Literatur-Landkarte
Die ganze Literaturrecherche in einer Seite — zum sicheren Vortragen (Gespräch Prof. Schneider, Eignungsgespräch). Details: literatur-kandidaten.
Leitfrage
Welches automatische Steuerungsverfahren erreicht die manuelle Steuerung mindestens (Non-Inferiorität) und ist betriebstauglich genug, um sie autonom zu ersetzen — und warum?
Grundlogik
Neun Felder, jedes deckt ein Stück meiner Arbeit ab: Anwendungsfeld (1), meine Messgrößen (2), der theoretische Kern (3), die Bausteine meines Verfahrens (4,7,8), der lernende Ausbau (5), die Verhaltensschranke (6), die Messmethodik (9).
Die neun Felder — je ein Satz
- Flughafen-Passagiersteuerung — Es gibt zeitliche Steuerung (Cao et al., chance-constrained, mit Non-Compliance) und Personal-/Spuroptimierung, aber keine räumliche Lenkung über Anzeigen mit Laufwegkosten — das ist meine Lücke.
- Warteschlangentheorie & Wartezeitprognose — Meine Kerngröße kommt hierher: PWT = Länge/Abfluss ist ein Fluid-Modell (Little’s Gesetz), prognostizierte PWT vs. gemessene WT; analytisch (Chiti et al.) und ML-basiert (Ma et al.).
- Routing unter Kongestion — Der Kern: Passagiere, die Kontrollen wählen, sind wie Autos, die Routen wählen; Wardrops Nutzergleichgewicht vs. Systemoptimum ist mein Individuum-vs-System-Konflikt, der Price of Anarchy (4/3, Roughgarden/Tardos) begrenzt den Steuerungsgewinn, das (informationelle) Braess-Paradoxon (Acemoglu et al.) warnt vor naiver Lenkung.
- Online-Load-Balancing / Zuweisung — Meine Steuerung ist eine Online-Zuweisung (entscheiden ohne die Zukunft zu kennen); kompetitive Analyse (Azar et al.; Karp/Vazirani/Vazirani) beziffert die Nähe zum allwissenden Optimum, „Makespan minimieren” ist wörtlich mein Ziel — dank Prognosen schlage ich den reinen Worst-Case.
- Zeitreihenprognose & ML — Zwei Rollen: ML als besserer Wartezeit-Prädiktor (Ausbau meiner linearen Trend-Extrapolation; Ma/Lee/Félix Patrón) und Reinforcement Learning als lernender Steuer-Kandidat (der Risiko-Kandidat: datenhungrig, schwer erklärbar).
- Information / Compliance / Nudging — Meine Anzeigen empfehlen, befehlen nicht; Befolgung ist bedingt (Bonsall; Ardeshiri; Djavadian) → rechtfertigt Non-Inferiorität und Teil-Compliance-Modellierung; prognosebasierte Empfehlungen verbessern den Lastausgleich (Zhong et al.); Flughafen-Raten fehlen → schätze ich aus eigenen Daten.
- Hysterese / zustandsbasierte Steuerung — Mein FSM ist ein zustandsbasierter Umschaltregler mit Zwei-Schwellen-Hysterese (Dudin et al.), der kanonischen Kur gegen Chattering (Aufschaukeln); Stabilität unter Rückkopplung begründe ich mit Schaltsystem-Theorie (Liberzon).
- Fairness & Mehrkriterien-Optimierung — Meine Zielhierarchie ist ein fairness-beschränktes Systemoptimum: primär Min-Max-Ausgleich der Auslastung, Nebenbedingung begrenzte Unfairness (2-min-Toleranz) — überbrückt UE und SO (Morandi), Trade-off Effizienz gegen Fairness (Jahn/Möhring).
- Non-Inferioritäts-/Evaluationsmethodik — Zweiteiliges Erfolgskriterium: Non-Inferiorität gegen die manuelle Baseline (Marge Δ; CONSORT/Piaggio) und Betriebstauglichkeit für autonomen Betrieb; weil meine Steuerung die Lasten verändert, evaluiere ich kontrafaktisch/simulativ (Bottou), nicht durch naives Nachspielen der Historie.
Der Bogen (die Story in vier Sätzen)
Der Stand der Technik (1–2) zeigt die Lücke — räumlich, laufwegbewusst, compliance-bewusst. Die Theorie liefert die Spannung (3: Lenkung verschiebt Last, Individuum vs. System) und die Bausteine meines Verfahrens (4 Online-Zuweisung, 7 Hysterese-Steuerung, 8 Fairness-Ziel), plus den lernenden Ausbau (5) und die Verhaltensschranke (6). Die Evaluation (9) entscheidet methoden-offen, welches Verfahren die manuelle Steuerung erreicht und den Betrieb autonom übernehmen kann. Kurz: Lücke → Verfahrensfamilien → das beste gewinnt, und es muss funktionieren.