Detailergebnis zu DOK-Nr. 80565
Rückschlüsse auf Herkunft und Ziel von Mikromobilitätsfahrten unter Verwendung von allgemeinen Bikeshare-Feed-Spezifikationsdaten (Orig. engl.: Micromobility trip origin and destination inference using general bikeshare feed specification data)
| Autoren |
Y. Xu X. Yan V.P. Sisiopiku L.A. Merlin F. Xing X. Zhao |
|---|---|
| Sachgebiete |
5.3 Stadtverkehr (Allgemeines, Planungsgrundlagen) 6.1 Verkehrserhebungen, Verkehrsmessungen |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2676, H. 11, 2022, S. 223-238, 6 B, 4 T, 41 Q. − Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Aufkommende Mikromobilitätsdienste (zum Beispiel E-Scooter) haben ein großes Potenzial, die urbane Mobilität zu verbessern, aber es wird mehr Wissen über ihre Nutzungsmuster benötigt. Die Daten der "General Bikeshare Feed Specification" (GBFS) der USA sind eine mögliche Quelle für die Untersuchung von Fahrtenmustern im Bereich der Mikromobilität, aber es sind Anstrengungen erforderlich, um aus den GBFS-Daten Fahrten abzuleiten. Bestehende Methoden zur Ableitung von Fahrten basieren in der Regel auf der Annahme, dass sich die Fahrzeugidentität (ID) einer Mikromobilitätsoption (E-Scooter oder E-Bike) nicht ändert, und können daher nicht mit Daten umgehen, deren Fahrzeug-IDs sich im Laufe der Zeit ändern. In dem Beitrag wird ein umfassendes Paket von Algorithmen zur Ableitung von Quelle-Ziel-Paaren aus GBFS-Daten mit statischer Fahrzeug-ID und von nicht verknüpften Quelle- und Zielorten von Fahrten aus GBFS-Daten mit zurückgesetzter und dynamischer Fahrzeug-ID vorgeschlagen. Die Algorithmen wurden in Washington (D.C.) implementiert, indem eine Woche (letzte Februarwoche 2020, vor der Coronapandemie) GBFS-Daten von sechs Anbietern analysiert wurden, und die Ableitungsgenauigkeit der vorgeschlagenen Algorithmen wurde anhand von R-Quadrat, mittlerem absolutem Fehler und absolutem Summenfehler bewertet. Es wird festgestellt, dass das R-Quadrat größer als 0,9 und der MAE-Wert (Mean Absolute Error, definiert als der Durchschnitt der absoluten Differenz zwischen prognostizierten Werten und wahren Werten) kleiner als 2 ist, wenn die Algorithmen mit einem 400 × 400 m-Gitter bewertet werden. Die absoluten Fehler sind im Stadtzentrum relativ größer, und der Ableitungsfehler ist am frühen Morgen und in der Nacht relativ hoch. Die Genauigkeit der Algorithmen zur Ableitung von Fahrten ist für die meisten praktischen Anwendungen ausreichend hoch.