Ausgangssituation

Mit dem European Green Deal hat die Europäische Kommission das Ziel ausgerufen, bis 2050 die Treibhausgasemissionen in der Europäischen Union auf null zu reduzieren. Auch die Bundesregierung hat ihre Klimaschutzvorgaben verschärft und das Erreichen des Ziels der Treibhausgasneutralität schon für das Jahr 2045 verankert. Bereits bis 2030 sollen die Emissionen um 65 Prozent gegenüber 1990 sinken. Dafür sind auch und insbesondere Maßnahmen im Verkehrsbereich nötig – dem Sektor mit den dritthöchsten Treibhausgasemissionen in Deutschland.

Smart Mobility ist intermodal

Aber in einer intermodalen smarten Mobilität gilt es eben diverse Teilnehmer zu synchronisieren – vom Auto- bzw. Motorradfahrer, also dem motorisierten Individualverkehr, über den öffentlichen Personennahverkehr (ÖPNV) bis zu Anbietern von E-Scootern und Fahrrädern etc..

Der Zugang zu mobilitätsrelevanten Daten ist dabei das zentrale Element für den Aufbau eines nachhaltigen und umweltschonenden Mobilitätssystems. Damit wird die Schaffung eines einheitlichen Mobilitätsdatenraums eine zunehmende sowie aktuelle Herausforderung und ist als integraler Bestandteil einer Europäischen Datenstrategie zu betrachten. Das Ziel ist einerseits die Schaffung eines einheitlichen europäischen Datenraums und andererseits das Erstellen von Regeln für Datenzugang und Datennutzung, basierend auf den FAIR-Prinzipien (Findable, Accessible, Interoperable und Reusable). Ein europäischer Mobilitätsdatenraum soll Europa bei der Entwicklung eines intelligenten Verkehrssystems, einschließlich vernetzter Fahrzeuge und anderer Verkehrsträger, zum Vorreiter machen. Die Vernetzung verschiedener öffentlicher und privater Plattformen sowie nationaler Zugangspunkte zur Bereitstellung von Daten ist dabei gleichermaßen ein Ziel, wie die Verfügbarkeit und Nutzung von Daten für effiziente, ökologische und kundenfreundliche öffentliche Verkehrssysteme. Sowohl in Deutschland als auch in der Schweiz wurden bereits in den letzten Jahren intensive Anstrengungen betrieben, einen nationalen Mobility Data Space aufzubauen.

ÖPNV als elementarer Teil einer tragfähigen Smart Mobility-Strategie

Aber nur wenn der öffentliche Personennahverkehr in der Lage ist, die relevanten Daten in den Mobilitätsdatenraum zu liefern, wird Smart Mobility zur Realität werden können: Der ÖPNV in der EU wird bis 2030 voraussichtlich um 30% wachsen. In Deutschland sind insgesamt jedoch durchschnittlich nur 22% der Plätze in den Fahrzeugen im öffentlichen Personen- und Nahverkehr ausgelastet. Das hat einen ineffizienten Ressourceneinsatz mit erhöhten Kosten und zudem einem negativem Impact auf CO2-Fußabdruck und damit dem Klimaschutz zur Folge.

Die heutigen Mobilitätsbedürfnisse werden durch die aktuellen Angebote des öffentlichen Personennahverkehrs, die häufig auf veralteten Bedarfsanalysen basieren, nicht mehr adäquat gedeckt. Genau aus diesem Grund ist die Akzeptanz des ÖPNV insbesondere außerhalb der Innenstädte eher gering. Das spiegelt sich dort sehr deutlich in der Verbreitung des motorisierten Individualverkehrs wider: In den Hauptverkehrszeiten sind die Fahrzeuge oft überfüllt. Der damit verbundene Stress und die schlechte Customer Experience führt letztlich zu einem problematischen Image bei den Fahrgästen. Viele Stadtbewohner ziehen daher den privaten PKW als Transportmittel vor und sind nicht geneigt, auf öffentliche Verkehrsmittel umzusteigen, was zu zunehmend überfüllten Straßen mit noch mehr Staus im Stadtverkehr führt.

