Kurzfassung
Bikesharing hat sich in den letzten Jahren vielerorts als neues Verkehrsmittel etabliert. Die Verfügbarkeit an einem bestimmten Ort ist im Vorfeld unklar, daher werden derzeit in Auskunftssystemen zumeist keine Routen in Kombination von Bikesharing und ÖV gesucht. In diesem Beitrag wird daher ein Ansatz vorgestellt, die Verfügbarkeit von Fahrrädern in freefloating-Bikesharing-Systemen zu prognostizieren. Hierzu erfolgt zunächst eine Prüfung der Regelmäßigkeit der Nutzungsmuster. Es zeigt sich, dass an vielen Orten eine deutliche Regelmäßigkeit vorliegt und für diese eine Verfügbarkeitsprognose gut möglich ist. Daher wird ein methodischer und gestalterischer Entwurf für die Integration derartiger Information in einer Auskunftsapp gegeben.

Der Fachvortrag zur Veranstaltung ist im Volltext verfügbar. Das PDF enthält alle Bilder und Formeln.

1 Hintergrund und Motivation

Im Sinne einer Verkehrswende sollen klimafreundlichere und stadtverträglichere Verkehrsmittel wie das Fahrrad, das Zufußgehen und der öffentliche Verkehr in Zukunft attraktive Alternativen zum eigenen Auto bieten. Durch die Digitalisierung und das breite Portfolio von Mobilitätsoptionen wird unsere Mobilität zunehmend flexibler, multimodaler und dabei auch nachhaltiger. In diesem Zusammenhang spielen auch neue Mobilitätsangebote wie bspw. Shared Mobility in Form von Car- oder Bikesharing sowie On-Demand-Dienste wie Ridepooling eine zunehmend wichtigere Rolle.

Intermodale Wege, also Wege bei denen mehr als ein Verkehrsmittel genutzt wird, gewinnen dabei ebenfalls an Bedeutung. Sie können es in manchen Situationen ermöglichen, dass die Stärken verschiedener Verkehrsmittel so kombiniert werden, dass diese in Summe eine attraktive Alternative zum Auto darstellen.

Bikesharing, d.h. Systeme, bei denen Personen Leihfahrräder spontan und heutzutage in der Regel App-basiert ausleihen können, sind mittlerweile in Deutschland weit verbreitet. Diese Angebote können besonders auch intermodal attraktiv sein, da sie als Zubringerfahrten zum ÖV genutzt werden können, ohne dass die Person ihr Fahrrad mitnehmen oder an einer bestimmten Stelle abholen muss.

Es handelt sich dabei um hochgradig flexible Systeme. Dadurch, dass die Fahrzeuge von und zu beliebigen Orten, und dies um beliebige Uhrzeiten, gefahren werden können, können sie einerseits ideal individuelle Nutzungsbedürfnisse abdecken. Andererseits ist eine Vorausplanung für Nutzende schwierig. Das Bediengebiet bzw. die Stationen sind zwar konstant, doch die Verfügbarkeit der Fahrräder ist es nicht, da sie von der Nutzung des Systems anderer Personen abhängt. Damit ist es schwierig einzuschätzen, ob zu einem Zeitpunkt in der Zukunft auf ein Fahrrad an einem gewünschten Ort zurückgegriffen werden kann. Darüber hinaus ist dadurch intermodales Routing, das optimale Routen unter Beachtung von öffentlichem Verkehr (ÖV) und Bikesharing berechnet, nicht für Anfragen in der Zukunft möglich. Sofern die Fahrräder zufällig verteilt wären, wären keine seriösen Aussagen möglich. Doch die Verfügbarkeit bzw. die Standorte der Fahrräder folgt möglicherweise bestimmten Regelmäßigkeiten.

Im folgenden Beitrag wird die Verfügbarkeit von Bikesharing-Fahrrädern analysiert und evaluiert, welche Regelmäßigkeiten sich wiederfinden. Es werden Machine-Learning-Modelle eingesetzt, um hiermit die Verfügbarkeit zu prognostizieren. Darüber hinaus werden mögliche Anwendungen dargestellt.

