In den Zukunftsszenarien des Zukunftslabors Mobilität spielt unter anderem die Intermodalität, die Verbindung verschiedener Verkehrsmittel für die optimale Reise- bzw. Transportroute, eine wichtige Rolle. Für die Realisierung intermodaler Mobilitätsketten sind sogenannte Multi-Provider Shared Mobility Platforms (MPSM) erforderlich. Dabei handelt es sich um Plattformen, auf denen unterschiedliche Akteure ihre Mobilitätsdienstleistungen über eine zentrale App oder Website anbieten. Die angebotenen Mobilitätsdienstleistungen könnten durch einen Austausch der Mobilitätsdaten verbessert werden. Darüber hinaus wäre ein Datenaustausch mit weiteren Akteuren vorteilhaft, die Mobilitätsdaten halten, wie etwa Kommunen oder Automobilhersteller (z. B. Informationen über das Verkehrsaufkommen, Unfälle, verfügbare Parkplätze oder Staus). Dateneigentümer (z.B. Automobilhersteller, Serviceanbieter oder Kommunen) könnten durch den Austausch der Mobilitätsdaten ihre Produkte und Dienstleistungen verbessern. Oftmals befürchten Dateneigentümer aber, dass Geschäftsgeheimnisse an Wettbewerber weitergeleitet werden könnten, wenn sie ihre Daten preisgeben.
Aus diesem Grund gehen die Wissenschaftler*innen davon aus, dass eine solche Datenallianz attraktiver wäre, wenn ein datenschutzgerechter Austausch sichergestellt und die Datenverarbeitung transparent und erklärbar wäre. Daher ist das Ziel, entsprechende Techniken des Datenaustauschs, Geschäftsmodelle und Mechanismen zu untersuchen und zu entwickeln. Aus Gesprächen mit Praxispartnern (z. B. größere Automobilhersteller, Unternehmensberatungen, Start-ups für neuartige Mobilitäts-Services) und im Rahmen von Literaturrecherchen ermittelten die Wissenschaftler*innen Anwendungsfälle, die besonders von Datenaustausch im Rahmen von Datenallianzen profitieren würden. Zur Ermöglichung eines effizienten und sicheren Datenaustauschs, erproben die Wissenschaftler*innen die Federated-Learning-Technik. Bei dieser Machine-Learning-Technik werden die Daten nicht auf einem einzigen Server gespeichert, sondern dezentral auf Servern der einzelnen Partner. Die Daten werden verschlüsselt und aggregiert als Parameter ausgetauscht. Mittels Federated Learning kann dann auf alle aggregierten Parameter zugegriffen und diese können so für jeden Akteur zielgerichtet ausgewertet werden.
In einem gemeinsamen, interdisziplinären Forschungsvorhaben fokussieren sich die Wissenschaftler*innen auf den identifizierten Anwendungsfall „Intelligente Kreuzung“. Die meisten Verkehrsunfälle geschehen durch menschliches Fehlverhalten. Ortungsgeräte und Sensoren können die Positionen von Verkehrsteilnehmer*innen erfassen, maschinelles Lernen kann die Informationen analysieren und auswerten. Wenn mehrere Akteure Mobilitätsdaten beisteuern, wird die Wahrscheinlichkeit höher, menschliches Fehlverhalten zu prognostizieren.
Eine weitere potenzielle Anwendung des Verfahrens könnte in einem zweiten Anwendungsfall, dem „Vernetzten Lernen im öffentlichen Verkehr“, erfolgen. Hier bezieht sich die Datenerhebung und -auswertung auf den öffentlichen Linienbus. Busfahrer*innen haben neben der Tätigkeit des Fahrens noch weitere Aufgaben, wie z. B. unterstützungsbedürftigen Personen beim Einsteigen zu helfen. Die Forschungsidee besteht darin, Daten aus dem Innenraum des Busses zu sammeln (z. B. durch videobasierte Bildanalyse), um daraus das Angebot der Busunternehmen zu verbessern (z. B. Einstiegsmöglichkeiten für die pflegebedürftigen Personen optimieren).
Für beide Anwendungsfälle entwerfen wir eine Datenarchitektur, die durch den Einsatz von Federated Learning Datenallianzen ermöglicht. Die Daten werden zunächst lokal gesammelt (einmal beim Auto, einmal im Bus) und dann auf dem Partner-Level (z. B. Automobilhersteller oder Busunternehmen) aggregiert. Im nächsten Schritt werden die aggregierten Modellparameter entweder über einen Cloudserver oder direkt zwischen den beteiligten Partnern ausgetauscht und mittels Federated Learning ausgewertet. Die Beteiligten der Datenallianz ergänzen dadurch Lücken im eigenen Datensatz – im Anwendungsfall „Intelligente Kreuzung“ erhalten Automobilhersteller so z. B. Daten aus Verkehrskameras und können somit die Sicherheitssysteme der Vehikel verbessern.
Ziel der Wissenschaftler*innen ist es, geeignete Geschäftsmodelle und Mechanismen zu entwickeln, um Shared-Mobility-Dienste (vermehrt) zu nutzen. Dafür werden sie sich weiterhin damit beschäftigen, welche Vorteile eine Mobilitätsplattform Dateneigentümern bieten muss, damit sie eine Datenallianz eingehen. Außerdem werden sie in Zukunft untersuchen, wie hoch die Bereitschaft von Konsument*innen ist, Mobilitätsservices (z. B. intermodale Reisekette) in Anspruch zu nehmen, wenn ein transparenter Algorithmus eingesetzt wird und die Datenschutzgrundverordnung eingehalten wird.
Am Teilprojekt „Nutzerzentrierte Dienste und Dienstleistungen zur Bewegung von Personen und Gütern“ sind folgende Forschende seit Beginn involviert:
