Machine Learning

Modell prognostiziert städtisches Verkehrsaufkommen

Ein von einem Wiener Forschungsteam entwickeltes Machine-Learning-Modell kann das Verkehrsaufkommen in verschiedenen Stadtgebieten prognostizieren. Verwendet wurden dafür Daten eines Carsharing-Unternehmens. Das Modell sei im Vergleich zu bestehenden Werkzeugen besser interpretierbar sowie flexibler und könne auch unerwartete Ereignisse erkennen.

Simone Daniotti vom Complexity Science Hub (CSH) Vienna nutzte für sein Modell die Standortdaten der Autoflotte eines Carsharing-Unternehmens in Mailand, Rom, Florenz und Turin, die stellvertretend für den gesamten Stadtverkehr in diesen Städten stehen. Daraus entwickelte er ein Modell, das genaue räumlich-zeitliche Vorhersagen für verschiedene Stadtgebiete ermöglicht und auch mit dem Verkehrsaufkommen zusammenhängende Anomalien genau erkennt. Als Beispiele dafür werden Streiks oder schlechte Wetterbedingungen genannt.

Verkehrspolitik und Stadtplanung

Wenn man die Mobilitätsmuster von Menschen verstehe und wisse, wie verschiedene städtische Zonen zusammenhängen, könne dies „politischen Entscheidungsträgern helfen, eine effektive Verkehrspolitik und eine integrative Stadtplanung zu entwerfen und umzusetzen“, erklärte Daniotti in einer Aussendung zu der im Fachjournal "Scientific Reports“ erschienenen Studie. Das könne dazu beitragen, Staus zu vermeiden und gezielte Reaktionen wie den lokalen Ausbau des öffentlichen Verkehrs.

Die Mehrheit der zahlreichen schon existierenden Modelle zur Vorhersage des Verkehrsverhaltens würde auf aggregierten Daten basieren, die nicht vollständig interpretierbar seien, etwa wenn es um die tatsächliche Interaktion von zwei Stadtgebieten geht. Das macht es schwierig, die zugrunde liegenden Mechanismen täglicher menschlicher Routinen zu verstehen. Das neue Instrument erlaube dagegen den Forschern tatsächliche Interaktion von Zonen zu betrachten und zu interpretieren. Es sei zudem auch in der Lage, Vorhersagen über das Verkehrsverhalten in anderen Städten zu treffen.