Detailergebnis zu DOK-Nr. 79723
Bewertung und Vorhersage der Mobilitätsverbesserung durch die Integration von Bikesharing in multimodale öffentliche Verkehrssysteme (Orig. engl.: Assessing and predicting mobility improvement of integrating bike-sharing into multimodal public transport systems)
| Autoren |
C. Kapuku S.-Y. Kho D.-K. Kim S.-H. Cho |
|---|---|
| Sachgebiete |
0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 5.3.4 Öffentlicher Personennahverkehr 5.5 Radverkehr, Radwege |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2675, H. 11, 2021, S. 204-213, 4 B, 3 T, 35 Q. - Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Neue, gemeinsam genutzte Mobilitätsdienste sind in vielen Städten zunehmend verbreitet und haben das Potenzial, die Herausforderungen des städtischen Verkehrs zu bewältigen. Die Studie aus Südkorea zielte darauf ab, die Mobilitätsleistung der Integration von Bikesharing in multimodale Verkehrssysteme zu analysieren und ein maschinelles Lernmodell zu entwickeln, um die Leistung von intermodalen Fahrten mit Bikesharing im Vergleich zu Fahrten ohne Bikesharing für eine bestimmte Fahrt vorherzusagen. Die Ergebnisse deuten darauf hin, dass der Einsatz von Bikesharing bei intermodalen Fahrten, bei denen es besser abschneidet als der Bus, die Mobilitätsleistung verbessern könnte, indem bis zu 34 % der Reisezeit pro Fahrt im Vergleich zu den Szenarien eingespart wird, in denen ausschliesslich der Bus für die Fahrten genutzt wird, und bis zu 33 %, wenn ausschließlich Bikesharing-Fahrten genutzt werden. Die Ergebnisse der maschinellen Lernmodelle deuten darauf hin, dass der Random-Forest-Klassifikator drei andere Klassifikatoren mit einer Genauigkeit von 90 % bei der Vorhersage der Leistung von Bikesharing- und intermodalen ÖPNV-Fahrten übertraf (Random Forest ist ein Algorithmus, der sich für Klassifizierungs- und Regressionsaufgaben nutzen lässt; er kombiniert die Ergebnisse vieler verschiedener Entscheidungsbäume, um bestmögliche Entscheidungen zu treffen und gehört zu den Verfahren des überwachten Lernens und ist im Machine Learning einsetzbar). Weitere Analysen und Anwendungen der Mobilitätsleistung von Bikesharing in Seoul werden im Artikel vorgestellt und diskutiert.