2 Stand der Forschung

Bikesharing gibt es grundsätzlich bereits seit den 60er Jahren, aber erst seit den späten 2000er Jahren finden sie eine größere Verbreitung. Mittlerweile haben Bikesharing-Systeme die „vierte Generation“ erreicht (siehe Shaheen 2010, [1]): Die Fahrräder sind ausgestattet mit eigener Ortung (via GPS), wodurch sie durch die Systemanbieter lokalisiert werden können. Musste der Ausleihprozess in der Vergangenheit über bestimmte Bedienterminals an Stationen durchgeführt werden, findet heute die Bedienung heute zumeist über mobile Endgeräte (Smartphones) statt. Die Mehrheit der Systeme ist weiterhin stationsbasiert, d. h. die Ausleihe und Rückgabe ist nur an bestimmten Stationen möglich.

Es gibt bereits viele Studien zu Bikesharing. Gegenstand sind besonders Nutzende und Nutzungsmuster (siehe Fishman 2016, [2]). Weiterer Forschungsgegenstand sind Methoden zur Nachfrageprädiktion (siehe Albuquerque et al. 2021 [3], Jiang 2022 [4]). Dies geschieht zumeist vor dem Hintergrund, optimale Repositioning-Strategien (d.h. Verlegung von Fahrrädern für bestmögliche Verteilung in der Stadt) zu finden, sowie um Methoden zur Platzierung von Stationen bzw. dem Festlegen des Bediengebiets zu entwickeln. Es handelt sich bei den in der Forschung betrachteten Systemen fast immer um stationsbasierte Bikesharing-Systeme.

Der Ansatz unserer Untersuchung liegt im Vergleich dazu zum einen in einem überwiegenden Free-Floating-System sowie in einer Verfügbarkeitsprognose zur Ermöglichung intermodaler Mobilität.

3 Datensammlung und deskriptive Analyse

3.1 Bikesharing-System in Karlsruhe

Seit 2019 wird in der Stadt Karlsruhe sowie weiteren Gemeinden der Region um Karlsruhe das Bikesharing-System KVV.nextbike betrieben, als Nachfolger eines Systems, das seit 2014 bestand. Das System ist integriert in das Auftreten des in Karlsruhe vorhandenen Verkehrsverbunds (KVV). So ist ein einheitliches Markenauftritt gegeben, und es gibt Rabatte beim Besitz von KVV-Zeitkarten. Die Fahrräder lassen sich über die Auskunfts- und Buchungsapp des KVV regiomove sowie über die App der betreibenden Firma Nextbike ausleihen. Studierende haben seit 2022 die Möglichkeit, das System für kurze Fahrten weitgehend kostenfrei zu nutzen.

Es handelt sich um ein Angebot, das die Prinzipien des free-floating und stationsbasierten Sharings kombiniert: in manchen Gebieten, wie beispielsweise dem inneren Teil der Stadt Karlsruhe, ist eine sogenannte Flexzone definiert, in denen die Fahrräder an beliebigen Orten ausgeliehen und zurückgegeben werden können (free-floating Prinzip). An Orten mit geringerer Dichte gibt es Stationen, an die die Fahrräder ebenfalls ausgeliehen und abgestellt werden können (stationsbasiertes Prinzip). Im Stadtgebiet Karlsruhe gibt es neben der Flexzone etwa 50 Stationen. Das Bediengebiet ist in Bild 1 dargestellt. Mit Stand August 2023 werden 900 Fahrräder bereitgestellt, welche laut Anbieteraussagen von 50.000 aktiv registrierten Personen genutzt werden und etwa 120.000 Ausleihen monatlich in den Sommermonaten erreichen (siehe KVV 2023, [5]).

Bild 1: Flexzone und Standorte der Fahrräder des Systems KVV.nextbike in Karlsruhe zu einem Zeitpunkt (12.09.2023, 11:30 Uhr) [Quelle: Mobilitätsportal Karlsruhe, Hintergrundkarte: OpenStreetMap]

3.2 Datensammlung

Nextbike stellt die Echtzeit-Standortinformationen des Karlsruher Bikesharing-Systems in einem öffentlichen Datenfeed in CC0-Lizenz (d. h. ohne Nutzungseinschränkung) im GBFS- Format zur Verfügung¹⁾.

Hierbei werden insbesondere folgende Informationen bereitgestellt:

• Bei Free-Floating-Fahrrädern: aktueller Standort
• Für Stationen: Anzahl verfügbarer Räder an der Station

Die IDs der Fahrräder werden bei jedem Standortwechsel sowie jede Stunde neu gesetzt, sodass sich die Fahrräder nicht im Zeitverlauf nachverfolgen lassen.

