-
Die Erfindung betrifft ein Verfahren zur Prognose eines Transportbedarfs in einer vorbestimmten Region zu einer vorbestimmten Zeit, bei dem wenigstens ein historischer Datensatz für eine bestimmte Zeit erstellt wird, bei dem wenigstens ein Datenmodell unter Verwendung des historischen Datensatzes erstellt wird und bei dem der Transportbedarf in der vorbestimmten Region mittels Auswertung des Datenmodells prognostiziert wird.
-
Ein solches Verfahren ist beispielsweise aus der
US 9,953,539 B1 bekannt.
-
Öffentliche Verkehrsmittel haben insbesondere außerhalb der großen Stadtzentren sehr häufig das Problem, dass sie sehr ungleichmäßig genutzt werden. Dies in Kombination mit typischerweise selten vorliegenden Daten zum Bedarf und der Verwendung von Mobilität, macht es sehr schwierig, ausreichend Transportkapazitäten bereitzustellen, wenn diese benötigt werden. In letzter Zeit sind bedarfsabhängige Transportmittel, die auch als Demand Responsive Transport - DRT - bezeichnet werden können, populär geworden, um die Transportkapazitäten besser auf den Bedarf der Mobilität abzustimmen. Theoretisch bieten solche Systeme die Möglichkeit, besser und effektiver auf ungleichmäßigen Bedarf zu reagieren als beispielsweise fest eingeplante Verkehrsmittel wie Buslinien. Dabei ist es besonders wichtig, schon während der Planungsphase solcher DRT-Systeme den Mobilitätsbedarf wirklich gut zu verstehen. Dies ermöglicht die Einrichtung eines DRT-Systems in geeigneten Regionen, um einen guten Service bereitzustellen bei gleichzeitig vertretbaren Kosten, beispielsweise durch die Definition von Serviceregionen, und Anzahl und Größe von Fahrzeugen.
-
Der Vorteil eines gut geplanten DRT-Systems ist, dass es reduzierte Wegezeiten, die zu Fuß oder individuell bis zum Startpunkt des ersten Fahrzeugs zurückgelegt werden müssen, erfordert. Üblicherweise wird ein DRT-Fahrzeug die Nutzer entsprechend ihres Bedarfs abholen und absetzen. Weiterhin werden bei einem DRT-System überfüllte Fahrzeuge oder leere Fahrzeuge durch Steigerung oder Reduzierung der Transportkapazitäten größtenteils vermieden, zumindest innerhalb der Planungsmöglichkeiten.
-
Verkehrsunternehmen des öffentlichen Personennahverkehrs - ÖPNV - würden gerne die Nutzung ihrer Fahrzeuge möglichst gut verstehen und auflösen. Daher versuchen sie durch verschiedene Fahrgastumfragen oder Stichproben verschiedene Informationen zu sammeln. Dies ist allerdings nicht einfach, so dass meist keine ausreichende Datenbasis vorliegt.
-
Eine Bereitstellung einer Datenbasis ist beispielsweise beschrieben in Foell, S., Phithakkitnukoon, S., Kortuem, G., Veloso, M., Bento, C. „Catch me if you can: Predicting mobility patterns of public transport users“, October 2014, 17th International IEEE Conference on Intelligent Transportation Systems (ITSC), Seiten 1995-2002 und Toque, F., Cöme, E., El Mahrsi, M. K., Oukhellou, L. „Forecasting dynamic public transport origin-destination matrices with long-short term memory recurrent neural networks“, November 2016, IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), Seiten 1071-1076.
-
Der Erfindung liegt die Aufgabe zugrunde, das eingangs genannte Verfahren zu verbessern.
-
Erfindungsgemäß wird die Aufgabe dadurch gelöst, dass zum Erstellen des historischen Datensatzes historische Nutzeranfragen an wenigstens eine softwarebasierte multimodale Reiseplanungseinrichtung verwendet werden.
-
Die erfindungsgemäße Lösung hat den Vorteil, dass aus den Nutzeranfragen an die multimodale Reiseplanungseinrichtung der Transportbedarf sehr gut abgelesen werden kann.
-
Die erfindungsgemäße Lösung kann durch vorteilhafte Ausgestaltungen weiterentwickelt werden, die im Folgenden beschrieben sind.
-
So kann wenigstens ein regionsspezifischer Datensatz erstellt werden und das Datenmodell unter Verwendung des regionsspezifischen Datensatzes erstellt werden. So können verschiedenste Regionen spezifische Gegebenheiten berücksichtigt werden, um das Datenmodell zu optimieren. Dabei können beim Erstellen des Regionen spezifischen Datensatzes eines oder mehrere der folgenden Parameter verwendet werden: Geographische Positionen von Sehenswürdigkeiten oder Ballungsgebieten, Bevölkerungsdichten, geographische Höhe von Gegenden, auftretende Ereignisse in der vorbestimmten Region, Wetterdaten, Urlaubsdaten oder Feiertagsdaten.
-
In einer besonders vorteilhaften Ausgestaltung der Erfindung können beim Erstellen des historischen Datensatzes Nutzeranfragen für eine andere Region als die vorbestimmte Region verwendet werden. Dies hat den besonderen Vorteil, dass die Erfindung auch Prognosen für den Transportbedarf liefern kann, wenn für die vorbestimmte Region keine Daten einer Reiseplanungseinrichtung vorliegen. Dies kann beispielsweise der Fall sein, wenn es bisher keine Reiseplanungseinrichtung für die vorbestimmte Region gibt oder die Daten einer vorhandenen Reiseplanungseinrichtung nicht vorliegen. Zusätzlich oder alternativ können selbstverständlich auch beim Erstellen des historischen Datensatzes Nutzeranfragen an die Reiseplanungseinrichtung für die vorbestimmte Region verwendet werden.
-
Um das Datenmodell besonders einfach auszugestalten, kann als Datenmodell wenigstens eine Start-Ziel-Matrix verwendet werden. Dabei können für unterschiedliche Zeiten unterschiedliche Start-Ziel-Matrizen verwendet werden. Für einen größeren Zeitraum liegt also beispielsweise eine Vielzahl von Start-Ziel-Matrizen vor. Um auch die regionsspezifischen Daten zu berücksichtigen, können die Start-Ziel-Matrizen auch mehr als zweidimensional aufgebaut sein.
-
Um das Datenmodell besonders gut weiterzuentwickeln, kann das Datenmodell mittels künstlicher Intelligenz, insbesondere Machine Learning und/oder Deep Learning, trainiert werden.
-
Die erfindungsgemäße Prognose des Transportbedarfs kann für die Planung von bedarfsabhängigen Transportmitteln, insbesondere einer Demand Responsive Transport Einrichtung, verwendet werden.
-
Schließlich betrifft die Erfindung auch eine Einrichtung Prognostizieren eines Transportbedarf, die zum Ausführen des Verfahrens nach einer der zuvor genannten Ausführungsformen ausgebildet ist.
-
Im Folgenden wird die Erfindung mit Bezug auf die beispielhafte Ausführungsform in den beigefügten Figuren erläutert.
-
Es zeigen:
- 1 eine schematische Darstellung einer beispielhaften Ausführungsform des erfindungsgemäßen Verfahrens zur Prognose eines Transportbedarfs;
- 2 eine schematische Darstellung einer beispielhaften Ausführungsform der erfindungsgemäßen Einrichtung zur Prognose eines Transportbedarfs.
-
Die Erfindung wird mit Bezug auf die beispielhaften Ausführungsformen in den 1 und 2 im Folgenden erläutert.
-
Die Erfindung bietet in den beispielhaften Ausführungsformen, wie sie in den Figuren dargestellt ist, eine Lösung für eine verbesserte Prognose eines Transportbedarfs.
