Bikesharing 2.0: Nutzungsanalyse der Kölner Leihräder auf Basis von Open Data
Die CI Decision Design GmbH nutzt Open Data der Stadt Köln und analysiert damit die Nutzung von Leihrädern.
Städte, Bundesländer und Behörden bieten Geodaten oft als OpenData-Datensätze für verschiedene Themenbereiche an. Gleichermaßen entstehen auch neue, kreative Anwendungen, die diese Daten in Wert setzen. Wie zum Beispiel eine neue Anwendung der Kölner Firma CI Decision Design GmbH, die untersucht, wie Leihräder innerhalb des Stadtgebiets genutzt werden und damit Einsichten in das Verhalten der Fahrradfahrer in der Stadt generell gewinnen will.
Offene Daten aus GPS
Die Stadt Köln bietet auf ihrem Portal OffeneDaten-Köln 72 Datenpakete mit unterschiedlichem Schwerpunkt. Einer davon stammt von den Leihrädern der Kölner Verkehrs-Betriebe AG (KVB). Über die KVB-Räder API – eine Programmierschnittstelle, über welche die vorhandenen Daten für verschiedene Anwendungen zugänglich gemacht werden, sammelt der KVB-Dienstleister Nextbike GmbH als Bereitsteller der Leihräder Auflistungen der Verleihorte, die Fahrradidentifikation und aktuelle Standorte der Räder im Stadtgebiet. In erster Linie sind das also Angaben zu den Orten, an denen die Räder ausgeliehen und wieder abgestellt werden, also Start- und Endpunkt von Fahrten.
Analyse von Routen
„Wir merken den Wandel der Stadt mehr in Richtung Smart City und den Willen, einen ökologischen Weg der innerstädtischen Mobilität zu gehen. Daher haben wir uns gefragt: Können die Daten aus der Fahrradnutzung dabei helfen, den Ausbau der Fahrradwege in der Stadt zu priorisieren“, berichtet Benedikt Schröter, fachlicher Berater bei CI Decision Design.
Über Transformationsberechnungen werden zu der jeweiligen Fahrrad-ID Routen ausgerechnet, die zwischen Start- und Endpunkt eines Ausleihvorgangs liegen. Die Wegführung wird also nur geschätzt, soll aber annäherungsweise darstellen, welche Strecken Fahrer genutzt haben. Für diese Berechnung greift CI Decision Design auf eine Python Bibliothek OSMnx und API-Schnittstelle von OpenStreetMap zurück. OSMnx ist dabei ein Python-Paket, mit dem räumliche Geometrien heruntergeladen und Straßennetze aus der Schnittstelle von OpenStreetMap konstruiert, projiziert, visualisiert sowie analysiert werden können. Schröter berichtet vom Ergebnis der Routenberechnung und -analyse: „Wir konnten die Routen nicht nur visualisieren und auf Basis der Metadaten herausfinden, welche Straßen besonders oft genutzt werden, sondern die Frequentierung auch zeitlich clustern und beispielsweise darstellen, welche Stadtgebiete zu welcher Uhrzeit gerade befahren wurden.“
Ausblick auf den Mehrwert
Allein dies sind Erkenntnisse, die verschiedene Akteuren nutzen können. Aber CI sieht noch weitere Potenziale für den Fall, Machine-Learning-Verfahren anzuwenden. Damit kann man den Fahrradverleih zum Beispiel prognostizieren. „Um sich nicht nur auf die historischen Fahrraddaten zu beschränken, könnte man zum Beispiel auch Wetter, Wochentag und dergleichen hinzuziehen. Anhand dieser Faktoren kann dann ein Modell trainiert werden, welches die Anzahl der geliehenen Fahrräder vorhersagen kann“, beschreibt Schröter. Diese Fragestellung könne auch noch verfeinert werden – zum Beispiel mit Bezug auf den Stadtteil und die Anzahl der zu erwartenden ausgeliehenen Räder.
Auch aus behördlicher Sicht gebe es Anwendungsmöglichkeiten, wie etwa eine Entscheidungsgrundlage zur Verbreiterung von Radwegen. (vb)