Problemstellung

Die erhöhte Umweltverschmutzung sowie steigende Kosten und Wartezeiten im Verkehr sind nicht nur relevante Themen für Politik und Stadtplanung, sondern auch für den individuellen Privatnutzer der angebotenen städtischen Verkehrsmittel. Überfüllte Verkehrswege und –mittel in Stoßzeiten führen zu dem Wunsch nach Alternativen. Doch welche? Die Komplexität der Wirkzusammenhänge in der urbanen Mobilität sind sehr undurchsichtig für private Nutzer und führen meist zu ineffizienter Nutzung vorhandener Verkehrsmittel. Zudem fehlt der Überblick über die Vielzahl an Möglichkeiten in der Nutzung von Verkehrsmitteln im urbanen Raum.

Ziel

Der Fokus des Projektes liegt darin Anreize für einen effizienten multimodalen städtischen Verkehr zu schaffen. Dafür soll ein Tool entwickelt werden, dass das Nutzungsverhalten von Mobilitätsoptionen bewertet und Optimierungspotentiale aufzeigt. Es soll zudem die Auswirkungen und Relevanz von Entscheidungen im Mobilitätsverhalten verdeutlichen und schlussendlich konkrete Handlungsempfehlungen sowie Entscheidungshilfen für die Anschaffung und Nutzung bestimmter Verkehrsmittel geben. Das Projekt beinhaltet dabei zwei Hauptarbeitspakete. Zum einen wird ein Berechnungsmodell erzeugt, womit das Mobilitätsverhalten hinsichtlich der Hauptzielwerte Kosten, Emissionen und Zeit (zusätzliche Zielwerte möglich) bewertet wird. Und im Anschluss werden aus den berechneten Ergebnissen über Methoden des Maschinellen Lernens zusätzlich Optimierungspotentiale errechnet.

Vorgehen

Konzeptionsphase

In der ersten Phase des Projektes müssen potentielle Datenquellen und Schnittstellen zum Berechnungsmodell ermittelt werden. Zudem bedarf es einer umfangreichen Literaturrecherche zu vorhandenen Arbeiten und Methoden zum Thema, auf denen ein Modell aufgebaut werden kann.

Modellbildung

Das Berechnungsmodell soll aus vier Teilmodellen bestehen. Jedes dieser Teilmodelle beinhaltet die Berechnungsmethodik für einen der Zielwerte. So entsteht ein Kostenmodell, ein Emissionsmodell, ein Zeitmodell und weiteres Modell für „weiche“ Faktoren wie Komfort, Flexibilität, und ähnliches. Ziel des Projektes ist hier eine ganzheitliche Betrachtung dieser Werte vorzunehmen, sodass beispielsweise Emissionen und Kosten nicht nur im direkten Gebrauch der Verkehrsmittel errechnet werden, sondern auch Produktion und Recycling („Cradle to Grave“) berücksichtigt werden. Zudem soll das Modell auch Prognosen für die nächsten Jahre abbilden können.

Plausibilisierung des Modells

Die Plausibilisierung soll mit Hilfe von vorhandenen Mobilitätsdaten aus beispielsweise Erhebungen wie MiD (Mobilität in Deutschland) und MOP (Deutsches Mobilitätspanel) durchgeführt werden. Die errechneten Zielwerte aus den Inputdaten der Erhebungen werden auf Plausibilität überprüft.

Machine Learning Prozess

Über Methoden des Maschinellen Lernens soll eine Optimierungsmethodik erzeugt werden. Mit Hilfe der Ergebnisse der vorangegangenen Plausibilisierung wird ein neuronales Netz erzeugt, dass nach ausreichend Lernvorgängen eigene Ergebnisse aus neuen Inputdaten erzeugen und optimieren kann.

Validierung der Optimierung

Eine Validierung der Optimierungsmethodik findet über die Aufnahme und Erzeugung neuer Mobilitätsdaten statt. Diese werden in das System eingespeist und die Ergebnisse der Optimierung werden auf Plausibilität geprüft.