Ein neues Machine-Learning-Modell, entwickelt von einem Forscher des Complexity Science Hub, kann das Verkehrsaufkommen in verschiedenen Zonen einer Stadt prognostizieren. Die Daten dazu stammen von einem großen Carsharing-Unternehmen. Zu wissen, wie verschiedene städtische Zonen zusammenhängen, kann dazu beitragen, Staus zu vermeiden, und ermöglicht gezielte Reaktionen politischer Entscheidungsträger - wie den lokalen Ausbau des öffentlichen Verkehrs.
Mobilitätsmuster von Menschen zu verstehen, wird von zentraler Bedeutung sein, um den Verkehrsfluss in Städten zu verbessern. "Da die Bevölkerung in urbanen Gebieten wächst, kann dieses Wissen politischen Entscheidungsträgern helfen, eine effektive Verkehrspolitik und eine integrative Stadtplanung zu entwerfen und umzusetzen", erklärt Simone Daniotti vom Complexity Science Hub.
Zeigt das Modell beispielsweise, dass es eine nichttriviale Verbindung zwischen zwei Zonen gibt, dass etwa vermehrt Menschen aus gewissen Gründen von einer Zone in eine bestimmte andere pendeln, könnten Services bereitgestellt werden, die dieses erhöhte Aufkommen abfedern. Wenn das Modell andererseits zeigt, dass es an einem bestimmten Ort geringe Aktivität gibt, könnten politische Entscheidungsträger dieses Wissen nutzen, um in Strukturen zu investieren, die dies ändern.
MODELL AUCH FÜR STÄDTE WIE WIEN GEEIGNET
Die Daten für diese Studie stellte ein großes Carsharing-Unternehmen zur Verfügung: den Standort von allen Autos seiner Flotte in vier italienischen Städten (Rom, Turin, Mailand und Florenz) im Jahr 2017. Gewonnen wurden die Daten durch ständiges Abfragen der Web-APIs des Anbieters. "Mit diesen Informationen konnten wir den Zeitraum sowie den Start- und Zielort jeder Fahrt identifizieren", erklärt Daniotti.
Daniotti nutzte diese Daten stellvertretend für den gesamten Stadtverkehr. Er entwickelte ein Modell, das nicht nur genaue räumlich-zeitliche Vorhersagen für verschiedene Stadtgebiete ermöglicht, sondern auch Anomalien genau erkennt. Anomalien wie etwa Streiks oder schlechte Wetterbedingungen, die beide mit dem Verkehrsaufkommen in Zusammenhang stehen.
Das Modell ist auch in der Lage, Vorhersagen über das Verkehrsverhalten in anderen Städten wie Wien zu treffen. "Dafür bräuchte man allerdings entsprechende Daten", betont Daniotti.
Daniotti nutzte diese Daten stellvertretend für den gesamten Stadtverkehr. Er entwickelte ein Modell, das nicht nur genaue räumlich-zeitliche Vorhersagen für verschiedene Stadtgebiete ermöglicht, sondern auch Anomalien genau erkennt. Anomalien wie etwa Streiks oder schlechte Wetterbedingungen, die beide mit dem Verkehrsaufkommen in Zusammenhang stehen.
Das Modell ist auch in der Lage, Vorhersagen über das Verkehrsverhalten in anderen Städten wie Wien zu treffen. "Dafür bräuchte man allerdings entsprechende Daten", betont Daniotti.
BESSERE PERFORMANCE ALS ANDERE MODELLE
Es gibt zwar bereits viele Modelle, um das Verkehrsverhalten in Städten vorherzusagen, doch “die große Mehrheit dieser Modelle, welche auf aggregierten Daten basieren, sind nicht vollständig interpretierbar.
Auch wenn einige Elemente dieser Modelle zwei Zonen miteinander in Verbindung bringen, können sie nicht als tatsächliche Interaktion dieser Zonen betrachtet werden", erklärt Daniotti. Das erschwert es, die zugrundeliegenden Mechanismen täglicher menschlicher Routinen zu verstehen. Das neue Modell, dessen Parameter tatsächliche Interaktionen darstellen, können Forschende nun vollständig interpretieren.
Auch wenn einige Elemente dieser Modelle zwei Zonen miteinander in Verbindung bringen, können sie nicht als tatsächliche Interaktion dieser Zonen betrachtet werden", erklärt Daniotti. Das erschwert es, die zugrundeliegenden Mechanismen täglicher menschlicher Routinen zu verstehen. Das neue Modell, dessen Parameter tatsächliche Interaktionen darstellen, können Forschende nun vollständig interpretieren.
WAS SIND VORHERSAGEN OHNE INTERPRETATION?
"Natürlich ist es wichtig, Vorhersagen zu treffen", erklärt Daniotti, "aber man kann sehr präzise Prognosen erstellen, wenn man aber die Ergebnisse nicht richtig interpretiert, läuft man dennoch Gefahr, falsche Schlüsse zu ziehen."
Wer nicht weiß, warum das Modell ein bestimmtes Ergebnis anzeigt, wird es schwer haben, unerwartete Ereignisse zu erklären. "Ein Modell zu überprüfen und zu verstehen, hilft uns und auch politischen Entscheidungsträgern, keine falschen Schlüsse zu ziehen", betont Daniotti.
Wer nicht weiß, warum das Modell ein bestimmtes Ergebnis anzeigt, wird es schwer haben, unerwartete Ereignisse zu erklären. "Ein Modell zu überprüfen und zu verstehen, hilft uns und auch politischen Entscheidungsträgern, keine falschen Schlüsse zu ziehen", betont Daniotti.
ZUR STUDIE:
Die Studie “A maximum entropy approach for the modelling of car-sharing parking dynamics” wurde kürzlich im Fachjournal Scientific Reports veröffentlicht.
ÜBER DEN COMPLEXITY SCIENCE HUB:
Der Complexity Science Hub (kurz: CSH Vienna) wurde mit dem Ziel gegründet, Big Data zum Nutzen der Gesellschaft einzusetzen. Der CSH Vienna bereitet unter anderem große Datensätze systematisch und strategisch so auf, dass Auswirkungen von Entscheidungen in komplexen Situationen vorab getestet und systematisch bewertet werden können. Damit liefert der Complexity Science Hub die Grundlagen für eine evidenzbasierte Politik. https://www.csh.ac.at
