WO2021239412A1 - Verfahren zur prognose eines transportbedarfs - Google Patents
Verfahren zur prognose eines transportbedarfs Download PDFInfo
- Publication number
- WO2021239412A1 WO2021239412A1 PCT/EP2021/061789 EP2021061789W WO2021239412A1 WO 2021239412 A1 WO2021239412 A1 WO 2021239412A1 EP 2021061789 W EP2021061789 W EP 2021061789W WO 2021239412 A1 WO2021239412 A1 WO 2021239412A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- region
- transport
- data set
- data model
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 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
- 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
- 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
Classifications
-
- G06Q50/40—
-
- 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"
Definitions
- the invention relates to a method for forecasting a transport requirement in a predetermined region at a predetermined time, in which at least one historical data set is created for a certain time, in which at least one data model is created using the historical data set and in which the transport demand in the predetermined region is forecast by evaluating the data model.
- a DRT system This enables a DRT system to be set up in suitable regions in order to provide good service with reasonable costs, for example by defining service regions and the number and size of vehicles.
- the advantage of a well-planned DRT system is that it requires reduced travel times that have to be covered on foot or individually to the starting point of the first vehicle. Usually, a DRT vehicle will pick up and drop off users according to their needs. Furthermore, with a DRT system, overcrowded vehicles or empty vehicles are largely avoided by increasing or reducing the transport capacities, at least within the planning options.
- a provision of a database is described, for example, 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), pages 1995-2002 and Toque, F., Cöme, E., El Mahrsi, MK, 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), pages 1071-1076.
- the invention is based on the object of improving the method mentioned at the outset.
- the object is achieved in that historical user inquiries to at least one software-based multimodal travel planning facility are used to provide the historical data set.
- the solution according to the invention has the advantage that the transport requirement can be read off very well from the user inquiries to the multimodal travel planning facility.
- At least one region-specific data record can be created and the data model can be created using the region-specific data record.
- region-specific conditions can be taken into account in order to optimize the data model.
- one or more of the following parameters can be used: Geographical positions of sights or metropolitan areas, population densities, geographical height of areas, events occurring in the predetermined region, weather data, vacation dates or holiday dates.
- user inquiries for a region other than the predetermined region can be used when creating the historical data record.
- the invention can also provide forecasts for the transport requirement if no data from a travel planning device are available for the predetermined region. This can be the case, for example, if there has not yet been a travel planning device for the predetermined region or if the data of an existing travel planning device are not available.
- user inquiries to the travel planning facility for the predetermined region can of course also be used when creating the historical data set.
- At least one start-destination matrix can be used as the data model.
- Different start-finish matrices can be used for different times. For a bigger one For example, there is a large number of start-finish matrices in the time period.
- the start-destination matrices can also be structured more than two-dimensionally.
- the data model can be trained using artificial intelligence, in particular machine learning and / or deep learning.
- the forecast according to the invention of the transport requirement can be used for planning demand-dependent means of transport, in particular a demand-responsive transport device.
- the invention also relates to a device for forecasting a transport requirement which is designed to carry out the method according to one of the aforementioned embodiments.
- FIG. 1 shows a schematic representation of an exemplary embodiment of the method according to the invention for forecasting a transport requirement
- FIG. 2 shows a schematic representation of an exemplary embodiment of the device according to the invention for forecasting a transport requirement.
- the invention offers a solution for an improved forecast of a transport requirement.
- step 1 of the method according to the invention in the exemplary embodiment in FIG. 1 and the device 10 for forecasting a transport requirement in FIG. 2 data 11 are provided by a software-based multimodal travel planning device from another region 12, which is not the target region 13 .
- the target region 13, for which the DRT system is to be planned here, for example is, for example, a city A, as is shown schematically in FIG.
- a multimodal travel planning facility which can also be referred to as a trip planner from English. Examples of such travel planning facilities are e.g. B.
- step 1 data 11 is made available to the other region 12, such as city B here, and used for the further steps of the method according to the invention.
- step 2 of the method according to the invention in FIG. 1 the data 11 made available in step 1 are first prepared and structured. For example, unnecessary or redundant information is deleted. This is possible or necessary, for example, if only certain segments or means of transport of the entire transport network are to be considered. Time-dependent upward and downward sampling - up / down sampling - of the data can also be carried out here.
- a first data model in the form of start-destination matrices is provided by the device 10 according to the invention for forecasting a transport requirement.
- known analysis techniques are also used, for example to identify outliers and to replace missing data, for example by linear interpolation, forwards-backwards filling or the median.
- the standard structure of a start-finish matrix consists of just two axes: the start and the finish.
- the metric value is often a number that is standardized and does not directly indicate the occupancy.
- These matrices are only valid for a certain time window, depending on the up / down sampling of the data.
- the term down sampling or down-clocking describes the reduction of the support points of a number of discrete values.
- the term up sampling or sampling rate increase in the context of digital signal processing denotes the conversion of a digital signal with few support points to a digital signal with more support points. It is therefore necessary to create a large number of start-destination matrices in order to record the need for mobility for a specific region over a given period of time.
- a region-specific data record 14 (FIG. 2) is created and used in the data model by the device 10 to forecast a transport requirement.
- a region-specific data record 14 is understood to mean data on additional information in addition to the data from the travel planning facility.
- the data model is expanded to include additional axes in order to display more information. For example, in the region-specific data record 14, the distance to prominent points or sights are taken into account and additional data such as geographic positions of sights, urban areas and population density are taken into account. These additional data are taken into account in order to optimize the initial start-destination matrices created on the basis of the data from the travel planning device.
- the data model can be developed, for example, with the help of artificial intelligence such as Machine Learning - Decision Trees, SVN, k-NN - or Deep Learning - DNN, LSTM, CNN, Transfer Learning. This further development of the data model takes place in steps 5 and 6.
- artificial intelligence such as Machine Learning - Decision Trees, SVN, k-NN - or Deep Learning - DNN, LSTM, CNN, Transfer Learning.
- a first data model was created using the data from the travel planning device from the other region 12 and the region-specific data 14 from the target region 13.
- this data model is used in order to create a data model for the target region 13 which has previously been determined.
- This transfer from the other region 12 to the target region 13 can also be referred to as transfer learning.
- the data model can also be separated in order to forecast different areas. Therefore, different models can be developed using a similar approach as described above. For example, it would be possible to make predictions about the time, specific locations or an occupancy, separate from the start-finish matrices and then combine the results again.
- certain data must be adapted for the target region 13, for example spatial - geospatial - locations and population densities of the target region 13 are extracted, transformed and structured in the same way as the data of the other region 12 or input region.
- a first layer of the pre-trained neural network of the other region 12, which can also be called the input region can be used as the basis for the target region 13.
- further layers are added.
- the data model can also be refined at this point if additional data 15 is available for the target region. This can already be done with a small amount of data for the target region and mean an optimization of the method according to the invention. Depending on the reliability of the data model created, the weighting of the last layers of a neural network are trained in relation to the target region.
- step 8 the accuracy and reliability of the developed data model is verified. For example, for certain regions in which precise data is available, start-destination matrices are directly compared again and with the data model. It is also possible to verify the data model using automatic counting systems or similar systems that provide similar information, such as facial data from vehicles that indicate an approximate number of people in the vehicles.
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 und bei 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
Beschreibung
Verfahren zur Prognose eines Transportbedarfs
Die Erfindung betrifft ein Verfahren zur Prognose eines Transportbedarfs in einer vorbestimmten Region zu einer vor bestimmten Zeit, bei dem wenigstens ein historischer Daten satz für eine bestimmte Zeit erstellt wird, bei dem wenigs tens ein Datenmodell unter Verwendung des historischen Daten satzes 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 Bl bekannt.
Öffentliche Verkehrsmittel haben insbesondere außerhalb der großen Stadtzentren sehr häufig das Problem, dass sie sehr ungleichmäßig genutzt werden. Dies in Kombination mit typi scherweise selten vorliegenden Daten zum Bedarf und der Ver wendung von Mobilität, macht es sehr schwierig, ausreichend Transportkapazitäten bereitzustellen, wenn diese benötigt werden. In letzter Zeit sind bedarfsabhängige Transportmit tel, die auch als Demand Responsive Transport - DRT - be zeichnet werden können, populär geworden, um die Transportka pazitäten besser auf den Bedarf der Mobilität abzustimmen. Theoretisch bieten solche Systeme die Möglichkeit, besser und effektiver auf ungleichmäßigen Bedarf zu reagieren als bei spielsweise fest eingeplante Verkehrsmittel wie Buslinien. Dabei ist es besonders wichtig, schon während der Planungs phase solcher DRT-Systeme den Mobilitätsbedarf wirklich gut zu verstehen. Dies ermöglicht die Einrichtung eines DRT- Systems in geeigneten Regionen, um einen guten Service be reitzustellen bei gleichzeitig vertretbaren Kosten, bei spielsweise durch die Definition von Serviceregionen, und An zahl und Größe von Fahrzeugen.
Der Vorteil eines gut geplanten DRT-Systems ist, dass es re duzierte 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 Transportka pazitäten 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 verschiede ne Fahrgastumfragen oder Stichproben verschiedene Informatio nen 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 mobil- ity 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 Sys tems (ITSC), Seiten 1071-1076.
Der Erfindung liegt die Aufgabe zugrunde, das eingangs ge nannte Verfahren zu verbessern.
Erfindungsgemäß wird die Aufgabe dadurch gelöst, dass zum Er stellen des historischen Datensatzes historische Nutzeranfra gen an wenigstens eine softwarebasierte multimodale Reisepla nungseinrichtung 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 Ausge staltungen weiterentwickelt werden, die im Folgenden be schrieben sind.
So kann wenigstens ein regionsspezifischer Datensatz erstellt werden und das Datenmodell unter Verwendung des regionsspezi fischen 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 Positio nen von Sehenswürdigkeiten oder Ballungsgebieten, Bevölke rungsdichten, geographische Höhe von Gegenden, auftretende Ereignisse in der vorbestimmten Region, Wetterdaten, Urlaubs daten oder Feiertagsdaten.
In einer besonders vorteilhaften Ausgestaltung der Erfindung können beim Erstellen des historischen Datensatzes Nutzeran fragen 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 Rei seplanungseinrichtung 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 al ternativ können selbstverständlich auch beim Erstellen des historischen Datensatzes Nutzeranfragen an die Reiseplanungs einrichtung für die vorbestimmte Region verwendet werden.
Um das Datenmodell besonders einfach auszugestalten, kann als Datenmodell wenigstens eine Start-Ziel-Matrix verwendet wer den. Dabei können für unterschiedliche Zeiten unterschiedli che 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 Ma chine Learning und/oder Deep Learning, trainiert werden.
Die erfindungsgemäße Prognose des Transportbedarfs kann für die Planung von bedarfsabhängigen Transportmitteln, insbeson dere 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 beispiel hafte Ausführungsform in den beigefügten Figuren erläutert.
Es zeigen:
Fig. 1 eine schematische Darstellung einer beispielhaften Ausführungsform des erfindungsgemäßen Verfahrens zur Prognose eines Transportbedarfs;
Fig. 2 eine schematische Darstellung einer beispielhaften Ausführungsform der erfindungsgemäßen Einrichtung zur Prognose eines Transportbedarfs.
Die Erfindung wird mit Bezug auf die beispielhaften Ausfüh rungsformen in den Figuren 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 bei spielhaften Ausführungsform in der Figur 1 und der Einrich tung 10 zur Prognose eines Transportbedarfs in Figur 2 werden Daten 11 von einer softwarebasierten multimodalen Reisepla nungseinrichtung 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 Figur 2 schema tisch dargestellt ist. Für die Stadt A liegen bisher aber keine oder nicht ausreichend Daten einer multimodalen Reise planungseinrichtung, die aus dem Englischen auch als Trip Planner bezeichnet werden kann, vor. Beispiele für solche Reiseplanungseinrichtungen sind z. B. der in Deutschland be kannte DB-Navigator, Google Maps oder lokale Apps wie BVG In fo für die Region Berlin. Da für die Stadt A bisher nicht ge nügend Daten vorliegen, werden im Schritt 1 Daten 11 der an deren Region 12 wie beispielsweise hier der Stadt B zur Ver fügung gestellt und für die weiteren Schritte des erfindungs gemäßen Verfahrens verwendet.
Im Schritt 2 des erfindungsgemäßen Verfahrens in Figur 1 wer den die im Schritt 1 zur Verfügung gestellten Daten 11 zu nächst aufbereitet und strukturiert. Dabei werden beispiels weise unnötige oder redundant vorliegende Informationen ge löscht. 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 erfindungs gemäßen Einrichtung 10 zur Prognose eines Transportbedarfs ein erstes Datenmodell in Form von Start-Ziel-Matrizen er stellt. In diesem Schritt werden außerdem bekannte Analyse techniken eingesetzt, um beispielsweise Ausreißer zu identi fizieren und um fehlende Daten zu ersetzen, beispielsweise
durch lineare Interpolation, Vorwärts-Rückwärts-Ausfüllen o- der Median.
Die Standard-Struktur einer Start-Ziel-Matrix besteht ledig lich 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 Her untertaktung 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 we nigen Stützstellen auf ein Digitalsignal mit mehr Stützstel len. 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 Figur 1 wird ein regionsspezifischer Datensatz 14 (Figur 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 Informa tionen darzustellen. Beispielsweise werden im regionsspezifi schen Datensatz 14 der Abstand zu markanten Punkten oder Se henswürdigkeiten berücksichtigt und zusätzliche Daten wie ge ographische Positionen von Sehenswürdigkeiten, Stadtgebieten und Bevölkerungsdichte. Diese zusätzlichen Daten werden be rücksichtigt, 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 Datenmo dells findet in den Schritten 5 und 6 statt.
In den Schritten 1-6 des erfindungsgemäßen Verfahrens in der beispielhaften Ausführungsform in der Figur 1 wurde ein ers tes Datenmodell mit Hilfe der Daten von der Reiseplanungsein richtung aus der anderen Region 12 und den regionsspezifi schen Daten 14 der Zielregion 13 erstellt. Im Schritt 7 wird dieses Datenmodell verwendet, um ein Datenmodell für die vor bestimmte 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 Da tenmodell 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, be stimmten 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 wer den, beispielsweise werden raumbezogene - geospatiale - Ört lichkeiten 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 Zielre gion vorliegen. Dies kann bereits durch eine geringe Daten menge für die Zielregion geschehen und eine Optimierung des erfindungsgemäßen Verfahrens bedeuten. In Abhängigkeit von der Zuverlässigkeit des erstellen Datenmodells, kann die Ge-
wichtung der letzten Schichten eines neuralen Netzwerks trai niert werden in Bezug auf die Zielregion.
Im Schritt 8 wird die Genauigkeit und Zuverlässigkeit des entwickelten Datenmodells verifiziert. Dabei werden bei spielsweise für bestimmte Regionen, in denen genaue Daten vorliegen, Start-Ziel-Matrizen direkt erneut und mit dem Da tenmodell verglichen. Weiterhin ist es möglich, das Datenmo dell zu verifizieren durch automatische Zählsysteme oder ähn- liehe Systeme, die ähnliche Informationen zur Verfügung stel len, wie beispielsweise Gesichtsdaten aus Fahrzeugen, die ei ne ungefähre Anzahl der Personen in den Fahrzeugen angeben.
Claims
1. Verfahren zur Prognose eines Transportbedarfs in einer vorbestimmten Region (13) zu einer vorbestimmten Zeit, bei dem wenigstens ein historischer Datensatz für eine be stimmte Zeit erstellt wird, bei dem wenigstens ein Datenmodell unter Verwendung des his torischen Datensatzes erstellt wird und bei dem der Transportbedarf in der vorbestimmten Region (13) mittels Auswertung des Datenmodells prognostiziert wird, d a d u r c h g e k e n n z e i c h n e t , dass zum Erstellen des historischen Datensatzes historische Nut zeranfragen an wenigstens eine softwarebasierte multimodale Reiseplanungseinrichtung verwendet werden.
2. Verfahren nach Anspruch 1, d a d u r c h g e k e n n z e i c h n e t , dass wenigstens ein regionsspezifischer Datensatz (14) erstellt wird und das Datenmodell unter Verwendung des regionsspezifi schen Datensatzes (14) erstellt wird.
3. Verfahren nach Anspruch 2, d a d u r c h g e k e n n z e i c h n e t , dass beim Erstellen des regionsspezifischen Datensatzes (14) eines oder mehrere der folgenden Parameter verwendet werden: geo graphische Positionen von Sehenswürdigkeiten oder Ballungsge bieten, Bevölkerungsdichten, geographische Höhe von Gegenden, auftretende Ereignisse in der vorbestimmten Region, Wetterda ten, Urlaubsdaten oder Feiertagsdaten.
4. Verfahren nach einem der oben genannten Ansprüche, d a d u r c h g e k e n n z e i c h n e t , dass beim Erstellen des historischen Datensatzes Nutzeranfragen für eine andere Region (12) als die vorbestimmte Region (13) verwendet werden.
5. Verfahren nach einem der oben genannten Ansprüche,
d a d u r c h g e k e n n z e i c h n e t , dass beim Erstellen des historischen Datensatzes Nutzeranfragen für die vorbestimmte Region verwendet werden.
6. Verfahren nach einem der oben genannten Ansprüche, d a d u r c h g e k e n n z e i c h n e t , dass als Datenmodell wenigstens eine Start-Ziel-Matrix verwendet wird.
7. Verfahren nach Anspruch 6, d a d u r c h g e k e n n z e i c h n e t , dass für unterschiedliche Zeiten jeweils wenigstens eine Start-
Ziel-Matrix verwendet wird.
8. Verfahren nach einem der oben genannten Ansprüche, d a d u r c h g e k e n n z e i c h n e t , dass das Datenmodell mittels künstlicher Intelligenz, insbesondere Machine Learning und/oder Deep Learning, trainiert wird.
9. Verfahren nach einem der oben genannten Ansprüche, d a d u r c h g e k e n n z e i c h n e t , dass die Prognose des Transportbedarfs für die Planung von be darfsabhängigen Transportmitteln, insbesondere einer Demand Responsive Transport Einrichtung, verwendet wird.
10. Einrichtung zur Prognose eines Transportbedarfs, wobei die Einrichtung zum Ausführen des Verfahrens nach einem der oben genannten Ansprüche ausgebildet ist.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020206751.1 | 2020-05-29 | ||
DE102020206751.1A DE102020206751A1 (de) | 2020-05-29 | 2020-05-29 | Verfahren zur Prognose eines Transportbedarfs |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2021239412A1 true WO2021239412A1 (de) | 2021-12-02 |
Family
ID=76138042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/EP2021/061789 WO2021239412A1 (de) | 2020-05-29 | 2021-05-05 | Verfahren zur prognose eines transportbedarfs |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102020206751A1 (de) |
WO (1) | WO2021239412A1 (de) |
Families Citing this family (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 (2)
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 |
US20180330621A1 (en) * | 2017-05-11 | 2018-11-15 | 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 (2)
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 |
US20180330621A1 (en) * | 2017-05-11 | 2018-11-15 | Uber Technologies, Inc. | Network computer system to position service providers using provisioning level determinations |
Non-Patent Citations (2)
Title |
---|
FOELL, S.PHITHAKKITNUKOON, S.KORTUEM, G.VELOSO, M.BENTO, C.: "Catch me if you can: Predicting mobility patterns of public transport users", 17TH INTERNATIONAL IEEE CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC, October 2014 (2014-10-01), pages 1995 - 2002, XP032685968, DOI: 10.1109/ITSC.2014.6957997 |
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", IEEE 19TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC, November 2016 (2016-11-01), pages 1071 - 1076, XP033028472, DOI: 10.1109/ITSC.2016.7795689 |
Also Published As
Publication number | Publication date |
---|---|
DE102020206751A1 (de) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE10217880B4 (de) | Verfahren zum Kompilieren von Navigationsrouteninhalt | |
EP0396558B1 (de) | Start- und zielpunkteingaben für navigationssysteme | |
WO2021239412A1 (de) | Verfahren zur prognose eines transportbedarfs | |
EP0943137A1 (de) | Verfahren zur übertragung von ortsdaten und messdaten von einem endgerät, insbesondere telematikendgerät an eine verkehrszentrale | |
DE102014224601A1 (de) | Vorrichtung und Verfahren zum Betreiben eines Parkplatzes | |
DE112006002676T5 (de) | Berechnung einer optimalen Route auf der Grundlage einer Kohortenanalyse | |
DE102015225893A1 (de) | Verfahren und System zur Optimierung der Parkplatzsuche eines Fahrzeuges und ein Computerprogrammprodukt | |
DE19629233A1 (de) | Verfahren zur Auswahl und Filterung von Verkehrsinformationen | |
DE102010003610A1 (de) | Verfahren, System und Abgleichmittel zum automatisierten Abgleich von dynamischen Fahrtrouten mit ortsbezogenen Mitfahranfragen | |
DE69937319T2 (de) | Fahrzeugverteilungssystem | |
DE102019101524A1 (de) | Vorrichtung und Verfahren zur Verwaltung von gemeinsam genutzten Fahrzeugen | |
DE10063763A1 (de) | Verfahren und Vorrichtung zur Erzeugung und Ausgabe von streckenbezogenen Routeninformationen | |
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 | |
EP2224408B1 (de) | System zur Verkehrserfassung | |
EP0925565B1 (de) | Verfahren zur steuerung des transport- und reiseverkehrs | |
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 | |
DE112021003100T5 (de) | Verfahren zum Verwalten der Verteilung eines zum Ankunftspunkt fahrenden Fahrzeug, dazu verwendeter Verwaltungsserver, und Aufzeichnungsmedium, auf dem Programm zum Ausführen des Verfahrens aufgezeichnet ist | |
DE2411716A1 (de) | Verkehrssteuersystem | |
DE10110549A1 (de) | Verkehrsinformationssystem für Fahrzeuge auf einem Verkehrswegenetz | |
DE102021207200A1 (de) | Verfahren und Server zur Verwaltung von mobilen Akku-Pools für mehrere Stationen | |
DE102010064063B4 (de) | Verfahren und Vorrichtung zur rechnergestützten Prognose eine Fahrtdauer eines Fahrzeugs auf einer Route aus einem oder mehreren Routensegmenten | |
DE102020207080A1 (de) | Verfahren und Vorrichtung zum Erstellen eines Netzwerkdesigns für ein streckengebundenes Transportsystem mit künstlicher Intelligenz |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21728001 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 21728001 Country of ref document: EP Kind code of ref document: A1 |