Intelligenter Algorithmus findet freies Carsharing-Auto

Das Prognosetool soll in die integrierte Mobilitätsplattform SiMobility Connect eingebunden werden. Diese Plattform vernetzt Carsharing-Anbieter, Verkehrsbetriebe, Taxis oder Fahrradverleihe. Die Nutzer können dann mit nur einer App all ihre Wege planen und direkt sehen, welche Verkehrsmittelkombination sofort oder später am vorteilhaftesten ist.

Ziel ist es, das sogenannte intermodale Reisen – also die Kombination verschiedener Verkehrsmittel – planbarer zu machen und so der wachsenden Verkehrsbelastung in Ballungsräumen zu begegnen. Die neue Software bindet auch Car-Sharer ein, deren Autos keine festen Stellplätze haben.

Dieses sogenannte free floating Carsharing ist ein relativ neues Konzept, das erst durch moderne Informationstechnik möglich wurde. Die Fahrzeuge haben keinen festen Standort, sondern können innerhalb einer bestimmten Region frei abgestellt werden und melden ihre Position an eine Zentrale.

Die Nutzer prüfen über eine App die aktuelle Verfügbarkeit von Autos an ihrem Ort und buchen sie direkt vor dem Einsteigen. Der Vorteil liegt in der hohen Flexibilität, denn das Auto muss nicht mehr zu einem festen Zeitpunkt an einen bestimmten Platz zurückgebracht werden. Demgegenüber steht die schlechtere Planbarkeit. Die Fahrzeuge können nicht lange im Voraus reserviert werden und der Nutzer kann nicht sicher sein, ob in der Zukunft an dem gewünschten Ort ein Auto in akzeptabler Entfernung zu erwarten ist.

Position von Carsharing-Autos in Echtzeit vorhersagen

An diesem Punkt setzen die Forscher von Siemens Corporate Technology an. Sie entwickelten einen Algorithmus, der aus den Echtzeit-Daten der Position aller Carsharing-Autos vorhersagen kann, wo und wann sie künftig verfügbar sein werden. Ausgangspunkt sind die historischen Positions- und Verfügbarkeitsdaten aller Autos über die Zeit.

Betrachtet man diese Daten länger, erkennt man Muster in der Autoverteilung, aus denen sich Prognosen ableiten lassen. Dann gibt es eine Reihe äußerer Einflüsse wie Wetter, Feiertage und Ferienzeiten oder Großveranstaltungen, die ebenfalls mit einbezogen werden können. Auch Maßnahmen des Carsharing-Anbieters, wie die Bereitstellung zusätzlicher Fahrzeuge, beeinflussen die Autoverteilung.

Um diese großen Datenmengen beherrschbar zu machen, teilen die Forscher das Areal, für das Prognosen getroffen werden sollen, in einzelne Gitterzellen auf. In diesen Zellen lernt der Algorithmus anhand historischer Daten, die Autoverteilung möglichst genau vorherzusagen. Mit wachsenden Datenmengen wird das gelernte Modell über die Zeit besser, so dass es auch während es bereits im Einsatz ist, immer genauere Prognosen trifft.

Ist der Algorithmus in eine Reiseplanungs-App integriert, können Nutzer für ihren gewünschten Ort die Wahrscheinlichkeiten für die Verfügbarkeit von Autos in einem von ihnen gewählten Radius abrufen und so ihre Wege besser planen. Die Carsharing-Anbieter profitieren von der App, weil sie ihre Fahrzeuge noch besser auslasten können. (2015.01.3)