{"id":108595,"date":"2025-08-06T02:20:00","date_gmt":"2025-08-06T00:20:00","guid":{"rendered":"https:\/\/www.sonnenseite.com\/?p=108595"},"modified":"2025-08-04T14:10:15","modified_gmt":"2025-08-04T12:10:15","slug":"nachhaltige-mobilitaet-schneller-ans-ziel-mit-ki","status":"publish","type":"post","link":"https:\/\/www.sonnenseite.com\/de\/mobilitaet\/nachhaltige-mobilitaet-schneller-ans-ziel-mit-ki\/","title":{"rendered":"Nachhaltige Mobilit\u00e4t: Schneller ans Ziel mit KI"},"content":{"rendered":"\n

Trotz hoher CO2-Emissionen ist das Auto in Deutschland noch immer das Verkehrsmittel Nummer 1. <\/p>\n\n\n\n

Um umweltfreundlichere Alternativen attraktiver zu machen, setzen sich Forschende des Fraunhofer-Instituts f\u00fcr Optronik, Systemtechnik und Bildauswertung IOSB gemeinsam mit Partnern im Projekt DAKIMO f\u00fcr eine intelligente, intermodale Mobilit\u00e4t ein. Eine KI f\u00fcr Verkehrsmittel-\u00fcbergreifende Routenvorschl\u00e4ge soll helfen, Menschen nahtlos, bequem und zuverl\u00e4ssig ans Ziel zu bringen \u2013 ganz ohne privaten Pkw.<\/p>\n\n\n\n

Umweltfreundlich ans Ziel kommen \u2013 mit Bus, Bahn, Tram, E-Scootern und Leihfahrr\u00e4dern ist das m\u00f6glich. Im Vergleich zum Auto schneidet der \u00f6ffentliche Personennahverkehr in Sachen Umweltbilanz deutlich besser ab. Dennoch dominiert der Pkw als Verkehrsmittel, schlie\u00dflich ist er immer verf\u00fcgbar, und die Fahrten mit dem Fahrzeug sind einfach zu planen. Damit der \u00d6PNV eine attraktive Alternative werden kann, m\u00fcssen verschiedene Verkehrsmittel entlang einer Strecke problemlos kombiniert werden k\u00f6nnen, wobei der Wechsel zwischen \u00d6PNV, (Leih-)Fahrr\u00e4dern und E-Scootern genauso komfortabel sein muss, wie der Griff zum Autoschl\u00fcssel. Derzeit nutzen Menschen solche intermodalen Verbindungen noch zu wenig, da Fahrten von A nach B mit unterschiedlichen Verkehrsmitteln zu kompliziert zu planen sind. Man kommt mit dem Bus an Haltestelle X vielleicht in 30 Minuten an, und muss dann hoffen, dass dort Sharing-Bikes oder E-Scooter verf\u00fcgbar sind. M\u00f6glicherweise w\u00e4re man besser doch zu Haltestelle Y gefahren, wo in der Regel mehr Leihfahrr\u00e4der stehen? Routing-Apps ber\u00fccksichtigen solche Faktoren bislang nicht in ihren Vorschl\u00e4gen.<\/p>\n\n\n\n

Vorausschauendes intermodales Routing per App<\/strong><\/h4>\n\n\n
\n
\"\"<\/a>
\u00a9 raumobil GmbH, Fraunhofer IOSB | Dank vorausschauendem Routing, inklusive Sharing-Verkehrsmitteln, wird intermodale Mobilit\u00e4t so bequem, wie der Griff zum Autoschl\u00fcssel.<\/figcaption><\/figure>\n<\/div>\n\n\n

Hier setzt das Projekt DAKIMO (siehe unten) an: Forschende am Fraunhofer IOSB in Karlsruhe haben eine KI-basierte Prognose f\u00fcr die Verf\u00fcgbarkeit von Sharing-Verkehrs-mitteln entwickelt, die unter anderem Livedaten zur Verkehrslage ber\u00fccksichtigt. Die Prognose berechnet die Wahrscheinlichkeit, an einem gew\u00e4hlten Ort im Stadtgebiet zu einer bestimmten Zeit ein Leihfahrrad oder einen E-Scooter vorzufinden. Der Projektpartner raumobil GmbH nutzt diese Prognose f\u00fcr intermodales Routing, das hei\u00dft: Eine Mobilit\u00e4tsapp schl\u00e4gt Verbindungen vom Start zum Ziel vor, die auch die prognostizierten Verf\u00fcgbarkeiten einkalkulieren. Ziel der Projektpartner ist es, am Beispiel der regiomove-App des Karlsruher Verkehrsverbunds (KVV) intermodale Routenvorschl\u00e4ge Realit\u00e4t werden zu lassen. Wer die App nutzt, soll je nach aktueller Situation passgenaue Vorschl\u00e4ge f\u00fcr Verkehrsmittel erhalten, die optimal zu den individuellen Bed\u00fcrfnissen und der jeweiligen Route passen.<\/p>\n\n\n\n

\u00bbDamit Mobilit\u00e4t intermodaler und somit umweltfreundlicher wird, muss sie einfacher, zuverl\u00e4ssiger, flexibler und planbarer werden\u00ab, sagt Jens Ziehn, Projektleiter am Fraunhofer IOSB. \u00bbUnsere KI-Prognose schl\u00e4gt das individuell bestm\u00f6gliche Verkehrsmittel f\u00fcr das Ziel, aber auch f\u00fcr die einzelnen Teilstrecken vor, ohne den \u00dcberblick zu erschweren. Dabei werden buchbare Fahrzeuge, darunter auch Carsharing-Autos, sowohl am Anfang als auch am Ende der Fahrt angezeigt.\u00ab Wo der Mensch den \u00dcberblick verliert, etwa weil der Bus im Stau steht oder am letzten Halt keine Leihr\u00e4der mehr verf\u00fcgbar sind, springt die KI ein. \u00bbDie Prognose gelingt, da die KI \u00fcber \u00f6rtliche Verkehrszellen und \u00fcber feine Zeitintervalle kurz- und langfristige Wahrscheinlichkeiten f\u00fcr die Verf\u00fcgbarkeit und die erwartete Anzahl von Sharingfahrzeugen berechnet \u2013 basierend auf offenen Datenquellen, etwa Daten des \u00d6PNV, und historischen Daten, wie etwa Positionen von Leihfahrr\u00e4dern\u00ab, erg\u00e4nzt Reinhard Herzog, der am Fraunhofer IOSB die Gruppe Modellbildung und Vernetzung leitet.<\/p>\n\n\n\n

Neuer, erweiterter Datenstandard f\u00fcr die Verkehrswende<\/strong><\/h4>\n\n\n\n

Die KI-Prognose soll k\u00fcnftig in den internationalen, weltweit g\u00fcltigen Standard GBFS (General Bikeshare Feed Specification) integriert werden \u2013 eine Echtzeit-Spezifikation f\u00fcr \u00f6ffentliche Daten, die in erster Linie der Bereitstellung von Verkehrsinformationen wie Standortdaten f\u00fcr verbraucherorientierte Anwendungen dient. Derzeit l\u00e4uft eine einj\u00e4hrige Evaluationsphase. \u00bbW\u00e4hrend dieser Testphase ist die Prognosefunktion in einem Entwurf zur Erweiterung des Standards integriert\u00ab, erl\u00e4utert Herzog. \u00bbDamit unsere KI-Technologie in den breiten Praxiseinsatz gebracht werden kann, ist es wichtig, dass der GBFS-Standard um prognostizierte Wahrscheinlichkeiten von Sharing-Fahrzeugen erweitert wird.\u00ab Denn dann wird der Standard nicht nur dazu dienen, Positionen aktuell verf\u00fcgbarer Sharing-Verkehrsmittel anzuzeigen, sondern auch Vorhersagen \u00fcber zuk\u00fcnftige Aufenthaltswahrscheinlichkeiten anzubieten, die eine KI berechnet.<\/p>\n\n\n

\n
\"\"<\/a>
\u00a9 Fraunhofer IOSB | Das KI-gest\u00fctzte Routing analysiert Verf\u00fcgbarkeitswahrscheinlichkeiten, Fahrtdauer und Umstiegspunkte.<\/figcaption><\/figure>\n<\/div>\n\n\n

Basierend auf den GBFS-Daten sollen Routing-Apps in Zukunft intermodale Routenoptionen anbieten k\u00f6nnen. F\u00fcr die Standardisierung der Prognosefunktion hat sich der Projektpartner raumobil GmbH eingesetzt. Die Erweiterung des GBFS-Standards wurde vom MobilityData-Konsortium, einer gemeinn\u00fctzigen Organisation, die sich auf die Standardisierung und den Austausch von Mobilit\u00e4tsdaten konzentriert, akzeptiert. Der KI-Fusionsserver, \u00fcber den alle Daten zusammengef\u00fchrt werden, ist bereits in Betrieb. Er leitet KI-basiert die Verf\u00fcgbarkeiten der Verkehrsmittel ab, die in Routenvorschl\u00e4ge einflie\u00dfen. Zudem ist die KI-Prognose schon Bestandteil einer Testversion der Karlsruher regiomove-App, die verschiedenste Mobilit\u00e4tsinstrumente f\u00fcr die Region Mittlerer Oberrhein miteinander vernetzt. Im n\u00e4chsten Schritt soll das Prognosemodell auf den Raum Baden-W\u00fcrttemberg ausgerollt werden.<\/p>\n\n\n\n

Die Akzeptanz in der Bev\u00f6lkerung ist gro\u00df, wie eine im Projekt in Auftrag gegebene Studie mit \u00fcber 1500 Personen belegt: Knapp 90 Prozent der Teilnehmenden halten eine KI-basierte Vorhersage von Sharing-Verkehrsmitteln f\u00fcr hilfreich oder sehr hilfreich. Etwa 20 Prozent der Befragten w\u00fcrden gelegentlich das eigene Auto stehenlassen und auf \u00f6ffentliche Verkehrsmittel umsteigen. \u00bbUnsere Forschungsergebnisse untermauern, dass wir mit Methoden der KI in der Lage sind, die Mobilit\u00e4tswende zu unterst\u00fctzen und einen Beitrag zum Klimaschutz zu leisten\u00ab, so Ziehn.<\/p>\n\n\n\n