Open Thesis

Motivation

Calibrating agent-based simulations is difficult because there is no analytical expression for the underlying joint probability distribution in most cases.
Therefore, we need to use algorithms that do not require computing the simulation's gradients. A popular class of algorithm that can be used for this purpose are genetic algorithms. Genetic algorithms come in a variety of forms, and the goal of this thesis is to benchmark several of them for their ability to calibrate the transport demand simulator OMoSim (https://github.com/L-Strobel/omosim). For the task, an existing benchmarking setup can be used, and several other algorithms have already been implemented that can be used for comparison.

Goals

1. Research several genetic algorithm versions
2. Implement several algorithms
3. Tune the parameters of the algorithms
4. Evaluate the performance of the algorithms
5. Document your work in the thesis

Requirements

• Java (or Kotlin) basics and motivation to learn more advanced Java
• Interested in writing performant multi-threaded algorithm implementations

Interested? Write a mail to leo.strobel@uni-wuerzburg.de

Motivation

In activity-based transportation models, traffic is derived from the activities of individuals. Therefore, such models need to build probability distributions of each individual's daily activity schedules. This is relatively easy when individuals plan their daily schedules independently. However, in reality, individuals coordinate through social networks; for example, a family might plan a trip together. Another example is a friend group that plans for an evening meet-up; in that case, their schedules share a common characteristic -- evening meet-up -- but are independent the rest of the day.

The task of this thesis is to develop a stochastic simulation model of the activity schedules of a city's population, accounting specifically for social networks that interlink individuals. The joint probability distribution of the population should match data from household travel surveys while being internally consistent.

Goals

1. Research relevant literature and possible data sources
2. Create a simulation for activity chains that incorporates social networks
3. Evaluate the model by comparing its probability distribution to the data
4. Document your work in the thesis

Requirements

• Confident usage of any programming language
• Basic knowledge of probability and statistics
• Interest in stochastic modeling

Interested? Write a mail to leo.strobel@uni-wuerzburg.de

Motivation

Die realitätsnahe Abbildung individuellen Verhaltens stellt eine der größten Herausforderungen bei der Simulation von Mobilität und Energieverbrauch dar. Unser Lehrstuhl entwickelt mit dem agentenbasierten Simulationsmodell OMOD eine detaillierte Abbildung des Mobilitätsverhaltens in Städten und Regionen. Die Simulation basiert dabei auf öffentlich verfügbaren Mobilitätsbefragungen, mit dem Ziel, realistische Mobilitätsmuster und Verkehrsflüsse abzubilden. Ein inhaltlich verwandter und hochinteressanter Datensatz ist die Zeitverwendungserhebung (Time Use Survey, ZVE) des Statistischen Bundesamts. In dieser Erhebung dokumentieren Haushaltsmitglieder ihre täglichen Aktivitäten in 10-Minuten-Schritten über drei Tage, wodurch ein umfassendes Bild individueller Tagesabläufe entsteht – inklusive Schlaf, Arbeit, Freizeit, Haushaltsaktivitäten und Mobilität.

Ziel dieser Masterarbeit ist die Entwicklung eines Simulationsmodells zur Alltagsstruktur von Personen, das auf Basis der Zeitverwendungsdaten realistische Agentenaktivitäten über den gesamten Tagesverlauf abbildet. Dieses Modell soll das bestehende OMOD-Mobilitätsmodell ergänzen und validieren. Durch die Kombination beider Modelle wird es möglich, ganzheitliche Aktivitätsprofile zu erstellen. Dieses Modell soll im EU-geförderten Smart and Sustainable Work Culture Projekt zur Abschätzung des Einfluss von Home und Shared Office auf den städtischen Energieverbrauch genutzt werden.

Ziele der Arbeit

1. Analyse und automatische Verarbeitung des Datensatzes der Zeitverwendungserhebung
2. Abstraktion benötigter Wahrscheinlichkeitsverteilung zum Sampling von Aktivitätsketten und Entwicklung eines Simulationsmodells zur automatischen Erstellung der Aktivitätsketten
3. Validierung und Abgleich des Modells mit OMOD

Voraussetzungen

• Studium der Informatik oder eines verwandten Faches
• Interesse an der Gestaltung zukünftiger Energiesysteme sowie deren Modellierung, Simulation und Optimierung
• Selbstständige und eigenverantwortliche Arbeitsweise
• Sicherer Umgang mit Python

Interesse an der Arbeit? Einfach eine E-Mail an jonas.schiller@uni-wuerzburg.de schreiben

