Google Location History Daten in der Mobilitätsplanung : ein methodischer Vergleich synchron aufgezeichneter, smartphonebasierter Mobilitätsdaten

Abstract

Mobilitätserhebungen sind bis heute meist umfragebasiert. Forscher*innen sind auf die Antwortbereitschaft von Teilnehmer*innen angewiesen, um valide Informationen zu ihrem Mobilitätsverhalten zu erfahren. Traditionell per Interview oder Fragebogen werden Wegetagebücher zunehmend durch smartphonebasierte Erhebungsinstrumente ergänzt. Passives Tracking reduziert den Aufwand für Teilnehmende und ermöglicht eine höhere zeitliche und räumliche Auflösung der Mobilitätsdaten. Zudem können so Erhebungszeiträume von bisher ein bis zwei Tagen auf mehrere Tage oder Wochen erweitert werden.Weitaus längere Erhebungszeiträume sind potenziell mit der Google Location History (GLH) zu erzielen. In unterschiedlichen Studien konnten Mobilitätseinträge im Verlauf mehrerer Jahre gesammelt werden. Dadurch können Längsschnittanalysen der Alltagsmobilität von Einzelnen realisiert werden, ohne großen Aufwand für die Beteiligten. Zudem ermöglichen GLH-Daten Analysepotenziale im Bereich der Fern- und Urlaubsmobilität. Die passive Aufzeichnung über die Google Maps App und der freie Zugang zu den privaten GLH-Daten per Takeout reduziert die Einstiegshürde für explorative Forschungsprojekte.Diese Arbeit widmet sich der Frage, ob Google Location History Daten gleichwertig zu anderen smartphonebasierten Mobilitätsdaten sind und wie diese zu Forschungszwecken verwendet werden können.In einem Vergleich synchron aufgezeichneter Mobilitätsdaten des aspern.mobil LABs wird die Datenqualität der GLH untersucht. Anhand einer Stichprobe von 41 Teilnehmenden über einen Erhebungszeitraum von je 6 bis 14 Tagen, werden Mobilitätsindikatoren berechnet und mit den Mobilitätsdaten der Motiontag Applikation „Wegesammler 2.0“ verglichen. Es werden Herausforderungen und Potenziale in der Verwendung von GLH-Daten dargestellt. Die Abweichungen wirken sich insbesondere auf die Analyse einzelner Wege aus, während aggregierte Indikatoren auf Meso- und Makroebene geringere relative Verzerrungen aufweisen. So können Mobilitätsattribute wie Etappenanzahl, Reisezeit und Distanz mit Google Location History Daten abgebildet werden, jedoch variiert die Aussagekraft aufgrund von systematischen Messfehlern.

Mobility surveys have mostly been based on questionnaires. Researchers rely on participants' willingness to respond to obtain valid information about their mobility behavior. Traditionally conducted via interviews or questionnaires, travel diaries are increasingly being supplemented by smartphone-based survey tools. Passive tracking reduces the effort required by participants and enables a higher temporal and spatial resolution of mobility data. In addition, survey periods can be extended from one to two days to several days or weeks.Much longer survey periods can potentially be achieved with Google Location History (GLH). In various studies, mobility entries have been collected over a period of several years. This allows longitudinal analyses of individuals' everyday mobility to be carried out without great effort on the part of those involved. GLH data also offers potential for analysis around long-distance and holiday mobility. Passive recording via the Google Maps app and free access to private GLH data via Takeout reduce the barrier to entry for exploratory research projects.This work addresses the question of whether Google Location History data is equivalent to other smartphone-based mobility data and how it can be used for research purposes.The data quality of GLH is examined by comparing synchronously recorded mobility data from aspern.mobil LAB. Based on a sample of 41 participants over a survey period of 6 to 14 days, mobility indicators are calculated and compared with the mobility data from the Motiontag application “Wegesammler 2.0.” Challenges and potential in the use of GLH data are presented. The deviations have a particular impact on the analysis of individual routes, while aggregated indicators at the meso and macro levels show lower relative distortions. Indicators such as number of stages, travel time, and distance can be approximated using Google Location History data, but the significance varies due to systematic measurement errors.