Home | english  | Impressum | Datenschutz | Sitemap | KIT

Masterarbeiten

Kurzbeschreibung Betreuung
Zuordnung und Differenzierung von Mobilitätstypen auf Grundlage von Verfahren des Machine Learning (KI) Problemstellung
Mobilitätsverhalten ist vielschichtig und wird durch unterschiedliche Determinanten und Einflussfaktoren geprägt. In der Vergangenheit wurden in der Verkehrs- und Mobilitätsforschung schon unterschiedliche Versuche unternommen, Mobilitätstypen oder Gruppen typischer Verhaltensweisen geeignet zu definieren und zu ordnen. Diese Verfahren beruhen entweder auf der Anwendung bestimmter Regeln, oder arbeiten mit Zuordnungsverfahren (Z.B. Clusteranalyse).
Mit der Software GraDiV am Institut für Verkehrswesen steht ein Werkzeug zur Verfügung, welches das über das Mobilitätspanel erhobene Verhalten über eine Woche graphisch darstellt. Dabei wird die Differenziertheit eines Verhaltens visuell dargestellt. Auf dieser Grundlage ist für einen menschlichen Nutzer eine Zuteilung zu unterschiedlichen Mobilitäts- und Verhaltenstypen mit etwas Training möglich, allerdings ergeben sich auch vielfach neue Fehler, weil sich auf Dauer Zuordnungen ändern, und sich Fehleinschätzungen subjektiv ergeben.
Dabei erfolgt vielfach eine Zuordnung „intuitiv", wobei bestimmte Sachverhalte sich aus der Kombination von bestimmten, dem Menschen bekannten Eigenschaften und Zusammenhängen ergeben.
Die Möglichkeiten und Verfahren der künstlichen Intelligenz, insbesondere auch lernender Verfahren ("machine learning"), können sich die Kombination der menschlichen Intuition und des Lernens aus den menschlichen Entscheidungen zunutze machen, um entsprechende Zuordnungen fußend auf quantitativen Daten zum Mobilitätsverhalten vorzunehmen. Eine derartige Anwendung und Nutzung ist bislang nicht erfolgt.
Aufgabenstellung
Im Rahmen der Masterarbeit sind die Möglichkeiten von Machine Learning Verfahren zur Typisierung von Mobilitätsverhalten zu evaluieren und es ist sukzessive dessen Anwendung zu testen.  
Auf Grundlage einer Literaturanalyse sind vorhandenen Typisierungsansätze (Clusteransätze, regelbasierte Ansätze etc.) zusammenzustellen, die jeweils verwendeten (aggregierten) Verhaltenskenngrößen oder soziodemographischen Merkmale für eine Typisierung sind zu benennen und herauszuarbeiten.
Auf Grundlage von GraDiV sind zunächst eigene Typisierungen und Gruppierungen vorzunehmen. Der Bearbeiter/die Bearbeiterin hat dabei diesen Prozess und die der Gruppenbildung zugrundeliegenden Überlegungen geeignet zu dokumentieren und die eigenen Zuordnungskriterien und Vorgehensweisen geeignet zu formulieren.
Die Möglichkeiten und Grenzen von lernenden Verfahren (z.B. Random Forest) sollen anschließend sukzessive ausgetestet werden, indem auf der Grundlage der Daten des Deutschen Mobilitätspanels und der Zuordnung von Typen durch die Bearbeiter das System trainiert wird, um auf dieser Grundlage weitere Mobilitätsmuster geeignet typisieren zu können.
Da absehbar ist, dass einfache, d.h. unaufbereitete Daten in der Interpretation für das System nicht handhabbar sind, sind bestimmte Indikatoren zu entwickeln, die unterschiedliche Facetten oder Dimensionen des Verhaltens (Umfang, Variation, Verkehrsmittelvorlieben, zeitliche Inanspruchnahme durch Aktivitäten etc.) zu beschreiben in der Lage sind. Diese sind nachfolgend für die Nutzung des KI-Systems aufzubereiten und zu entwickeln. Hierbei kann auf Programmbibliotheken / die Erfahrungen des Instituts für Verkehrswesen zurückgegriffen werden.
Das Machine-Learning-System soll auf der Grundlage des Trainingsdatensatzes und unter Nutzung er aufbereiteten Daten angewendet werden. Die Erfahrungen und Ergebnisse sind zu dokumentieren, um eine Evaluation des Verfahrens und der Methode gegenüber herkömmlichen Ansätzen durchführen zu können.
