Herausforderung / Ziel
Gemeinsame Mobilitätsdienste haben sich in jüngster Zeit als neues Geschäftsmodell für den Verkehr entwickelt, das durch die Digitalisierung ermöglicht wird. Diese Dienste bieten gemeinsam genutzte Fahrzeuge auf Abruf an, die von den Bürgern über mobile Apps gebucht und genutzt werden können. Carsharing, Mopedsharing, Bikesharing und E-Scooter-Sharing bieten eine Alternative zur Nutzung des eigenen Autos und sind oft umweltfreundlicher, da die meisten der eingesetzten Flotten elektrisch betrieben werden. Trotz ihres herausragenden Wachstums haben diese Dienste immer noch Schwierigkeiten, rentabel zu sein, was ihre finanzielle Nachhaltigkeit beeinträchtigt. Daher müssen die Betreiber die Effizienz ihrer Flotteneinsatz- und Managementstrategien verbessern.
Um diese Herausforderung zu bewältigen, ist ein umfassenderes Verständnis der Akzeptanz und der Nutzungsmuster von Shared-Mobility-Diensten erforderlich. Die Betreiber müssen mehr über die erwartete Nachfrage und die Merkmale der Nutzer wissen. Um diesem Bedarf gerecht zu werden, entwickelt Nommon ein Tool, das auf KI-gestützten Modellen basiert, die in der Lage sind, Nachfragemuster vorherzusagen, die Betreiber bei der Planung und Verwaltung von Shared-Mobility-Diensten unterstützen.
Lösung
Das Tool nutzt die große Menge an Daten, die von Betreibern geteilter Mobilität gesammelt werden, die kontinuierlich die Position und Nutzung ihrer Fahrzeuge überwachen und so eine genaue Beschreibung der tatsächlichen Nachfrage nach den Diensten erhalten. Diese Datensätze können mit anderen Datenquellen kombiniert werden, die in der Lage sind, den Kontext zu beschreiben, in dem diese Nachfrage erfasst wird. Dies ist der Schlüssel zur Entwicklung von Vorhersagemodellen, die über das aktuelle Einsatzgebiet hinaus anwendbar sind, so dass Nachfrageprognosen zur Unterstützung strategischer Entscheidungen (z. B. Einführung in einer neuen Stadt) erstellt werden können. Insbesondere die allgegenwärtige Nutzung mobiler Geräte hat zur Verfügbarkeit neuer Datenquellen geführt, die die Aktivitäten und Mobilitätsmuster der Bevölkerung erfassen (z. B. Mobilfunkdaten, Daten von Chipkarten für den öffentlichen Verkehr). Aus diesen Quellen können feinkörnige Indikatoren für die Reisenachfrage extrahiert werden, wie z. B. Herkunft-Ziel-Matrizen auf hochgradig disaggregierten zeitlichen und räumlichen Ebenen. Die angewandte Lösung nutzt all diese Datensätze durch eine Reihe von Algorithmen für maschinelles Lernen zur Nachfragevorhersage. Diese Modelle erstellen Schätzungen der erfassten Nachfrage für einen bestimmten Zeitraum auf der Ebene eines Herkunfts-Ziel-Paares mit einer konfigurierbaren räumlich-zeitlichen Auflösung.
Zusätzlich zu den Modellen werden zwei Module eingesetzt, um maßgeschneiderte Indikatoren zu erstellen und die Entscheidungsprozesse der Betreiber zu unterstützen. Erstens informiert ein Modul für die strategische Planung darüber, wie größere Änderungen im Service (z.B. Änderung der Flottengröße, Erweiterung oder Verkleinerung des Servicegebiets, Einführung in einer neuen Stadt) die Service-KPIs, wie z.B. die Fahrten pro Fahrzeug oder die Serviceeinnahmen, verändern würden. Zweitens zeigt ein Betriebsmanagementmodul an, in welchen Bereichen bestimmte Maßnahmen erforderlich sind, um die Verfügbarkeit des Angebots in den nächsten Stunden in Abhängigkeit von der in den Modellen erwarteten Nachfrage zu gewährleisten, was die Optimierung der Lade- und Wartungsverfahren erleichtert. Die KPIs können in einem Dashboard visualisiert werden, das es Betreibern und Behörden ermöglicht, verschiedene Szenarien zu testen und die Auswirkungen ihrer Entscheidungen zu analysieren. Es wird auch erwartet, dass die Indikatoren über eine API zur Verfügung gestellt werden können, um die Integration dieser Lösung mit anderen bestehenden Instrumenten, die derzeit von Betreibern der gemeinsamen Mobilität verwendet werden, zu erleichtern.
Möchten Sie mehr über die gewonnenen Erkenntnisse, finanzielle Details und Ergebnisse erfahren?
Anmelden