Nur wenn der ÖPNV als attraktive Alternative zum eigenen Auto wahrgenommen wird, kann er sich als umweltverträgliches Verkehrssystem der Zukunft etablieren. Um das Angebot an sich permanent ändernden gesellschaftliche Bedürfnisse anpassen zu können, sind Instrumente zur Erfassung der ÖPNV-Nutzung wie auch des übrigen gesamten Mobilitätsbedarfs nötig. Diese Instrumente müssen in der Lage sein, eine hinsichtlich Aktualität und Genauigkeit angemessene Datenbasis zu liefern.

Eine zentrale Rolle spielen dabei auch Instrumente zur Erfassung der ÖPNV-Nutzung und des gesamten Mobilitätsbedarfs. Nur eine umfassende Datenbasis kann dazu beitragen, das Angebot als ein wesentlicher Teil einer sauberen Smart Mobility Strategie bedarfsgerecht zu planen und gezielt auf die Bedürfnisse der Nutzerinnen und Nutzer einzugehen.

Insgesamt benötigt die Förderung des ÖPNV als umweltfreundliches Verkehrssystem der Zukunft ein ganzheitliches Konzept, das sowohl die Verbesserung des Angebots als auch die Verbesserung des Images und die Erfassung des Mobilitätsbedarfs umfasst. Nur so kann der ÖPNV als attraktive Alternative zum eigenen Auto wahrgenommen und seine Bedeutung im Verkehrssystem gestärkt werden.

Fahrgastzählungen

Um den ÖPNV in einer Smart Mobility Planung als attraktive Alternative zum eigenen Auto zu positionieren, sind verschiedene Maßnahmen erforderlich. Zunächst müssen die bestehenden Angebote verbessert und erweitert werden, um eine höhere Auslastung, Abdeckung und Flexibilität zu erreichen. Für eine optimierte und flexible Planung von Angeboten, Fahrstrecken und -plänen sowie eine optimale Fahrgastführung im ÖPNV braucht es aber eine valide und aktuelle Datenbasis mit historischen Informationen über Fahrgastzahlen, Auslastung von Fahrzeugen und Linien sowie über das Reiseverhalten der Fahrgäste. Hierzu müssen die Fahrgastzahlen in Echtzeit erhoben, verarbeitet und visualisiert werden und sind wichtige Grundlage für nachgelagerte Analysen und zukünftiger Abbildung von KI-Modellen zur Prognose von zukünftigen Auslastungen. 

Fahrgastzählungen dienen zunächst mal dem Verstehen um die Nutzung bestehender ÖPNV-Angebote. Diese werden entweder manuell durch mitfahrendes Personal oder automatisch mittels klassischer Sensoren via Infrarot oder Kameras in automatischen Fahrgastzählsystemen (AFZS-Systeme) realisiert.

Manuelle Fahrgastzählungen haben den Nachteil, dass sie kostenintensiv und durch den menschlichen Einfluss per se fehleranfällig sind. Bei automatischen Fahrgastzählungen (AFZ) hingegen können die Ergebnisse durch Messfehler verfälscht werden. Es gibt einige kommerziellen Anbieter von AFZ-Systemen, deren Produkte auch bei deutschen Verkehrsunternehmen im Einsatz sind. Zur Steigerung der Genauigkeit kommen zunehmend auch KI-basierte Verfahren zum Einsatz.

Die größte Unzulänglichkeit der Fahrgastzählung aber ist, dass diese nur einen sehr eingeschränkten Einblick in die ÖPNV-Nutzung als solches gewährt. Es fehlen sowohl tagesaktuelle sowie das Gesamtnetz umfassende Daten. Mithilfe der Fahrgastzählung kann zwar die Auslastung einzelner Fahrzeuge oder Haltestellen erfasst werden, nicht aber welche Routen Fahrgäste durch das ÖPNV-Netz wählen. Was benötigt wird, sind zuverlässige und wirtschaftliche Ansätze zur Erfassung von Fahrgastströmen.

Fahrgastströme zur Identifikation von ÖPNV-Netzauslastungen und von urbanen Umsteigebeziehungen

Die Analyse von Fahrgastströmen birgt großes Potenzial zur Schließung einer wesentlichen Lücke in der Datenbasis für die Planung zukünftiger ÖPNV-Angebote und damit für den Aufbau eines Mobilitätsdatenraums, welcher für Smart Mobility unabdingbar ist. Besonderes Augenmerk muss dabei auf einer datenschutzkonformen Erfassung von Fahrgastströmen liegen. 

Die Erfassung von Fahrgastströmen wird heute zumeist manuell mithilfe von Umfragen versucht nachzuvollziehen. Als automatisierte Ansätze zur Erfassung von Fahrgastströme werden derzeit maßgeblich WIFI-, mobilfunk- und kamerabasierte Ansätze diskutiert. Während es Unternehmen gibt, die mit WIFI- oder mobilfunkbasierten Ansätzen Erfahrungen sammeln und erste Produkte anbieten, ist das für kamerabasierte Ansätze noch kaum der Fall.

Vergleich von Technologien zur Datenerhebung im ÖPNV

Kamerabasierte Systeme arbeiten im Spannungsfeld zwischen großen Potenzialen einerseits, die sich durch ihre Nutzung ergeben und dem Datenschutzgedanken andererseits, der zur Datensparsamkeit verpflichtet. Aus technischer Sicht sind zwei Probleme zu lösen: Die Identifikation von Personen in einem herausfordernden Umfeld wie wechselnden Lichtverhältnissen oder eingeschränkte Sichtverhältnissen und andererseits der notwendigen die Re-Identifikation von Personen. ^,  

Erst wenn ein Fahrgast wiedererkannt wird, kann die individuelle Reiseroute abgeleitet werden. Die dabei auftretenden Herausforderungen bei kamerabasierten Systemen sind sehr vielschichtig. So machen zum Beispiel unterschiedliche Beleuchtungsbedingungen, verschiedene Posen und Blickwinkel, Unschärfeeffekte, Bildauflösungen, Hintergrundänderungen nicht unerhebliche Probleme. Grundsätzlich wurden zwei Arten der kamerabasierten Re-Identifizierung entwickelt: Bildbasiert versus Videobasiert. Je nach Anwendung und Ansatz werden die Zwecke jeweils unterschiedlich gut realisiert.  

Unter Laborbedingungen können die meisten Probleme als gelöst betrachtet werden, unter realen Bedingungen jedoch sind noch Fragen offen: Wo sollen die Kameras positioniert werden? Wie können wechselnde Lichtverhältnisse ausgeglichen werden?

Auch mobilfunkbasierte Ansätze werden genutzt, um das Mobilitätsverhalten besser zu verstehen. So lässt sich heute recht gut nachvollziehen, aus welchen Gemeinden sich wie viele Menschen täglich in Ballungszentren bewegen. Allerdings lässt sich mit Mobilfunkdaten die Positionen nicht genau bestimmen, es gibt Abweichungen von hunderten bis tausenden Metern. Man kann daraus nicht erkennen, zu welchen Orten genau sich Menschen bewegen. 

Bei den mobilfunkbasierten Ansätzen lässt sich letztlich kaum nachvollziehen, ob sich ein Gerät innerhalb oder außerhalb eines Fahrzeugs befindet – das aber sind die zunächst mal notwendigen Grund-Daten um Fahrgastströme abzubilden. Abgesehen davon können über die Daten eines Mobilfunkbetreibers immer nur jene Personen erfasst werden, die im entsprechenden Netz eingewählt sind. So lassen sich via Mobilfunkdaten wohl kaum Umsteigebeziehungen so ableiten, dass eine qualitativ annehmbare Analyse von Fahrgastströmen möglich ist.

WIFI-basierte Ansätze haben aus technischer Sicht zwei Herausforderungen zu lösen: Zum einen randomisieren die meisten Geräte zunehmend ihre ausgesandte MAC-Adresse, was die Wiedererkennung eines bereits registrierten Gerätes enorm erschwert. Zum anderen ist eine Bereinigung der Daten notwendig, etwa aufgrund der Erfassung von Geräten außerhalb des Fahrzeugs oder der Anwesenheit von Fahrgästen, die kein WIFI-fähiges Gerät bei sich tragen.