Simulationsbasierte Analyse der Potenziale zur Emissionsreduzierung und Stauvermeidung durch die Kopplung autonomer Fahrzeuge mit Streckenbeeinflussungsanlagen Aufgrund der zunehmenden Marktreife von Technologien des autonomen Fahrens wird es immer wichtiger, daraus resultierende Wirkungen auf den Verkehrsablauf abzuschätzen und in die Dimensionierung von Infrastrukturmaßnahmen einfließen zu lassen. Eine Möglichkeit zur Erhöhung der Kapazität von Autobahnabschnitten ist die direkte Beeinflussung von autonomen Fahrzeugen (AF) durch eine Streckenbeeinflussungsanlage. Bereits bei geringen Raten der Marktdurchdringung durch AF wäre eine solche Verkehrsbeeinflussung möglich. Bisher werden Streckenbeeinflussungsanlagen eingesetzt, um über dynamische, verkehrsabhängige Anzeigen Verhaltensänderungen bei den Verkehrsteilnehmern herbeizuführen. Durch eine direkte Kommunikation der Steuerungseinheit mit mehreren AF könnte darüber hinaus der Verkehrsablauf durch eine koordinierte Steuerung der Fahrzeuge gezielt beeinflusst werden.
Im Zuge der Arbeit soll ein bestehendes mikroskopisches Verkehrsflussmodell eines Autobahnabschnitts mit Streckenbeeinflussungsanlage für die Einbeziehung autonomer Fahrzeuge in die Simulation aufbereitet werden. Die Bearbeitung der Aufgabenstellung erfordert daher Vorkenntnisse im Umgang mit der Modellierungssoftware PTV Vissim. Außerdem sind Grundkenntnisse im Programmieren Voraussetzung. Die Steuerungslogik der autonomen Fahrzeuge soll extern implementiert und über die DriverModel-API in Vissim eingebunden werden. Die Steuerungslogik der Streckenbeeinflussungsanlage ist in Python geschrieben. Es ist außerdem von Vorteil, wenn die erforderlichen Auswertungen mit Python oder R vorgenommen werden können.		 Weyland, Claude (IFV);
Zeidler, Verena (IFV)
Analysen von Mobilitätsverhalten vor dem Hintergrund von ablaufenden Strukturprozessen – Szenariengestützte Ableitung zukünftiger aggregierter Mobilitätskenngrößen zur Abschätzung zukünftiger Infrastrukturnutzung Versucht man Veränderungen im (kollektiven oder aggregierten) Mobilitätsverhalten kausal zu begründen, fallen zum einen Verhaltensänderungen ein (d.h.von den Eigenschaften her „ähnliche" Personen verhalten sich im Zeitverlauf „unterschiedlich"), zum anderen Strukturprozesse, die zu einer anderen Zusammensetzung der Bevölkerung führen und nachfolgend auch Umfang und Struktur der Verkehrsnachfrage verändern. Hierunter fallen insbesondere demographische Prozesse (z.B. Alterung der Gesellschaft, höherer Anteil an Nichterwerbstätigen) aber auch langjährige Trends (z.B. steigende Pkw-Ausstattung aufgrund von sogenannten Kohorteneffekten, andere Verkehrsmittelnutzungs¬gewohnheiten, eine andere räumliche Verteilung der Bevölkerung). Dies führt dann im Kollektiv zu einer Veränderung im Umfang (z.B. Anzahl Personenkilometer, Anzahl Pkw-Kilometer) und der Verkehrsmittelnutzung (Modal-Split) aber auch zu zeitlichen Strukturveränderungen (z.B. andere Tages- oder Wochenganglinien).
Auf der Grundlage einer Literaturanalyse sind relevante Prozesse mit Nachfrage- und Infrastrukturrelevanz zu identifizieren. Diese sind dabei auf die jeweilig betroffenenen Personengruppen (z.B. Differenzierung nach Alter, Pkw-Besitz, Raumtyp) zu beziehen. Weiterhin sind diese Trends für diese Gruppen geeignet zu belegen (Strukturdaten, Auswertungen und Sekundärnutzung, z.B. des MOP).
Für die jeweils differenzierten dargestellten Gruppen (z.B. Differenzierung nach Alter, Pkw-Besitz, Raumtyp etc.) sind typische Mobilitätsverhaltenskenngrößen dahingehend zu überprüfen, ob und in welchem Umfang sich dort in der Vergangenheit Veränderungen ergeben haben (z.B. aufgrund von „Verhaltens- und Einstellungsänderungen") oder ob Menschen mit bestimmten definierten sozio-ökonomischen und sozio-demographischen Eigenschaften sich grundsätzlich und weitestgehend „ähnlich" verhalten (z.B. aufgrund eines Verha tensbeibehalts, der aufgrund der grundsätzlichen gültigen Regimes erfolgt). Zur Bestimmung der jeweiligen Effekte sind geeignete Analysen und Vergleiche durchzuführen, um die Größenordnungen (Verhaltensbeibehalt versus Verhaltensänderung) einzugrenzen.
Für die Zukunft sind Szenarien zu entwickeln, die bestimmte Trends und Prozesse fortschreiben (z.B. andere Bevölkerungszusammensetzung, andere Pkw-Ausstattung, gewisse Verhaltensänderungen), um darauf aufbauend zu analysieren und sensitiv abzuschätzen, mit welchen aggregierten und kollektiven Veränderungen im Umfang und Struktur der Nachfrage zu rechnen ist.