-
Im Schritt 1 des erfindungsgemäßen Verfahrens in der beispielhaften Ausführungsform in der 1 und der Einrichtung 10 zur Prognose eines Transportbedarfs in 2 werden Daten 11 von einer softwarebasierten multimodalen Reiseplanungseinrichtung von einer anderen Region 12 bereitgestellt, die aber nicht die Zielregion 13 ist. Die Zielregion 13, für die hier beispielsweise das DRT-System geplant werden soll, ist beispielsweise eine Stadt A, wie sie in 2 schematisch dargestellt ist. Für die Stadt A liegen bisher aber keine oder nicht ausreichend Daten einer multimodalen Reiseplanungseinrichtung, die aus dem Englischen auch als Trip Planner bezeichnet werden kann, vor. Beispiele für solche Reiseplanungseinrichtungen sind z. B. der in Deutschland bekannte DB-Navigator, Google Maps oder lokale Apps wie BVG Info für die Region Berlin. Da für die Stadt A bisher nicht genügend Daten vorliegen, werden im Schritt 1 Daten 11 der anderen Region 12 wie beispielsweise hier der Stadt B zur Verfügung gestellt und für die weiteren Schritte des erfindungsgemäßen Verfahrens verwendet.
-
Im Schritt 2 des erfindungsgemäßen Verfahrens in 1 werden die im Schritt 1 zur Verfügung gestellten Daten 11 zunächst aufbereitet und strukturiert. Dabei werden beispielsweise unnötige oder redundant vorliegende Informationen gelöscht. Dies ist beispielsweise möglich bzw. erforderlich, wenn lediglich bestimmte Segmente oder Transportmittel des gesamten Transportnetzwerks betrachtet werden sollen. Hierbei kann auch ein zeitabhängiges Auf- und Abwärtssampeln - up/down sampling - der Daten durchgeführt werden.
-
Im nächsten Schritt 3 des Verfahrens wird von der erfindungsgemäßen Einrichtung 10 zur Prognose eines Transportbedarfs ein erstes Datenmodell in Form von Start-Ziel-Matrizen erstellt. In diesem Schritt werden außerdem bekannte Analysetechniken eingesetzt, um beispielsweise Ausreißer zu identifizieren und um fehlende Daten zu ersetzen, beispielsweise durch lineare Interpolation, Vorwärts-Rückwärts-Ausfüllen oder Median.
-
Die Standard-Struktur einer Start-Ziel-Matrix besteht lediglich aus zwei Achsen: dem Start und dem Ziel. Der metrische Wert ist häufig eine Zahl, die normiert ist und nicht direkt die Belegung anzeigt. Diese Matrizen sind lediglich für ein bestimmtes Zeitfenster gültig in Abhängigkeit vom up/down sampling der Daten. Der Begriff down sampling oder auch Heruntertaktung bezeichnet die Reduktion der Stützstellen einer Anzahl diskreter Werte. Umgekehrt bezeichnet der Begriff up sampling oder Abtastratenerhöhung im Rahmen einer digitalen Signalverarbeitung die Umsetzung eines Digitalsignals mit wenigen Stützstellen auf ein Digitalsignal mit mehr Stützstellen. Es ist daher nötig, eine Vielzahl von Start-Ziel-Matrizen zu erstellen, um den Bedarf an Mobilität für eine bestimmte Region über eine gegebene Zeitspanne zu erfassen.
