Zurück Vor

Detailergebnis zu DOK-Nr. 74105

Nutzung von Deep Learning-Ansätzen zur Vorhersage der Nutzung von Leihfahrrädern (Orig. engl.: Use of deep learning to predict daily usage of bike sharing systems)

Autoren	H. Yang K. Xie K. Ozbay Y. Ma Z. Wang
Sachgebiete	5.5 Radverkehr, Radwege 6.2 Verkehrsberechnungen, Verkehrsmodelle

Transportation Research Record: Journal of the Transportation Research Board Vol. 2672, H. 36, 2018, S. 92-102, 7 B, 1 T, 19 Q. - Online-Ressource: Verfügbar unter: http://journals.sagepub.com/home/trr

Dem Problem der räumlich-zeitlichen Schwankungen in der Nutzung von Fahrradverleihsystemen begegnen Hong et al. mit einem neuen Ansatz. Die im Zuge der Arbeit entwickelte Methode zur Vorhersage einer Nachfrage an Stationen im Tagesgang basiert auf Methoden des maschinellen Lernens in Verbindung mit Trainingsdaten des New Yorker Bikesharing-Programms und Wetterdaten. Daten zur gebauten Umgebung wurden hingegen nicht verwendet. Auf Stadtebene können damit Vorhersageergebnisse mit R² = 0,79 erreicht werden, auf Stationsebene immerhin noch R² = 0,72, wobei je nach Lage deutliche Unterschiede auftreten. Die Gütemaße suggerieren eine hohe Modellgüte bei gleichzeitig sehr geringem Datenbedarf. Andererseits wirft das Ignorieren jeglicher raumstrukturellen Parameter auch Fragen hinsichtlich der Übertragbarkeit auf andere Untersuchungsgebiete auf. Im Ausblick wird eine Nutzung anderer Bikesharing-Systeme als Trainingsdatenbasis diskutiert, um die Fixierung auf eine spezielle Stadt zu verringern. Ob dies ohne raumstrukturelle Daten gelingen kann, ist fraglich. Basierend auf den Erkenntnissen könnten Prognosen auf Basis des Deep Learnings die Reaktion auf räumliche und zeitliche Nachfrageschwankungen im städtischen Fahrradverleih zukünftig vereinfachen, insofern historische Daten der Verleihprozesse vorliegen.