DaMaSt - Datenbasiertes Management im Straßenraum
Zeitraum: Dezember 2022 - September 2024
Wie hoch ist die Wahrscheinlichkeit, dass hinter der nächsten Kurve der ersehnte freie Parkplatz liegt? Mit dem innovativen landesgeförderten Datenprojekt DaMaSt (Datenbasiertes Management im Straßenraum) will die Stadt Heilbronn der Antwort auf diese und weitere Fragen rund um die Mobilität näherkommen. Im ersten Teilprojekt entwickelte sie dafür mit dem Fraunhofer IAO eine künstliche Intelligenz, die Parkplätze voraussagen kann. Zusätzlich dazu wurde in einem weiteren Teilprojekt die Regulierung der E-Scooter/E-Bikes im Heilbronner Stadtgebiet neu betrachtet, sowie 22 neue Sharingstationen ausgewiesen.
Gefördert wird das Projekt zu 50 Prozent im Rahmen des Förderprogramms „Erschließung offener Mobilitätsdaten in Kommunen“ vom Ministerium für Verkehr Baden-Württemberg. Die im Projekt erschlossenen Daten werden der landesweiten Mobilitätsdatenplattform MobiData BW unter einer Open-Data-Lizenz zur Verfügung gestellt. Dies bietet die Chance, zukünftige Apps, Auskunftssysteme oder andere Mobilitätsinnovationen zu entwickeln und so die Mobilitätswende voranzutreiben.
Bei Fragen zum Projekt können Sie sich gerne an mobilitaet@heilbronn.de wenden.
Ausgangslage & Projektziel
In der Regel sind die verfügbaren Parkplätze in beschrankten Parkhäusern bekannt und werden an das Parkleitsystem übermittelt. Informationen über Parkstände im öffentlichen Raum und deren Auslastung sind jedoch oft unzureichend. Eine bessere Verfügbarkeit dieser Daten würde die Verkehrsinformation und -steuerung verbessern, den bedarfsgerechten Infrastrukturausbau unterstützen und das kommunale Parkraummanagement effizienter gestalten.
Im Forschungsprojekt „DaMaSt/Parkko“ untersuchte das Fraunhofer IAO gemeinsam mit der Stadt Heilbronn, ob und wie sich die Parkraumbelegung auf der Straße mittels kommunaler Daten und KI-basierten Prognosemodell vorhersagen lässt. Dadurch besteht die Möglichkeit zur Kosteneinsparung, wenn für die Prognosen auf bereits vorhandene Datenbestände zurückgegriffen und dadurch auf eine flächendeckende Installation teurer Sensoren verzichtet werden kann.
Vorgehensweise & Pilotgebiet
Zunächst wurde mithilfe von Interviews in den Fachämtern ein Überblick darüber verschafft, welche Daten in den einzelnen Fachämtern schon vorliegen oder Open Source bezogen werden können. Die resultierende Übersicht bildete hierbei die Grundlage für kommende Projekte, sowie eine Übersicht der noch zu veröffentlichen Daten. Unterstrichen wurden diese Ergebnisse durch die am 31.05.2023/21.09.2023/03.11.2023 durchgeführte Workshop-Reihe, bei denen Vertreterinnen und Vertreter der Stadtverwaltung, Bürgerinnen und Bürger sowie Mobilitätsdatenmanagerinnen und -manager aus Baden-Württemberg am Projektprozess beteiligt wurden und neue Anreize gesetzt haben. Anschließend wurden die relevanten Daten für das Modell identifiziert.
Das Pilotgebiet befindet sich in der Theresienstraße, ein Straßenzug mit 2 Fahrspuren und ca. 700 kostenfreien Parkständen. Aufgrund der Zählschleifen im oberen Bereich sowie der im unteren Bereich angrenzenden Anliegerstraße eignet sich dieser Straßenabschnitt ideal als Untersuchungsgebiet. Konkret wurde ein KI-gestützter Algorithmus entwickelt, der die Parkraumverfügbarkeit im öffentlichen Straßenraum basierend auf den kommunalen Datenbeständen (z.B. aus Induktionsschleifen, Kfz-Zulassungen, Veranstaltungen, Baustellendaten, Wetterdaten sowie ergänzende manuelle Zähldaten) hinreichend genau prognostiziert.
Für die Validierung des Modells wurden zusätzlich 12 Überkopfsensoren an öffentliche Straßenbeleuchtungsmasten angebracht.
