Hinter den Kulissen von Moia: So arbeitet der Ridepooling-Spezialist
Bei Moia teilen sich mehrere Personen mit individuellen Start- und Zielpunkten ein Fahrzeug. Machine Learning soll die Kundenwünsche unter einen Hut bringen.
(Bild: Moia / Henning Scheffen)
- Dirk Kunde
Schon wieder Regen. Sobald in Hamburg die Tropfen fallen, schauen sich etliche Kunden nach den bequemen und vor allem trockenen Shuttle-Bussen von Moia um. "Wetter spielt eine Rolle, allerdings nur bedingt", sagt Dr. Rieke Dibbern. Sie ist verantwortlich für die dynamische Fahrpreisermittlung, das sogenannte Pricing beim Ridepooling-Spezialisten Moia.
- Moias Ridepooling-Dienst nutzt Machine Learning und setzt auf KI, um den Service weiterzuentwickeln.
- Moia arbeitet intensiv an selbstfahrenden Robo-Shuttles, um den Dienst wirtschaftlich zu machen.
- Testfahrten mit Robo-Shuttles laufen. Ob sie im Großstadtverkehr bestehen können, bleibt offen.
"Die Anfragen nehmen bei Regen zwar zu, doch die getätigten Buchungen steigen nicht im gleichen Ausmaß wie die Anfragen", berichtet sie bei unserem Ortstermin in der Moia-Zentrale in der Hamburger Innenstadt. Die Laufentfernung zum Abholpunkt beeinflusst die finale Kaufentscheidung, genau wie die geschätzte Abfahrtszeit, der Preis und die Dauer. Es sind viele Faktoren, die zu einer Buchung führen.
Um den Bedarf an elektrifizierten Moia-Bussen besser abzuschätzen, errechnet das Unternehmen eine Nachfrage- sowie eine Buchungsvoraussage. Dabei kommen Methoden des Machine Learning zum Einsatz. Entscheidungen werden anhand vorgegebener Modelle gefällt, wobei einzelne Entscheidungsbäume bis zu 40 Dimensionen umfassen können. Am Ende steht eine dynamische Preisermittlung, die den Ausgleich zwischen Nachfrage und verfügbaren Plätzen in den Fahrzeugen schafft.
Modulare IT-Infrastruktur
In den Büros an der Hamburger Stadthausbrücke arbeiten 200 Menschen. Davon sind rund 120 in der Software-Entwicklung tätig. Die einzelnen Teams sind nach Teilprodukten entlang der Kundenerfahrung aufgeteilt und nutzen unterschiedliche Tools und Programmiersprachen, ganz nach den jeweiligen Anforderungen.
"Wir setzen eine Self-contained Systemarchitektur (SCS) ein, weil es uns mehr Flexibilität in der Entwicklung bringt", sagt Sascha Meyer, Chief Product Officer bei Moia. Im Unterschied zu einer monolithischen Anwendung werden in der SCS alle benötigten Funktionen in voneinander unabhängige Systemen gepackt. Die Daten, die sie austauschen, liegen in Googles Protobuf-Format (Protocol Buffers) vor. Moia betreibt in der Zentrale keine eigene IT-Infrastruktur, sondern nutzt Managed Services großer Cloudanbieter wie Amazon.
Moia startete seinen Dienst in Hamburg im April 2019. Das Unternehmen definierte in seinem 320 Quadratkilometer großen Geschäftsgebiet 15.000 Haltestellen. Das sind Punkte, die grundsätzlich frei sind, an denen die Straßenverkehrsordnung Halten erlaubt und ein sicheres Ein- und Aussteigen der Fahrgäste möglich ist. Ein Kunde soll von seinem aktuellen Standort nicht mehr als 300 Meter Fußweg zum Haltepunkt haben. Denn genau diese Entfernung spielt nach Erfahrungen von Moia bei der Buchungsentscheidung eine wesentliche Rolle.
