This post is also available in: English (Englisch)
In diesem Artikel schauen wir uns an, warum es sinnvoll ist, Sensordaten im ÖPV zu nutzen.
Bei der Analyse von Sensordaten werden die Daten mittels Sensoren und IoT-Geräten (Internet der Dinge) erfasst, um die erforderlichen Metriken eines Gerätes entweder in Echtzeit oder in bestimmten Zeitintervallen zu messen.
Internet der Dinge (IoT) ist ein Netzwerk, das aus webfähigen intelligenten Geräten besteht. Die Geräte verwenden Sensoren, um Daten aus ihrer Umgebung zu sammeln, zu verarbeiten und durch ein IoT-Gateway in eine Cloud oder ein Netzwerkprotokoll hochzuladen, die zu einer Datenbank führen.
Laut der Umweltplattform, Temboo, können Sensordaten auf den folgenden fünf Arten verwendet werden:
Welche Sensordatensätze genutzt werden, hängt davon ab, aus welchem Grund die Daten gebraucht werden und welche Sensortypen für die Datenerfassung zum Einsatz kamen. Androids Entwicklerhandbuch für Sensoren scheint davon auszugehen, dass es drei Arten von integrierten Sensoren mit verschiedenen Funktionen gibt (zumindest bei Android-Geräte):
Allerdings können verschiedene Sensortypen genutzt werden, um unterschiedliche Variablen für den selben Zweck zu erfassen. Bewegungssensoren, Drucksensoren (für Sitzplätze), Gewichtssensoren und Wärmesensoren sind verschiedene Optionen, die bei der Zählung von Personen mittels Sensordaten im ÖPNV zum Einsatz kommen.
Die Verfügbarkeit der Sensordaten, dank der Installation von Sensoren, ist unnütz, wenn nicht das richtige System vorhanden ist, um die Daten zu verwerten. In einem Artikel von Mohammad Masoud et al (2019) beschäftigen sich die Forscher mit den Möglichkeiten und Bedenken von Sensordaten im IoT. Sie plädieren dafür, die richtige Methoden wie ereignisgesteuertes Programmieren zu verwenden, um Sensordaten zu verarbeiten und wichtige Inhalte abzuleiten.
Die Kombination von IoT-Geräten und automatischen Systemen für die Datenerfassung, -analyse und Entscheidungsfindung auf Grundlage der Daten kann in unterschiedlichen Use-Cases gesehen werden. Die Anwendung dieser Methode erkennt man beispielsweise in der Wasserverwaltung, Abfallentsorgung, Smart City, Gastronomie und Radnavigation.
Vielleicht besteht die IoT-Technologie deshalb aus drei Ebenen:
Cities Today zitierte den kostspieligen Bericht Smart City Use Cases & Technology Adoption Report 2020. Der Artikel sagt aus, dass das miteinander vernetzte ÖPV-System den wichtigsten Use-Case für das IoT darstellt. Zu Beginn des Jahres 2020 betrug die Implementierungsrate von IoT-Use-Cases im ÖPV 74%.
Schauen wir uns die Use-Cases im ÖPV an, in denen Sensordaten zum Einsatz kommen, um herauszufinden, warum IoT im öffentlichen Verkehr so wichtig ist.
Die Zählung der Fahrgäste im ÖPV ist wichtig sowohl für die Erfassung der Belegungsdaten und die Verteilung der Ticketverkaufseinnahmen. Das unten folgende Beispiel beweist, dass Sensordaten zur Zählung von Personen verwendet werden können.
Die ÖPV-Behörde, die für den Osten Dänemarks zuständig ist, Movia, ließ IoT-Sensoren in ihre Busse einbauen, als Teil eines Pilotprojekts. In diesem Projekt wurde die Anzahl an Smartphones gezählt, die eine Internetverbindung aufwiesen. So konnte der Belegungsgrad der Busse bestimmt werden.
