Stau-Vorhersage auf der A39: ein selbst-lernender Algorithmus, der nie aufhört zu lernen
Update (Juni 2026): Dies ist ein Rückblick auf ein frühes, privates Experiment. Die selbst-lernende Technik dahinter ist inzwischen Teil dessen, was ich heute bei Wakeline entwickle. Die öffentliche Stau-Demo ist daher nicht mehr online. Den ursprünglichen Text habe ich weitgehend so belassen, wie er entstanden ist.
Jeden Tag fahre ich über die A39 bei Wolfsburg zur Arbeit - morgens hin, abends zurück. Die A39 ist tückisch und bekannt dafür, gerne mal spontan zu verstopfen. Hintergrund ist, dass tausende Angestellte und Schichtarbeiter in (einigermaßen) gleichen Zyklen ebenfalls zur Arbeit möchten, oder eben danach wieder nach Hause.
Lange Zeit hatte ich dafür eine ganz gute innere Vorhersage. Ich wusste ungefähr, wann ich losfahren musste. Dann kam Corona, und mit den Homeoffice-Regelungen war diese über Jahre eingespielte Routine plötzlich wertlos. Oft stand ich im Stau, obwohl ich am Vortag zur exakt gleichen Zeit noch völlig frei durchgekommen war. Manchmal entscheiden wenige Minuten über eine halbe Stunde Unterschied, und Baustellen und Unfälle tun ihr Übriges.
Im Grunde war das mein erstes ganz persönliches Erlebnis mit dem, was man in der KI einen Regimewechsel nennt. Die zugrunde liegenden Muster hatten sich verschoben, und mein altes, statisches Modell im Kopf war damit nutzlos. Genau dafür braucht man ein System, das nicht einmal lernt und dann stehen bleibt, sondern ständig weiterlernt.
Also habe ich meinen selbst-lernenden Algorithmus für etwas Sinnvolles eingesetzt: die Prognose von Stau auf meinem Arbeitsweg. Das Ergebnis konnte man damals eine Zeit lang online verfolgen.
Durch die Nutzung der TomTom API integriere ich Echtzeit-Verkehrsdaten in das System. Rote Linien auf der Karte zeigen dabei den aktuellen Verkehr, während blaue Linien die Vorhersagen des Algorithmus darstellen. Die Farbintensität der Linien und die angezeigten Zahlen zeigen die Dichte des Verkehrs an – je dunkler und höher die Zahl, desto größer der Stau. Was diesen Algorithmus besonders macht, ist seine Fähigkeit, aus der Beobachtung des Verkehrsflusses zwischen verschiedenen Straßenabschnitten kontinuierlich zu lernen und seine Vorhersagen zu verfeinern. Dabei gibt es keine Trainings- und Anwendungsphase, das System lernt ständig.
Einige Einschränkungen gibt es noch:
Die Aktualisierung erfolgt derzeit nur alle 5 Minuten, da ich im Rahmen der kostenlosen API-Nutzung arbeite. Zudem beschränke ich mich auf einen kleinen Abschnitt an Straßen, um die Anzahl der API-Aufrufe zu begrenzen.
Die Darstellung zeigt im Moment selbst “leichtes Verkehrsaufkommen” in rot und suggeriert “Stau”. Hier muss ich stärker differenzieren.
Eine weitere Herausforderung ist die Genauigkeit der Vorhersagen. Die Daten der TomTom API decken lange Straßenabschnitte ab, was detaillierte Vorhersagen erschwert.
Es ist spannend zu sehen wie der Algorithmus jeden Tag lernt und präziser wird. Ich arbeite als nächstes daran die Genauigkeit der Vorhersagen zu erhöhen und mehr Straßen abzudecken. Und jeden Morgen kann ich sehen ob mein letztes Update gut oder schlecht war :)
