Intelligente Analysen zur Reduzierung von Verkehrsstörungen in Städten
Das Projekt SOUTHPARK (SOcial and Universal Technology HelPing to detect ARrivals via sdK) basiert auf dem predict.io-System und ist ein Softwareentwicklungskit (SDK), das nicht nur in jede Art von App, sondern auch in intelligente Fahrzeuge oder Züge integriert werden kann. Im Laufe des Projekts wurden viele verschiedene Fälle ermittelt, die entweder Echtzeitinformationen der Erkennung verwenden oder mithilfe aggregierter Daten in Richtung Geschäftsanalytik gehen. Das SDK reduziert Engpässe in Verkehrssystemen, indem es Prozesse abbildet, wie zum Beispiel: die automatisierte Abbuchung der Parkgebühren; die Kapazitätsplanung für öffentliche Verkehrsmittel, Fahrgemeinschaften und Leihfahrräder; Leitsysteme für Behinderte und Analysen des Pendlerverkehrs. Das Projekt hatte ursprünglich zum Ziel, Probleme im Zusammenhang mit dem Parken durch ihre App „ParkTAG“ zu behandeln, erweiterte dann jedoch seinen Umfang mit Fortschreiten der Arbeiten. Projektkoordinatorin Sandra Kobel erklärt: „Unsere derzeitigen Kunden integrieren das SDK in ihre Apps, wodurch sie nutzerbasierte Standortdaten sammeln können. Mit diesen Daten ist es ihnen möglich, das Verhalten ihrer Nutzer zu analysieren (z. B. möchte eine Park-App wissen, wo die Nutzer parken und welche Orte sie besuchen) oder zu einem bestimmten Zeitpunkt ein Ereignis auszulösen (z. B. um einen Nutzer daran zu erinnern, nicht weiter in die Parkuhr einzuzahlen, wenn er seinen Parkplatz bereits verlassen hat).“ Durch selbstanpassende Algorithmen kann das SDK von predict.io den Anfang und das Ende von Bewegungen über eine App oder ein IoT-Gerät erkennen, in dem es integriert ist. Der Schwerpunkt des Projekts SOUTHPARK war dabei die Entwicklung eines Systems, das sich schnell an neue lokale Gegebenheiten anpasst. Die Hauptindikatoren zur Integration des SDK und seiner STOP-Erkennungstechnologie in verschiedene Mobilitäts-Apps umfassen Standortgenauigkeit, Zeitgenauigkeit, Erkennungsverzögerung, Batterieentladung, Mindestpräzision und eine minimale Rückrufquote. Laut predict.io liegen die Anforderungen für STOP zudem in mehreren mobilitätsbezogenen Anwendungsfällen. Im Vergleich zu anderen bestehenden Systemen können sich die Algorithmen im SDK von SOUTHPARK sehr schnell an neue lokale Gegebenheiten anpassen, wie zum Beispiel, wenn sie in eine neue App und/oder in einer neuen Stadt oder Region integriert werden. Kobel erklärt, dass dies den Teil des Projekts SOUTHPARK darstellt, der sich mit maschinellem Lernen befasst. Dabei spart die Verwendung eines bereits vorhandenen, von predict.io entwickelten Systems den Entwicklern Zeit und Geld. „Unsere Algorithmen reduzieren die Anpassungskosten und den Zeitaufwand für die Lokalisierung in neuen Umgebungen um geschätzte 75 % im Vergleich zum aktuellen Stand bei Projektstart im Jahr 2015.“ Die Reduzierung der Kosten sowie der Geschwindigkeitsschub wurden von den Entwicklern offensichtlich geschätzt. „Als das Projekt SOUTHPARK im Juli 2018 zu Ende ging, waren das SDK und Analysepaket bereits in verschiedenen Ländern erfolgreich eingeführt worden und produzierten täglich rund 75 Millionen Datenpunkte“, so Kobel.
Schlüsselbegriffe
SOUTHPARK, Verkehr, SDK, Softwareentwicklungskit, predict.io, intelligente städtische Mobilität, Plattform zum Datenmanagement
