DE102020206751A1 - Verfahren zur Prognose eines Transportbedarfs - Google Patents
Verfahren zur Prognose eines Transportbedarfs Download PDFInfo
- Publication number
- DE102020206751A1 DE102020206751A1 DE102020206751.1A DE102020206751A DE102020206751A1 DE 102020206751 A1 DE102020206751 A1 DE 102020206751A1 DE 102020206751 A DE102020206751 A DE 102020206751A DE 102020206751 A1 DE102020206751 A1 DE 102020206751A1
- Authority
- DE
- Germany
- Prior art keywords
- region
- transport
- data
- data model
- created
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013499 data model Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zur Prognose eines Transportbedarfs in einer vorbestimmten Region (13) 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 undbei dem der Transportbedarf in der vorbestimmten Region (13) mittels Auswertung des Datenmodells prognostiziert wird.Um dieses Verfahren zu verbessern, ist erfindungsgemäß vorgesehen, zum Erstellen des historischen Datensatzes historische Nutzeranfragen an wenigstens eine softwarebasierte multimodale Reiseplanungseinrichtung zu verwenden.
Description
- 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 - 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 und2 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 der1 und der Einrichtung10 zur Prognose eines Transportbedarfs in2 werden Daten11 von einer softwarebasierten multimodalen Reiseplanungseinrichtung von einer anderen Region12 bereitgestellt, die aber nicht die Zielregion13 ist. Die Zielregion13 , für die hier beispielsweise das DRT-System geplant werden soll, ist beispielsweise eine Stadt A, wie sie in2 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 Daten11 der anderen Region12 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 Daten11 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 Einrichtung10 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 Datensatz14 (2 ) erstellt und in dem Datenmodell von der Einrichtung10 zur Prognose eines Transportbedarfs verwendet. Unter einem regionsspezifischen Datensatz14 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 Datensatz14 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 Region12 und den regionsspezifischen Daten14 der Zielregion13 erstellt. Im Schritt 7 wird dieses Datenmodell verwendet, um ein Datenmodell für die vorbestimmte Zielregion13 zu erstellen. Dieses Übertragen von der anderen Region12 auf die Zielregion13 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 Zielregion13 angepasst werden, beispielsweise werden raumbezogene - geospatiale - Örtlichkeiten und Bevölkerungsdichten der Zielregion13 werden extrahiert, transformiert und in gleicher Weise strukturiert wie die Daten der anderen Region12 oder Eingangsregion. Um dies zu erreichen, kann beispielsweise eine erste Schicht des vortrainierten neuralen Netzwerks der anderen Region12 , die auch Eingangsregion genannt werden kann, genommen werden als Basis für die Zielregion13 . 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
-
- US 9953539 B1 [0002]
Claims (10)
- Verfahren zur Prognose eines Transportbedarfs in einer vorbestimmten Region (13) 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 (13) mittels Auswertung des Datenmodells prognostiziert wird, dadurch gekennzeichnet, dass zum Erstellen des historischen Datensatzes historische Nutzeranfragen an wenigstens eine softwarebasierte multimodale Reiseplanungseinrichtung verwendet werden.
- Verfahren nach
Anspruch 1 , dadurch gekennzeichnet, dass wenigstens ein regionsspezifischer Datensatz (14) erstellt wird und das Datenmodell unter Verwendung des regionsspezifischen Datensatzes (14) erstellt wird. - Verfahren nach
Anspruch 2 , dadurch gekennzeichnet, dass beim Erstellen des regionsspezifischen Datensatzes (14) 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. - Verfahren nach einem der oben genannten Ansprüche, dadurch gekennzeichnet, dass beim Erstellen des historischen Datensatzes Nutzeranfragen für eine andere Region (12) als die vorbestimmte Region (13) verwendet werden.
- Verfahren nach einem der oben genannten Ansprüche, dadurch gekennzeichnet, dass beim Erstellen des historischen Datensatzes Nutzeranfragen für die vorbestimmte Region verwendet werden.
- Verfahren nach einem der oben genannten Ansprüche, dadurch gekennzeichnet, dass als Datenmodell wenigstens eine Start-Ziel-Matrix verwendet wird.
- Verfahren nach
Anspruch 6 , dadurch gekennzeichnet, dass für unterschiedliche Zeiten jeweils wenigstens eine Start-Ziel-Matrix verwendet wird. - Verfahren nach einem der oben genannten Ansprüche, dadurch gekennzeichnet, dass das Datenmodell mittels künstlicher Intelligenz, insbesondere Machine Learning und/oder Deep Learning, trainiert wird.
- Verfahren nach einem der oben genannten Ansprüche, dadurch gekennzeichnet, dass die Prognose des Transportbedarfs für die Planung von bedarfsabhängigen Transportmitteln, insbesondere einer Demand Responsive Transport Einrichtung, verwendet wird.
- Einrichtung zur Prognose eines Transportbedarfs, wobei die Einrichtung zum Ausführen des Verfahrens nach einem der oben genannten Ansprüche ausgebildet ist.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020206751.1A DE102020206751A1 (de) | 2020-05-29 | 2020-05-29 | Verfahren zur Prognose eines Transportbedarfs |
PCT/EP2021/061789 WO2021239412A1 (de) | 2020-05-29 | 2021-05-05 | Verfahren zur prognose eines transportbedarfs |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020206751.1A DE102020206751A1 (de) | 2020-05-29 | 2020-05-29 | Verfahren zur Prognose eines Transportbedarfs |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020206751A1 true DE102020206751A1 (de) | 2021-12-02 |
Family
ID=76138042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020206751.1A Pending DE102020206751A1 (de) | 2020-05-29 | 2020-05-29 | Verfahren zur Prognose eines Transportbedarfs |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102020206751A1 (de) |
WO (1) | WO2021239412A1 (de) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022200130A1 (de) | 2022-01-07 | 2023-07-13 | Volkswagen Aktiengesellschaft | Verfahren zur Bedarfsermittlung von Waren- und/oder Dienstleistungen in zumindest einem vorgegebenen lokalen Bereich, Computerprogrammprodukt sowie Bedarfsermittlungssystem |
DE102022125423B3 (de) | 2022-09-30 | 2024-01-25 | Modoplus GmbH | Verfahren und Vorrichtung zur Ermittlung eines Entwicklungspotenzials |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9953539B1 (en) | 2017-03-28 | 2018-04-24 | Nec Corporation | Method and system for providing demand-responsive dispatching of a fleet of transportation vehicles, and a mobility-activity processing module for providing a mobility trace database |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10839695B2 (en) * | 2017-05-11 | 2020-11-17 | Uber Technologies, Inc. | Network computer system to position service providers using provisioning level determinations |
-
2020
- 2020-05-29 DE DE102020206751.1A patent/DE102020206751A1/de active Pending
-
2021
- 2021-05-05 WO PCT/EP2021/061789 patent/WO2021239412A1/de active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9953539B1 (en) | 2017-03-28 | 2018-04-24 | Nec Corporation | Method and system for providing demand-responsive dispatching of a fleet of transportation vehicles, and a mobility-activity processing module for providing a mobility trace database |
Non-Patent Citations (2)
Title |
---|
GARCÍA RODRÍGUEZ, Óscar, et al.: Forecasting tourism arrivals with an online search engine data: A study of the Balearic Islands. In: Pasos, Vol. 15, Nr. 4, 2017, S. 943 - 958. |
YANG, Xin, et al.: Forecasting Chinese tourist volume with search engine data. In: Tourism Management, 2015, 46. Jg., PrePrint, S. 1 - 31. |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022200130A1 (de) | 2022-01-07 | 2023-07-13 | Volkswagen Aktiengesellschaft | Verfahren zur Bedarfsermittlung von Waren- und/oder Dienstleistungen in zumindest einem vorgegebenen lokalen Bereich, Computerprogrammprodukt sowie Bedarfsermittlungssystem |
DE102022125423B3 (de) | 2022-09-30 | 2024-01-25 | Modoplus GmbH | Verfahren und Vorrichtung zur Ermittlung eines Entwicklungspotenzials |
Also Published As
Publication number | Publication date |
---|---|
WO2021239412A1 (de) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0396558B1 (de) | Start- und zielpunkteingaben für navigationssysteme | |
EP2936470B1 (de) | Verfahren und system zum lernen von verkehrsereignissen sowie verwendung des systems | |
DE102014224601A1 (de) | Vorrichtung und Verfahren zum Betreiben eines Parkplatzes | |
WO2021239412A1 (de) | Verfahren zur prognose eines transportbedarfs | |
DE102015225893A1 (de) | Verfahren und System zur Optimierung der Parkplatzsuche eines Fahrzeuges und ein Computerprogrammprodukt | |
DE102010003610A1 (de) | Verfahren, System und Abgleichmittel zum automatisierten Abgleich von dynamischen Fahrtrouten mit ortsbezogenen Mitfahranfragen | |
DE69937319T2 (de) | Fahrzeugverteilungssystem | |
EP3751481A1 (de) | Verfahren zum umverteilen von fahrrädern eines fahrradleihsystems | |
DE102010001700A1 (de) | Verfahren zur Bestimmung eines Bildes benutzter oder bekannter Streckenabschnitte | |
EP1032927B1 (de) | Verfahren zur prognose eines den zustand eines systems repräsentierenden parameters, insbesondere eines den zustand eines verkehrsnetzes repräsentierenden verkehrsparameters | |
EP1397643B1 (de) | Verfahren zum erzeugen von navigationsdaten für eine routenführung sowie navigationssystem | |
DE10201106A1 (de) | Verfahren zum Bestimmen einer Reisezeit | |
DE112016003148T5 (de) | Routen-auswertungseinrichtung und routen-auswertungsverfahren | |
WO1998010396A1 (de) | Verfahren zur steuerung des transport- und reiseverkehrs | |
WO2016008601A1 (de) | System und verfahren zur optimierten nutzung von infrastruktureinrichtungen eines urbanen gebietes | |
DE102018201111A1 (de) | Verfahren zur Überwachung zumindest eines Parkplatzes auf Verfügbarkeit sowie System zum Durchführen des Verfahrens | |
DE102014214758A1 (de) | Verfahren für ein Navigationssystem | |
WO2023247089A1 (de) | Verfahren und vorrichtung zur prädiktion der wartezeit an einer ladestation | |
DE102014203226A1 (de) | Verfahren und System zum Bereitstellen von Eingangsdaten für ein Verkehrsmodell eines Verkehrsnetzes | |
DE3744531A1 (de) | Verfahren fuer strassennetzabbildungen in datenspeichern | |
DE102020207080A1 (de) | Verfahren und Vorrichtung zum Erstellen eines Netzwerkdesigns für ein streckengebundenes Transportsystem mit künstlicher Intelligenz | |
DE102012014455A1 (de) | Verfahren zum Betreiben eines Parkleitsystems und Parkleitsystem | |
AT514548B1 (de) | Verfahren zur Bereitstellung von Verkehrsinformationen | |
DE102009027544A1 (de) | Verfahren und Vorrichtung zur Ermittlung einer Verkehrsprognose | |
DE102008024781A1 (de) | Technik zur Reisezeitprognose |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified | ||
R012 | Request for examination validly filed | ||
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: G06Q0050300000 Ipc: G06Q0050400000 |