Im Februar 2022 transportierten 600 Fahrer in Hamburg 149.000 Fahrgäste durch die Stadt. Dabei waren 60 Prozent der Fahrten mit mindestens zwei Buchungsparteien besetzt, das sogenannte Pooling. Die Fahrgastzahl spiegelt nach Angaben des Unternehmens noch immer eine pandemiebedingte Zurückhaltung wider.
"Wir verzeichnen weniger Fahrten von Beratern, die vom Flughafen in die Innenstadt möchten, von Anwälten, die zu Gericht fahren und anderen Geschäftsleuten, die zu Terminen unterwegs sind", sagt Meyer. Gelegentlich setzt er sich selbst ans Steuer eines der kupferfarbenen E-Fahrzeuge, um Moia aus Sicht des Fahrpersonals zu erleben.
Zum Vergleich: Im Februar 2020 lag die Passagierzahl vor Corona bei 270.000. Wegen der Pandemie schränkte Moia zwischen dem 1. April 2020 und 1. Juni 2021 seinen Betrieb ein. Zeitweise waren einige Fahrzeuge ausschließlich nachts unterwegs. Statt der vorhandenen 500 Elektrofahrzeuge sind derzeit um die 225 im Einsatz. Auch das Geschäftsgebiet wurde im Zuge der Pandemie von 320 auf 200 Quadratkilometer verkleinert.
(Bild: Moia)
Auftragsvergabe optimieren
Innerhalb des definierten Geschäftsgebietes optimiert das System spätestens alle zehn Sekunden die Auftragsvergabe. Welcher Wagen ist am nächsten zum Kunden? Welcher kann noch Fahrgäste aufnehmen? Wer fährt zum gleichen Ziel? Dabei ist die Berechnung der Nachfragevorhersage in drei Phasen unterteilt.
Für die langfristige Vorhersage nutzt das System Erfahrungswerte aus den Vorjahren. Zum Beispiel fällt die Nachfrage in den Sommerferien geringer aus als im Herbst und Winter. Auch für den Verlauf einer typischen Woche kennt man die Entwicklung: Die Nachfrage steigt von Montag bis Freitag kontinuierlich an. Am Wochenende und vor Feiertagen ist am meisten los.
Der mittelfristige Teil der Vorhersage berücksichtigt die zwei bis vier Stunden vor der eigentlichen Fahrt. Hier fließen Daten über Wetter, Messen sowie andere Großveranstaltungen und planbare Verkehrsbehinderungen etwa durch Baustellen ein. Die dritte, kurzfristige Vorhersage agiert im Minutenbereich. Hier werden die Daten der beiden vorherigen Phasen mit allen verfügbaren Echtzeitinformationen, etwa aktuellen Verkehrsinformationen oder Rückmeldungen von Fahrern, abgeglichen.
Aufgrund der dynamischen Nachfragevorhersage verteilt das System die Fahrzeuge im Geschäftsgebiet laufend neu. Beispielsweise fahren in den Feierabendstunden etliche Menschen aus der Innenstadt in die Randbezirke. Um einen örtlichen Mangel von Fahrzeugen zu vermeiden, greift das System zum sogenannten Rebalancing. Die Fahrer erhalten auf Basis der Prognosen den Auftrag, in Gebiete zu fahren, in denen die Nachfragevorhersage höher ausfällt. "Die Kombination aus Nachfrage- und Buchungsvorhersage liefert uns ein sehr präzises Bild für die Flottenplanung", sagt Meyer.
Ein Problem bleiben plötzlich auftretende Schwankungen bei der Nachfrage. Darauf kann Moia nur bedingt reagieren, weil eigentlich spontan zusätzliche Fahrer auf die Straße müssten. "Doch die Schichtpläne für unsere Fahrer entstehen mit dreimonatigem Vorlauf. Die möchten natürlich eine gewisse Planungssicherheit", so Meyer.
Nächste Fahrt im Fokus
Ein erhöhter Planungsbedarf ergibt sich auch durch die Elektrifizierung der Flotte. Mit ihrem 77 kWh-Akku schaffen die umgebauten VW Crafter 330 Kilometer. Das reicht für eine Schicht, da die Durchschnittsgeschwindigkeit in der Stadt nur 26 km/h beträgt. Moia betreibt im Stadtgebiet von Hamburg drei Betriebshöfe und drei dezentrale Ladepunkte, um die Fahrzeuge einsatzbereit zu halten.
Sollte die tatsächliche Nachfrage die Vorhersage übersteigen, schafft das System einen Ausgleich, indem es die Preise erhöht. In die Preisanpassung fließen unter anderem Daten der Buchungsvorhersage sowie die Kosten für den Dienstanbieter ein. Als Kosten werden in diesem Fall die Pooling-Wahrscheinlichkeit für eine Fahrt, erwartete Leerkilometer auf dem Weg zu Fahrgästen als auch Stillstand durch Stau betrachtet.
"Zu Beginn war der Algorithmus auf Umsatzoptimierung ausgelegt, sollte also möglichst viele Kunden in einem Fahrzeug platzieren", sagt Dibbern. Das Ergebnis waren relativ hohe Preise und eine schlechte Auslastung der Fahrzeuge, da die Kundenanfragen auf möglichst wenige Autos verteilt wurden. "Das haben wir angepasst, auch im Sinne einer höheren Wiedernutzungswahrscheinlichkeit", so Dibbern. Denn wer einmal schlechte Erfahrung mit dem Service gemacht hat, bucht kein zweites Mal.
Darum fließen inzwischen mehr Faktoren in die Preisberechnung ein, sodass einmal gewonnene Kunden dem Service treu bleiben. Dazu gehören neben dem Preis auch die Fahrtdauer, die Fahrzeugbelegung sowie eine möglichst pünktliche Ankunft. "Auch bei der Ankunftszeit haben wir gelernt", gibt Meyer offen zu.
In der ersten Version gab es zwei Zeitangaben zur Ankunft. "Die Kunden hatten nur die erste Zeitangabe im Blick. Bei vielen Beschwerden stellten wir fest, dass wir im ursprünglich angekündigten Fenster waren. Das stellen wir durch einen grafischen Zeitstrahl in der App nun deutlich klarer heraus", sagt Meyer. Im Ergebnis monieren heute weniger Kunden eine verspätete Ankunft.
Express-Option
Ob bei einer Fahrt noch jemand zusteigt, entscheidet sich nicht anhand des Streckenverlaufs oder der Entfernung zum weiteren Kunden, sondern anhand der prognostizierten Ankunftszeit des ersten Fahrgastes. Wird das Zeitfenster eingehalten, bucht das System einen weiteren Passagier hinzu, selbst wenn das einen kleinen Umweg im Fahrweg bedeutet.
Auf Kundenwunsch führte das Unternehmen eine zusätzliche "Express-Option" ein. Damit hat man die Gewissheit, dass weitere Kunden nur aufgenommen werden, wenn sie auf direkter Strecke zusteigen. Das ist praktisch, wenn man mehr Sicherheit bei der Ankunftszeit benötigt, beispielsweise um einen Zug oder einen Flug zu erreichen. Der preisliche Zuschlag für die Option wird ebenfalls dynamisch berechnet. "Je nach Strecke und Tageszeit kann die Differenz um mehrere Euro variieren", sagt Dibbern.
Dabei würde die dynamische Preisermittlung für Fahrten mit geringer Buchungswahrscheinlichkeit im Sinne einer höchstmöglichen Kundenmotivation auch einen Fahrpreis von null Euro auswerfen. Das entspricht den Vorgaben des hinterlegten mathematischen Modells. Ausgaben für Fahrzeugbetrieb und Fahrer fallen sowieso an, dann kann auch ein Fahrgast mitfahren. Doch die Null als Fahrpreis bleibt graue Theorie.
