Transferorientierte DLEPräsentationen der Zwischenergebnissse im Projekt Data-driven Solutions for the Smart City Hamburg

16. Juni 2022

Foto: Karsten Bergmann

Am 15.06.2022 fanden im Projekt Data-driven Solutions for the Smart City Hamburg (D²S²C) die Präsentationen der Zwischenergebnisse aller Use-Cases statt. Diese werden von den Studierenden in Zusammenarbeit mit der Hamburger HOCHBAHN, dem HSV/Future Dock und dem Landesbetrieb Geoinformation und Vermessung bearbeitet, die hierfür Daten bereitstellen und sich im kontinuierlichen Austausch mit den Studierenden befinden.

Ziel des Projektes ist die Förderung der Data Literacy von Studierenden, die durch das Analysieren und Bearbeiten von praxisnahen Herausforderungen unterstützt wird, indem intelligente Prototypen entwickelt werden. Das Projekt zeichnet sich durch eine hohe Interdisziplinarität und vielseitige Mitgestaltungsmöglichkeiten aus und steht allen Studierenden der MIN-Fakultät offen.

„Wir freuen uns über das erfolgreiche Projekt und darüber, Studierenden die Möglichkeit eröffnet zu haben, Gelerntes in die Praxis zu überführen. Die Präsentationen der Zwischenergebnisse zeigen, dass das praxisnahe und selbstständige Lernen und Arbeiten in Gruppen in Zusammenarbeit mit den Kooperationspartnerinnen und Kooperationspartnern zu einem realen Beitrag zur Digitalisierung und der Entwicklung von Smart Cities führen kann“, sagt Marten Borchers von der Arbeitsgruppe Wirtschaftsinformatik, sozio-technische Systemgestaltung (WISTS), der das Projekt betreut.

Insgesamt werden vier Use-Cases von den Studierenden bearbeitet. So wird beispielsweise in Zusammenarbeit mit dem HSV/Future Dock untersucht, wie eine Indoor-Navigation im Stadion mithilfe eines 3D Modells ermöglicht werden kann, das mit Methoden der Computer Vision entwickelt wird, um kürzeste Wege zu den Sitzplätzen o. Ä. zu identifizieren und Simulationen für Notfälle, Wartung sowie Instandhaltung zu unterstützen. Im Bereich der Mobilität entwickeln die Studierenden zwei Prototypen, um zum einen die Reichweite von E-Bussen bei der Hamburger HOCHBAHN mithilfe von z. B. Sensor- und Wetterdaten für geplante Strecken vorherzusagen, indem der Energiebedarf auf Grundlage von Regressionsmodellen berechnet wird. Des Weiteren erfolgt eine Identifikation von Unfallhotspots im Busbetrieb der Hamburger HOCHBAHN, indem die Standorte und Unfallursachen anhand einer Heatmap analysiert werden, um so präventive Maßnahmen zu unterstützen, die den Busbetrieb noch sicherer gestalten. Der vierte Use-Case wird vom Landesbetrieb Geoinformation und Vermessung begleitet und beschäftigt sich mit der automatisierten Auswertung von Daten aus Beteiligungsprojekten des digitalen Partizipationssystems (DIPAS) der Behörde für Stadtentwicklung und Wohnen, um gewonnene Informationen im Rahmen der Stadtplanung zu nutzen. Dabei stehen insbesondere die Transparenz und Nachvollziehbarkeit der Algorithmen und Machine Learning Modelle im Fokus.

Die Zwischenergebnisse der Studierenden zeigen innovative Lösungswege im Umgang mit Herausforderungen und bieten somit Ansätze, die sich für die Unternehmenspraxis eignen und Aufschluss über den Einsatz von Daten geben. Im weiteren Verlauf des Projektes bauen die Studierenden ihre Prototypen und Modelle weiter aus, um deren Zuverlässigkeit zu erhöhen und/oder weitere Funktionen zu integrieren. Die Arbeit kann zudem auch als Basis für Abschlussarbeiten, Praktika oder zur beruflichen Orientierung genutzt werden.