Detailergebnis zu DOK-Nr. 80538
Fake it till you make it: Synthetische Daten für neue Carsharing-Programme (Orig. engl.: Fake it till you make it: Synthetic data for emerging carsharing programs)
| Autoren |
T. Albrecht R. Keller D. Rebholz M. Röglinger |
|---|---|
| Sachgebiete |
0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 5.3 Stadtverkehr (Allgemeines, Planungsgrundlagen) 6.2 Verkehrsberechnungen, Verkehrsmodelle |
Transportation Research Part D: Transport and Environment 127 (2024) Nr. 104067, 20 S., 7 B, 5 T, zahlr. Q. − Online-Ressource: verfügbar unter: https://doi.org/10.1016/j.trd.2024.104067
Carsharing ist ein wesentlicher Bestandteil des Wandels hin zu einer flexiblen und nachhaltigen Mobilität. Neue Carsharing-Programme weg von stationären Diensten drängen auf den Markt und fordern die großen Betreiber mit innovativen Dienstleistungen heraus. Die Studie mehrerer bayerischer Forschungsreinrichtungen untersuchte den Einsatz von generativen maschinellen Lernmodellen zur Erstellung synthetischer Daten, um die Entscheidungsfindung im Carsharing zu unterstützen, wenn der Datenzugang begrenzt ist. Zu diesem Zweck werden die Evaluierung, Auswahl und Implementierung modernster Methoden wie Generative Adversaria! Networks (GANs) und Variational Autoencoders (VAEs) untersucht, um synthetische tabellarische Transaktionsdaten von Carsharing-Fahrten zu erzeugen. Die Studie analysiert die Nutzungsdaten eines aufstrebenden Carsharing-Programms, das sein Angebot um frei verfügbare Elektrofahrzeuge (electric vehicles, EVs) ohne feste Stationen erweitert. Die Ergebnisse zeigen, dass die Ergänzung von realen Trainingsdaten durch synthetische Stichproben die Vorhersage von bevorstehenden Fahrten um bis zu 4,63 % verbessert. Diese Ergebnisse unterstützen Carsharing-Forschende und die Praxis bei der Erstellung und Nutzung synthetischer Mobilitätsdaten, um Lösungen für reale Entscheidungsprobleme im Carsharing zu entwickeln.