GOR Blog

Welche Fahrt ist die richtige? Angebotsgestaltung bei unsicheren Nutzerpräferenzen

von Prof. Dr. Jarmo Haferkamp (Gewinner des GOR Young Researchers Awards 2026)

Ob auf dem Weg zum Bahnhof oder auf dem Weg nach Hause: Wer einen On-Demand-Mobilitätsdienst bucht, hat je nach Situation unterschiedliche Vorstellungen von der passenden Abholzeit. Vor Beginn einer Reise fragt man meist frühzeitig an, möchte aber auf keinen Fall den Zug verpassen. Im Anschluss ist dagegen eher eine schnelle Abholung gewünscht, während einige Minuten zusätzliche Wartezeit akzeptabel sein können. Für Mobilitätsdienste stellt sich damit eine schwierige Frage: Welche Abholzeiten sollten sie anbieten, wenn weder der gewünschte Zeitpunkt noch die tatsächliche Flexibilität der Nutzer bekannt sind und zugleich begrenzte Fahrzeugressourcen effizient eingesetzt werden müssen?

In unserer Forschung entwickeln wir dafür eine sogenannte Cost Function Approximation (CFA), die den Umgang mit zwei Arten von Unsicherheit ermöglicht: zum einen, welche Abholzeiten für den aktuell anfragenden Nutzer akzeptabel sind, und zum anderen, inwieweit Fahrzeugressourcen für künftige Anfragen benötigt werden. Die erste Unsicherheit bilden wir über die Wahrscheinlichkeit ab, dass mindestens eine der angebotenen Optionen den individuellen Anforderungen entspricht. Der zweiten tragen wir über den erwarteten Fahraufwand der angebotenen Optionen Rechnung. Ein Parameter bestimmt, wie stark beide Größen gegeneinander gewichtet werden. So entsteht ein Angebot, das mit hoher Wahrscheinlichkeit eine passende Abholzeit enthält, ohne unnötig Ressourcen zu binden.

Damit bieten wir einen effektiven und nachvollziehbaren Ansatz, der unsichere Nutzerpräferenzen und den effizienten Einsatz begrenzter Ressourcen gegeneinander abwägt. Für zukünftige Arbeiten stellt sich darüber hinaus die Frage, wie heutige Angebotsentscheidungen die langfristige Kundenbindung beeinflussen und wie dieser unsichere zukünftige Wert bereits bei der Angebotsgestaltung berücksichtigt werden kann.

Autor
Herr Prof. Dr. Jarmo Haferkamp
Universität Bremen
Fachbereich Wirtschaftswissenschaft
Professur für digitales Logistikmanagement und Business Data Analytics

Zwischen Nachfrage und Netzwerkfluss in Versorgungssystemen: Optimieren, beobachten, rekonstruieren

von Dr. Thomas Schillinger (Gewinner des GOR Young Researchers Awards 2026)

Ob Gas, Wärme oder Wasser: In vielen Versorgungsnetzen muss ein Betreiber Energie oder Güter über ein Transportnetz zu verschiedenen Verbrauchern verteilen. Was der Betreiber allerdings nicht weiß, ist, wie groß der tatsächliche Bedarf an den einzelnen Endpunkten ist. Als Anhaltspunkt kann er aber an ausgewählten Stellen die Flüsse im Netzwerk messen. Was lässt sich aus diesen beobachteten Flüssen über die unbekannte Nachfrage lernen?

Unsere Arbeit untersucht diese Fragestellung aus einer inversen Perspektive. Während bei einer klassischen Optimierung der Bedarf bekannt ist und eine optimale Einspeisung gesucht wird, gehen wir noch einen Schritt weiter: Nach Bestimmung eines optimalen Netzwerkeinflusses soll aus den beobachteten Netzwerkflüssen auf den Bedarf geschlossen werden, der diese Flüsse verursacht hat.

Dazu wird die Nachfrage als Mischung verschiedener typischer Profile beschrieben, beispielsweise mit konstantem Verbrauch, Morgen- und Nachmittagsspitzen oder einem charakteristischen Wochenendverlauf. Die Gewichte dieser Profile werden aus historischen Netzwerkdaten rekonstruiert. Dabei wird berücksichtigt, dass die beobachteten Flüsse selbst das Ergebnis einer optimalen Steuerungsentscheidung sind.

Die numerischen Untersuchungen zeigen, dass die Nachfrage unter günstigen Bedingungen sehr genau rekonstruiert werden kann. Gleichzeitig zeigen sie die Grenzen des Ansatzes: Wird die mögliche Einspeisung zu stark beschränkt, können unterschiedliche Nachfragen zu nahezu identischen Flüssen führen. Auch zeitlich eingeschränkte Beobachtungen können entscheidende Informationen über bestimmte Nachfrageprofile verlieren. Ein besseres Verständnis der Nachfrage kann langfristig dazu beitragen, Versorgungsnetze effizienter zu planen und zu steuern. Je genauer Angebot und Nachfrage aufeinander abgestimmt werden können, desto gezielter lassen sich begrenzte Ressourcen einsetzen.

