Das Dokument beschreibt die Bedeutung von 'floating bicycle data' für die Radverkehrsplanung, einschließlich der Herausforderungen bei der Datensammlung und -nutzung für eine effektive Infrastrukturentwicklung. Es betont den wachsenden Anteil des Radverkehrs in Städten und die Notwendigkeit von evidenzbasierten Ansätzen zur Verbesserung der Mobilitätsplanung. Zudem werden verschiedene Datenquellen und mögliche Anwendungsbeispiele zur Unterstützung von Verkehrsmodellen und Infrastrukturentscheidungen vorgestellt.

1. Floating Bicycle Data als Datenquelle für
die Radverkehrsplanung
Dr. Martin Loidl | martin.loidl@sbg.ac.at
FCD Forum
Salzburg, 03.05.2017

2. 2
Keine Registrierung
Punktuelle Zähldaten
Keine Verkehrsmodelle
Wissen nicht, wo, wann, wie viele Radfahrer auf den Straßen sind.

3. GI
Mobility
Lab
GIS
für
intelligente
Mobilitäts-
lösungen
Modell-
ierung
Analyse
Anwend-
ung
Beratung
Forschung
http://gimobility.zgis.at

4. 4

5. Aktuelle Forschung
5
Bikealyze FamoS GISMO
Naturalistic Cycling
Studie
 Sensorik
 Datenverarbeitung
 Map Matching
 Analyse
Fahrradverkehrsmodell
 Daten
 Modellierungs-
paradigmen
 Simulation und
Monitoring
Gesunde Mobilität
 Mobilitätsaufzeich-
nungen
 GPS + Herzfrequenz
 www.gismoproject.com

6.  „Floating Bicycle Data“
 In Analogie zu Thema des Forums
 In Literatur als Begriff nicht etabliert
 GPS Trajektorien von Radfahrern (N > 1)
 Nicht notwendigerweise in Echtzeit
Floating Bicycle Data
6

7.  Wachsende Bedeutung des Radverkehrs in Städten
 Salzburg aktuell bei ca. 20% Modal Split Anteil des Radverkehrs
 Tendenz steigend (s. Initiativen zur Förderung des Radverkehrs)
 Radverkehr mit vielen unbekannten Variablen:
 Status-quo Radverkehr und Infrastruktur
 Bedarfsanalyse Radverkehrsinfrastruktur
 Monitoring von Maßnahmen
 Massive Förderung einer Mobilitätsform, die
in vielerlei Hinsicht unbekannt ist
Bedarf
7

8.  Punktuelle Zählungen
 Sporadische Erhebungen (Mobilitätsbefragungen)
 Schlechte Validität und Vergleichbarkeit
 Popularisierung des „Peoples/Humans/Citizens as Sensors“
Konzepts (Goodchild 2007) durch ubiquitäre Verfügbarkeit
von Internet und billigen GPS Sensoren
Ausgangslage
8
https://vimeo.com/33712288

9. 9
Zählungen

10. 10
STEENBERGHEN, T., TAVARES, T., RICHARDSON, J., HIMPE, W. & CRABBÉ, A. 2017. Support study on data
collection and analysis of active modes use and infrastructure in Europe. Brussels: European Comission,
Directorate-general for Mobility and Transport.

11. Technologie
11
Ortungstechnologie Webtechnologie Apptechnologie

12.  Datenquellen
 Sampled (bestimmte Flotte) vs. crowd-sourced (z.B. durch diverse
Apps) Daten » Auswirkungen auf Informationsgehalt!
 Unterschiedliche Anwendungskontexte » Auswirkungen auf ableitbare
Aussagen
 Qualität und Beschreibung der Daten
 V.a. bei crowd-sourced Daten unterscheidet sich intendierter Zweck
von Analyseanwendung
 Metadatenverfügbarkeit
 Verfügbarkeit der Daten
 Häufig innerhalb geschlossener, proprietärer Anwendungen
 Projekte zur Datenspende (z.B. https://bikedataproject.org)
Datencharakteristik
12

13.  Fahrradverleihsysteme
 Repräsentieren Ausschnitt des Radverkehrsaufkommens
 Räumlich meist zentrumsnah bzw. nicht gleichverteilt
 Routenberechnung vs. Tracking
 Crowd-sourcing Projekte (z.B. European Cycling Challenge)
 Meist Fokus auf Pendelmobilität » Aussagen v.a. hinsichtlich
Alltagsmobilität
 Abhängigkeit von Durchdringungsrate; erhöhte Beteiligung bei
Gamification-Ansatz
 Möglichkeit ergänzende Daten zu erheben
Datenquellen
13

14.  Apps (z.B. BikeCitizens)
 Möglichkeit repräsentative Samples zu erstellen (demographische
Informationen meist vorhanden)
 Zugang zu Daten für nicht-kommerzielle Anwendungen abhängig von
Policy
 Abhängigkeit von Durchdringungsrate und räumlicher Verfügbarkeit
 Fitnesstracker (z.B. Strava)
 Meist Schwerpunkt auf Freizeitverkehr
 Geschlossene Systeme (z.T. Zugriff auf Daten)
 Bei etablierten Produkten globale Abdeckung mit Zeitverlauf
Datenquellen
14

15.  Forschungsprojekte (z.B. Bikealyze)
 Räumlich, zeitlich und inhaltlich auf Projekt beschränkt
 Repräsentativität abhängig von Studiendesign und -größe
 Spezifische Daten
Datenquellen
15

16.  Fahrrad-Mobilitätskennzahlen
 Infrastrukturplanung
 Routing
 Mobilitätsmanagement
 Verkehrsmodelle und -simulationen
 Unfallrisikoberechnung
Anwendungsbeispiele
16
Planungsrelevant!

17.  Distanz, Reisezeit, Geschwindigkeiten, Velozität, Quell- und
Zielgebiete
Fahrrad Mobilitätskennzahlen
17
http://www.bikecitizens.net/heat
map-visualisation-of-cycle-traffic/
Stops in Salzburg und Wien (Bikealyze)

18.  Kapazität, Schwachstellen, Effekte von Maßnahmen
(Monitoring), Infrastrukturgestaltung
Infrastrukturplanung
18

19.  „Popularity Routing“ (Straub & Graser 2015)
Routing
19
https://dts.ait.ac.at/projects/cycletripmap/

20. Mobilitätsmanagement
20

21.  Zur Kalibrierung und Validierung von Verkehrsmodellen
Verkehrsmodelle und -simulationen
21
http://www.bikecitizens.net

22.  Unfallanalysen leiden meist unter mangelnder
Grundgesamtheit
Unfallrisikoberechnung
22
LOIDL, M., WALLENTIN, G., WENDEL, R. &
ZAGEL, B. 2016. Mapping Bicycle Crash Risk
Patterns on the Local Scale. Safety, 2, 17.

23.  Repräsentativität der Daten
 Participation inequality
 90-9-1 Regel (Nielsen 2006)
Herausforderungen
23
https://www.nngroup.com/articles/participation-inequality/

24.  Repräsentativität der Daten
 Räumliche Abdeckung, Wegezweck
Herausforderungen
24

25.  Vergleichbarkeit und Standards
 Aktuell sehr heterogene,
inkompatible Datenlandschaft
 http://ec.europa.eu/transport/
sites/transport/files/cowi_activ
e_modes_final_report.zip
Herausforderungen
25

26.  Unbekannte Grundgesamtheit
 Keine Registrierung von Fahrrädern
 Anhaltspunkte aus Mobilitätserhebungen, Registerzählung
 Schwierigkeit von Sample auf Grundgesamtheit zu schließen
 Radverkehrsaufkommen räumlich nicht gleichmäßig verteilt
Herausforderungen
26

27.  Datenverarbeitung
 Map Matching: Graphengrundlage, GPS Ungenauigkeit
Herausforderungen
27

28. Zusammenfassung & Ausblick
28

29. Zusammenfassung & Ausblick
29
Daten: Bike Citizens

30.  Bedarf an Evidenzgrundlagen in der (Radverkehrs-)
Mobilitätsplanung wird weiter steigen
 „Floating Bike Daten“ vielfach vorhanden, aber nicht immer
zugänglich, nutzbar oder geeignet
 Analog zu FCD werden Methoden und Technologien (weiter-)
entwickelt
 Datengenerierung
 Datenverarbeitung
 Datenanalyse
 Anwendungen
 Markt ist kleiner als bei FCD, kann aber gerade für Städte
entscheidend sein
 Entwicklung von Use-/Best-Practice-Cases
Zusammenfassung & Ausblick
30
@gicycle_gicycle.wordpress.com
Danke für die Aufmerksamkeit!