ÖPNV-Probleme: Heureka! Big Data ist die Lösung!

This post is also available in: English (Englisch)

Die meisten Menschen entscheiden sich, öffentliche Verkehrsmittel zu nutzen, weil sie sich keine privaten PKWs leisten können. Und genau diese Menschen bemühen sich, dass sich Regierung und Wirtschaft um die Bedürfnisse der Menschen kümmern, die auf den öffentlichen Verkehr angewiesen sind.

6 Uhr morgens – New York City: Stau

6 Uhr morgens – Moskau: Stau

6 Uhr morgens – Mumbai: Stau

6 Uhr morgens – Johannesburg: Stau

Bemerken Sie ein Muster? Die Stoßzeiten zeigen eine Neigung des Verkehrs an, der vielen Betreibern des öffentlichen Verkehrs in dicht bevölkerten Städten Kopfschmerzen bereitet.

Aber das ist noch nicht alles. Am Abend wiederholt sich das Ganze, wenn die Einwohner herdenweise von ihrer Arbeit nach Hause wollen und alle die gleichen öffentlichen Verkehrswege nutzen, die natürlich auch mit Privatwagen konkurrieren.

Je nachdem in welcher Stadt Sie leben, kann ein Weg, der außerhalb der Stoßzeiten normalerweise ca. 45 Min. dauert, mehr als zwei Stunden dauern.

*Wort*

This image has an empty alt attribute; its file name is Public-Transport-2.jpg
Pendler in einer S-Bahn, die alle in die selbe Richtung wollen. Big Data bietet Lösungen für die meisten Probleme im ÖPNV. Bildquelle: Dennis Siqueira via Unsplash

An all die Menschen, für die Staus einfach zum Leben dazugehören: Ein Diskurs muss zu einer anwendbaren Lösung führen. Alles andere ist nicht zielführend. Sie haben das schon öfters gehört, aber nun ist das Interesse da, das eigentliche Problem anzugehen.

*Glühbirne leuchtet auf*

Das Wort, das die Glühbirne aufleuchten lässt, heißt in diesem Fall Big Data.

Im Folgenden zeigen wir Ihnen anhand fünf Gründen, warum Big Data den effektivsten Weg im Umgang mit Problemen im ÖPNV darstellt.

Belegungsdaten

Was wäre, wenn für Pendler die Möglichkeit bestehen würde, vor dem Betreten eines Busses oder Zuges zu wissen, wie viele Fahrgäste sich bereits im Fahrzeug befinden? Und das zu jeder Zeit.

Ein Mann sitzt in einem Bus. Belegungsdaten können Passagieren dabei helfen, den Belegungsgrad in Zügen und Bussen zu bestimmen. Bildquelle: Pau Casals via Unsplash

Diese Methode ist nicht realitätsfern, denn einige Behörden des öffentlichen Verkehrs, wie im australischen Staat Victoria oder in New South Wales, haben die Analyse von Belegungsdaten eingeführt. Und sie haben allen Grund dazu.

Die Vorteile, die bei der Analyse von Belegungsdaten entstehen, sind immens. Beispielsweise kann berechnet werden, wie viele Fahrgäste sich gerade in einem Fahrzeug zu einer bestimmten Zeit aufhalten. Gegenwärtig ist dieses Wissen wichtig, damit die Fahrgäste abschätzen können, ob sie die Abstandsregeln im ÖPNV einhalten können.

Des Weiteren helfen Belegungsdaten dabei zu bestimmen, wie dicht der Verkehrsstau ist und welche Route man am besten fahren sollte.

Im Oktober 2020 hat Victoria ein voraussagendes Modell in seine Verkehrsinfrastruktur eingeführt, das Pendler mit Echtzeit-Daten über größere Menschenansammlungen versorgt. Victoria begann ebenfalls damit, ihre Fahrgäste zu zählen, indem sie Sensoren verwendete.

In Sydney, Australien, können Pendler anhand der Anzeigetafeln in den Stationen die Sitzplatzverfügbarkeiten überprüfen. Die Informationen entstammen Sensoren, die das Gewicht eines Zuges messen und so seinen Belegungsgrad bestimmen.

Aber es gibt noch einige weitere Möglichkeiten Fahrgäste zu zählen. Diese werden durch verschiedene Behörden eingesetzt, um Fahrgastdaten zu sammeln.

Pünktlichkeit

Big Data kann auch dafür verwendet werden, um die Pünktlichkeit von Fahrgästen und Betreibern zu verbessern.

In Ländern wie Norwegen ist es noch wesentlich wichtiger Big Data anzuwenden, da in diesen Ländern schwere Wetterbedingungen die Pünktlichkeit der öffentlichen Verkehrsmittel stark beeinflussen.

