Studie: Autonome Shuttlebusse im ÖPNV

Analysen und Bewertungen zum Fallbeispiel Bad Birnbach aus technischer, gesellschaftlicher und planerischer Sicht (Studie)

Du interessierst dich für Autonome Shuttle Verkehre?

Dann tauch ein in die Details dieser Welt. Als Open Access eBook gibt es eine Studie am Beispiel Bad Birnbach, die Du direkt auf der Verlagswebsite lesen kannst.

Die Publikation entstand in Kooperation der Projektpartner CARISSMA Forschungszentrum für Fahrzeugsicherheit, DB Regio Bus, FMS Future Mobility Solutions GmbH, Julius Maximilians Universität Würzburg, Technische Hochschule Deggendorf, Technische Hochschule Ingolstadt.

Autoren
Andreas Riener, Alexandra Appel, Wolfgang Dorner, Thomas Huber, Jan Christopher Kolb, Harry Wagner (Hrsg.)

Lizenz
Open Access eBook

Hier geht's zum E-Book Download

Themenverwandte Beiträge

Studie: Autonome Shuttlebusse im ÖPNV

Analysen und Bewertungen zum Fallbeispiel Bad Birnbach aus technischer, gesellschaftlicher und planerischer Sicht (Studie)

MOTION OS bringt Licht ins Mobilitäts-Dunkel

MOTIONTAG entwickelt eine komfortable IT-Infrastruktur, die eine Wertschöpfung aus Bewegungsdaten erzielt und das Betriebssystem MOTION OS antreibt. Basierend auf maschinellem Lernen von Smartphone-Sensoren werden präzise und multimodale Mobilitätsdaten gewonnen: passiv, vollautomatisch und in Echtzeit erfolgt die Analyse, wann, wo, mit welchem Verkehrsmittel und zu welchem Zweck sich Personen in Städten fortbewegen und wie die Services einzelner Mobilitätsanbieter genutzt werden.

Dadurch werden Schmerzpunkte im System offengelegt und Optimierungsmöglichkeiten deutlich gemacht, während Fahrgäste dank personalisierter Angebote und Reiseinformationen bequemer und schneller ans Ziel kommen.

MOTIONTAGs Lösung wird als Software-Development-Kit (SDK) geliefert und kann unkompliziert in die Apps von Kunden eingebaut werden.

Für Entwickler
Jetzt SDK nutzen

API
Zur Dokumentation

Für Tester
SBB MyWay

Entwicklungspotenzial

Aufbauend auf den gewonnenen Erkenntnissen können verschiedenste Anwendungsfälle entwickelt werden. Ein Beispiel ist ein Smartphone-basiertes Ticketing-System mit automatischer Check-Out-Funktion, die ohne externe Infrastruktur wie Schranken oder Smart-Cards auskommt. Die Technologie erkennt, wann und wo sich ein Fahrgast im Verkehrssystem bewegt, generiert das korrekte Ticket und ermöglicht ein stressfreieres Reiseerlebnis.

Vorteile der MOTIONTAG-Technologie

Hohe Granularität der erfassten Daten. MOTIONTAG erkennt zehn unterschiedliche Verkehrsmodi, sowohl motorisiert als auch nicht-motorisiert: Gehen, Fahrrad, Trambahn, U-Bahn, Bus, Auto, S-Bahn, Regionalbahn, Zug oder Flugzeug. Um die Granularität von Daten noch zu verstärken, können Daten Dritter wie GTFS Daten (Strecken und Fahrpläne) oder APIs verschnitten werden.

Geringer Batterieverbrauch. In Anbetracht der hohen Datenpräzision ist MOTIONTAGs Batterieverbrauch niedrig, was eine Integration in eine Vielzahl von Apps erlaubt, ohne dabei eine erhebliche Mehrbelastung des Akkus darzustellen.

Hohe Skalierbarkeit und Kundenanpassung. Die Technologie funktioniert überirdisch und unterirdisch und ist sehr anpassungsfähig an neue Anwendungsfälle und Marktentwicklungen. Die Tatsache, dass MOTIONTAG globale verfügbare OpenStreetMap-Daten verwendet, macht MOTIONTAGs Lösung weltweit umsetzbar.

Studie: Autonome Shuttlebusse im ÖPNV

Analysen und Bewertungen zum Fallbeispiel Bad Birnbach aus technischer, gesellschaftlicher und planerischer Sicht (Studie)

Ende 2018 hat die Deutsche Zentrale für Tourismus e.V. (DZT) gemeinsam mit den Landesmarketingorganisationen (LMOs) und Magic Cities beschlossen, im Zuge eines gemeinsamen Projektes ihre Daten als Linked-Open-Data zur Verfügung zu stellen.

Das langfristige Ziel des Projektes ist die Entwicklung eines Knowledge Graphen, welcher für den Tourismusstandort Deutschland als Daten-Hub zur Verfügung stehen soll.
Mit Open Data wird die Voraussetzung für den Digitalen Wandel in Richtung Künstliche Intelligenz geschaffen. Der Tourismusstandort Deutschland wird gesichert und bleibt wettbewerbsfähig, und insbesondere touristische Regionen sowie digitale Innovationen im Tourismus und darüber hinaus werden gestärkt.

Ablauf des Projektes

Das Projekt ist in drei Abschnitte unterteilt: Audit, Anforderungsdefinition und Umsetzung. Im Rahmen eines Audits wurde der Ist-Stand professionell und detailliert analysiert.

Dabei wurden Datentypen, Content-Typen und verwendete technische Systeme der beteiligten Partner mit Blick auf ihre Verwendbarkeit in einer Graph-Datenbank untersucht und bewertet. Im zweiten Abschnitt wird die Konzeption eines Knowledge Graphen für den Tourismusstandort Deutschland erstellt. Das zu entwickelnde Konzept soll die technischen Anforderungen an den Knowledge Graphen formulieren sowie Aussagen zum Betrieb und der Qualitätssicherung treffen. Anschließend wird das Konzept durch die beteiligten Partner bewertet und umgesetzt.

Siegen-Wittgenstein und Thüringen sind die Vorreiter, in denen das Projekt bereits Umsetzung findet.

Noch mehr Open Data Quellen

AI meets ITS: 3. ITS Hackathon 2019

Unter dem Thema „Urbane Mobilität und Logistik“ trafen sich in Hamburg kreative Köpfe, um gemeinsam die Zukunft der Mobilität zu gestalten.

Wie Künstliche Intelligenz Verkehrssysteme verbessert

Entwickler, Designer, Stadtplaner und alle, die Mobilität und City-Logistik bequemer, umweltfreundlicher und digital vernetzt besser machen wollen – der Hackathon ist offen für jeden, der Spaß daran hat, originelle Lösungen zu entwickeln. Unter dem Thema „Urbane Mobilität und Logistik“ suchen die Veranstalter kreative Köpfe, die Interesse daran haben, die Zukunft der Mobilität von morgen zu gestalten. In Teams unterteilt, haben die Teilnehmer spannende Aufgaben der Partner aus dem Bereich Mobilität, Logistik und IT zu lösen.

Datum
01. Nov 2019 – 02. Nov 2019

Location
Hammerbrooklyn. Digital Campus.
Stadtdeich 2 – 4
20097 Hamburg

Event Host
Logistik-Initiative Hamburg, hamburg-logistik.net

Die Gewinner

Auch dieses Jahr hat die hochkarätige Jury Preise für die besten Projekte des Hackathons vergeben.

1. Platz: Team Hometown

Ältere Menschen sind häufig überfordert, wenn sie mit der Bahn weitere Strecken zurücklegen müssen. Zu ihrer Unterstützung wurde G.E.R.D.A entwickelt, laut Gewinnerteam ein „Mobilitätsassistent für Digital Immigrants und Digital Dinosaurs“, der extra benutzerfreundlich angelegt ist. Genutzte Tools: IBM Watson Assistent, Android Studio, Google Dienste. Genutzte Daten: Open street maps.

2. Platz: Team Civity

Die Zweitplatzierten entwickelten eine ÖV-Netzanalyse zur Identifikation von Schlüsselverbindungen und -haltestellen. Dazu konvertierten sie ÖPNV-Fahrplandaten in Graphen und nutzten sie zur Analyse in Programmen, die in der Sozialforschung und Analyse des Hamburger Bus- und Bahnnetzes verwendet werden. Genutzte Daten: Open Data GTFS-Feed des HVV. Genutzte Tools: Python, QGIS, PostGIS, Gephi.

3. Platz: Team Tungi und Mirko

trasHVV ist eine Bilderkennungs-KI mit dem ultimativen Ziel: saubere Bahnhöfe. Das Team baute eine KI zu bauen, die bei der Müllerkennung auf Bahnhöfen unterstützt. Denn Tungi und Mirko meinen: Pünktliche Züge und freundliches Bahnpersonal mögen ein Dauerbrenner sein, aber Sauberkeit am Bahnhof sollte zum Fokusthema werden. Genutzte Tools: NodeRed, Tensorflow.js, IBM cloud for hosting.

Weitere Projekte

Team Einfach Ankommen
Nahverkehrs-App für Kinder, Senioren, nichttechnologieaffine Menschen. Genutzte Daten: OpenStreetmap, PZ Daten. Genutzte Tools: Android Studio, Figma.

Team Graphbusters
Virtualisierung und Individualisierung von Verkehr: Dynamische virtuelle Ampeln zur Konfliktlösung zwischen selbstfahrenden und menschengesteuerten Fahrzeugen. Genutzte Tools: Go, Typescript, Swift, React.

Team Marudor
marudor.de: Eine Plattform für genaue Echtzeitinformationen rund um den Bahnverkehr, mit Fokus auf Abfahrtstafeln und inzwischen ein DB Navigator Ersatz. Genutzte Daten: DB Open Data, PZ Daten, andere Daten.

Team OpenGeoEdu
Ausgangsfrage: Gibt ein einen Anstieg der Feinstaubwerte, wenn Kreuzfahrtschiffe im Hafen liegen? Genutzte Daten: luft.hamburg.de, luft.info, hafen hamburg. Genutzte Tools: Python, QGIS, R.

Team Benjamin & Jannis
Ein System zum Echtzeit-Vergleich von GPS-Daten öffentlicher Fahrzeuge, mit dem Verspätungen und Störungen schneller und transparenter kommuniziert werden können. Genutzte Daten: PZ-GPS-Daten aus Frankfurt.

Themenverwandte Beiträge