Mailands Transportbehörde, Azienda Trasporti Milanesi (ATM) nutzt intelligente Bluetooth-Sensoren (Bluetooth Low Energy) und Bilder von Überwachungskameras, um Personen zu zählen.
In einem Forschungsbericht mit dem Titel WiFi Sensing System for Monitoring Public Transportation Ridership: A Case Study präsentieren die Autoren Ryu, Park und El-Tawab ein System, das drahtlose Internetzugänge erfasst, als eine sparsame Methode der Datensammlung. Die Methode wurde an vier Bushaltestellen in Charlottesville, Virginia, USA, getestet. Das Team fand heraus, dass die WLAN-Sensoren in Kombination mit einem Sliding-Window-Algorithmus die Reisedauer eines jeden Fahrgastes und seine Wartezeiten bestimmen konnten. Zudem kann auch der Belegungsgrad herausgefunden werden, wobei nur minimale Fehler aufkamen.
Zu erfassen, wie sich Fahrgäste auf multimodalen Verkehrswegen bewegen, ist ein weiteres Use-Case für Sensordaten im ÖPV.
Zwischen Januar 2017 und September 2018 hat ein deutsches Verbundprojekt, Digitale Mobilität – Fahrzeug und Haltestelle (DiMo-FuH), die Anwendung des IoT-Protokolls MQ Telemetry Transport (MQTT) getestet. Das Ziel war, die Ermöglichung einer standardisierten und zuverlässigen Kommunikation über Informationssysteme, wie Benutzeroberflächen, Audiomaterial und Ticketautomaten in Bahnhöfen und Fahrzeugen.
Im Jahr 2017 untersuchten Rinne, Bagheri und Tolvanen die automatische Erkennung von ÖPV-Reisen. Dazu bezogen sie sich auf die Erfassung der Sensordaten mobiler Geräte sowie auf Informationen der Verkehrsinfrastruktur. Um die Reisegewohnheiten der Fahrgäste in Helsinki zu verstehen und in die Routenplanung einfließen zu lassen, stellten die Forscher die automatisch georteten Standorte der Mobilgerätesensoren der Fahrgäste zusammen. Die Daten wurden im nächsten Schritt mit den täglichen manuellen Fahrtprotokollen abgeglichen.
Sicherzugehen, dass die öffentlichen Verkehrsmittel reibungslos in Betrieb gehalten werden können, ist eine andauernde Aufgabe, die Echtzeit-Sensordaten benötigt. So können tagtägliche betriebliche Entscheidungen vorangebracht oder sogar automatisiert werden. Nun folgt ein wesentliches Beispiel, in dem Echtzeit-Sensordaten für die betriebliche Verwaltung eingesetzt werden.
Der LoRaWAN-Hardware-Anbieter Semtech und der LoRaWAN-Netzwerkbetreiber X-TELIA in Montreal taten sich im Jahr 2018 zusammen. Sie installierten LoRa-basierte Bildschirme an Bushaltestellen, anhand derer die Fahrgäste mit Echtzeit-Informationen über Fahrpläne versorgt wurden. Die Fahrgäste wussten dann genau, wann der nächste Bus kam.
LoRaWAN zeichnet sich dadurch aus, dass es verschiedene Netzwerkarchitekturen mit großen Reichweiten hat. Außerdem hat LoRaWAN einen geringen Stromverbrauch, besitzt Netzwerkkapazitäten, eine Netzwerksicherheit und eine stabile Funktionsweise auch bei Störungen. Zudem ist eine Kommunikation in beide Richtungen möglich und IoT-Anwendungen sind ebenfalls möglich. Die Eigenschaften können in den Geräteklassen A, B und C gesehen werden. Die Klassen zeigen einen Abtausch zwischen der Latenzzeit einer Downlink-Netzwerkkommunikation und der Batterielaufzeit. Klasse A geht in die Richtung Netzwerkkommunikation und Klasse C in Richtung Batterielaufzeit. Einfach gesagt: Latenzzeit braucht die Batterielaufzeit auf.
Auch aus diesen Gründen taten sich Telekombetreiber Tele2 und das IoT-Netzwerk TalkPool zusammen. Im Jahr 2016 setzten die Unternehmen das LoRaWAN in Zusammenhang mit dem Smart-City-Projekt in der schwedischen Stadt Gothenburg ein.
In einem weiteren Projekt brachte der slowenische Intercity-Dienstleister Nomago zwölf verschiedene Busdienstleister aus Zentral- und Mitteleuropa zusammen auf eine Verkehrsverwaltungsplattform. Um die Rationalisierung zu unterstützen, wurden IoT-Geräte wie GNSS, IMU und CAN BUS in den Städten und Linienbussen installiert. So konnten die Sensordaten auf der Plattform gesammelt werden.
In ähnlicher Hinsicht lieferten die Forscher He, Hu, Park und Levin eine Übersicht über Fahrzeugsensordaten (Vehicle Sensor Data; VSD) im Verkehrswesen. Das Team teilte die VSD in zwei Kategorien auf: ortsbezogene VSD (LB-VSD) und VSD des umliegenden Verkehrs (ST-VSD).
LB-VSD können über die Mobilgeräte der Fahrgäste und über die Standortermittlung (GPS) der Fahrzeuge erfasst werden. Die ortsbezogenen LB-VSD können für die Nachverfolgung von Strecken, die Messung von Reisezeiten, die Vorhersage von Verkehrslagen und die Koordination von Taxi-Apps genutzt werden.
ST-VSD können durch fahrzeuginterne Sensoren wie LIDAR (Light Detection And Ranging), CAN-Bus (Controller Area Network) und DSRC (Dedicated Short Range Communication) erfasst werden. So können bei fahrerlosen Fahrzeugen oder Umgebungen umliegende Verkehrslagen kontrolliert und gesteuert werden.
BLE, WLAN-Sensoren, MQTT, mobile Sensoren, LoRaWAN, GNSS, IMU, CAN-Bus, GPS, LIDAR und DSRC – das sind die verschiedenen IoT-Sensoren. Diese können in den ÖPV eingebettet werden, um Verkehrsdaten zu erfassen und zu verarbeiten.
Mit der Unterstützung solcher Sensortechnologien, können Sensordatenanalysen im ÖPV dabei helfen, Personen zu zählen, den Verkehr zu planen und zu verbessern sowie den Betrieb in Echtzeit zu verwalten. Daher ist es keine große Überraschung, dass der ÖPV der wichtigste Use-Case für IoT-sensorgestützte Datenanalysen ist.
Natürlich konnte ich in diesem Artikel nicht jede Sensortechnik und jeden ÖPV-Use-Case auflisten (wie Temperatur- und Gaspegel). Das heißt aber, dass es noch mehr zu sagen gibt, als was ich geschrieben habe. Doch dieser Artikel sollte Ihnen einen kleinen Überblick geben.
This Short Article Will Make You Know IoT Better
Big Data is the Eureka to Public Transport Problems
What Research Says About Blockchain in Public Transport
Public Transport Occupancy Data For Social Distancing
The Various People Counting Methods In Public Transport
Vorhersagen zur Auslastung im ÖPNV sind ein wichtiges Mittel, um Fahrzeuge intelligent und Co2-effizient einzusetzen.… Read More
Warum müssen Ämter, die für multimodale Verkehrswege zuständig sind, die Einnahmen aus den Fahrkartenverkäufen auf… Read More
Privatwagen sind keine effizienten Transportmittel, da sie 11-Mal mehr zu Verkehrsstaus beitragen, als Busse die… Read More
Wenn es um berufliche Entwicklung geht, dann ist der öffentliche Verkehr das Herzstück für viele… Read More
Erfahren Sie in diesem Artikel, wie Big Data der Tourismusbranche nach der wirtschaftlichen Flaute während… Read More
Dieses Jahr gibt einige Corona-bedingte Umstellungen, da der aktuelle Lockdown die kommenden Feiertage maßgeblich beeinflussen… Read More
