Digitalisierung im Verkehr - Einsatz von Bewegungsdaten in innovativen Mobilitätskonzepten

Transkript

1 Digitalisierung im Verkehr - Einsatz von Bewegungsdaten in innovativen Mobilitätskonzepten ptvgroup.com UDO HEIDL CARMEN NOWACK

2 WIR PLANEN UND OPTIMIEREN WELTWEIT ALLES, WAS MENSCHEN UND GÜTER BEWEGT.

3 PLAN & OPTIMISE Everything that moves people and goods worldwide Model Simulate Predict Optimise Control

4 INNOVATIVE MOBILITÄTSKONZEPTE - RIDESHARING/RIDEPOOLING

5 STUDIEN - MOBILITY AS A SERVICE - EIN BLICK IN DIE ZUKUNFT

6 FAHRZEUGBEDARF 24 hrs. + TaxiBots Ride - sharing TaxiBus Ride - sharing + Public transport (high capacity ) number of vehicles required to provide the same trips as before: 5 %

7 AUSWIRKUNGEN AUF VERKEHR UND UMWELT -22% -27% & kilometres travelled emissions CO2 + TaxiBots Ride - sharing TaxiBus Ride - sharing + Public transport (high capacity ) 24. hrs

8 SIMULATION EINES RIDEPOOLING SYSTEMS SPEZIFIKATION Einheitlicher Fahrzeugpool mit 6 Sitzen Vorbuchungszeit 1 min Maximale Wartezeit 10 min Umwegspezifikationen (Umweg+Wartezeit): Maximal akzeptierte Umwegzeit: 15 min Umwegfaktor: 1.6 x Slide 8

9

10 ERGEBNISSE EINER SIMULATION Fahrgastbezogene Auswertungen Betriebliche Auswertungen (fahrzeugbezogen) Benötigte Fahrzeugflotte Besetzungsgrad Fahrtdauer Betriebszeiten Betriebsleistung Verkehrliche Ausw ertungen Betriebliche Ausw ertungen Fahrgastbezogene Ausw ertungen Nachhaltige Entscheidungen Bediente Nachfrage Wartezeiten Umwege Reiseweiten Reisezeiten Verkehrliche Auswertungen Verkehrsstärken/Stauberechnung Umweltwirkungen (Emissionen) Slide 10

11 00:00-01:00-02:00-03:00-04:00-05:00-06:00-07:00-08:00-09:00-10:00-11:00-12:00-13:00-14:00-15:00-16:00-17:00-18:00-19:00-20:00-21:00-22:00-23:00- VARIATION DER FLOTTENGRÖSSE Bediente/Unbediente Nachfrage 100 Fahrzeuge = ,00% 100,00% 80,00% 60,00% 40,00% 20,00% Bediente Passagiere (%) Fahrzeuge = 95.75% Bedienung 0,00% Flottengröße 2000 Besetzungsgrad , Fahrzeuge = , , Slide 11

12 Nachfrage NACHFRAGEDATEN Quelle: PTV Validate Verkehrsmodell für Deutschland

13 BEWEGUNGSDATEN GPS Daten GSM Daten Sensor Daten Slide 13

14 BEWEGUNGSDATEN GPS Daten Datenfilterung und Wegeerkennung Slide 14

15 BEWEGUNGSDATEN GPS Daten Datenfilterung und Wegeerkennung Verkehrsmittelerkennung Wegzweckerkennung Slide 15

16 BEWEGUNGSDATEN GPS Daten Datenfilterung und Wegeerkennung Verkehrsmittelerkennung Wegzweckerkennung Georeferenzierung Slide 16

17 BEWEGUNGSDATEN GSM Daten Slide 17

18 BEWEGUNGSDATEN GSM Daten Datenfilterung und Wegeerkennung Verkehrsmittelerkennung Wegzweckerkennung Georeferenzierung Slide 18

19 BEWEGUNGSDATEN Sensor Daten Smartphone Beschleunigungssensor Rotationssensor Magnetometer Barometer GPS Empfänger Slide 19

20 BEWEGUNGSDATEN Sensor Daten Smartphone Verkehrsmittelerkennung Segmentierung Quelle: Teen-Hang Meen, Transportation Modes Classification Using Sensors on Smartphones, Published online 2016 Aug 19. doi: Copyright 2016 by the authors; licensee MDPI, Basel, Switzerland under the terms and conditions of the Creative Commons Attribution (CC-BY) license Slide 20

21 BEWEGUNGSDATEN Verkehrsmodelle Hochrechnung auf Gesamtverkehre Ausgabe als Matrizen Quell-/Zielbeziehungen Slide 21

22 BEWEGUNGSDATEN Verkehrsmodelle Hochrechnung auf Gesamtverkehre Ausgabe als Matrizen Quell-/Zielbeziehungen Umlegung auf das Netz Slide 22

23 BEWEGUNGSDATEN Bewegungsdaten Vorteil Nachteil GPS Gute Verortung auf dem Netz Kleinere Stichprobengröße, daher Mängel bei Repräsentativität: Aktivitäten auf dem Netz gut erkennbar Hochrechnung auf Gesamtheit problematisch Algorithmen bekannt für erforderliche Analysen evtl. Kombination verschiedener Datenquellen nötig Neue Datenquellen erfordern erneute Analyse Quellen liefern meist nur ausgewählte Verkehre Lizenzierung kommerzielle Anbieter meist teuer, Abhängig vom Anwendungsfall Unsicherheit über Marktwert der Daten Erhebung über eigene Apps erfordert Akzeptanz im Markt GSM Hohe Stichprobe Örtliche Genauigkeit in Abhängigkeit der Mobilfunk-Infrastruktur Erzeugung der Daten über alle Verkehrsmittel Häufig (noch) nicht geeignet für kleinräumige Analysen Problematischere Analyse Datenschutz Kein Direktzugriff auf Rohdaten möglich Kontrolle über Analysetools schwierig Sensor Aktivitäten auf dem Netz sehr gut erkennbar Geringe Verfügbarkeit der Daten da an App(-betreiber) gebunden Leichtere Verkehrsmittelerkennung Nur punktuell, keine flächendeckenden/netzweiten Daten Slide 23

24 FAZIT GSM oder GPS Daten alleine nicht ausreichend Datenverfügbarkeit noch mangelhaft Schrittweise Entwicklung der Algorithmen Big Data ohne Big Bang sondern Evolution Slide 24

25