Im aktuellen Projektschritt beschäftigen wir uns vor allem mit der genauen Analyse der Daten und versuchen daraus ein generell einsetzbares Vorhersagemodell für die Seestadt zu entwickeln. Mit Hilfe von diversen statistischen Tools für Python haben wir die vorhandene Datenbasis ausgewertet. Pro Woche sind rund 81.000 Stations-Snapshots in der Datenbank gesammelt worden.

Die Auswertung von Daten wurde prinzipiell mit Python’s NumPy und Pandas Bibliotheken durchgeführt. Durch grafische Darstellung mit der Verwendung der Matplotlib 2D-Plotting-Bibliothek wurden einige tägliche Muster ersichtlich. In Folge wurde rasch erkennbar welche Stationen am meisten besucht sind und wo die Räder regellos entlehnt werden. Schon in dem Schritt kann man auch feststellen, wo die Daten sogar mit klassischen statistischen Methoden dank einem klarem Muster leicht vorhersagbar sein sollten und wo die dem menschlichen Auge verborgenen Verleihmuster erst durch maschinelles Lernen erkennbar werden.

Klare Verkehrsströme zeichnen sich ab

Eine erste Datenanalyse zeigt gut die täglichen Abläufe in der Seestadt. Zwischen 7 und 9 Uhr am Morgen werden die meisten Räder an den Stationen am Quartiersrand ausgeborgt und primär an der U2-Endstation Seestadt abgestellt. Rund um die Mittagszeit kehren dann einige BewohnerInnen wieder in den Stadtteil zurück und erhöhen wieder die Anzahl der verfügbaren Räder am Quartiersrand. Über den Nachmittag hindurch werden diese Räder dann wieder vom Rand hin zur U2-Station bewegt. Diese Bewegung zurück zur hochrangingen Verkehrsstation ist wichtig, ansonsten wären am Abend zu viel wenige Räder verfügbar für die heimkehrenden Berufstätigen. Durch die Lage der Seestadt am nordöstlichen Rand von Wien in der Donaustadt ergibt sich auch eine später einsetzende „Rush Hour“ rund um die Räder. Erst ab ca. 17:30 Uhr setzt der Verleih wieder verstärkt ein und kommt erst wieder gegen 21 Uhr zum Erliegen. In den Nachstunden werden hingegen kaum Räder ausgeborgt.

Klar erkennbar ist die zentrale Rolle der U2-Endstation für das Entwicklungsgebiet Seestadt. Eine Vielzahl an Fahrten führt von den Stationen am Rand hin zur U2 oder am Abend wieder zurück zu den Wohnhäusern. Diese Entwicklung war erwartbar, hat uns aber in dieser Intensität dennoch überrascht.

Die weiteren Schritte

Wir sind im Zuge der ersten Analyse auf ein größeres Problem bei der Nutzung der Daten aus der Seestadt gestoßen: Im Winter werden zahlreiche Verleihräder gewartet und die Anzahl an gesamt verfügbaren Rädern geht stark zurück. Erst im Frühjahr erhöht sich wieder die Aktivität und wir können zuverlässigere Daten erhalten. In den kommenden Tagen werden wir bei einem gemeinsamen Sprint die Auswirkungen davon genauer analysieren und eventuell auch andere Datenquellen für SharedMobility.ai in Betracht ziehen.