Big Data im Radverkehr. Verkehrsplanerische Analyse der großmaßstäblichen Bewegungsdaten BikeCitizens.

Abstract

Nachdem das Fahrrad lange Zeit als gleichberechtigtes Verkehrsmittel im Stadtverkehr vernachlässigt wurde, lässt sich in den letzten Jahren in vielen europäischen Städten eine starke Förderung des Radverkehrs beobachten. Die Gründe hierfür liegen in den zahlreichen Vorteilen, die das Fahrrad aufweist und dem damit verbundenen Potenzial, viele innerstädtische Probleme zu lösen. Die Förderung des Radverkehrs stellt aber eine große Herausforderung dar, da das Verhalten der RadfahrerInnen nur schwer erfasst werden kann. Mit der zivilen Öffnung von GPS (Globales Positionsbestimmungssystem) konnten auch erstmals Satelliten eingesetzt werden, um die Bewegungen von VerkehrsteilnehmerInnen zu verfolgen und daraus Aussagen über das Mobilitätsverhalten abzuleiten. Dies bietet großes Potenzial, da bis dahin lediglich punktuelle Informationen auf Basis von Zählungen verfügbar waren oder sehr kostenund zeitintensive Erhebungen oder Befragungen durchgeführt werden mussten, um an entsprechende Informationen zu gelangen. Besonders vom Radverkehr (aber auch vom Fußgängerverkehr) war bisher relativ wenig bekannt. Nach ersten kleinen Feldversuchen, in denen das Potenzial von GPS für die Verkehrsplanung untersucht wurde, folgt mit der steigenden Verbreitung von Internet, Smartphones und Apps auch die Massentauglichkeit und damit auch die Zunahme an Bewegungsdaten. Da natürlicherweise auch viele ForscherInnen, Behörden und PlanerInnen an diesen umfassenden Daten interessiert sind, haben viele Unternehmen bereits begonnen, diese für Forschungszwecke oder eben Planungszwecke anzubieten. Dabei stellt sich jedoch die Frage, ob dadurch wirklich die bestehenden Methoden ersetzt oder sogar ergänzt werden können. Am Beispiel von 42.354 Trajektorien, die 2015 in Wien über die Bike Citizens-App erfassten wurden, erfolgte daher eine Untersuchung, welche Schritte zur Aufbereitung der Daten notwendig sind und wie repräsentativ die vorliegenden Daten sind, welche neuen Informationen daraus abgeleitet werden können und ob sich diese für den zukünftigen Einsatz in der Verkehrsplanung eignen würden. Dabei wurden die, über einen 3-stufigen Filter, bereinigten Daten hinsichtlich bestimmter Mobilitätskennzahlen und der räumlichen Verteilung untersucht und mit anderen Quellen, wie Mobilitätserhebungen oder Zählungen, verglichen. Bereits bei der Aufbereitung der Daten konnten bestimmte Limitierungsfaktoren festgestellt werden, die sich aus fehlerhaften Daten und den Aufwand für die notwendige Bereinigung der Daten ergeben. Im Zuge der Auswertung zeigte sich, dass die Daten, vor allem bei spezifischen bzw. kleinräumigen Analysen, erkennbare Abweichungen aufweisen, welche sich dadurch ergeben, dass eine geringe und nur eingeschränkt repräsentative Stichprobe des Radverkehrs vorliegt. Darüber hinaus konnten jedoch Zusatzinformationen aus diesen Daten gewonnen werden. So konnte die Durchschnittsgeschwindigkeit, welche bisher nur aufwendig mithilfe von Video oder Radar gemessen werden konnte, über dieser Methode bestimmt und in Abhängigkeit von Anlageart und Steigung untersucht werden. Die Verwendung von GPS in der Radverkehrsplanung kann daher besonders dann einen Zusatznutzen schaffen, wenn diese ergänzend zu den bestehenden Methoden genutzt wird, da durch die gegenseitige Auflösung der Limitierungsfaktoren Zusatzinformationen gewonnen werden können, die weiteren Aufschluss über das Radverkehrsverhalten geben.

Bicycles have been neglected for a long time as an equitable mode of transport in urban traffic. In recent years though, cycling has been promoted in many European cities, as the politicians and decision-makers became aware of all the benefits that cycling brings and the potential to solve transport-related problems within the city. Promoting bicycle traffic however is challenging, since capturing the behaviour of cyclists is rather difficult. With the opening of GPS (Global Positioning System) for civil purposes, satellites could now be used to capture peoples movements to derive statements about mobility patterns. Previously, information had been either point-based (traffic counting) or had to be gained through cost-intensive and time-consuming surveys. Especially little was known about cycling, as well as walking. The first field tests were used to examine GPS‘ potential in the field of transport planning. The growing use and popularity of the internet, smartphones and apps led to an increase in collected movement-data. Many people, especially researchers, authorities and planners, were interested in this data, which is why some companies started to offer the collected data for the purposes of research and planning. Thereby the question arises if the existing and conventional methods like traffic counting or surveying could be supplemented or even replaced. The examples from 42,354 trajectories, which were collected in 2015 in Vienna via the app “Bike Citizens”, were used to examine which steps would be necessary to pre-process the data, how representative the current data is, which new information could be obtained as well as whether and to what extent the data should be used for future matters in transportation planning. In this context, the data was cleaned through a specified 3-step filter, in which it was analysed by means of mobility indicators and its spatial distribution, followed by a comparison with other sources like surveys or traffic counts. Some limiting factors were already identified while processing the data, due to erroneous data and the necessity to clean the data correctly. During the evaluation of the data, it appeared that especially small-scale analysis tended to be deviated. This can be explained by the low sample size, in which representativeness was restricted. The present data can therefore not be used to replace the conventional methods, yet. However, it was possible to calculate and determine the mean speed in dependency of facility type, which could only be captured from afar via video or radar. GPS can therefore especially create additional value for transport planning, when it is used to supplement traditional methods. By using them in combination we extinguish their various, individual limiting factors.