arrow to leftarrow to rightburger menuClosefacebookCheckinstagramLoginLoginPlay VideoPrintSearchtwitter
QR-Code: https://land-der-ideen.de/wettbewerbe/deutscher-mobilitaetspreis/preistraeger/open-innovation-2017/pro-act-tcs

Pro-Act TCS

Pro-Active Traffic Control Service

Durch maschinelles Lernen prognostiziert ein Algorithmus auf Grundlage von Geodaten, wann und wo ein Unfall in naher Zukunft am wahrscheinlichsten stattfinden wird und ermöglicht es den Behörden, proaktiv den Verkehr zu steuern.

Name:
Julian Rowley und Joris Klingen

Wohnort:
Frankfurt am Main / Amsterdam

Themen:

  • Big Data
  • Random Forest
  • Verkehrsbeeinflussung
  • Machine Learning
  • Neural Network

Die Idee

Wer als Pendler morgens im Auto Radio hört, kann sich häufig im Chorus der Staumeldungen als recht textsicher wiederfinden, denn Unfälle und Verkehrsbehinderungen auf Deutschlands Straßen nehmen nicht nur zu, sie wiederholen sich. Die subjektive Wahrnehmung des Menschen kann nur bedingt eine Gefahrenlage einschätzen oder gar vorhersagen. Verkehrsdaten könnten dabei ein besseres Bild liefern. Doch die Verfügbarkeit dieser Daten ist unzureichend und erlaubt häufig nur eine deskriptive und damit ausschließlich vergangenheitsbezogene Sicht auf Deutschlands Straßenverkehrslage.

Die Idee geht deshalb einen Schritt weiter. Ähnlich wie bei der stundengenauen Wettervorhersage, sollen verschiedene Datenquellen verknüpft werden, um mit komplexen Algorithmen eine Prognose zu erstellen, wo und wann Verkehrsbehinderungen am wahrscheinlichsten auftreten können. Diese Prognose fließt dann direkt an die zuständigen Behörden, um ihnen zu ermöglichen an den definierten Stellen den Verkehr zu steuern/beeinflussen, wo die Gefahr am größten ist. Die Idee setzt dabei auf unterschiedliche Geodaten, Echtzeitdaten der Verkehrslage sowie Daten zu externen Faktoren. Mit Sensordaten aus Fahrzeugen (FCD), kann das Modell mit noch genaueren Informationen verbessert werden.

Die aufbereiteten Daten sollen dann in ein zweistufiges Modell fließen, welches durch das „Machine Learning“ zunächst eine Kategorisierung der Straßen in einzelne Teilsegmente vornimmt. Dabei soll ein lernender Algorithmus verwendet werden, der auf Grundlage von Geoinformationen, Langzeitverkehrsbeobachtungen, historischen Wetterdaten sowie der Erfassung vergangener Unfälle und Verkehrsbehinderungen die Klassifizierung (Stufe I) von Straßensegmenten ermöglicht. Im zweiten Schritt wird auf Grundlage des klassifizierten und stetig in der Zeit wachsenden Modells, mittels weiterer Machine Learning Methoden (beispielsweise Random Forest Methode) der Algorithmus lernen, eine Prognose über den Ort und die Zeit der nächsten Verkehrsbehinderung abzugeben.

Ein Service, der den zuständigen Verkehrs- und Sicherheitsbehörden zur Verfügung steht, erlaubt es frühzeitig Einsatzfahrzeuge an die prognostizierten Orte zu entsenden, um den Verkehr vor Ort mit Kennleuchten, Lichttafeln oder anderen Mitteln die Verkehrsteilnehmer zu warnen. Der Service kann ebenfalls genutzt werden, um die Charakteristiken die das Eintreten einer Verkehrsbehinderung oder eines Unfalls begünstigen besser zu verstehen.

Die Köpfe dahinter

Julian Rowley ist Projektmanager am House of Logistics and Mobility in Frankfurt am Main und arbeitet an Projekten zur digitalisierung der Mobilität. Sein Fokus liegt dabei auf dem Einsatz intelligenter Verkehrssysteme, zu der auch autonome Transportsysteme gehören. Spannend findet er, wie die Digitalisierung der Mobilität im Alltag angekommen ist und wie diese Chancen bietet, das Mobilitätsverhalten der Menschen grundlegend zu verändern.
Joris Klingen ist Doktorand an der Fakultät für räumliche Ökonomie der Vrije Universiteit Amsterdam. Gemeinsam mit Prof. Dr. jos van ommeren und Prof. Dr. Erik Verhoef untersucht er Auswirkungen urbaner Verkehre auf die Luftqualität und den verstärkten Einsatz von Radverkehren.

Unser gemeinsamer Grundgedanke war, die Straße maschinell gestützt zu qualifizieren und die verkehrsbehindernden Ereignisse zu quantifizieren, um in Zukunft frühzeitig zu erkennen, wann diese auftreten könnten. Der Service ist dabei nur ein konkretes Beispiel, was mit einer geogestützten Datengrundlage und Machine-Learning-Methoden alles möglich wäre.

Julian Rowley und Joris Klingen

Cookies erleichtern die Bereitstellung unserer Dienste. Mit der Nutzung unserer Dienste erklären Sie sich damit einverstanden, dass wir Cookies verwenden.