Parksuche erfassen, verstehen und prognostizieren. Smarte Nutzung von Trackingdaten zur Entwicklung eines Erklärungs- und Prognosemodells für die Parksuchdauer
Gefördert von: Bundesministerium für Digitales und Verkehr (BMDV)
Laufzeit: Juli 2020 bis Juni 2023
Projektleitung: Prof. Dr. Tobias Hagen
Problemstellung
Bei der Kalkulation der Reisezeit durch Navi-Apps wird die MIV-Parksuchzeit vernachlässigt. Durch deren Vernachlässigung erscheint die Attraktivität des MIV im Vergleich zu anderen Verkehrsmitteln höher als sie tatsächlich ist. Eine Implementierung der Parksuchzeit in Navi-Apps könnte unnötigen Parksuchverkehr reduzieren. Damit verbunden wären Entlastungen in den Bereichen Emissionen, Verkehrsmenge und Reisezeit. Zudem zeigt die wissenschaftliche Literatur, dass die Parksuchzeit bisher nicht überzeugend erhoben wurde.
Projektziel
Entwicklung eines Erklärungsmodells für die Parksuchdauer, um Stellschrauben für die Verkehrsplanung zu identifizieren. Entwicklung eines Prognosemodells für die Parksuchdauer, um Realtime-Prognosen der Parksuchzeit in Navi-Apps zu implementieren.
Durchführung
Die Trackingdaten werden App-gestützt mit der Hilfe von Testfahrern erhoben. Einige Fahrten werden begleitet und für qualitative Interviews genutzt. Der erhobene Daten-Pool wird mit vorhandenen Big Data kombiniert. Es werden mittlere Parksuchzeiten nach Stadtteiltypen und Zeiten ermittelt. Im Anschluss erfolgt - basierend auf einer großen Strichprobe von Trackingdaten, die ca. 6% aller Verkehrsteilnehmer in Deutschland enthält - eine Hochrechnung. Mittels statistischer Analysen wird die Parksuchdauer durch mögliche Determinanten (z.B. Verkehrsdichte, Datum, Uhrzeit etc.) erklärt (Erklärungsmodell). Mit Hilfe von Methoden des maschinellen Lernens wird ein Prognosemodell erstellt, mit denen Realtime-Prognosen durchgeführt werden können. Alle erhobenen Daten und berechneten Werte werden dokumentiert und anschließend auf der mCLOUD veröffentlicht.
Prognose-Modell
- Das Machine-Learning-Modell zur Erkennung der Parkplatzsuche in beliebigen Floating-Car-Daten ist jetzt kostenlos auf GitHub verfügbar und kann in den eigenen Programmcode integriert werden: https://github.com/ReLUT/parking-search-prediction
- Auf der folgenden Seite können Sie das Modell testen, indem Sie einzelne Fahrten hochladen und sich die ermittelte Parkplatzsuche ansehen: https://start2park.eu/
Weitere Informationen über das start2park-Projekt sind in diesen Videos zu sehen:
- https://www.youtube.com/watch?v=KwBrH5KYs6w
- https://www.youtube.com/watch?v=vlSIzopNwtg
- https://www.youtube.com/watch?v=5Xf8YpAxNLA
- https://www.youtube.com/watch?v=swEt4fAtIIQ
Zur Projektseite start2park beim BMVI
Hier finden Sie die Pressemitteilung zum Projektauftakt start2park vom 1.7.2020.
Saki, S., Hagen, T. (2024). Cruising for parking again: Measuring the ground truth and using survival analysis to reveal the determinants of the duration. Transportation Research Part A: Policy and Practice, 183, 104045.
https://www.sciencedirect.com/science/article/pii/S0965856424000934
Saki, S. & T. Hagen, T. (2024). Parking search identification in vehicle GPS traces. Journal of Urban Mobility 6, 100083, https://doi.org/10.1016/j.urbmob.2024.100083.
Saki, S. & T. Hagen (2024). What Drives Drivers to Start Cruising for Parking? Modeling the Start of the Search Process. Transport Research Part B: Methodology, 188, 103058. https://doi.org/10.1016/j.trb.2024.103058.
Hagen, T. et al. (2021): "Mit Parkraummanagement Einfluss nehmen auf fließenden Verkehr und städtische Mobilität", "Daten als Grundlage eines datengestützten Parkraummanagements", "Forschung für das kommunale Parkraummanagement: Ideen für Pilotprojekte", in: Prochazka, V., M. Handrich, B. Bienzeisler (Hrsg.), "Kommunalen Parkraum datengestützt managen, Erfahrungen, Erkenntnisse und Handlungsempfehlungen", Fraunhofer IAO, Stuttgart, 2021. Download.
