Lösungsansatz und Resultate

EcoMove integriert Echtzeit-Daten anonymisierte Nutzerströme von öffentlich zugänglichen WiFi Hotspots mit kommunizierten Inhalten aus Nachrichten, sozialen Medien und Event-Datenbanken. Darüber hinaus werden Open Data Quellen wie DBpedia oder die Echtzeitdaten der Wiener Linien herangezogen. Die Integration dieser Daten in Kombination mit prädiktiver Modellierung wird es erlauben, Mobilitätsengpässe zu identifizieren (Überschreitung der nominal verfügbaren oder durch eine Störung eingeschränkten Kapazität der Verkehrsmittel in einem klar definierten geographischen Bereich, z.B. bei Massenansammlungen aufgrund von Demonstrationen). Darüber hinaus wird EcoMove konkrete Empfehlungen für individuelle Mobilitätsentscheidungen geben. Datenvisualisierungen werden zeigen, wie Mobilitätsverhalten durch Minimierung von Wartezeiten und Priorisierung einer bewegungsaktiven, suffizienten Mobilität effizienter und umweltbewusster gestaltet werden kann.

Datenerfassung

Der Lösungsansatz inkludiert zudem die Prognose von Mobilitätsengpässen basierend auf aktuellen Trends in vielfältigen Datenquellen. Im ersten Projektabschnit (Jänner – Juni 2019) wurden monatlich mehr als 1 Million Dokumente aus den definierten Online-Quellen erfaßt. Die integrierte und mit umfangreichen Metadaten angereicherte Datenbasis von in Summe rund 8 Mio. Dokumenten setzt sich aus mehr als 600.000 Nachrichten-Artikeln, 31.500 Online-Publikationen des öffentlichen Sektors, 12.200 Dokumenten von Unternehmens-Websites, 6.5 Mio. Twitter-Postings und 22,000 YouTube Videos zusammen. 


Screenshot des EcoMove-Dashboards
(
Abfrage zu “Wiener Linien”, 04-07/2019)

Empfehlungssystem

Innovativen Empfehlungsalgorithmen werden historische Daten und aus der öffentlichen Debatte automatisch extrahiertes Wissen heranziehen, um auf zukünftige Ereignisse zu schließen. Die integrierten Datenbestände werden über Datendienste und ein Mobilitäts-Dashboard zur Verfügung gestellt, um professionelle Stakeholder bei der Mobilitätsplanung zu unterstützen. Im Hinblick auf individuelles Verhalten wird eine Analyse der WiFi- und Interaktionsdaten es ermöglichen, jene Faktoren und Anreize zu identifizieren welche Touristen und die ansässige Bevölkerung dazu bewegen ihr Mobilitätsverhalten zu ändern – zum Beispiel von einem ursprünglich geplanten Ziel abzuweichen um einer Ballung entgegenzuwirken.


Auszug aus dem Verkehrsmodell
(
Verkehrsströme inklusive Umsteiger bei einzelnen Haltestellen)