Im Rahmen eines Projekts werden diese Daten in einem FROST-Server²⁾ minütlich gespeichert. Hierdurch wird eine historische Datensammlung auf Basis des internationalen OGC-Standards SensorThingsAPI³⁾ erzeugt. Der Standard definiert einen REST-basierten Zugriff auf die Daten und bietet umfangreiche Auswertungsmöglichkeiten auf der Grundlage der erfassten Metadaten. Die Speicherung der Bikesharing-Daten ist seit 22.06.2022 aktiv. Pro Station, bzw. pro Free-Floating-Fahrrad liegen damit etwas über 600.000 Datenpunkte vor.

¹⁾ https://gbfs.nextbike.net/maps/gbfs/v2/nextbike_fg/gbfs.json

²⁾ https://github.com/FraunhoferIOSB/FROST-Python-Client

³⁾ https://www.ogc.org/standard/sensorthings/

Darüber hinaus werden als weitere Informationen Umgebungsdaten gesichert. Dies ist insbesondere das Wetter. Die Grundlage hierfür ist die OpenWeather API⁴⁾, die Wetterdaten unter der CC BY-SA 4.0 Lizenz anbietet. In 5-Minuten-Intervallen werden die aktuellen Werte für Temperatur, Luftdruck Luftfeuchtigkeit, Regen- und Schneefall erfasst. Prognosedaten für die jeweils nächsten 5 Tage werden in einer 3 Stunden Auflösung erfasst. Die Wetterdaten werden seit dem 13.07.2022 erfasst.

3.3 Muster der Fahrzeug-Positionen

Es sollen zunächst die Positionen der Fahrräder deskriptiv analysiert werden. Bild 2 zeigt die Positionen der Fahrräder im Stadtgebiet Karlsruhe im Verlauf eines Tages zu vier Zeitpunkten. Zu erkennen ist, dass sie grundsätzlich in der Stadt verteilt sind. Andererseits sind auch Muster zu erkennen. Es zeigt sich, dass nachts und am Abend die Räder an ähnlichen Orten stehen, während tagsüber (12 Uhr) die Räder an spezifisch anderen Orten gehäuft auftreten. Beispielsweise sind die Hochschul-Standorte deutlich mit Fahrrädern befüllt während die Wohngebiete nördlich des Hauptbahnhofs eine deutliche Leere aufweisen. Dies ist auch an anderen Werktagen gleichermaßen zu beobachten.

⁴⁾ https://openweathermap.org/api

Bild 2: Standorte der Fahrräder im Verlauf eines Tages [Eigene Darstellung, Hintergrundkarte: OpenStreetMap]

Der Verlauf der Verfügbarkeit der Fahrräder auf dem KIT-Campus Süd in vier aufeinanderfolgenden Wochen ist in Bild 3 dargestellt. Besonders die Dienstage, Samstage und Sonntage weisen ein sehr ähnliches Muster jeweils bei jedem Wochentag im Verlauf der vier Wochen auf. Bei den Donnerstagen ist hingegen eine markante Abweichung sichtbar: In der zweiten Woche (d.h. am Donnerstag, 09.03.2023) gibt es eine deutlich geringere Anzahl verfügbarer Fahrräder im Vergleich zu den anderen Wochen. Es wird vermutet, dass der Grund darin liegt, dass es am Vortag sehr stark geregnet hatte und auch an diesem Tag regnete. Die Nutzung der Leihräder wurde hierdurch reduziert, möglicherweise sind Personen daher auch gar nicht erst zum Universitätscampus gefahren (Flexibilität wegen vorlesungsfreier Zeit).

Bild 3: Fahrräder auf dem KIT-Campus Süd in vier aufeinanderfolgenden Wochen

4 Prognose

4.1 Erstellung der Prognosezellen

Um die räumlich-zeitlichen Verfügbarkeiten von Leifahrrädern zu prognostizieren, werden räumliche Einheiten benötigt, auf die sich die Prognosen beziehen können. Bei den stationsbasierten Systemen ist dies trivial – hierbei können die Prognosebezirke unmittelbar die Stationen darstellen. Bei free-floating Systemen werden räumliche Bezugseinheiten benötigt.

