Was war/ist die Ausgangssituation?

In einer zeitkritischen Welt möchten wir so schnell wie möglich von A nach B gelangen. Wichtig sind in diesem Satz die Terme "zeitkritisch", "wir", "schnell" und "A nach B". Aus diesen vier Begriffen lässt sich bereits ein wundervolles Optimierungsproblem ableiten. Wundervoll, weil es nicht einfach zu lösen ist, speziell durch die dem Problem anhaftende Zeitkomponente. Der von uns entwickelten Lösung ist es möglich, zusätzliche Optimierungsziele zu verarbeiten, etwa die Minimierung des Emissionsausstoßes in einer Stadt oder die Routenoptimierung für Elektrofahrzeuge in Bezug auf verfügbare Ladestationen.

Was war/ist das Projekt/die Strategie?

Die Strategie war und ist, die Ausgangssituation in zeitkritische Optimierungsprobleme und nicht allzu zeitkritische Probleme zu übersetzen. Für die erste Kategorie müssen wir in sehr kurzer Zeit, etwa in Sekundenintervallen, eine optimale Lösung finden oder zumindest eine Lösung, die nahe dran ist. Diese Probleme formulieren wir so, dass sie auf einem Quantencomputer ausgeführt werden können. Probleme der zweiten Kategorie müssen nicht innerhalb von Sekunden gelöst werden und sind auch nicht notwendigerweise Optimierungsprobleme. Dafür verwenden wir klassische (nicht-quanten) Computer und Algorithmen.
Das oben skizzierte Problem kann umformuliert werden, etwa in:

1. Prognostiziere wo Nachfrage nach Mobilität aufkommt, idealerweise 15 - 30 min bevor es passiert. In anderen Worten: wie viele Leute haben wann und wo Bedarf nach einem Fortbewegungsmittel, etwa Bus, Taxi, Fahrrad? Wir nennen das Demand-Hotspots. Das können wir ganz gut mit klassischen (nicht-quanten) Computern machen. Dafür haben wir einen Machine Learning Prognosealgorithmus basierend auf LSTMs (einer Form von künstlichen neuronalen Netzen) entwickelt.
2. Weise die verfügbaren Fortbewegungsmittel auf Demand-Hotspots zu, und zwar so, dass die Wartezeit fuer alle Personen an allen Demand-Hotspots minimiert wird. Kurz: niemand soll lange warten müssen, um den Trip von A nach B zu starten.

3. Minimiere die Zeit von A nach B für jeden Verkehrsteilnehmer:

   3. a. Prognostiziere Stau 15 min bevor Stau auftritt. Das involviert nicht (nur) die von A nach B reisenden Verkehrsteilnehmer, sondern alles, was sich in einem Verkehrssystem bewegt. Das können wir wieder gut mit einem klassischen (nicht-quanten) Computer in den Griff bekommen.

   3. b. Optimiere den Verkehrsfluss durch die Verteilung von Fahrzeugen auf unterschiedliche Routen und Geschwindigkeitszuweisungen so, dass Verkehrsstau erst gar nicht aufkommt. Das ist wieder ein zeitkritisches Optimierungsproblem, das wir auf einem Quantencomputer lösen.

Welchem Anwendungssektor ordnen Sie ihren Beitrag zu?

Mobilität

Welchen Mehrwert bietet das Projekt für die Bevölkerung?

Jeder kennt Verkehrsstau, nicht viele sind davon begeistert, und die meisten haben es eilig... Mit unserer Lösung möchten wir unangenehme Reiseerfahrungen in Städten minimieren. Das ist nicht selbstverständlich, denn obwohl viel Forschung rund um zeitkritische Optimierungsprobleme und Verkehrsfluss passiert ist, haben wir eine Lösung entwickelt, welche die drei Zeitkomponenten (Verarbeitung, Wartezeit, Reisezeit) minimiert.

Wie sah/sieht der Projektzeitplan und Finanzierungsbedarf aus?

Das Projekt ist ein Zusammenschluss mehrerer Subprojekte: am Anfang stand die Verkehrsflussoptimierung, die über zwei Monate hinweg implementiert wurde. Die Demand Prediction und Mobilitätsmodusoptimierung wurden als Folgeprojekte über drei Monate umgesetzt und mit der Verkehrsflussoptimierung zu einer Mobilitätsplattform zusammengeführt. Aktuell ist die Lösung im Prototypenstadium und erfordert zur Produktivnahme eine mehrmonatige Testphase. Der weitere Finanzierungsbedarf ist abhängig vom Konsumenten der Lösung, der Menge der verfügbaren Bewegungsdaten und den Optimierungsintervallen.

algorithmus, verkehr, optimierung, quanten, machine learning