Es geht voran mit der Stau-Vermeidung

Eine grüne Ampel über einer verkehrsreichen Straße Foto: Ralf Gosch_EyeEm_Getty Images

„Wellenberge“ des Straßenverkehrs in „Wellentäler“ verschieben: Damit will das STREAM-Team der FernUniversität in Hagen einen gleichmäßigeren Verkehrsdurchfluss erreichen, der Zeit und Nerven von Verkehrsteilnehmerinnen und Verkehrsteilnehmern ebenso schont wie die Umwelt. Mit einer App, die die interdisziplinäre Forschungsgruppe aus Informatik und Wirtschaftswissenschaft im Rahmen des Projekts „Smart Traffic using Edge and Social Computing“ entwickelt, sollen Pendlerinnen und Pendlern Routen- und Fahrzeit-Empfehlungen erhalten, mit denen sie Staus umgehen können. Grundlagen hierfür sind künstliche neuronale Netzwerke. Das STREAM-Projekt ist Teil des Forschungsschwerpunkts Energie, Umwelt und Nachhaltigkeit der FernUniversität.

Die Projektbeteiligten können jetzt anhand erster Ergebnisse sehen, an welchen „Stellschrauben“ sie für ihre weitere Arbeit „drehen“ müssen. Und sie können bereits mit großer Treffsicherheit Verkehrsentwicklungen voraussagen, bei denen es keine außergewöhnlichen Einflüsse gibt.

Die Prognose-Komponente

Einen ersten großen Schritt hat das STREAM-Projekt im Bereich der Vorhersage von Verkehrsentwicklungen bereits geschafft: Die Prognose-Komponente funktioniert. Damit ist es möglich, aus den Daten des Verkehrs in den vergangenen Wochen und zusammen mit der Anfangsentwicklung des aktuellen Tages den „heutigen“ Verkehr ziemlich genau vorhersagen.

Ist es zum Beispiel Mittwoch, wird die Verkehrslage am frühen Morgen mit früheren „typischen Mittwochsmustern“ verglichen. Passt sie hierzu, kann eine Prognose erstellt werden. Bei geringen Abweichungen vom „typischen Mittwochsszenario“, z.B. zehn Prozent mehr Verkehr, dürfte es keine gravierenden Abweichungen geben. Bei unvorhersehbaren Ereignissen wie Unfällen funktioniert die Vorhersage naturgemäß nicht, weil sie nur auf Daten aus der Vergangenheit beruht.

Exzellente Vorhersagegenauigkeit

Foto: Volker Wiciok
Eine Skizze von Hagens verkehrsreichster Kreuzung, dem Emilienplatz

Die Prognosegenauigkeit kann z.B. mit Daten der letzten fünf Wochen getestet werden. Mit den Aufzeichnungen der ersten vier Wochen wird das neuronale Netz angelernt, das dann eine Prognose für die fünfte Woche erstellt. Diese wird mit den realen Daten dieser Woche verglichen: Vorhersagegenauigkeit bis zu 85 Prozent – ein erstklassiges Ergebnis.

„Mithilfe neuronaler Netze können wir die Entwicklung des Verkehrs also tatsächlich prognostizieren“, berichtet Prof. Dr. Jörg Keller über den Projektanteil der beiden Informatiker im Team. Das Prognose-Tool wurde am Lehrgebiet seines Kollegen Prof. Dr. Wolfram Schiffmann entwickelt. Diese noch „groben“ Simulationen sagen im Prinzip nur: Man müsste eine ganze Reihe von Fahrzeugen zeitlich verlagern. Schon davon würden alle Verkehrsteilnehmenden profitieren. Auch die im Stau, weil er kürzer würde.

Genauere Prognosen erstellen zu können ist mit existierender Sensorik problematisch, da es praktisch nur Sensoren in Kreuzungsbereichen gibt. Diese geben lediglich an, wie viele Autos pro Minute die Kreuzung überqueren. Ob ein Stau entsteht, kann ein einzelner Sensor nicht „sehen“. Indirekte Hinweise könnten Sensoren „vorgelagerter“ Kreuzungen geben. Ist an diesen das Verkehrsaufkommen zu groß, entsteht der Stau bereits dort. Für die geplanten Empfehlungen zu Abfahrtszeiten und Alternativrouten werden genauere Simulationen benötigt.

Auf Basis der ersten Prognosestufe soll Verkehrsteilnehmerinnen und Verkehrsteilnehmern, die hinsichtlich ihrer Abfahrtszeit einigermaßen flexibel sind, geraten werden können: Fahren Sie besser nicht um acht Uhr ab, sondern um halb acht, oder viertel vor oder viertel nach…“ Dafür braucht man neue Simulationen, die in Kellers Lehrgebiet erarbeitet werden.

Die eigentliche Frage ist: „Wie viele Fahrzeuge kann und muss man so verlagern? Und wohin?“, so Keller. Wenn zwölf Fahrzeuge pro Minute an einer Ampel ankommen, die nur zehn abfließen lässt, wären das zwei. „Wir müssten sie dorthin verlagern, wo normalerweise nur acht Fahrzeuge pro Minute ankommen, um den Stau nicht zu verschieben, sondern aufzulösen.“ Es muss also auch untersucht werden, welche Folgen verkehrslenkende Maßnahmen hier und andernorts hätten: „Die Fahrzeuge, die hier mehr abbiegen könnten, stauen sich dann vielleicht an einer der nächsten Ampeln.“

Es ist also zwar gut, zunächst punktuell zu beginnen, um überhaupt genau zu verstehen, was passiert, wenn man an gewissen Stellschrauben dreht. Aber das System ist wesentlich komplexer. Das heißt: Am Ende müsste man bei so einer Veränderung ein ganzes Konglomerat zumindest von großen Kreuzungen simulieren: „Müsste man dann auch dort wieder Leuten empfehlen, woanders zu fahren? Und so weiter und so fort?“

Teilprojekte bauen aufeinander auf

Die App – die inhaltlich von Dr. Katharina Ebner und Prof. Dr. Stefan Smolnik vom Lehrstuhl für Betriebswirtschaftslehre, insbesondere Betriebliche Anwendungssysteme entwickelt wird – setzt auf den technischen Entwicklungen auf. Sie hat zwei Aufgaben: Zum einen soll sie Informationen zu den Fahrerinnen und Fahrern liefern, diese zum anderen aber ermuntern, über längere Zeiträume ihre Fahrtdaten an das System zu liefern.

Menschen werden nur aktiv, wenn sie für sich kurzfristig einen klaren Vorteil sehen. Dafür müssen die Anwendungen entsprechend gestaltet werden und Erläuterungen bieten: Wie empfohlen um viertel vor acht loszufahren statt um acht, um die Stoßzeit zu umgehen, kann nicht nur Zeit sparen, sondern auch Sprit. Und die Nerven schonen. Man könnte sogar noch einen Parkplatz bekommen.

Drei Männer und eine Fraue stehen nebeneinander. Foto: Volker Wiciok
Das STREAM-Team besteht aus Prof. Jörg Keller, Dr. Katharina Ebner, Prof. Stefan Smolnik und Prof. Wolfram Schiffmann (v.li.).

Die Empfehlungen sind leicht nachvollziehbar. Aber, so Keller: „‚Wie viel früher‘ muss man empfehlen? Reicht es zu empfehlen, zehn Minuten früher loszufahren?“ Und: Es muss genauer differenziert werden: Wenn alle der Empfehlung folgen, würde der Stau vielleicht nur eine Viertelstunde vorverlagert. Oder eine empfohlene Ausweichstrecke könnte dadurch selbst überlastet sein.

„Genau herauszufinden, welchem Anteil der App-Nutzenden und App-Nutzer wir eine alternative Route und eine bestimmte Abfahrtszeit empfehlen müssen, ist eine große Herausforderung, die wir mit Simulationen dimensionieren können“, so Keller. Nicht die einzelne Empfehlung an einzelne Fahrerinnen und Fahrer ist das Besondere. Vielmehr muss kurzfristig ermittelt werden, welche Folgen sie in ihrer Gesamtheit haben, wenn z.B. alle, die eine ähnlich Route fahren, einer Empfehlung folgen Es geht also darum, alle Informationen für alle Teilnehmenden miteinander zu vernetzen, daraus neue Schlüsse zu ziehen und diese nachfolgenden Teilnehmenden mitzuteilen.

Nachhaltiges smartes Mobilitätssystem

Die App als Schnittstelle zwischen Menschen und Technik muss so gestaltet werden, dass sie die Verhaltensänderungen der Teilnehmenden abbilden kann und diese zugleich motiviert, langfristig mitzumachen. Denn nur im Zusammenspiel beider Komponenten entsteht ein nachhaltiges smartes Mobilitätssystem. Das ist die Aufgabe von Dr. Ebner und Prof. Smolnik. „Für die Klassifizierung von Pendlerinnen und Pendlern haben wir das Modell erarbeitet, auf dem die zu entwickelnde App basieren soll“, erläutert Ebner.

Einen großen Vorteil des FernUni-Projekts sieht sie darin, „dass wir nicht besonders drastisch in das tägliche Leben eingreifen; Empfehlungen, Fahrzeiten zu verschieben, haben die kleinstmöglichen Auswirkungen auf Routinen und daher die größtmögliche Akzeptanzwahrscheinlichkeit.“ Das Verschieben von Abfahrtszeiten ist keine große Änderung – der Vorschlag, auf Busse und Bahnen umzusteigen, schon.

Menschen einbinden

Das Mitwirken der Betroffenen ist ein zentraler Punkt der Arbeit. Soziotechnische Systeme haben immer drei Bausteine: Mensch, System und Aufgabe. „Und die müssen im Einklang stehen“, so Ebner. „Wir müssen daher die Bürgerinnen und Bürger mit diesem komplexen System verknüpfen und brauchen einen Weg hierfür – die App“, so Ebner. „Ansonsten können wir das eine oder andere Problem nicht lösen.“ Sie verweist auf viele Smart-City-Entwicklungen, die es nicht schaffen, die Menschen „mitzunehmen“.

Um diese einzubinden, etwa wenn es um unterschiedliche Änderungsbereitschaften beim Fahrverhalten geht, müssen die Pendlerinnen und Pendler „klassifiziert“ werden. Sonst kann man ihnen keine individuellen Fahrtzeiten und Routen empfehlen: „Wir versuchen, Pendlertypen gezielt danach zu verstehen, wie ihre Rahmenbedingungen für Mobilitätsänderungen sind. Mit welchen Typen haben wir es zu tun? Und wollen sie es überhaupt? Dafür haben wir relevante Kriterien: gedankliche Flexibilität oder Sachzwänge. Wie ‚ticken‘ die Menschen? Sind sie egoistisch, flexibel, neugierig, sozial orientiert oder ist das Leben für sie ein ständiger Wettkampf?“

Das soll in einer Studie mit FernUni-Studierenden erfasst werden. Mit Hochdruck wendet sich das STREAM-Team daher jetzt der App-Entwicklung zu. Der Fragebogen für die Teilnehmenden ist fertig, das Modell für die Klassifizierung der Pendlertypen ebenfalls.

Der Grund hierfür: „Wenn wir Verhalten ändern wollen, müssen wir uns vor Augen halten, dass wir niemals einen Menschen um 180 Grad wenden können, außer es geht um das eigene Leben“, erläutert Ebner, deren Habilitationsprojekt sich um diese Thematik dreht. Passionierte Autofahrerinnen und Autofahrer dürften selten dazu zu bewegen sein, vollständig auf den ÖPNV umzusteigen. Umgekehrt ist es übrigens ebenso. Dabei sind beiden Seiten die Nachteile des eigenen Verhaltens völlig klar – aber sie gewichten sie völlig unterschiedlich: „Wir sind Denkmustern verhaftet, hängen an unseren eigenen Gewohnheiten. Und dann kommt irgendwer, eine App, noch schlimmer: eine Künstliche Intelligenz und sagt mir, was ich tun soll… Die meisten Menschen stehen jedoch Künstlicher Intelligenz reserviert bis ablehnend gegenüber, so Ebner. „Wir brauchen daher die Profile, um die Menschen mit ‚Häppchen füttern‘ zu können, die genau auf sie zugeschnitten sind, um Ängste zu nehmen und Vertrauen aufzubauen. Dafür benötigen wir besondere Anreizstrukturen und ein System, um die einzelnen Pendlerinnen und Pendler automatisiert abzubilden.“

Interesse wächst

An der Entwicklung in Hagen zeigen inzwischen verschiedene Institutionen Interesse, unter anderem das hessische Wissenschaftsministerium, eine süddeutsche Großstadt und nicht zuletzt verschiedene renommierte wissenschaftliche Einrichtungen. Viele Städte fangen gerade an, eine smarte Infrastruktur aufzubauen, die für STREAM genutzt werden könnte.

Dr. Katharina Ebner Foto: Hardy Welsch

Wenn wir Verhalten ändern wollen, müssen wir uns vor Augen halten, dass wir niemals einen Menschen um 180 Grad wenden können, außer es geht um das eigene Leben

Dr. Katharina Ebner
Gerd Dapprich | 04.11.2019