Verbesserung der Verfügbarkeit von Leihfahrrädern durch modellgestützte Voraussagen der lokalen Nachfrage

UHH/Ohme

Im Projekt Available Citybikes (Ava-Citybike) wollen wir die Verfügbarkeit von Leihfahrrädern mit Hilfe von künstlicher Intelligenz verbessern. Dafür entwickeln wir ein neuronales Netzwerk, dass die lokale Nachfrage an Leihfahrradstationen prognostiziert. Mit diesem Wissen streben wir mehrere Ziele an.

Einerseits geht es uns darum Nutzer:innen zu befähigen Leihfahrräder als zuverlässiges Verkehrsmittel im Alltag zu verwenden. Aufgrund von lokalen Nachfragespitzen sind aktuell Leihfahrräder an einigen Stationen zeitweise nicht verfügbar. Das ist ein großes Problem, da Nutzer:innen alltäglich bei dem Weg zur Arbeit, zur Universität oder zu einem Freizeitevent auf die Verfügbarkeit von Leihfahrrädern angewiesen sind. Deshalb werden wir durch die prognostizierte Nachfrage Nutzer:innen ermöglichen, vorausschauend mit der Verfügbarkeit von Leihfahrrädern zu planen.

Andererseits richtet sich unser Angebot an Anbieter von Leihfahrrädern. Diese können die prognostizierte Nachfrage von Leihfahrrädern dafür nutzen Leihfahrräder im Netzwerk der Stationen zu distribuieren. Durch Distribution von Leihfahrrädern können lokale Engpässe an Leihfahrrädern zwischen Stationen ausgeglichen werden. Auch das ist ein wichtiger Faktor, um langfristig die Verfügbarkeit von Leihfahrrädern an allen Stationen zu steigern.

In diesem Projekt freuen wir uns darauf, interdisziplinär in den Themenfeldern der Mobilität, Informatik und Psychologie zu arbeiten. Dass es für unser Projekt viel Sinn ergibt interdisziplinär zu arbeiten wird deutlich, wenn wir uns folgend den Projektplan anschauen. 
In der ersten Phase des Projekts werden wir die zahlreichen Faktoren, die die Nachfrage von Leihfahrrädern beeinflussen, analysieren und die relevantesten für die Entwicklung unserer Prognose in Betracht ziehen. Beispielhaft zu nennende Faktoren sind Tageszeit, Wetter, lokale Veranstaltungen und Verkehrslage.

Für die Analyse planen wir drei komplementierende Methoden einzusetzen:  

• Es ist davon auszugehen, dass relevante Faktoren in der Vergangenheit auch gute Aussagekraft über die Nachfrage in der Zukunft haben werden. Deswegen planen wir eine statistische Abhängigkeitsanalyse zwischen dem Datensatz der Stadtrad-Nutzung in den letzten 5 Jahren und den anderen Faktoren. Die Abhängigkeitsanalyse bestimmt, wie stark die Korrelation der einzelnen Faktoren auf die Nachfrage von Stadträdern war. In anderen Worten, wie wichtig der jeweilige Faktor für die Nachfrage war. Das ermöglicht uns eine statistische Aussage über relevante Faktoren auch für unsere Prognose zu geben. 
• Zweitens planen wir Interviews mit Mitarbeiter:innen des regionalen Leihfahrrad-Anbieters Stadtrad zu führen. In den Interviews wollen wir insbesondere herausfinden, welche Methoden und Technologien Stadtrad aktuell bereits einsetzt, um die Verfügbarkeit von Leihfahrrädern zu verbessern. 
• Drittens planen wir eine Nutzer:innen-Studie durchzuführen. Diese Studie hat das Ziel ein besseres Verständnis über den Nutzungszusammenhang von Leihfahrrädern zu erlangen. Beispielhaft interessiert uns für die Entwicklung einer zuverlässigen Prognose, wie häufig Stadtrad-Nutzer:innen das Angebot nutzen, für welchen Zweck und wie Nutzer:innen den Weg zum Reiseziel planen.

In der nächsten Phase werden wir das neuronale Netz auf Basis der ausgewählten relevanten Faktoren entwerfen und implementieren. Folgend trainieren wir das neuronale Netz mit Hilfe des Datensatz des Urban Data Hubs. In einem iterativen Prozess optimieren und trainieren wir das neuronale Netz, um schlussendlich bei bestmöglicher Genauigkeit Aussagen über die Nachfrage der Leihfahrräder je Station unter Berücksichtigung der relevanten Faktoren ausgegeben zu bekommen.

In der abschließenden Phase beschäftigen wir uns mit der Implementation des neuronalen Netzes in einen oder mehrere Use-Case(s). Im Projektzeitraum der nächsten 12 Monate werden wir abwägen welche Implementation umsetzbar, sinnstiftend und zielführend sind. Die Eruierung der drei folgenden Use-Cases ist in dieser Phase fest eingeplant:

• Bei der Navigation beispielsweise mit Google Maps wird in der vorausschauenden Routenfindung die Prognose der Verfügbarkeit eines Leihfahrrads angezeigt. Auch bei Multi-modalen-Routen - beispielsweise einer Verbindung mit 30-minütiger Bahnfahrt und anschließendem Umsteigen auf ein Leihfahrrad - ist es für Nutzer:innen von großer Relevanz frühzeitig über die Verfügbarkeit von einem Leihfahrrad nach der Bahnfahrt informiert zu sein.
• Auf einer Stadtkarte von Hamburg können Stadtrad-Mitarbeiter:innen die prognostizierte Nachfrage sehen und durch Distribution die lokale Verfügbarkeit verbessern.
• Das neuronale Netz wird auf dem Urban Data Hub der Stadt Hamburg als Schnittstelle bereitgestellt und dient als Datenquelle für Implementation in weitere Dienste. 

Und hier die Studierendengruppe in ihren eigenen Worten: