Maschinelles Lernen zur Anreizsetzung für nachhaltigen Verkehr

Maschinelles Lernen kann Muster in Daten erkennen und Prognosen unterstützen. In der Verkehrsplanung lässt sich damit untersuchen, wo Infrastruktur benötigt wird und welche Investitionen unterschiedliche Ziele fördern. Die Technik ersetzt weder verlässliche Daten noch Ortskenntnis und politische Abwägungen.

Algorithmen des maschinellen Lernens

Zum maschinellen Lernen gehören etwa künstliche neuronale Netze, Entscheidungsbäume und Support-Vector-Maschinen. Welche Methode geeignet ist, hängt von der Aufgabe und den verfügbaren Daten ab.

Empfehlungen bei Netflix (NFLX ), manche Chatbots und Teile autonomer Fahrsysteme nutzen maschinelles Lernen. Solche Systeme sind nicht automatisch kostengünstig oder fehlerfrei. Ihre Prognosen für die Verkehrsplanung müssen überprüft und mit tatsächlichen Ergebnissen verglichen werden.

Ziele für nachhaltigen Verkehr

Nachhaltiger Verkehr soll Umweltbelastungen verringern und zugleich den Zugang zu Arbeit, Dienstleistungen und Freizeit ermöglichen. Fußverkehr, Radverkehr, öffentlicher Verkehr und Elektrifizierung können dazu auf unterschiedliche Weise beitragen. Auch bei Elektrofahrzeugen hängen die gesamten Auswirkungen von Herstellung, Stromerzeugung und Nutzung ab.

Quelle: MarketWatch – Nutzung nachhaltiger Verkehrsmittel in den USA

Zusammenhängende Verkehrsangebote schaffen

Staus und Emissionen sind in vielen Städten wichtige Probleme. Maschinelles Lernen kann bei ihrer Analyse helfen; Verbesserungen hängen jedoch von Planung und Umsetzung ab.

Nachhaltige Verkehrsplanung umfasst mehr als selbstfahrende Autos. Sie muss Fußwege, Radwege, öffentlichen Verkehr und weitere Angebote so verbinden, dass Menschen alltagstaugliche Alternativen haben.

Infrastruktur für nachhaltige Entscheidungen

Der Nutzen von Radwegen hängt von Lage, Sicherheit, Erreichbarkeit und Vernetzung ab. Ein zusammenhängendes Netz kann mehr Fahrten ermöglichen als einzelne, isolierte Abschnitte. Toronto ist ein Beispiel für die modellgestützte Untersuchung des Netzausbaus. Eine Modellstudie allein belegt aber nicht, dass jeder tatsächliche Ausbau die Unfallzahlen gesenkt hat.

Was Datenanalysen beitragen können

Stadtplaner benötigen Informationen über Ziele, Verkehrsaufkommen, Straßen und vorhandene Infrastruktur. Sie müssen auch berücksichtigen, welche Bevölkerungsgruppen schlecht an sichere Wege angebunden sind.

Maschinelles Lernen und Optimierung können Alternativen vergleichen. Eine rechnerisch optimale Lösung gilt jedoch für die gewählten Ziele und Annahmen und erfüllt nicht automatisch sämtliche Bedürfnisse.

Gesamtnutzen und gerechter Zugang

Eine Studie zum Radwegenetz in Toronto verglich nutzenorientierte und auf gerechteren Zugang ausgerichtete Planungsstrategien. Die Maximierung der gesamten Erreichbarkeit kann Investitionen in bereits gut vernetzten Gebieten konzentrieren. Eine breitere Verteilung kann mehr Menschen einen grundlegenden Zugang geben, zugleich aber die durchschnittliche Erreichbarkeit weniger stark erhöhen. Die Studie zeigt einen Zielkonflikt; sie überlässt einem Algorithmus nicht die gesellschaftliche Entscheidung darüber, was gerecht ist.

Anreize müssen im Alltag funktionieren

Die Wahl eines Verkehrsmittels hängt unter anderem von Preis, Reisezeit, Sicherheit, Komfort und verfügbaren Alternativen ab. Bei Elektrofahrzeugen spielen auch Anschaffungskosten und Lademöglichkeiten eine Rolle. Der Benzinpreis ist daher nur ein Faktor.

Quantitative Verfahren werden seit Langem in der Verkehrsplanung eingesetzt. Neuere Methoden des maschinellen Lernens können diese Analysen ergänzen. Digitale Belohnungen und Blockchains sind weitere mögliche Werkzeuge, aber keine notwendige Voraussetzung für nachhaltigen Verkehr.

Eine Blockchain kann Transaktionen und Belohnungen erfassen. Sie garantiert weder korrekte Bewegungsdaten noch eine schnelle und günstige Verarbeitung. Apps, die Gehen oder Radfahren belohnen, müssen Datenschutz, Manipulationen, Finanzierung und den Wert ihrer Belohnungen berücksichtigen. Ein ausgezahlter Token belegt für sich genommen keine vermiedene Autofahrt.

Maschinelles Lernen als Planungshilfe

Historische Daten lassen sich mit aktuellen Beobachtungen verbinden, um Verkehr und Nachfrage abzuschätzen. Planer können damit mögliche Maßnahmen vor ihrer Umsetzung vergleichen.

Die Prognosen müssen validiert werden. Zudem können wichtige Gruppen oder Wege in den Daten fehlen. Analysen sollten deshalb mit lokalem Wissen und der Beteiligung der Bevölkerung verbunden werden.

Fördern bessere Verbindungen die Nutzung?

Sichere, gut erreichbare und zusammenhängende Verbindungen können nachhaltige Verkehrsmittel attraktiver machen. Wie stark die Nutzung steigt und ob Autofahrten ersetzt werden, hängt von den örtlichen Bedingungen ab. Reisezeit und Zugang zu wichtigen Zielen sind gegen Kosten und andere Anforderungen abzuwägen.

Ladeinfrastruktur

Maschinelles Lernen kann die Standortplanung für Ladestationen unterstützen. Dabei sind Nachfrage, Netzkapazität, Kosten und Erreichbarkeit zu berücksichtigen.

Datenanalysen können auch Ladeplanung und Batteriemanagement verbessern. Änderungen müssen aber innerhalb der technischen und sicherheitsbezogenen Grenzen der Batterie bleiben. Kein Algorithmus garantiert unter allen Bedingungen zugleich die kürzeste Ladezeit und die längste Lebensdauer.

Luftverschmutzung verringern

Verkehrsbedingte Luftverschmutzung kann die Gesundheit beeinträchtigen. Die Belastung hängt unter anderem von Verkehrsmenge, Entfernung zur Straße, Wetter und Bebauung ab. Nicht jeder Mensch, der an einer Hauptverkehrsstraße lebt, entwickelt zwangsläufig eine Lungenerkrankung.

Batterieelektrische Fahrzeuge verursachen beim Fahren keine Abgasemissionen. Dennoch entstehen unter anderem Partikel durch Reifen- und Straßenabrieb; auch Herstellung und Stromerzeugung können Emissionen verursachen. Die Luftqualität verbessert sich daher nicht automatisch genau proportional zum Elektrofahrzeuganteil.

Unterstützung für Elektrofahrzeugnutzer

Digitale Dienste können Fragen beantworten, Wartung unterstützen und den Erfahrungsaustausch erleichtern. Maschinelles Lernen kann einzelne Funktionen ermöglichen, ist aber nicht für jede davon erforderlich. Daten über Nutzer und Fahrten müssen verantwortungsvoll behandelt werden.

Ein Unternehmensbeispiel aus dem E-Bike-Markt

Elektrofahrräder sind ein Teil des Marktes für elektrifizierte Mobilität. Das folgende Unternehmen hatte zum Zeitpunkt des Artikels 2024 einen Bezug zu diesem Markt. Daraus folgt weder eine Beteiligung an der genannten Forschung noch ein sicherer Umsatzanstieg durch maschinelles Lernen.

Vista Outdoor

Vista Outdoor startete 2015 als eigenständiges Unternehmen und vereinte verschiedene Outdoor- und Sportmarken. Der E-Bike-Hersteller QuietKat gehörte damals zu diesem Portfolio.

QuietKat bietet unter anderem Elektrofahrräder für Geländefahrten an. Motorleistung und Bauart unterscheiden sich je nach Modell. VPO steht für Variable Power Output und ermöglicht die Anpassung von Leistung und Fahrmodus. Das ist für sich genommen keine Funktion des maschinellen Lernens. Ein gewählter Modus ersetzt auch nicht die Prüfung der örtlichen Nutzungsvorschriften.

Die Nachfrage nach E-Bikes und die Geschäftsergebnisse werden von mehreren Faktoren beeinflusst. Für die Behauptung, QuietKats Gewinnverlauf während der Pandemie habe unmittelbar eine bestimmte Verbesserung des gesamten Vista-Outdoor-Ergebnisses verursacht, fehlt hier ein ausreichender Nachweis.

Im Oktober 2024 kündigte Vista Outdoor Vereinbarungen an, Revelyst zu einem Unternehmenswert von 1,125 Milliarden Dollar an SVP und The Kinetic Group für 2,225 Milliarden Dollar an CSG zu verkaufen. Zusammen ergaben sich 3,35 Milliarden Dollar. Es handelte sich damals um an Bedingungen geknüpfte Vereinbarungen, nicht um bereits abgeschlossene Verkäufe. Daraus allein folgt keineKaufempfehlungfür eine Anlage im Elektrofahrzeugmarkt.

Verkehr nachhaltiger planen

Maschinelles Lernen kann Städte und Unternehmen bei der Verkehrsplanung unterstützen. Der Nutzen hängt von den Daten, klaren Zielen und der Überprüfung tatsächlicher Ergebnisse ab. Die Technik muss mit geeigneter Infrastruktur und den Bedürfnissen der Nutzer verbunden werden.

Entdecken Sie weitere KI-Projekte.