Crowdsourcing und Mobilität

Foto: Unsplash/ Paul Siewert (edited)

Crowdsourcing wird verwendet als wesentliche Ergänzung zu den klassischen Methoden der Erhebung von Netzwerk-Performancedaten und zur Messung der Erfahrungsqualität aus der Sicht des Endbenutzers. In der Regel werden dafür Datenerfassungsapplikationen benutzt, die passiv auf dem Smartphone des Endbenutzers ausgeführt werden. Mit diesem applikationsbasierten Ansatz werden die Smartphones zu Messgeräten, die unschätzbares Wissen darüber liefern, wie die Endbenutzer die mobile Kommunikation nutzen und erleben. Wesentliche Grundlage für die Integration der Datenerfassung ist neben der Kooperation zwischen Data Science Unternehmen und den Anwendungsanbitern auch der Datenschutz. Die erhobenen Daten sind vollständig anonym – es werden keine persönlichen Identifikatoren (MSISDN, IMEI oder IP-Adressen) erfasst.

Digitale Datenanalysen bieten einen Mehrwert für die Mobilität der Zukunft

Außerdem, ermöglicht Crowdsourcing die Beantwortung einer Vielzahl interessanter Fragen im Zusammenhang mit den Konzepten der Mobilität oder Smart City. Dabei leifern die Crowddaten wertvolle Informationen über Mobilitätskriterien wie bspw. Standort, Zeit oder Tempo. Die daraus abegeleitete Informationen über bspw. Geschwindigkeit, gefahrene Routen, besuchte Orte, Mobilitätsanteil pro km2, aber auch über saisonale Effekte und Ereignisse, wie gerade jetzt in Zeiten von Covid-19,  geben wertvolle Hinweise auf das Nutzerverhalten.

Abbildung 1: Verkehrsaufkommen zu mehreren POIs

Bei den Analysen werden die Daten, basierend auf anwendungsfallspezifischen Kriterien, gefiltert und geclustert. Diese Filter können z.B. Zeitfenster, bestimmte Attribute oder Benutzergruppen sein. Benutzer spezifischer Zielgruppen können anhand verschiedener vordefinierter Merkmale identifiziert werden, wie z.B. besuchte Points of Interest (POIs), installierte Anwendungen, Telefonanrufverhalten, Bluetooth-Verbindungen usw. Die Aggregierten Ergebnisse können schlussendlich mithilfe einer GIS-Applikation auf der Ebene eines anwendungsspezifischen Rasters visualisiert werden, um Anhaltspunkte für weitere Annahmen und Entscheidungen zu gewinnen.

Interessiert an Forschungsthemen rund um Data Science und Mobilität?

Im Digital Innovation Hub Projekt beraten Digitalisierungs*expertinnen und Data Scientists der FH Kufstein Tirol zusammen mit anderen wissenschaftlichen Partnern Unternehmen im Hinblick auf deren Arbeit mit Mobilität und Daten. In den Workshops der Arbeitsgruppen „Softwarebasierte Innovation“ und  „Multimodale automatisierte Mobilität“ können gemeinsam Fragestellungen und Analysestrategien diskutiert, oder auch Daten und Konzepte auf ihre Eignung für bestimmte Fragestellungen hin geprüft werden.

Informieren Sie sich hier über die Arbeitsgruppen

https://dih-west.at/project/softwarebasierte-innovation/ 
https://dih-west.at/project/multimodale-automatisierte-mobilitat/ 

Miroslav Despotovic

Miroslav Despotovic

Dr. Miroslav Despotovic ist Senior Researcher an der FH Kufstein, Tirol. Die Schwerpunkte seiner Forschung sind Machine Learning, Computer Vision und Remote Sensing. Er verfügt über mehr als 20 Jahre Berufserfahrung in den Bereichen Data Science und Data Engineering.

miroslav.despotovic@fh-kufstein.ac.at