Künstliche Intelligenz Projekt Dakimo arbeitet an intelligenter, intermodaler Mobilität

Das Auto – in der Regel mit Verbrennungsmotor – ist aller CO2-Emissionen zum Trotz Deutschlands beliebtestes Verkehrsmittel. Um umweltfreundlichere Alternativen attraktiver zu gestalten, beschäftigt sich das Projekt Dakimo mit einer intelligenten, intermodalen Mobilität. Eine künstliche Intelligenz für Verkehrsmittel-übergreifende Routenvorschläge soll helfen, Menschen komfortabel und zuverlässig ans Ziel zu bringen, ohne dass sie auf einen privaten Pkw angewiesen sind.

Umweltfreundlich ans Ziel kommen – mit Bus, Bahn, Tram, E-Scootern und Leihfahrrädern ist das möglich. Allerdings ist der öffentliche Nahverkehr nicht immer zuverlässig und komfortabel, so dass der private Pkw als Verkehrsmittel dominiert. Damit der ÖPNV eine attraktive Alternative werden kann, müssen verschiedene Verkehrsmittel entlang einer Strecke problemlos kombiniert werden können, wobei der Wechsel zwischen ÖPNV, (Leih-)Fahrrädern und E-Scootern genauso komfortabel sein muss, wie der Griff zum Autoschlüssel. Derzeit nutzen Menschen solche intermodalen Verbindungen noch zu wenig, weil Fahrten von A nach B mit unterschiedlichen Verkehrsmitteln zu kompliziert zu planen sind. Man kommt mit dem Bus an Haltestelle X vielleicht in 30 Minuten an, und muss dann hoffen, dass dort Sharing-Bikes oder E-Scooter verfügbar sind. Möglicherweise wäre man besser doch zu Haltestelle Y gefahren, wo in der Regel mehr Leihfahrräder stehen. Routing-Apps berücksichtigen solche Faktoren bislang nicht in ihren Vorschlägen.

Livedaten zur Verkehrslage

An dieser Stelle setzt das Projekt Dakimo an. Forscher am Fraunhofer IOSB in Karlsruhe haben eine KI-basierte Prognose für die Verfügbarkeit von Sharing-Verkehrsmitteln entwickelt, die unter anderem Livedaten zur Verkehrslage berücksichtigt. Die Prognose berechnet die Wahrscheinlichkeit, an einem gewählten Ort im Stadtgebiet zu einer bestimmten Zeit ein Leihfahrrad oder einen E-Scooter vorzufinden. Der Projektpartner raumobil nutzt diese Prognose für intermodales Routing. Eine Mobilitätsapp schlägt Verbindungen vom Start zum Ziel vor, die auch die prognostizierten Verfügbarkeiten einkalkulieren. Ziel der Projektpartner ist es, am Beispiel der regiomove-App des Karlsruher Verkehrsverbunds intermodale Routenvorschläge Realität werden zu lassen. Nutzer der App sollen je nach aktueller Situation passgenaue Vorschläge für Verkehrsmittel erhalten, die optimal zu den individuellen Bedürfnissen und der jeweiligen Route passen. „Damit Mobilität intermodaler und somit umweltfreundlicher wird, muss sie einfacher, zuverlässiger, flexibler und planbarer werden“, betont Jens Ziehn, Projektleiter am Fraunhofer IOSB. „Unsere KI-Prognose schlägt das individuell bestmögliche Verkehrsmittel für das Ziel, aber auch für die einzelnen Teilstrecken vor, ohne den Überblick zu erschweren. Dabei werden buchbare Fahrzeuge, darunter auch Carsharing-Autos, sowohl am Anfang als auch am Ende der Fahrt angezeigt.“ Wenn der Mensch an Grenzen stößt und den Überblick verliert, zum Beispiel weil der Bus im Stau steht oder keine Leihräder mehr verfügbar sind, springt die KI ein. „Die Prognose gelingt, da die KI über örtliche Verkehrszellen und über feine Zeitintervalle kurz- und langfristige Wahrscheinlichkeiten für die Verfügbarkeit und die erwartete Anzahl von Sharingfahrzeugen berechnet – basierend auf offenen Datenquellen, etwa Daten des ÖPNV, und historischen Daten, wie etwa Positionen von Leihfahrrädern“, erklärt Reinhard Herzog, der am Fraunhofer IOSB die Gruppe Modellbildung und Vernetzung leitet.

Neuer Datenstandard

Die KI-Prognose soll zukünftig in den Standard General Bikeshare Feed Specification (GBFS) integriert werden – eine Echtzeit-Spezifikation für öffentliche Daten, die in erster Linie der Bereitstellung von Verkehrsinformationen wie Standortdaten für verbraucherorientierte Anwendungen dient. Derzeit läuft eine einjährige Evaluationsphase. „Während dieser Testphase ist die Prognosefunktion in einem Entwurf zur Erweiterung des Standards integriert“, erläutert Herzog. »Damit unsere KI-Technologie in den breiten Praxiseinsatz gebracht werden kann, ist es wichtig, dass der GBFS-Standard um prognostizierte Wahrscheinlichkeiten von Sharing-Fahrzeugen erweitert wird.“ Denn dann wird der Standard nicht nur dazu dienen, Positionen aktuell verfügbarer Sharing-Verkehrsmittel anzuzeigen, sondern auch Vorhersagen über zukünftige Aufenthaltswahrscheinlichkeiten anzubieten, die eine KI berechnet.

Basierend auf den GBFS-Daten sollen Routing-Apps in Zukunft intermodale Routenoptionen anbieten können. Für die Standardisierung der Prognosefunktion hat sich raumobil eingesetzt. Die Erweiterung des GBFS-Standards wurde vom MobilityData-Konsortium, einer gemeinnützigen Organisation, die sich auf die Standardisierung und den Austausch von Mobilitätsdaten konzentriert, akzeptiert. Der KI-Fusionsserver, über den alle Daten zusammengeführt werden, ist bereits in Betrieb. Er leitet KI-basierend die Verfügbarkeiten der Verkehrsmittel ab, die in Routenvorschläge einfließen. Zudem ist die KI-Prognose schon Bestandteil einer Testversion der Karlsruher regiomove-App. Im nächsten Schritt soll das Prognosemodell auf den Raum Baden-Württemberg ausgespielt werden.

Breite Akzeptanz in der Gesellschaft

Die Akzeptanz in der Bevölkerung ist groß, wie eine im Projekt in Auftrag gegebene Studie mit mehr als 1.500 Teilnehmern verdeutlicht: Knapp 90 Prozent der Befragten halten eine KI-basierte Vorhersage von Sharing-Verkehrsmitteln für hilfreich oder sehr hilfreich. Etwa 20 Prozent der Befragten würden gelegentlich das eigene Auto stehenlassen und auf öffentliche Verkehrsmittel umsteigen.

 (se)

Automatisiertes Fahren

Forschungsprojekt IMoGer: Ganzheitliches Mobilitätskonzept für die letzte Meile

Neue Mobilitätskonzepte

Wemolo entwickelt digitale Plattform für Shared-Parking

(ID:50506721)