 

 

 Chlond, Bastian (IFV) 
Mobilität im Fernverkehr - Abschätzung des Marktumfangs, Identifizierung der relevanten angebots- und nachfrageseitigen Veränderungen sowie Aufteilung auf einzelne Segmente  Als „Fernverkehr“ werden Fahrten mit einer einfachen Entfernung vom Ausgangspunkt der Reise von über 100 km bezeichnet. Dabei dürften sich in den letzten 15 Jahren sich sowohl angebotsseitig wie auch nachfrageseitig erhebliche Veränderungen im Umfang und Struktur des Fernverkehrs ergeben haben.

 

Zum einen sind neue Angebote entstanden (Billigflieger, Fernbusse, Sharing-Angebote, Mitfahrplattformen), diese dürften aber nur partiell andere Angebote substituiert haben, da auch konventionelle Anbieter Nachfragezuwächse zu verzeichnen haben (z.B. Bahn im Fernverkehr). Nachfrageseitig gibt es Prozesse, die auch Auswirkungen auf den Fernverkehr haben düften (Trend zu mehreren Wohnsitzen, Auflösung von Familienverbänden, sinkende Haushaltsgrößen, steigende Einkommen, einfache Buchungsmöglichkeiten, zunehmende Relevanz des Dienstleistungssektors, sich auch räumlich vergrößernde Märkte, anders sozialisierte Alterskohorten), diese Prozesse wurden aber nicht systematisch in Bezug auf deren Relevanz und die Auswirkungen auf die Fernverkehrsnachfrage untersucht.

Die Erhebungen wie das MOP und die MiD erfassen die Mobilität im Fernverkehr nicht vollständig. Spezielle Erhebungen zum Fernverkehrsverhalten (DATELINE. INVERMO) liegen mittlerweile 15 Jahre zurück. Nachfrageseitig sind zwar bruchstückhafte Informationen verfügbar (z.B. Fluggastzahlen, Fernbuskunden etc., Dauerzählstellen auf Straßen, Bahnreisende). Jedoch bleibt unklar, inwieweit diese Zahlen auf unterschiedliche sozio-demographische Gruppen verteilen und wie diese Zahlen mit bekannten Zahlen zum Mobilitätsverhalten aus anderen Quellen korrespondieren.

Auf Grundlage einer gründlichen Daten- (Mobilitätserhebungen MOP,  Mid 2002, 2008, 2016; Daten des Statistischen Bundesamtes ) und Literaturanalyse (z.B. Geschäftsberichte und Forschungsberichte) sind grundsätzliche Überlegungen anzustellen, welche relevanten Prozesse die Nachfrage nach Fernverkehrsleistungen haben anwachsen lassen und für welche Personengruppen dies in erster Linie zutreffen dürfte. Dafür sind retrospektiv Abschätzungen der Gesamtmarktveränderungen vorzunehmen.

Diese Ergebnisse und Überlegungen sind synoptisch aufzubereiten und es sind Schlussfolgerungen dahingehend abzuleiten, welche Märkte warum wachsen und welche stagnieren. Als Märkte sind dabei Verkehre im In- und ins Ausland, unterschiedliche Verkehrsmittel aber auch Fahrtzwecke und Personengruppen (sozio-demographisch) zu differenzieren

Im Ergebnis sind die Daten so aufzubereiten, dass sich ein möglichst „plausibles“ Bild der Nachfrage im Personenfernverkehr in Deutschland ergibt: Die zentrale Aufgabe besteht folglich darin, die unterschiedlichen mit Sicherheit zum Teil auch widersprüchlichen Daten- und Informationsquellen zueinander in Beziehung zu setzen und dabei ein insgesamt plausibles Bild abzuleiten, wie sich Umfang und Struktur des Angebots (Verkehrsträger, Angebote , Verkehrsmittelnutzung) aber auch der Nachfrage (Lebensstile, Einkommensentwicklung, Bildungsniveaus) verändert haben. Auf der Grundlage der Daten des MOP/MiD sind für Personen mit zu definierenden sozio-demographischen  Eigenschaften Aussagen abzuleiten mit welcher „Wahrscheinlichkeit“ (Reiseanzahl differenziert nach Verkehrsmitteln) bestimmte Gruppen im Fernverkehr aktiv sind.		 Chlond, Bastian (IFV)