Smarte Nutzung von Trackingdaten zur Entwicklung eines Erklärungs- und Prognosemodells für die Parksuchdauer

Bei der Kalkulation der Reisezeit durch Navigations-Apps wird die Parksuchzeit des motorisierten Individualverkehres (MIV) vernachlässigt. Durch deren Vernachlässigung erscheint die Attraktivität im Vergleich zu anderen Verkehrsmitteln höher als sie tatsächlich ist. Eine realistische Ermittlung und Visualisierung der Parksuchzeit könnte die Verkehrsmittelwahl beeinflussen. Damit verbunden wären Entlastungen in den Bereichen Emissionen, Verkehrsmenge und Reisezeit möglich. Mit der Machbarkeitsstudie ParkenDigital wurden zuvor erste Anforderungen der Stadt Frankfurt am Main erhoben und veröffentlicht.

Quelle: Frankfurt UAS

Die Parksuchzeit soll sowohl von der Infrastruktur- als auch Nutzerseite optimiert werden. Dafür wird einerseits ein Erklärungsmodell für die Stadtverwaltung entwickelt, mit welchen Stellschrauben für die Planung identifiziert werden. Auf der anderen Seite wird ein Prognosemodell erarbeitet, welches direkt in den Navigations-Apps der Autofahrer Realtime-Prognosen für die Parksuchzeit ermöglicht.

Die Trackingdaten werden App-gestützt mit der Hilfe von Testfahrern im Raum Frankfurt Main erhoben. Einige Fahrten werden begleitet und für qualitative Interviews genutzt. Der erhobene Daten-Pool wird mit vorhandenen Big Data kombiniert. Es werden mittlere Parksuchzeiten nach Stadtteiltypen und Zeiten ermittelt. Im Anschluss erfolgt – basierend auf einer großen Strichprobe von Trackingdaten, die ca. sechs Prozent aller Verkehrsteilnehmer in Deutschland enthält - eine Hochrechnung. Mittels statistischer Analysen wird die Parksuchdauer durch mögliche Determinanten (z.B. Verkehrsdichte, Datum, Uhrzeit etc.) erklärt. Mit Hilfe von Methoden des maschinellen Lernens wird ein Prognosemodell erstellt, mit denen Realtime-Prognosen durchgeführt werden können. Alle erhobenen Daten und berechneten Werte werden dokumentiert und anschließend auf der mCLOUD veröffentlicht.