Um diese Zellen zu generieren, wurden OpenStreetMap-Daten für den Raum Karlsruhe verwendet. Aus diesem Modell wurde das Fußverkehrsnetz extrahiert, aufgrund der Anforderung, dass ein abgestelltes Fahrrad in einem für Zufußgehende zugänglichen Bereich stehen muss. Dieses Netz enthält somit keine Privatwege oder bspw. private Innenhöfe (siehe Bild 4 a).

Die GIS-Aufbereitung dieses Netzes besteht nun aus zwei Aspekten: Einerseits wird das gesamte Gebiet in Zellen eingeteilt, die im Zusammenhang mit dem zu Grunde liegenden Fußverkehrsnetz stehen. Andererseits müssen Nachbarschaftsbeziehungen zwischen diesen Zellen festgelegt werden, um die Gehdistanzen zum nächstliegenden Fahrrad festzulegen bzw. einzuschränken.

Um die Referenzzellen zu generieren, wurde das Fußnetz zunächst auf den Bereich zugeschnitten, in dem die Leihfahrräder in Karlsruhe abgestellt werden dürfen, die sogenannte Flexzone (siehe Bild 4 b).

Mittels GIS-Werkzeugen wurde das Wegenetz zunächst verbreitert und dann in Polygone geteilt, die entlang des Netzes verlaufen (Bild 4 c). Diese Polygone ermöglichen nun, in einem GIS eine Nachbarschaftsanalyse durchzuführen. Es wurden verschiedene Abstände dazu gewählt, bspw. die direkten Nachbarn und alle Nachbarn in einer Distanz entlang des Netzes von 200 Metern. Somit werden jedem Polygon weitere Polygone zugeordnet (jeweils als Attribute der Polygone festgehalten).

In Hinblick auf den anvisierten Anwendungsfall in einer App, bei der jeder beliebige Ort Ausgangspunkt von Wegen sein soll, wurde es nötig, nicht nur die Straßenflächen über Polygone räumlich zu definieren, sondern die gesamte Fläche der Flexzone. Wird ein Fahrrad nicht unmittelbar an den im Netz definierten Wegen abgestellt, wird es sonst nicht erfasst. Um diese Flächenabdeckung zu gewährleisten, wurden sogenannte Voronoi-Diagramme bzw. Thiessen-Polygone genutzt. Thiessen-Polygone können verwendet werden, wenn Zellen definiert werden sollen, die am nächsten zu einem Punkt aus einer Menge von ungleichmäßig verteilten Punkten liegen. Im Ergebnis definiert es eine Fläche um einen Punkt, in der alle Stellen im Polygon näher an diesem Punkt liegt als an irgendeinem anderen Punkt. Als Basis dieser Thiessen-Polygone wurden die Mittelpunkte der Polygone entlang des Netzes gewählt. Das Ergebnis zeigt Bild 4 d).

Bild 4: Vom OSM-Fußverkehrsnetz zu den Theißen-Zellen [Hintergrundkarte: OpenStreetMap]

4.2 Prognoseverfahren

Zur Prognose der Verfügbarkeit freier Fahrräder werden Machine-Learning-Modelle an erhobene Daten angepasst. Jeder Verkehrszelle wird dabei ein Modell zugeordnet. Derzeit werden Tageszeit und Wochentag als Einflussfaktoren auf die Fahrrad-Verfügbarkeit berücksichtigt.

Genauer bestehen die Daten zu einer Verkehrszelle aus der Zeitreihe der Anzahl verfügbarer Leihfahrräder in der Vereinigung aller in 200 Metern Gehdistanz erreichbaren Nachbarzellen.

Das zugehörige Modell besteht aus einer parametrisierten Schar stetiger, wochenperiodischer Funktionen, die jedem Zeitpunkt eine Wahrscheinlichkeitsverteilung auf der Menge der nichtnegativen ganzen Zahlen zuordnen.

Im Training des Modells werden die Parameter dieser Funktionenschar so an die Daten angepasst, dass die Wahrscheinlichkeit, die das Modell den vorliegenden Daten beimisst, gemäß der Maximum-Likelihood-Methode maximiert wird.

4.3 Ergebnisse der Prognose

Bild 5 zeigt berechnete Verfügbarkeitswahrscheinlichkeiten an drei Beispielorten auf dem Campus des Karlsruher Instituts für Technologie (KIT). Eine Wahrscheinlichkeit nahe 1 bedeutet eine hohe Sicherheit, ein Fahrrad zu finden, und eine nahe 0 bedeutet, dass zu dieser Zeit mit ziemlicher Sicherheit kein freies Fahrrad vor Ort ist. Die Verläufe zeigen eine starke Abhängigkeit von Raum und Zeit, mit einer deutlich ortsabhängigen Charakteristik.

Bild 5: Prognostizierte Wahrscheinlichkeit der Verfügbarkeit mindestens eines Bikesharing- Fahrrads an drei Standorten

5 Anwendungen

Die Ergebnisse der Prognose können in intermodalen Auskunftssystemen integriert werden. Es gibt bereits Auskunftssysteme, die kombinierte Routen aus Bikesharing und ÖV berechnen. Jedoch wird hier bisher auf statische Daten zurückgegriffen, d.h. Routen werden lediglich auf Basis der Information, wo Stationen vorhanden sind bzw. wo ein Free-Floating-Bediengebiet vorhanden ist, berechnet.

Mithilfe der Verfügbarkeitsprognose wird ein Routing ermöglicht, das nicht nur die theoretische Möglichkeit einer intermodalen Route darlegt, sondern auch die voraussichtliche Verfügbarkeit der Fahrräder unter Berücksichtigung der Umfeldaspekte des gewünschten Zeitpunkts beachtet. Intermodale Wege mit Bikesharing könnten hierdurch realistischer geplant werden.

Bild 6: Entwurf für eine intermodale Auskunft mit Verfügbarkeitsprognose

Die algorithmische Basis für derartige Routenberechnungen ist teils mit Plattformen wie OpenTripPlanner bereits vorhanden, teils muss sie jedoch auch eigens für diese Anforderungen weiterentwickelt werden.

Eine weitere Anwendung ist die Berücksichtigung der erkannten Zusammenhänge in Modellierung von Verkehrsnachfrage in Verkehrsnachfragemodellen. Hierzu erfolgen Erprobungen unter Nutzung des agentenbasierten Verkehrsnachfragemodells mobiTopp.

6 Fazit

Es ist grundsätzlich eine Regelmäßigkeit der Standorte von verfügbaren Bikesharing- Fahrrädern zu erkennen – und damit auch die Möglichkeit gegeben, Modelle herzustellen, die die Verfügbarkeit der Leihfahrräder prognostizieren. Diese Information kann den Nutzenden von Auskunftssystemen geeignet aufbereitet bereitgestellt werden und hierdurch die Möglichkeit gegeben werden, sinnvolle intermodale Routen unter Verwendung von Bikesharing im Vorfeld zu bestimmen.

Im Rahmen dieser Arbeit sind solche Verfügbarkeitsprognosen auf Grundlage von Wochentag und Tageszeit berechnet worden. Weiter verbessert werden kann die Verlässlichkeit einer Prognose künftig durch Berücksichtigung weiterer Einflussfaktoren wie zum Beispiel Veranstaltungen wie Sportereignissen, Konzerten oder Kongressen aber auch dem Wetter. Darüber hinaus ist die Akzeptanz derartiger Prognosen in Endnutzenden-Versuchen zu bestimmen. Dabei sind beispielsweise auch geeignete Schwellwerte für voraussichtliche Verfügbarkeit zu ermitteln, bei denen eine Route noch als sinnvoll dargelegt werden kann.

Insgesamt ist zu erwarten, dass mit diesen Ansätzen die Akzeptanz von Bikesharing, insbesondere in der Kombination mit ÖV, gesteigert werden kann und letztlich hiermit ein Beitrag zu klimafreundlicherer und stadtverträglicherer Mobilität geleistet werden kann.

Danksagung

Wir bedanken uns bei nextbike für die freie Verfügbarkeit der Positionsdaten der Fahrräder.

Die Studie entstand im Rahmen des Projekts „DAKIMO – Daten und KI als Befähiger für nachhaltige, intermodale Mobilität“. Dieses Forschungs- und Entwicklungsprojekt wird durch das Bundesministerium für Bildung und Forschung (BMBF) im Rahmen des Programms »Zukunft der Wertschöpfung — Forschung zu Produktion, Dienstleistung und Arbeit« gefördert und vom Projektträger Karlsruhe (PTKA) betreut. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autoren.

Literatur