Rad-Daten-Hackathon Hamburg 2023
Challenges & Daten
Hier findet Ihr unsere diesjährigen Missionen. Wie können wir durch innovative Produkte & Services und eine zielgruppenspezifische Infrastruktur die Verkehrswende unterstützen? Wie können wir zur verstärkten Nutzung von Fahrrad und Bahn beitragen und so unsere Städte lebenswerter gestalten?
Viele spannende Daten rund um (Rad-)Verkehr in Hamburg findet ihr auf der Urban Data Platform – das Team ist live vor Ort dabei.
Jetzt anmelden zum Rad-Daten-Hackathon!
Daten
| Partner | Dateninhalte/ Tools | Zugang zu Daten |
|---|---|---|
| DB Rad+ | Radverkehrsmengen in Hamburg auf Basis der Rad+ App | https://metaver.de/trefferanzeige?docuuid=0CFF2923-AAEC-42FE-8DE8-A2C56A3EA1CF |
| DB Reisenden-informationen (RIS) | „RIS“ API mit Bausteinen z.B. zu Zuginformationen, Bahnhöfen, Trips, (Anschluss-) Verbindungen, Karten | https://developers.deutschebahn.com/db-api-marketplace/apis/ und weitere auf Nachfrage |
| DB Call a Bike | Daten zu Stationen und Fahrtdaten der Fahrräder | https://api-portal.hub.db.de/db/apis/product Cloudservice + USB-Stick vor Ort https://developers.deutschebahn.com/db-api-marketplace/apis/product/shared-mobility-gbfs |
| Infostelle Fahrradparken | Anzahl und Auslastung von Fahrradabstellanlagen an Bahnhöfen | Excel auf Nachfrage |
| DB Regio Radverleih | Übersicht Fahrradverleihern und Karte mit Bahnstrecken mit erfahrungsgemäß hoher Fahrradauslastung | Excel und Karte auf Nachfrage https://zugportal.de/pages/infotainment/collection/6S8ZI6xdCkSE21XjgSNbcd https://www.bahn.de/service/individuelle-reise/bahn_und_fahrrad/fahrrad-leihen |
| Urban Data Hub der LGV | Sammlung an städtischen Daten zur Infrastruktur & Verkehrssituation in Hamburg | https://www.urbandataplatform.hamburg/daten-finden |
| PTV | PTV Vissim Microsimulation Software 3D VR Software „Unity“ | |
| Kolula | Schnittstelle zum Abfragen von Verfügbarkeiten und Buchungen von Leihfahrrädern | https://www.kolula-solutions.com/ https://hackathon.kolula.com Passwort etc. auf Nachfrage |
| Deutsche Zentrale für Tourismus e. V. | Daten Niedersachsen (Sehenswürdigkeiten, FoodEstablishment, LodgingBusiness, Tour, Event, LocalBusiness) Daten Schleswig-Holstein (Event, Sehenswürdigkeiten, Lodging Business, FoodEstablishment, Tour) | Testzugang für Datenabruf: https://open-data-germany.org/testzugang-fuer-datenabruf/ (Beim Hackathon vorhanden – auf Nachfrage) Schnelleinstieg: https://changelog-dzt-kg.readme.io/docs/get-started API-Keys und Proxy-Servers: https://changelog-dzt-kg.readme.io/docs/authentication#option-2-using-an-api-key-and-the-proxy-server Doku: https://changelog-dzt-kg.readme.io/docs/how-to-access-the-data AGB für die Datennutzung: https://open-data-germany.org/wp-content/uploads/2023/03/2023-03-16-AGB-Datennutzer-Knowledge-Graph_DZT.pdf |
| mFund | Fahrradverkehrszählungen und Verleihstationen | https://mobilithek.info/ |
| OSM Daten | OSM-Daten zu Radverkehrswegen | https://wiki.openstreetmap.org/wiki/DE:Bicycle/Radverkehrsanlagen_kartieren |
| Kienzler | B+R Anlagen Daten | — |
Challenges
Angebotsverbesserungen zur Radnutzung im Umweltverbund
Die Fahrradnutzung spielt eine immer größere Rolle für die nachhaltige Entwicklung urbaner Räume. Doch Bedarf und Verfügbarkeit von passenden Angeboten liegen in der Realität oft weit auseinander.
Ziel ist es daher, Fahrrad-Angebote für Nutzer:innen stetig zu verbessern und gleichzeitig eine zunehmende Nutzung des Fahrrads zu ermöglichen. Dabei spielen die Entwicklung von neuen trendbasierten Lösungen und die Weiterentwicklung bestehender Services eine wichtige Rolle.
Darüber hinaus ist es von zentraler Bedeutung, die Verbindung von Fahrrad und Bahn/ ÖPNV zu stärken und Fahrgäste durch innovative Angebote und eine optimierte Reisekette für klimafreundliche Mobilität zu gewinnen.
| Case I: Wie kann der Status Quo der Fahrradabstellmöglichkeiten an Bahnhöfen datengetrieben an den tatsächlichen Bedarf angepasst und für den/die Endnutzer:in optimiert werden? Wie können bestehende (Crowdsourcing-) Daten zum Status Quo der Fahrradabstellanlagen an Bahnhöfen in ihrer Quantität und Qualität verbessert werden (z.B. mittels KI oder sonstigen analytischen Methoden zur Datenerhebung)? |
| Case II: Wie können wir datengetrieben die Verfügbarkeit/ Auslastung von Shared Mobility Angeboten auf die potentielle Nachfrage ausrichten und wie können z.B. smarte Lösungen helfen, operative Herausforderungen (wie die Verteilung der Fahrzeuge) zu meistern? |
| Case III: Wie kann das Fahrradrouting in Apps besser auch für Neukunden gestaltet werden, indem z.B. neue Funktionen wie Fahrradabstellanlagen, touristische Attraktionen oder Baustelleninfos integriert werden? |
| Case IV: Wie kann eine innovative, smarte Beschilderung der Radwege aussehen (in der städtischen Infrastruktur oder in einer App)? |
| Case V: Wie können Daten zu (z.B. touristischen) Fahrradverleihsystemen zusammengetragen werden, um Nutzern den Zugriff zu ermöglichen? |
| Case VI: Wie können wir Kund:innen den Zugang zu ab- bzw. weggeschlossenen Gegenständen, wie einem Fahrrad, Boxen oder Kettenschloss, ermöglichen (z.B. digitales Schloss, smartes Radparken)? |
Optimierung Radinfrastrukturplanung und -betrieb
Der Radverkehrsanteil steigt in vielen deutschen Städten immer weiter an. Die Infrastruktur ist darauf aktuell aber noch nicht ausgelegt und muss weiter optimiert werden.
Ziel ist es, präzise Datensammlung (z.B. über den Zustand der Straßen, Umweltfaktoren, Ampelschaltungen oder Fahrsituationen), vereinfachte Daten- und API-Nutzung und anschließende Datenauswertung (z.B. auch über AI-Chats) oder Simulation zu ermöglichen, um evidenzbasiert zu planen und entscheiden. Zukünftige Implementierungen von Fahrradservices im realen Raum sollen dadurch ganzheitlich betrachtet und bereits während der Planungsprozesse abgeschätzt werden können.
Darüber hinaus kann auch das Radfahrerlebnis (Stichwort: Sicherheit und Effizienz) mithilfe von Echtzeit-Daten optimiert werden, z.B. durch die Verschneidung von Rad+ mit den Daten der Urban Data Plattform Hamburg.
| Case I: Wie können existierende Nadelöhre in der Radverkehrsinfrastruktur identifiziert werden und datengetrieben sicherer und nutzerfreundlicher gestaltet werden? |
| Case II: Wie können existierende Radverkehrsdaten genutzt werden, um Radverkehrsmengen und –ströme an Stellen ohne Daten, zu simulieren? |
| Case III: Wie kann ein Konzept aussehen, dass Fahrräder „Träger“ von Sensoren sind um neue Daten (z.B. über Zustand der Infrastruktur, Mikroklima, Fahrsituation/ Abstand) zu sammeln? |
| Case IV: Wie kann die Dateninfrastruktur verbessert werden, um Fragestellungen zur Optimierung der Radinfrastruktur zu beantworten? |
| Case V: Wie kann bei Suchanfragen über eine Website auf Datenbanken zugegriffen werden und leicht verständliche Antworten für den Nutzer generiert werden? |
Digital Bike Twin für die smarte Stadt
Digitale Zwillinge und Simulationen bieten einen effizienten und detaillierten Rahmen, um Lösungen für operative Herausforderungen sowohl für Betreiber:innen als auch Privatnutzer:innen zu schaffen.
Ziel kann es sein, technische Mängel (im Equipment/Ausstattung) zu identifizieren und vorausschauend zu beheben. Diese digitale Ausstattung von Fahrrädern und die anschließende Datensammlung und -auswertung ermöglicht Rückschlüsse auf den Zustand des Fahrrads zu ziehen und damit enorme Zeit- und Kosten einzusparen sowie ein reibungsloses Fahrerlebnis für die Nutzer:innen zu gewährleisten.
| Case I: Wie können wir einen digitalen Zwilling eines Fahrrads erstellen? |
| Case II: Wie können Digitale Bike Twins die Stadt smarter machen? |
| Case III: Wie können klassische Fahrräder smart wie E-Bikes werden? |
Verkehrssicherheit erhöhen
Die subjektive und objektive Verkehrssicherheit ist ausschlaggebend für die Nutzung des Fahrrads als Verkehrsmittel. Um den Anteil der Radfahrer in Deutschland zu steigern, ist es essenziell, die Sicherheit im Radverkehr zu erhöhen.
Welche Ansätze mithilfe von (Nutzer)-Daten oder auch Gamification können dabei helfen, die Infrastruktur in ihrer Sicherheit zu steigern aber auch die gefühlte Sicherheit für alle Nutzergruppen im Radverkehr zu erhöhen? Wie können Radinfrastrukturdaten systematisch hinsichtlich der Erfüllung von Standards/ Normen geprüft werden?
| Case I: Wie kann die Verkehrssicherheit, z.B. spielerisch für Radfahrer, verbessert werden? |
| Case II: Wie kann Sensorik an Fahrrädern genutzt werden, um zum einen die Sicherheit der Verkehrsteilnehmer zu verbessern und aus den gesammelten Daten die Verkehrsinfrastruktur sicherer zu gestalten? |