Prognosemodell & Validierung
Das Prognosemodell, für den beispielhaften Zeitraum vom 01.01.2024 bis 31.01.2024, zeigt ein saisonales Muster: an den Werktagen steigt die Parkraumbelegung bis zur Mittagszeit, nachmittags bis zum späten Abend sinkt sie wieder. Die Belegung erreicht dabei oft die Kapazitätsgrenze. An den Wochenenden liegt über den Tagesverlauf hinweg ein vergleichbares Muster vor, jedoch ist die Auslastung der Parkflächen tendenziell deutlich geringer. Mithilfe der ersten (generelle Trends der Parkraumbelegung) und zweiten Ableitung (Stärke der An- und Abstiege in der Parkraumbelegung) können die Prognosewerte mit den Sensorwerten validiert werden. Das Model deutet auf eine korrekte Vorhersage der An- und Abstiege sowie der Füllzeiten innerhalb der Werktage, jedoch wurden stärkere Schwankungen an den Wochenenden beobachtet.
Bilder mit einem Klick vergrößern und gesamte Grafik sehen.
Belegung
Änderung der Belegungsrate
Beschleunigung der Belegungsrate
Zusammenfassend lässt sich sagen, dass die Prognose zuverlässig die Auslastung zu Spitzenzeiten vorhersagen kann. Trotz hoher Prognosegenauigkeit gab es verschiedene Herausforderungen, darunter die verkehrswidrige Nutzung der Badstraße und weitere nicht erfasste Einfahrten auf den P+R Parkplatz, welches zu einer Verzerrung des Untersuchungsraums führte und somit kein eindeutiger Rückschluss der Zählschleifen auf die Parkraumbelegung möglich war. Durch das Anbringen zusätzlicher Parkraumerfassungssensorik sowie längerfristige manuelle Zählungen kann das Prognosemodell weiter verbessert werden. Auch ein Folgeprojekt zur weiteren Prüfung der Anwendbarkeit auf weitere Straßenzüge im Stadtgebiet Heilbronn ist denkbar und wird aktuell von der Stadtverwaltung geprüft.
Ein visueller Prototyp in Form eines Dashboards, bei dem per Regler ein bestimmter Tag und eine bestimmte Uhrzeit ausgewählt werden kann, wurde ebenfalls vom Fraunhofer Institut entworfen. Die Möglichkeiten einer Veröffentlichung dessen, wird aktuell geprüft.
Dashboard Prototyp
Erwähnenswert sind außerdem die Ergebnisse des am 02.09.2024 durchgeführten Hackathons. Hier wurden mit den von der Stadt zur Verfügung gestellten Datensätze drei innovative Challenges bearbeitet. Neben der Erstellung eines Prototyps, die die Belegung von Parkhäusern in Heilbronn prognostizieren soll, sowie die Erstellung eines datengestützten Modells eines dynamischen Gebührensystems für E-Scooter/E-Bike-Sharing wurde auch ein Algorithmus zur Priorisierung von Ampelschaltungen in Heilbronn, die durch weitere Datensätze (Feiertage, Ferienzeiten, Veranstaltungen, Baustellen) gefüttert wurde, erstellt.
Weitere Informationen zum KI-Algorithmus
Das Model wurde mit NeuralProphet trainiert. NeuralProphet ist eine Python-Bibliothek für das Training von Prognosemodellen mit neuronalen Netzwerkkomponenten. NeuralProphet ist Open Source, daher kann das beigefügte Model auch einfach geladen und weiterverwendet werden.
Download Modell
- Parkko Forecast Model(np 2 MB)
- Skripte Prognosemodell(zip 26 MB)
PARKKO Dashboard
Das zweite Teilprojekt konzentrierte sich auf die Einführung einer Software, die eine Vielzahl von Aktivitäten rund um die Erfassung, Optimierung und Verwaltung von städtischen Straßenflächen zusammenfasst. Sperr-, Park- und Parkverbotszonen können so individuell nach tatsächlichem Verkehrsaufkommen eingerichtet werden. Beschwerden oder Verkehrsverstößen, beispielsweise im Zusammenhang mit Sharing-Angeboten, ließe sich schneller auf den Grund gehen.
Neben der Erfassung, Optimierung und Verwaltung von städtischen Straßenflächen durch die Einbindung mehrerer Mobilitätsdaten, konnten wichtige Erkenntnisse zur Mobilitätsnutzung erschlossen werden. Die Erstellung eines automatisierten Beschwerdemanagements zur Überwachung der Einhaltung von festgelegten Regeln gegenüber den Sharing-Anbietern rundeten diese Erkenntnisse ab. Durch Analysen von Nutzungsmustern, Mobilitätsströmen und Infrastrukturnutzungen dank historischer sowie Echtzeit-Datensätzen, konnten 22 Standorte für Sharingstationen errichtet werden, die sich nun an wichtigen Knotenpunkten für den Umstieg auf nachhaltige Mobilität befinden.
Auch nach dem Projekt wird die Software künftig zum Einsatz kommen, um weitere Verbesserungen in Hinblick auf Mikromobilität in Heilbronn umzusetzen.