Für die endgültigen Preise gelten Schwellenwerte, die die Fahrtkosten nicht unterhalb des ÖPNVs ansetzen. Moias Preise waren vom ersten Tag an ein Politikum. Die symbolischen Cent-Beträge beim Beta-Test in Hannover provozierten scharfe Kritik vom Taxigewerbe wie von Vertretern des ÖPNV (PDF).
Genau gesagt sind es drei Vorschläge mit unterschiedlichen Abholzeiten und Preisen. Hat der Kunde eine Fahrt angenommen, wird in der App bereits ein Fahrzeug in der Karte angezeigt. Doch die Zuordnung des endgültigen Moia-Busses kann sich bis drei Minuten vor Fahrtantritt noch ändern. Das geschieht, falls die automatische Auftragsverteilung ein Fahrzeug findet, das näher dran ist oder das gleiche Ziel ansteuert. "Die Nummer seines Moias sieht der Kunde kurz vor dem 'Rendezvous', wie wir die Abholung nennen", sagt Meyer.
Gamechanger Robo-Shuttle
Während Buchung und Abrechnung einer Fahrt automatisiert erfolgen, müssen Menschen die Fahrzeuge fahren. Sie sind bei der dynamischen Flottensteuerung ein Flaschenhals, denn man kann das Personal bei einer Flaute weder spontan nach Hause schicken, noch in Minutenfrist Fahrer von zu Hause zur Arbeit rufen.
Bereits im Jahr 2025 soll die Flotte aus diesem Grund um autonom fahrende Fahrzeuge ergänzt werden. An diesem Projekt arbeiten Volkswagen Nutzfahrzeuge sowie die VW-Töchter Argo AI und Moia zusammen. Die Nutzfahrzeugsparte des Konzerns baut das Fahrzeug, den vollelektrischen ID.Buzz. Argo AI aus den USA stattet die Busse mit Hard- und Software für autonomes Fahren im Level 4, das heißt vollautonom ohne menschlichen Fahrer, aus. Moia übernimmt die verbleibenden Arbeiten, um einen automatisierten Mobilitätsservice zu realisieren.
Erste Testfahrten werden seit Ende 2021 in den Hamburger Stadtteilen Winterhude, Uhlenhorst und Hohenfelde absolviert. "Wir haben uns für diese Stadtteile östlich der Alster entschieden, weil sie alle denkbaren Schwierigkeitsgrade im Straßenverkehr bieten", sagt Meyer. So ist die Sierichstraße bis 12 Uhr eine Einbahnstraße in Richtung Innenstadt, danach darf man nur noch stadtauswärts fahren.
Die Fahraufgaben sind Sache von Argo AI. In der Testphase sind zunächst zwei Personen an Bord. Eine achtet auf das äußere Verkehrsgeschehen und kann zur Not eingreifen, die andere hält penibel fest, wie sich der Selbstfahralgorithmus im realen Straßenverkehr behauptet – welche Verkehrssituationen die KI meistert und wo sie um die richtige Entscheidung ringt.
KI für "Fahrernebentätigkeiten"
"Wir von Moia übernehmen die Digitalisierung der sogenannten Fahrernebentätigkeiten", erläutert Meyer. Das ist alles das, was das Fahrpersonal außer der Fahrtätigkeit leistet. Das klingt zunächst nicht sonderlich umfangreich, doch sind gerade diese scheinbar trivialen Aufgaben für Maschinen eine Herausforderung.
Ist das Gepäck sicher verstaut? Sind alle Fahrgäste angeschnallt? Tragen sie Maske? Blockiert ein Gegenstand die Tür? Benötigt jemand einen Kindersitz? Geht es allen Fahrgästen gut oder benötigt jemand ärztliche Hilfe? "Hier setzen wir auf künstliche Intelligenz bei der Bilderkennung", sagt Meyer, "Mehrere Kameras werden den Innenraum des Fahrzeugs überwachen und müssen verlässliche Antworten auf diese Fragen liefern." Für die Zufriedenheit der Kunden sind die Fahrernebentätigkeiten ein entscheidender Teil. Der Aufbau des autonomen Fahrangebots erfolgt im Rahmen der bestehenden IT-Architektur, parallel zum laufenden Geschäftsbetrieb.
Aufseiten von Argo AI zeigten Praxistests in den USA, dass sich die Ingenieure nicht nur Gedanken machen müssen, wie die Sensoren unter verschiedenen Wetterbedingungen gereinigt werden, sondern auch über Vandalismus. Bei Testfahrten trafen wiederholt Baseball-Bälle den teuren Long-Range-Lidar-Sensor auf dem Dach.
Ähnliche Erfahrungen sammelte der Hamburger Verkehrsverbund (HVV) auf der autonomen Teststrecke in der Hafencity mit dem Shuttle-Bus HEAT. Der brauchte auch deshalb oft Stunden für die kurze Runde durch den Stadtteil, weil immer wieder Menschen auf die Straße traten, um das Bremsverhalten der Fahrmaschine zu testen.
Derzeit müssen Moia-Fahrer ihre Fahrgäste häufig in engen Nebenstraßen aufnehmen oder absetzen. Denn auf Hauptstraßen verhindern immer mehr Fahrradschutzstreifen das Halten direkt am Bürgersteig. Ihre Praxistauglichkeit in diesen engen Straßen ohne erkennbare Fahrbahnmarkierungen müssen die automatisierten Fahrzeuge noch unter Beweis stellen.
Gelingt die Integration der Robo-Fahrzeuge in die Flotte, sind zwei Probleme vom Tisch: erstens der chronische Personalmangel, denn heute findet das Unternehmen kaum noch geeignete Fahrer. Zweitens wird die gesamte Flottensteuerung mit selbstfahrenden Bussen flexibler. Bei Überkapazitäten würden Busse einfach am Straßenrand parken. Bei hoher Nachfrage könnten kurzfristig mehr Fahrzeuge einen der drei Betriebshöfe im Stadtgebiet verlassen.
Fazit
Ridepooling ist Stand heute ein personalintensives Geschäft. Das Engagement für die Mobilität der Zukunft lässt sich VW etwas kosten. Weltweit arbeiten 1300 Beschäftigte für Moia.
Die Zentrale befindet sich in Berlin, die Moia-Gründung gab der damalige VW-CEO am Rande einer Technikkonferenz in London bekannt. Beides macht deutlich, wohin der VW-Konzern mit Moia ursprünglich wollte. Es sollte der führende europäische Ridepooling-Dienst werden. Die Expansion über Hamburg hinaus stand mit Sicherheit auf der Agenda.
Doch ein Virus und vermutlich die bisher fehlende Wirtschaftlichkeit machten den Plänen bisher einen Strich durch die Rechnung. Als regelmäßiger Nutzer des Angebots ist man immer wieder überrascht, wie selten weitere Fahrgäste auf den Routen zusteigen und wie günstig man mit Moia von A nach B kommt. Angesichts der laufenden Kosten dürfte Moia zurzeit ein Zuschussgeschäft sein und es wegen anstehender Investitionen ins autonome Fahren mittelfristig auch bleiben.
Stünden mehrheitlich autonom fahrende Moias auf dem Hof, sähe die Rechnung fraglos anders aus. Dabei stellen die Hamburger Verkehrsverhältnisse die Fahrtechnik vor eine große Herausforderung. Selbst wenn die Software von Argo AI die Aufgabe bewältigt, dürften die Robo-Moias deutlich langsamer, weil vorsichtiger unterwegs sein. Ob die Kundschaft dann geduldig sitzen bleibt oder genervt den Notausstieg aktiviert, um zu Fuß weiterzukommen, muss sich zeigen. (sha)
