Clustering von Kfz-Mobilitätsströmen mit Hilfe von Maschinellem Lernen (ClusterMobil)


Project Details

Project start:
05/2021
Project end:
12/2022
Total project budget:
223.600,00


Scientific centers and research institutes

Research Lab for Urban Transport (ReLUT)


Funding Opportunities

HMWEVL - Innovationsförderung - Innovationen im Bereich Logistik und Mobilität (HOLM) (HMWEVL-Förderprogramme)



Principal Investigator(s)


Abstract

Ein smartes kommunales Mobilitätsmanagement benötigt Informationen darüber, wie viele Kraftfahrzeuge (KFZ), welcher Gruppen von Fahrenden, mit welchem Zweck, in welche Stadtteile fahren. Daraus ergeben sich Implikationen bspw. für das Parkraummanagement (z.B. Wie viel Parkraum sollte zu welchem Preis vorgehalten werden?), die Verkehrsplanung (z.B. Festlegung verkehrsberuhigter Zonen; quantitative Bedeutung des Lieferverkehrs für Stadtteile etc.) sowie die Abschätzung der Effekte verkehrlicher oder städtebaulicher Maßnahmen (z.B. Welche Gruppen von Fahrenden sind wie stark von Maß­nahmen wie bspw. einer City Maut, einem Fahrverbot oder einer Straßenbaustelle betroffen?).

Aufgrund der rasanten Entwicklung der Städte werden die Mobilitätsmuster jedoch immer komplexer. Umfragen zur Mobilität von Menschen sind zeit- und kostenaufwändig und sind oft nicht repräsentativ, ausreichend aktuell und genau. Inspiriert durch ein vom Land Hessen gefördertes Projekt im Bereich Parkverkehr („Ganglinien“) planen wir, diese Probleme mithilfe von Algorithmen des maschinellen Lernens (ML) zu lösen. Wir schlagen ein Verfahren zur Segmentierung von Stadtteilen und Mobilitätsströmen auf der Grundlage von GPS- und geo-räumlichen Daten vor. Die komplexen und sich schnell weiterentwickelnden Methoden des ML können helfen, aus diesen Big Data aussagekräftige Einblicke in Mobilitätsmuster zu gewinnen.

Das Ziel liegt in der Segmentierung geografischer Bereiche in Städten und dem Clustering von KFZ-Verkehrsströmen. Damit kann ein Bild davon gewonnen werden, wohin welche „Gruppen“ (Cluster) von KFZs, warum und in welchem Umfang in bestimmte geografische Bereiche der Städte fahren. „Gruppen von KFZs“ könnten bspw. Beschäftigte, Bewohner/innen, Lieferant/innen etc. sein. Wie viele „Gruppen“ identifiziert werden, ist offen und ein Ergebnis des Algorithmus. „Geografische Bereiche der Städte“ könnten bspw. Stadtteiltypen wie Altstadt, Wohngebiet, Gewerbegebiet etc. sein, wobei auch hier die Methode offen in Bezug auf die Anzahl der verschiedenen gefundenen Typen ist. Die Ergebnisse haben dann nicht nur Bedeutung für die Verkehrsplanung, sondern sind auch Basis für Anwendungen privater Unternehmen, bspw. im Bereich der Vorhersage von Staus oder freiem Parkraum.


Last updated on 2021-11-08 at 16:16