Automatisierte Wartezeitenanalyse mit Machine Learning_

Als drittgrößter Flughafen Deutschlands verbindet der Flughafen Berlin Brandenburg (BER) die Hauptstadtregion mit rund 155 Reisezielen in 55 Ländern. 2025 nutzten 26 Millionen Fluggäste den BER als zentralen Mobilitätsknotenpunkt für nationale und internationale Flugreisen.

Bottle Neck Sicherheitskontrolle

Bei der Sicherheitskontrolle kann es vor allem zu Spitzenzeiten in der Hauptsaison zu längeren Wartezeiten an Flughäfen kommen. Um diese Wartezeiten zu überwachen, gibt es am BER in den Terminals 1 und 2 an den Sicherheitskontrolllinien Sensoren, die das Passagieraufkommen in Echtzeit erfassen. Stimmt das Verhältnis zwischen Passagieraufkommen und verfügbaren Kontrolllinien nicht, können Wartezeiten entstehen. Je nachdem, wie hoch die gemessen Wartezeit ausfällt, kann dann eine neue Linie eröffnet werden.

Passagiere am Flughafen BER können inzwischen 24 Kontrollspuren mit neuen CT-Scannern nutzen. Längere Wartezeiten gelten als Ausnahmen, für die dennoch Ursachen gefunden werden müssen. Bisher lief diese Ursachenforschung manuell ab und verursachte dadurch einen hohen Zeitaufwand. Um dem entgegenzuwirken, sollte eine datengetriebene und automatisierte Ursachenanalyse entwickelt werden.

Die Herausforderung

Das Problem: Die Sicherheitskontrolle und damit verbundene Wartezeiten werden von zahlreichen Faktoren beeinflusst, die über verschiedene Datenquellen verteilt sind. Die Qualität und die Vollständigkeit des Datensatzes sind jedoch entscheidend, da das Machine-Learning-Modell aus den vorhandenen Daten Muster und Zusammenhänge erkennen muss. Der BER verfügt außerdem über eine sehr komplexe Datenlandschaft mit hohen Datenintervallen und erhebt als digitalisierter Flughafen bereits eine große Menge von Daten, die das Vorhaben erst ermöglichten.

Erster Ansatz: Automatisierte Ursachenanalyse

Um Fälle mit höheren Wartezeiten (High Wait Incidents) zu erklären und belastbare Muster zu identifizieren, hat cronn ein Machine-Learning-Setup aufgebaut. Die erste Annahme lautete: Können High Wait Incidents mit KI vorhergesagt werden, dann können auch die Ursachen dafür benannt werden.

Als Datensatz dienten Messwerte des Flughafens von Mai bis Dezember 2025; darunter prognostizierte und echte Wartezeiten, Durchsatz und Anzahl der offenen Kontrollspuren. Es zeigte sich jedoch, dass die Daten nicht ausreichten, um verlässliche Regeln für die Wartezeiten zu erkennen. Das lag vor allem daran, dass High Wait Incidents nur selten im Datensatz vorkamen oder dass ein kompletter Sicherheitsbereich zeitweise geschlossen werden musste. Hinzu kam, dass sich kein klares Muster ableiten ließ: Genau dieselben Bedingungen führten manchmal zu Schlangen, ein anderes Mal aber nicht.

Obwohl sich so keine konkreten Aussagen zu den Ursachen der Wartezeiten treffen ließen, lieferte dieser erste Ansatz für den BER einen enormen Mehrwert. Bei der Analyse der Frage, warum der Machine-Learning-Ansatz keine verlässlichen Regeln formulieren konnte, stießen wir auf Lücken in der Datenqualität. Der Flughafen erhielt so zum ersten Mal eine handfeste, belastbare Aussage über den Zustand der diesbezüglichen Daten.

Incident Explanation: Siko-Sense-Explainer

Statt der KI-gestützten Ursachenanalyse verlagerte sich der Fokus daher auf eine automatische fallbezogene Diagnose durch den Siko-Sense-Explainer, der High Wait Incidents erkennt. Dafür vergleicht er fortlaufend die echten Daten der jeweils letzten Stunde mit den Werten, die unter normalen Umständen zu erwarten gewesen wären. Der BER kann die Ergebnisse über eine Schnittstelle in beliebige Dashboards übernehmen. Zusätzlich dazu bekommt das Management einmal täglich automatisch einen übersichtlichen E-Mail-Bericht samt der wichtigsten Einflussfaktoren. Er zeigt auf einen Blick alle Vorfälle des Tages, getrennt nach Terminals, und veranschaulicht mit simplen Balkendiagrammen, welche konkreten Faktoren zu den Wartezeiten geführt haben.

Kundenvorteil

Operativer Mehrwert: Automatisierung des Tagesgeschäfts

Die zuvor manuelle und dadurch fehleranfälligere Analyse der Einflussfaktoren wurde vollständig automatisiert. Dadurch ließ sich der Arbeitsaufwand von Stunden auf wenige Sekunden reduzieren. Anstatt mit verzögerten Informationen arbeiten zu müssen, generiert der Siko-Sense-Explainer nun jeden Morgen einen automatischen Report, den Interessierte beim BER täglich ins E-Mail-Postfach bekommen. Dieser liefert eine standardisierte und reproduzierbare Analyse der Wartezeiten, die zuvor mühsam von Hand erstellt werden musste.

Strategischer Mehrwert: Faktenbasierte Steuerung und Planung

Der strategische Mehrwert des gesamten Projekts liegt in einem Bereich, der zuvor oft ein unbekannter Blindspot war: der Datenqualität. Wie bereits die anfängliche, tiefgehende Datenanalyse mit Machine Learning gezeigt hat, bleiben Probleme in der Datenerfassung nun nicht länger unentdeckt. Diese Erkenntnisse gaben dem Flughafen erstmals eine faktenbasierte Grundlage, um Dienstleister zielgerichtet auf unzuverlässige Sensoren oder fehlerhafte Schnittstellen anzusprechen. Wo bislang keine Verbesserungsroadmap existierte, entstand aus diesem ersten Ansatz ein konkreter Aktionsplan. Der Flughafen weiß jetzt genau, an welchen Stellen die Datenbasis optimiert werden muss, während der Siko-Sense-Explainer im laufenden Betrieb dabei hilft, Inkonsistenzen weiter im Blick zu behalten.

Fazit

Die beiden Ansätze lösen somit gleich zwei Kernprobleme: Der Siko-Sense-Explainer schafft enorme operative Entlastung im Alltag, während die vorangegangene ML-Analyse den strategischen Grundstein für eine kontinuierlich bessere Datenqualität gelegt hat.