Ein Zug in Norwegen. Eine Studie zeigte, dass schwierige Wetterbedingungen zu einer fehlenden Pünktlichkeit der Fahrzeuge in Norwegens öffentlichem Verkehr führen. Bildquelle: Hyunwon Jang via Unsplash

Eine Studie über die Pünktlichkeit der örtlichen Züge, insbesondere in der Region Oslos, wurde 2017 von Ghazal Zakeri und Nils O.E Nelson in ScienceDirect veröffentlicht. In dieser Studie schildern die beiden Autoren, dass harte Winterzeiten und kalte Wetterbedingungen die Hauptverantwortlichen waren, warum zwischen den Jahren 2007 und 2010 ein starker Abfall in der Pünktlichkeit des ÖPNVs zu erkennen war. Die Daten wurden vom Betreiber Norwegian Railways gesammelt.

Eine weitere Studie von Andrzej Rudnicki, die ebenfalls auf ScienceDirect veröffentlicht wurde, mahnt, dass Betreiber des ÖPNVs sich darum bemühen müssen, die Pünktlichkeit ihrer Fahrzeuge zu gewährleisten. Für die Fahrgäste ist Pünktlichkeit nämlich ein wesentlicher Aspekt, den sie bei ihrer Reiseplanung zu bestimmten Uhrzeiten berücksichtigen müssen.

Wie kann Big Data helfen, Pünktlichkeit zu gewährleisten?

In einer Abschlussarbeit der Forschungsuniversität Vrije Universiteit, Amsterdam, wurde die Verwendung von Smartcards und die Erhebung von Standortdaten der Fahrzeuge vorgeschlagen, um die Pünktlichkeit zu berechnen. Die Daten für die Forschungsarbeit entstammen der GVB, Amsterdams Unternehmen für den öffentlichen Verkehr.

Die Idee dahinter war, die Daten der Smartcards und der Standorte zu verknüpfen und so die Pünktlichkeitsmuster der Fahrgäste zu bestimmen.

Das ist eine Art, wie Big Data genutzt werden kann, um die Pünktlichkeit zu verbessern.

Nachfrage nach ÖPNV-Strecken

Die Nachfrage nach öffentlichen Verkehrswegen ist definiert als der Anteil der Pendler, die auf einer bestimmten Strecke unterwegs sind und die Straße/den Weg x oder y als wichtig für sie empfinden.

Wenn Pendler, aber auch Fahrgäste, deren Strecken sich immer wieder ändern, das Gefühl haben das Strecke x wichtig für sie ist, können die Betreiber an besseren Lösungen arbeiten.

Eine Person zeigt auf einen Streckenverlauf in einer visualisierten Stadtkarte. Bildquelle: Jose Martin Ramirez Carrasco via Unsplash

Am besten wird diese Idee im vierten Kapitel der Institute of Transportation and Development Policy festgehalten. Darin wird gefordert, dass Ressourcen so eingesetzt werden sollten, dass sie den meisten Menschen entgegen kommen, statt politischen und spekulativen Gründen zu dienen.

Menschen, die BRTs (Bus Rapid Transit/Schnellbussysteme) gestalten, schlagen vor, Schnellbussysteme an Orten einzubetten, an denen die meisten Pendler einen Nutzen davon haben. Und das so schnell und effizient wie möglich. Am direktesten geschieht dies durch Zeiteinsparungen.

Kapitel 4 der Richtlinien des Institute of Transportation and Development Policy

Dies kann durch die Analyse von GTFS-Daten erfolgen.

Die Analyse von GTFS-Daten kann auf vielfältige Art und Weise helfen. Fahrer können über die besten Routen informiert werden. Bevölkerungsreiche Städte können reguliert werden und Zeit sowie Reisekosten können gesenkt werden.

Multimodale Verkehrswege

Von Zuhause zur Zugstation gehen, dann einen Zug zu einer bestimmten Station nehmen. An der Station angekommen, gehen Sie zur Bushaltestelle und nehmen den Bus zur Haltestelle x. Dort fahren sie dann mit dem Fahrrad weiter zur Ihrem Arbeitsplatz.

Multimodale Verkehrsmittel. Bildquelle: Iunera

In manchen Ländern ist diese Art zu reisen eine Notwendigkeit und der effizienteste Weg sein Ziel zu erreichen.

Mit fortschreitender Technologie kann diese Reiseart verbessert werden. So können Pendler beispielsweise schneller an ihrem Zielort ankommen.

Streckenoptimierung ist das Einführen der besten Routen zum Erreichen des Zielortes.

Die Optimierung funktioniert, indem ÖPNV-Betreiber ihre Streckenverläufe festhalten. Danach machen sich Experten im Bereich Big Data ans Werk und nutzen die Daten, um die bestmögliche Strecke zu einer bestimmten Zeit vorherzusagen.

Im nächsten Schritt gehen die Big-Data-Experten die besten Szenarien durch. Die Vorhersagen dieser Routen werden durch Routenoptimierungsalgorithmen getroffen.

Beim Problem des Handlungsreisenden wurde die Routenoptimierung zum ersten Mal angewendet.

Vor 150 Jahren wurde diese Methode zum ersten Mal definiert, als man sich den Kopf darüber zerbrach, wie Händler jeden einzelnen ihrer Kunden im kleinstmöglichen Zeitfenster und auf der kürzesten Strecken erreichen und dann wieder zu ihrem Zielort zurückkehren können.

Das Problem des Handlungsreisenden wird heutzutage als Vehicle Routing Problem (Tourenplanung) bezeichnet und ist wesentlich anspruchsvoller geworden.

Wiederkehrende Verspätungen

Eine Frage, die sich Betreiber im ÖPNV ständig fragen, ist, wie wiederkehrende Verspätungen in Zukunft verhindert werden können.

Es ist die quälende Frage, mit der sich Intressenvertreter immer wieder auseinandersetzen müssen.

Menschen warten auf den Zug. Bildquelle: Divyansh Jain via Unsplash

Die häufigsten Ursachen für Verspätungen im ÖPNV sind Staus, Autopannen, schlechtes Wetter, Stoßzeiten im Verkehr etc.

Laut eines Forschungsberichts der kalifornischen Universität Berkley, sind Verspätungen einer der am häufigsten genannten Gründe, nicht mehr den ÖPNV zu nutzen.

Big Data hat hierfür eine Lösung.

Beispielsweise kann dieses Problem angegangen werden, indem die Nachfrage für jede Strecke analysiert wird. Wenn das erledigt ist, sollten die meist genutzten Strecken gekennzeichnet werden, um den Transport zu planen. Eine der wichtigsten Vorgehensweisen ist das Studieren dieser Strecken sowie das Analysieren von Mustern und möglichen Ursachen für Verspätungen.

Postsavee Prommaharaj, Santi Phithakkitnukoon, Merkebe Getaschew Demissie und Linna Kattan verfassten einen Artikel, in dem sie über die Visualisierung des Einsatzes von ÖPNV-Systemen mittels GTFS-Daten diskutieren. Der Bericht ist eine Fallstudie über die kanadische Stadt Calgary. Sie beobachteten, dass GTFS-Daten dabei halfen, Dividenden einzunehmen, da sie beim Lösen von Problemen wie Verspätungen beitrugen.

Der Forschungsbericht versuchte die Auswirkung des visuellen Analysetools PubtraVis zu untersuchen. Das Tool verarbeitet GTFS-Daten, die Informationen zu Fahrplänen enthalten. Die Infos werden evaluiert und mittels sechs verschiedener Visualisierungsmodule wird das öffentliche Verkehrsnetz dargestellt.

Das Analysemodul präsentiert aufschlussreiche Analyseinformationen. Dazu gehören Ranglisten mit Bahnstationen, die die längsten Wartezeiten aufweisen und die meisten Fahrgäste haben.

Titel des Berichts: Visualizing public transit system operation with GTFS data: A case study of Calgary, Canada.

Der Pendler ist König

Wenn in Läden der Kunde König ist, dann muss der Pendler im ÖPNV der König sein.

Die meisten Menschen machen Gebrauch von öffentlichen Verkehrsmitteln, weil sie sich kein privates Auto leisten können. Es sind die selben Menschen, die sich darum bemühen, dass Regierung und Wirtschaft sich um die Bedürfnisse der Menschen kümmern, die auf den öffentlichen Verkehr angewiesen sind.

Big Data ist der Schlüssel.

Diese Entwicklung wird durch die Veröffentlichung von GTFS-Daten unterstützt. Die Behörden veröffentlichen ihre Transport-Daten, die wiederum von Anwendungsentwicklern aufgegriffen werden. Die Entwickler arbeiten dann an Apps, die versuchen, diese Transportherausforderungen zu lösen.

Ohne diese Entwicklungen, würde es keine alternativen Verkehrswege geben.

Aber die Chancen stehen gut, dass irgendjemand gerade Tag und Nacht an einer neuen App arbeitet, die den ÖPNV aufmischen wird.

Dank Big Data.

Ähnliche Beiträge

Categories: