Wie nutzen Daten dem ÖPNV?
Lektion 3
Mit Daten Probleme im ÖPNV bewältigen
Am nächsten Tag hat Sonia eine Besprechung mit ihrem IT-Kollegen Can Bulut. Sie diskutieren, wie der Datenfluss aus der Fahrplan-App genutzt werden kann, um größere Probleme zu bewältigen.
Can: Wir könnten durch intelligente Sensoren in den Sitzen die Auslastung einzelner Zugteile erkennen und einplanen. So könnten bei Bedarf neue Busse und S- und U-Bahnen losgeschickt werden. Das wiederum würde vielleicht mehr Menschen dazu bewegen, auf den ÖPNV umzusteigen.
Sonia: Idealerweise führt das zu weniger Staus auf den Straßen und zu besserer Luftqualität.
Can: In Kanada wird die Nutzung des ÖPNV durch Punkte- und Bonussysteme angeregt, über die man günstigere Tickets und Gutscheine für bestimmte Dinge erhält. Das könnte auch für uns interessant sein.
Sonia: Das ist eine super Sache!
Daten zur Auslastung des ÖPNV helfen nicht nur bei der aktuellen Verkehrsplanung, sondern auch langfristig. Auf Basis von Nutzungs- und Auslastungsdaten lassen sich flexibel zusätzliche Fahrzeuge einsetzen, neue Routen planen oder Bedarfshaltestellen einrichten.
In einigen Ländern sind ÖPNV-Apps mit Umfragefunktionen ausgestattet, die auf freiwilliger und anonymer Basis Nutzerangaben zum Fahrerlebnis sammeln. Hinweise zu Luftqualität, defekten Türen, funktionierendem WLAN oder Sauberkeit im ÖPNV helfen dabei, diesen ständig zu verbessern.
Weg mit dem Dreck
Nutzer*innen des ÖPNV haben verschiedene Möglichkeiten, die Qualität zu beeinflussen. Über Chatbots mit KI-Systemen können beispielsweise Mängel gemeldet werden. Diese Informationen werden dann – automatisch klassifiziert und mit dem Standort versehen – an den Verkehrsbetrieb weitergegeben.
KI-Systeme können den Schaden meist direkt auswerten und eine Rückmeldung geben, wann der Schaden voraussichtlich repariert wird. Durch deine Meldungen trägst du dazu bei, dass KI-Systeme aus Daten lernen können. Zudem engagierst du dich so für einen sicheren und sauberen ÖPNV.
Aber trotz KI-Systemen sind auch Mängel-Apps fehleranfällig. Die Erfahrung hat gezeigt, dass durch Manipulationen oder falsche Antworten die Angaben aus der App nicht immer korrekt sind. KI-Systeme können im Zweifelsfall nicht überprüfen, ob es sich um eine korrekte oder falsche Meldung handelt. Es gibt also auch hier noch Optimierungsbedarf.
Wo steckt der Schurke?
Im Jahr 2016 kam es in der U-Bahn in Singapur zu einem merkwürdigen Vorfall: Beinahe täglich stoppten die Züge der Circle Line an roten Signalen, die ohne erklärbaren Grund auftraten. Dies führte zu zahlreichen Verspätungen und Komplikationen auf der Strecke. Ein Expertenteam machte sich auf die Suche nach dem Fehler.
Das Team verglich die Daten aller Circle-Line-Metros und fokussierte sich vor allem darauf, ob und wann die Signalstörung auftrat, die zu einem automatischen Auslösen der Notbremse führte.
Schnell stellte sich heraus, dass die Störung mit einem einzelnen Zug, dem sogenannten „Schurkenzug“ zusammenhing. Dieser verlor aufgrund eines technischen Fehlers in einem Tunnel regelmäßig für kurze Zeit seine Verbindung zur Zentrale. Deshalb bekamen alle anderen Circle-Line-Züge im System eine fehlerhafte Meldung zum sofortigen Stopp.
Dieses Beispiel zeigt, dass selbst Systeme mit den besten Algorithmen nicht vor Fehlern gefeit sind und ein Algorithmus nur so gut funktionieren kann, wie er designt wurde. Der Schurkenzug als Teil des Internet der Dinge ließ ein ganzes System zusammenstürzen. Allerdings war es den Expert*innen möglich, das Problem zügig zu identifizieren und den Zug aus dem Verkehr zu ziehen. Seitdem fährt die Circle Line wieder verlässlich.
Exercise:
Was meinst du: Welche der folgenden Aussagen sind richtig, welche falsch?
Anonyme Daten im ÖPNV
Die Londoner U-Bahn bietet in großen Teilen kostenloses WLAN an. Die damit verknüpften Smartphones senden automatisch anonymisierte Daten zum Standort an die Londoner Verkehrsbetriebe. Diese können daraus die Bewegung der Menschen im U-Bahn-Netz und damit die gewählten Zugverbindungen ablesen.
Das Verkehrsunternehmen „Transport for London“ nutzt diese Daten, um neben der Auslastung der Züge die Strecken zum Umsteigen, die bevorzugten Treppen und Aufzüge sowie die Umsteigezeiten zu ermitteln.
Bürger*innen werden darauf aufmerksam gemacht, dass sie durch Nutzung des WLAN-Netzes derartige Daten in anonymisierter Form teilen. Auf diese Weise hat Transport for London Zugriff auf große Datenmengen, die dazu beitragen, den ÖPNV zu optimieren. Zugleich behalten Bürger*innen die Kontrolle über ihre Daten.
Transport for London macht die erhobenen Daten auch als Open Data öffentlich zugänglich. So können auch andere Unternehmen oder zivilgesellschaftliche Initiativen die Daten nutzen, um mit eigenen Apps die besten Verbindungen zu berechnen, Optimierungen für den Berufsverkehr zu ermitteln oder Lücken im Verkehrsnetz sichtbar zu machen.
Exercise:
Wie sieht der Datenfluss im dynamisch-optimierten ÖPNV aus?
Open Data, wie sie etwa von Transport for London zur Verfügung gestellt werden, sind eine wichtige Quelle für alle, die Interesse an den Daten haben. Zum Beispiel können kleinere Start-ups mithilfe dieser Daten Apps entwickeln, die unter anderem neue Lösungen für Verkehrsprobleme anbieten.