(Michael Weyland) In der digitalen Welt gelten Echtzeitdaten oft als eine Art Stein der Weisen. Der Begriff lässt vermuten, dass damit die beste, ungefilterte Information direkt am Geschehen verbunden ist.
Für Verkehrs- und Parkinformationen sind auf statistischen Modellen beruhende Prädiktionen allerdings wesentlich besser geeignet, sagt man beim weltweit führenden Parkraumdienstleister Parkopedia.
Wie aktuell sind Echtzeitdaten?
Zunächst einmal muss man verstehen, was es mit den sogenannten Echtzeitdaten im Mobility-Bereich auf sich hat. Dabei handelt es sich um Daten, die mittels stationärer Sensorik erhoben werden und dann anschließend in bestimmten, meist mehrminütigen Intervallen versendet werden. Das heißt allerdings nicht, dass diese dann auch sofort beim Nutzer wären. Für die Erfassung, Verarbeitung und Übertragung der Information inklusive der abschließenden Aufbereitung und Übertragung für ein Endgerät fällt natürlich immer eine gewisse Zeit an. Eine wirkliche Echtzeit-Darstellung kann es also schon deshalb gar nicht geben.
Das lässt sich an einem Parkplatz, der über einen stationären Belegungssensor verfügt, gut illustrieren. Bis dieser, nachdem er frei geworden ist, im System eines Autos als frei ausgewiesen wird, vergehen schon einmal mindestens mehrere Minuten. Schließlich muss die Information zunächst erst einmal in die Cloud übermittelt werden, dann an einen Parkdaten-Provider und schließlich an das Auto. Die Verzögerung in der Übertragung beeinträchtigt also die Verlässlichkeit der Information. So lässt das Navigationssystem einen Fahrer zu einem vermeintlichen freigewordenen Parkplatz fahren, der aber mittlerweile längst wieder belegt ist. In Umfeldern mitmhohem Parkdruck ist das die Regel.
Wieso Prädiktion der bessere Ansatz ist
Um sinnvolle Empfehlungen für Autofahrer abzugeben, benötigt man die Wahrscheinlichkeit, mit der ein Parkplatz belegt ist. Nur sie kann dem Fahrer während der Anfahrt eine verlässliche Indikation über den richtigen Parkplatz geben, damit die Route entsprechend angepasst wird.
Wahrscheinlichkeit kann man aber nicht messen, man muss sie errechnen – hier kommt also die Prädiktion ins Spiel. Darin müssen etliche äußere Einflussfaktoren einbezogen werden. Prädiktion ist dann am besten, wenn sie eine Vielzahl unterschiedlicher, aber relevanter Daten nutzt. Machine-Learning-Modelle ermöglichen es, anhand einer Bewertung und Gewichtung dieser Datenquellen und der Einberechnung von historischen Verhaltensmustern wie auch Vor-Ort-Beobachtungen genaue Vorhersagen zu erstellen.
Den kompletten Beitrag können Sie auch nachhören oder downloaden.