Autor
Dr. Thomas Schillinger, Ph. D.
Chair of Scientific Computing
University of Mannheim
School of Business Informatics and Mathematics

schillinger@uni-mannheim.de

Integrierte Nachfragesteuerung und Tourenplanung und deren Anwendung im ländlichen ÖPNV

von Dr. David Fleckenstein (Gewinner des GOR-Preises für Dissertationen 2026)

Ob Lebensmittellieferung, Same-Day-Delivery oder On-Demand-Verkehr: Immer häufiger werden logistische Dienstleistungen individuell konfiguriert und kurzfristig gebucht. Eine Anwendung mit besonders großer gesellschaftlicher Bedeutung ist der gebündelte On-Demand-Verkehr im ländlichen Raum (engl. abgek. SMOD). Als Teil des öffentlichen Verkehrs kann dieser eine flächendeckende Mobilitätsgrundversorgung im Sinne der Daseinsvorsorge auch bei geringer Nachfragedichte gewährleisten. Dienstleistungsanbieter müssen entscheiden, welche Liefer- oder Fahrtoptionen sie anfragenden Kunden zu welchen Preisen anbieten und können die Nachfrage dadurch gezielt steuern. Gleichzeitig müssen bestätigte Buchungen in den Tourenplan eingeplant werden. Daraus ergibt sich eine eigene Familie von Optimierungsproblemen: die integrierten Nachfragesteuerungs- und Tourenplanungsprobleme (engl. abgek. i-DMVRPs).

Die kumulative Dissertation untersucht i-DMVRPs aus zwei Perspektiven. Im ersten Teil werden sie aus theoretischer Sicht analysiert. Die Arbeit liefert eine formale Definition von Opportunitätskosten im Kontext von i-DMVRPs und beweist mathematische Eigenschaften. Zudem werden mithilfe von Methoden des Explainable Reinforcement Learning systematische Fehler bei der Approximation von Opportunitätskosten analysiert.

Der zweite Teil nimmt eine praktische Perspektive ein. Auf Basis von Realweltdaten des SMOD-Anbieters FLEXIBUS werden die Voraussetzungen für erfolgreiche Nachfragesteuerung untersucht. Die Analysen zeigen, dass Fahrgäste substanzielle zeitliche Flexibilität aufweisen, die der Anbieter mit aktiver Nachfragesteuerung ausnutzen kann. Zugleich werden Zielkonflikte zwischen ökologischer, ökonomischer und sozialer Nachhaltigkeit offenbar. Aufbauend darauf entwickelt die Dissertation einen Ansatz für nachhaltige dynamische Bepreisung, der alle drei Dimensionen der Nachhaltigkeit explizit berücksichtigt und dabei monopolistische Preissetzung ausschließt. Die Preise werden so optimiert, dass sie die bediente Nachfrage maximieren und zugleich die marginalen Kosten inkl. externer Kosten für Emissionen decken. Rechenstudien auf Basis von Realweltdaten zeigen, dass dieser Ansatz sowohl die Nachfragebündelung von SMOD-Systemen verbessert als auch den Subventionsbedarf senkt. Die Arbeit trägt somit zu Mobilitätswende und Daseinsvorsorge im ländlichen Raum bei.

Autor

Dr. David Fleckenstein
Lehrstuhl für Analytics & Optimization
Universität Augsburg

david.fleckenstein@wiwi.uni-augsburg.de

Vorausschauende Optimierung für stochastisch-dynamische Tourenplanung

von Dr. Ninja Scherr (Gewinnerin des YRA 2025)

In den letzten Jahren stieg die Beliebtheit von Services, die noch am Tag der Bestellung ausgeführt werden. Serviceprovider bedienen dann häufig eine Mischung aus vorzeitig bekannten und spontanen Kund:innen. Wir betrachten das tägliche Optimierungsproblem eines solchen Anbieters. Vorab bekannte Anfragen müssen bedient werden, spontane Anfragen können abgelehnt werden. In dem betrachteten Problem wird über die Touren von mehreren Mitarbeitenden entschieden, die im Depot losfahren, während der Schicht Kund:innen besuchen und danach ins Depot zurückkehren.

In diesem Problem erfolgt eine initiale Tourenplanung, die die bekannten Kund:innen beinhaltet. Bei neuen Anfragen muss entschieden werden, ob sie bedient werden und in welcher Tour. Das Problem besteht daher aus der initialen Tourenplanung und dem dynamischen Entscheidungsprozesses.

Unrelated Machine Scheduling in Different Information Models

von Dr. Alexander Lindermayr (Gewinner des GOR Dissertationspreises 2025)

Ein Rechenzentrum unter Volllast
Wechseln wir die Perspektive: Sie sind Physiker*in, führen eine große Simulation durch und haben Zugriff auf Computer mit verschiedenen Hardware-Beschleunigern. Manche Berechnungen laufen auf einer GPU blitzschnell, andere profitieren eher von einer speziellen CPU. Auch hier muss entschieden werden: Welche Aufgabe soll auf welcher Maschine laufen, um das Gesamtergebnis möglichst schnell zu erhalten?

Das gemeinsame Grundproblem
Beide Szenarien sind Beispiele für Unrelated Machine Scheduling – Aufgaben (Jobs) müssen auf Maschinen verteilt werden, wobei jede Aufgabe auf jeder Maschine unterschiedlich lange dauert. Ziel kann es sein, den Gesamtabschluss zu beschleunigen oder die durchschnittliche Bearbeitungszeit zu minimieren.