-
Im Schritt 4 des erfindungsgemäßen Verfahrens in 1 wird ein regionsspezifischer Datensatz 14 (2) erstellt und in dem Datenmodell von der Einrichtung 10 zur Prognose eines Transportbedarfs verwendet. Unter einem regionsspezifischen Datensatz 14 werden Daten zu zusätzlichen Informationen neben den Daten der Reiseplanungseinrichtung verstanden. Dabei wird das Datenmodell um weitere Achsen erweitert, um mehr Informationen darzustellen. Beispielsweise werden im regionsspezifischen Datensatz 14 der Abstand zu markanten Punkten oder Sehenswürdigkeiten berücksichtigt und zusätzliche Daten wie geographische Positionen von Sehenswürdigkeiten, Stadtgebieten und Bevölkerungsdichte. Diese zusätzlichen Daten werden berücksichtigt, um die anfänglichen auf Grundlage der Daten aus der Reiseplanungseinrichtung erstellten Start-Ziel-Matrizen zu optimieren.
-
Die Entwicklung des Datenmodells kann beispielsweise durch die Hilfe von künstlicher Intelligenz wie Machine Learning - Decision Trees, SVN, k-NN - oder Deep Learning - DNN, LSTM, CNN, Transfer Learning. Diese Weiterentwicklung des Datenmodells findet in den Schritten 5 und 6 statt.
-
In den Schritten 1-6 des erfindungsgemäßen Verfahrens in der beispielhaften Ausführungsform in der 1 wurde ein erstes Datenmodell mit Hilfe der Daten von der Reiseplanungseinrichtung aus der anderen Region 12 und den regionsspezifischen Daten 14 der Zielregion 13 erstellt. Im Schritt 7 wird dieses Datenmodell verwendet, um ein Datenmodell für die vorbestimmte Zielregion 13 zu erstellen. Dieses Übertragen von der anderen Region 12 auf die Zielregion 13 kann auch als Transfer Learning bezeichnet werden. Wenn nötig, kann das Datenmodell auch separiert werden, um unterschiedliche Bereiche zu prognostizieren. Daher können verschiedene Modelle nach ähnlichem Ansatz wie zuvor beschrieben, entwickelt werden. Beispielsweise wäre es möglich, Vorhersagen zu der Zeit, bestimmten Orten oder einer Belegung zu machen, separat von den Start-Ziel-Matrizen und die Ergebnisse anschließend wieder zu kombinieren.
-
Um das Datenmodell für die Zielregion 13 verwenden zu können, müssen bestimmte Daten für die Zielregion 13 angepasst werden, beispielsweise werden raumbezogene - geospatiale - Örtlichkeiten und Bevölkerungsdichten der Zielregion 13 werden extrahiert, transformiert und in gleicher Weise strukturiert wie die Daten der anderen Region 12 oder Eingangsregion. Um dies zu erreichen, kann beispielsweise eine erste Schicht des vortrainierten neuralen Netzwerks der anderen Region 12, die auch Eingangsregion genannt werden kann, genommen werden als Basis für die Zielregion 13. Zusätzlich werden weitere Schichten hinzugefügt.
-
Optional kann das Datenmodell an dieser Stelle zusätzlich verfeinert werden, wenn zusätzliche Daten 15 für die Zielregion vorliegen. Dies kann bereits durch eine geringe Datenmenge für die Zielregion geschehen und eine Optimierung des erfindungsgemäßen Verfahrens bedeuten. In Abhängigkeit von der Zuverlässigkeit des erstellen Datenmodells, kann die Gewichtung der letzten Schichten eines neuralen Netzwerks trainiert werden in Bezug auf die Zielregion.
-
Im Schritt 8 wird die Genauigkeit und Zuverlässigkeit des entwickelten Datenmodells verifiziert. Dabei werden beispielsweise für bestimmte Regionen, in denen genaue Daten vorliegen, Start-Ziel-Matrizen direkt erneut und mit dem Datenmodell verglichen. Weiterhin ist es möglich, das Datenmodell zu verifizieren durch automatische Zählsysteme oder ähnliche Systeme, die ähnliche Informationen zur Verfügung stellen, wie beispielsweise Gesichtsdaten aus Fahrzeugen, die eine ungefähre Anzahl der Personen in den Fahrzeugen angeben.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