Die Nutzung des öffentlichen Nahverkehrs und aktiver Mobilität (z. B. Rad, zu Fuß) gilt als zentraler Baustein nachhaltiger Stadtentwicklung. Trotzdem dominiert in vielen Städten – insbesondere in Deutschland – die PKW-Nutzung, obwohl alternative Verkehrsmittel, wie ÖPNV oder Radwege bereits ausgebaut sind. Bereits existierende Mobilitätsumfragen liefern wertvolle Informationen über Nutzungsverhalten, reichen aber nicht aus, um gezielte Maßnahmen zur Reduktion des Autoverkehrs zu entwickeln. Häufig fehlen konkrete, datenbasierte Erkenntnisse darüber, welche Faktoren tatsächlich die Entscheidung für oder gegen das Auto beeinflussen und wie diese Faktoren gezielt beeinflusst werden können. Gleichermaßen scheitern gewöhnliche maschinelle Lernverfahren daran, identifizierte Entscheidungsmuster erklärbar darzustellen.

Inversed Reinforcement Learning (IRL) gilt als vielversprechender Ansatz um nicht nur das Ergebnis von Entscheidungsprozessen, sondern darüber hinaus die zugrundeliegenden Entscheidungsfaktoren selbst zu ermitteln. Das Ziel dieser Arbeit ist es entsprechend, das Potenzial von IRL zur Erklärung der Verkehrsmittelwahl gegenüber anderen maschinellen Lernverfahren zu untersuchen. Hauptbestandteil ist die Entwicklung eines IRL-basierten Entscheidungsmodells sowie von mindestens zwei weiteren Vergleichsmodell (z.B. Multinomial Logit Model und Behavior Cloning), die die Verkehrsmittelwahl von Einzelpersonen vorhersagen und zugleich die zugrundeliegenden Entscheidungsfaktoren herausstellen. Eine geeignete Darstellung der Modellergebnisse soll darüber hinaus Anwender dabei unterstützen, durch datenbasierte Erkenntnisse nachhaltige Mobilitätsstrategien zu entwickeln.

Training und Evaluation der Modelle soll anhand von synthetischen Personen und deren Verkehrsmittelwahl erfolgen, die aus bestehenden Datenquellen, wie z.B. Mobilitätsumfragen und Zensusdaten generiert werden. Ein zweistufiger Modellansatz soll ein Fine-Tuning auf einzelne reale oder synthetische Nutzer ermöglichen. In der wissenschaftlichen Auswertung sind sowohl Performanzmetriken als auch die Fähigkeiten der Modelle zu betrachten, die entscheidenden Faktoren (z. B. Wartezeit, Wetter, Entfernung, persönliche Gewohnheiten) für die Verkehrsmittelwahl erklärbar zu machen.

Erwartete Ergebnisse:

1. Ein funktionierendes zweistufiges Inversed Reinforcement Learning-Modell zur Vorhersage der Verkehrsmittelwahl und Darstellung von Entscheidungsfaktoren, mit der Möglichkeit des Fine-Tunings auf individuelle Anwender des Modells
2. Mindestens zwei funktionierende Vergleichsmodelle
3. Eine Datenpipeline zur Verarbeitung und Integration von räumlichen, zeitlichen und persönlichen Daten zur Generierung von synthetischen Personen und Testdaten
4. Visualisierung der Modellergebnisse für politische und planerische Entscheidungen
5. Analyse und Vergleich der Modelle im Hinblick auf Vorhersagegenauigkeit und Erklärbarkeit der Entscheidungsfaktoren

Anforderungen:

• Grundkenntnisse in Python und Machine Learning
• Interesse an nachhaltiger Mobilität und sozialwissenschaftlichen Fragestellungen
• Gute analytische Fähigkeiten und Eigeninitiative
• Strukturierte Arbeitsweise

Hilfreiche Literatur

• Deshpande, S. u. a. (2025) „Advances and applications in inverse reinforcement learning: a comprehensive review“, Neural Computing and Applications, 37(17), S. 11071–11123. Verfügbar unter: https://doi.org/10.1007/s00521-025-11100-0.
• Adams, S., Cody, T. und Beling, P.A. (2022) „A survey of inverse reinforcement learning“, Artificial Intelligence Review, 55(6), S. 4307–4346. Verfügbar unter: https://doi.org/10.1007/s10462-021-10108-x.
• Liang, Y. u. a. (2026) „Analyzing sequential activity and travel decisions with interpretable deep inverse reinforcement learning“, Travel Behaviour and Society, 43, S. 101171. Verfügbar unter: https://doi.org/10.1016/j.tbs.2025.101171.

Bei Interesse senden Sie bitte eine E-Mail an paul.benz@uni-wuerzburg.de .