Problemstellung

Zukunftstechnologien, wie Elektromobilität, Vernetzung und autonomes Fahren führen zukünftig zu einer Verlagerung klassischer Mobilitätskonzepte hinzu Mobility as a Service(MaaS). Dies fordert in Zukunft ein Umdenken bei klassischen Mobilitätsdienstleistern. 
Besonders deutlich wird diese Entwicklung am Beispiel des Taxigewerebes:

Genoss das Taxigewerbe in Deutschland in der Vergangenheit noch eine gewisse Monopolstellung bei der individuellen Beförderung von Personen, drängen in den letzten Jahren zunehmend Mitbewerber auf den Markt, die dem konventionellen Taxiunternehmer sowie den Vermittlungszentralen Marktanteile streitig machen möchten.

Diese Entwicklungen fordern von den Flottenbetreibern und Vermittlungszentralen eine Steigerung der Effizienz um langfristig konkurrenzfähig bleiben zu können. Ein hohes Verbesserungspotential liegt hierbei in der Reduzierung der Wartezeiten von Taxifahrern. Derzeit liegt die durchschnittliche Tagesauslastung eines Taxis bei circa 40 %. Es wird erwartet, dass die Auslastung durch eine präzise Vorhersage des Fahrgastaufkommens im Kombination mit einrer geeigneten Flottenstrategie gesteigert werden kann.

Ziel

Der Fokus dieses Projekts liegt auf der Erforschung des räumlich-zeitlichen Fahrgastaufkommens bei on-demand Mobilitätsdienstleistungen. Am Beispiel des Münchner Taxigewerbes soll ein Modell zur Vorhersage des Fahrgastaufkommens entwicklet werden. Anders als bei bisherigen Ansätzen sollen mit Methoden des Maschinellen Lenrnens und durch erweiterte Eingangsparameter die Vorhersagegenauigkeit sowohl räumlich als auch zeitlich erhöht werden. In einem zweiten Schritt erfolgt die Auslegung einer geeigneten Flottenstrategie.

Forschungsfragen

• Welche räumlich/zeitlichen Faktoren beeinflussen das Nachfrageverhalten bei on-demandMobilitätsdienstleistungen?
• Wie kann durch die Fusion mehrerer Datenquellen eine hohe räumliche und zeitliche Auflösung in der Vorhersage erreicht werden?
• Wie sieht die optimale Flottenstrategie aus, wenn die Nachfrage hinreichend genau vorhergesagt werden kann?

Vorgehen

Datenefassung & Analyse

Für die Analyse des Fahrgastaufkommens steht dem Lehrstuhl für Fahrzeugtechnik ein Datensatz einer Münchner Taxizentrale zur Verfügung. Dieser umfasst aktuell Fahrten mit einer Gesamtlänge von 55 Millionen Kilometern und ca. 11 Millionen Einzelfahrten. Der Datensatz wird in 10 Minütigen Intervallen mit aktuellen Daten aus dem Flottenmanagement der Taxizentrale aktualisiert. 

Modellbildung

Für die Modellierung des Nachfrageverhaltens kommen Methoden des Maschinellen Lernens zum Einsatz. Das spätere Vorhersagemodell soll in der Lage sein, das Fahrgastaufkommen unter Berücksichtigung historischer und aktueller Daten, sowie zukünftig bekannter Ereignisse zu prädizieren.

Verifizierung und Plausibilisierung

Die Verifizierung des Modells erfolgt anhand historisch erfasster Daten. Hierzu wird der Datensatz in einen Trainings und einen Validierungsdatensatz getrennt.

Auslegung einer optimalen Flottenstrategie

Aufbauend auf den Ergebnissen des Prädiktionsmodells soll in einer abschließenden Untersuchung gezeigt werden, wie durch eine angepasste Flottenstrategie die Auslastung des Gesamtsystems bei gleichbleibender Servicequalität verbessert werden kann.