O-Ton · Ausblick

Wie geht es mit dem Projekt weiter?

Ein Blick nach vorn: von Echtzeitprognosen über zusätzliche Datenquellen bis zur Übertragung der Modelle auf das gesamte Liniennetz – die nächsten Schritte aus Sicht der WVV.

⚡ Echtzeitprognosen 🗺️ Ganzes Liniennetz 🖥️ Erweitertes Dashboard
Zum Weiterhören

Der Podcast zum Projekt

„Künstliche Intelligenz für städtischen Handel und Gastronomie“ – wie KI-gestützte Prognosen nicht nur den Nahverkehr, sondern die gesamte Würzburger Innenstadt voranbringen können.

Kontakt

Schreiben Sie uns

Fragen zum Projekt, Interesse an einer Kooperation oder Abschlussarbeit? Wir freuen uns über Ihre Nachricht.

Am schnellsten erreichen Sie das Projektteam per E-Mail. Ein Klick öffnet Ihr E-Mail-Programm mit der richtigen Adresse und einem vorbereiteten Betreff.

✉️ E-Mail an das Projektteam

Bitte nennen Sie uns Ihren Namen und Ihr Anliegen – wir melden uns zeitnah zurück.

Ansprechpartner

Projektteam & Institut

📍
Julius-Maximilians-Universität WürzburgProjektteam Innenstadtprognose · Sanderring 2 · 97070 Würzburg
✉️
🤝
PraxispartnerWürzburger Straßenbahn GmbH (WVV) · Haugerring 5 · 97070 Würzburg · wvv.de
Folgen Sie dem Projekt
🌐 Uni Würzburg 📷 Instagram in LinkedIn 🚌 WVV

Gemeinsam bewegen wir Würzburg.

Datenbasiert, vorausschauend und im Takt der Stadt – die KI-basierte Innenstadtprognose ist ein Baustein der Smart City Würzburg.

Nach oben ↑

Forschungsprojekt zur KI-gestützten Prognose von Auslastung und Taktung im ÖPNV Würzburg – eine Kooperation von Universität Würzburg und Würzburger Straßenbahn GmbH.

🌐 Uni Würzburg 📷 Instagram in LinkedIn

Navigation

Projektpartner

© 2026 KI-basierte Innenstadtprognose Würzburg · Universität Würzburg & Würzburger Straßenbahn GmbH Ein Beitrag zur Smart City Würzburg 🚌

Nach oben scrollen