Mittlerweile gibt es auch Systeme, die Fahrgäste und Fahrgastströme erfassen, indem sogenannte WIFI-Probe-Requests von einem Sensor empfangen, verarbeitet und gezählt werden. Der Sensor funktioniert autark und wird in Fahrzeugen, an Haltestellen oder in Bahnhöfen installiert. Weil Probe- Requests von mobilen Geräten auf der ständigen Suche nach bekannten WLAN-Netz- werken periodisch und ohne Zutun des Eigentümers ausgestrahlt werden, ist eine flächendeckende Zählung und eine Auswertung als Fahrgaststrom möglich. 

WIFI-basierte Ansätze haben wohl das größte Potenzial sich durchzusetzen, da eine Erfassung von Personen über ihre WIFI-fähigen Geräte bereits heute möglich ist und WiFi diverse Vorteile gegenüber kamerabasierten Ansätzen hat (z.B. die Resilienz gegenüber variierenden Umwelteinflüssen).

Datenschutzrechtliche Betrachtung

Als alternative Erhebungsmethoden für Fahrgastströmen kommen anstelle der Erfassung der MAC-Adresse vorliegend derzeit nur Zählungen per Kamera-Überwachung oder temporäre manuelle Fahrgastbefragungen in Betracht. Diese Methoden zur Erfassung von Fahrgastzahlen und Fahrgastströmen sind entweder nicht datensparsamer (Videoüberwachung) oder nicht gleich effektiv und sehr ungenau (manuelle Erfassung durch Menschen vor Ort). 

Tatsächlich ist eine Videoaufzeichnung zum Zweck der Zählung als eingriffsintensiver anzusehen. Die manuelle Fahrgastbefragung durch eigens hierfür eingesetzte Personen ist aufgrund des damit verbundenen erheblichen Personalaufwandes, den deutlich höheren Kosten, der in der Methode selbst innewohnenden Ungenauigkeit und dem bei manuellen Befragungen erheblich höheren Risiko von Fehleinschätzungen nicht vorzugswürdig. Es handelt sich dabei nicht um mildere, gleich geeignete Mittel, so dass die Erhebung der korrekten MAC-Adressen von Fahrgästen in der vorliegenden Konstellation das mildeste und effektivste Mittel ist.

Basis-Technologie versus Auswertung

Damit die Planung von Linien und Haltestellen sowie die Einsatzplanung von Fahrzeugen optimiert werden kann, müssen die Umsteigebeziehungen der Fahrgäste sauber analysiert werden. Dies erfolgt über das Generieren sogenannter Origin-Destination-Matrizen (OD-Matrix). Eine OD-Matrix kann sehr schnell aus zehntausenden Knoten bestehen, wenn die Fahrgastströme über das gesamte Fahrstreckennetz einer Stadt oder Region in einem definierten Zeitraum aufgezeichnet werden. 

Jeder Knoten stellt dabei eine Haltestelle dar, an der auf eine andere Linie umgestiegen werden kann und hat für jeden möglichen Umstieg eine ausgehende Verbindung, die abhängig von der Anzahl umsteigenden Fahrgäste gewichtet ist. OD-Matrizen sind die Basis, um den Fahrgastfluss zu simulieren und so die Fahrpläne zu optimieren. Mindestens genauso relevant ist, dass OD-Matrizen eine hervorragende Datenbasis für Investitionsentscheidungen bilden – denken wir dabei an die Klimaziele und die anstehenden Investitionen, so lässt sich sehr schnell ein ROI ableiten.

Unter Einsatz von Künstlicher Intelligenz (KI) kann dann noch ein Schritt weitergegangen und die Planungen erheblich verbessert werden: Indem nicht nur die Fahrgastzahlen und -ströme berücksichtigt werden, sondern weitere ortsgebundene und saisonale Faktoren herangezogen werden, zum Beispiel Wetterdaten, Informationen über Ferienzeiten und regionale Ereignisse (Events, Baustellen et cetera) lassen sich ein heute schon auf Basis dieser Datenbasis Prognose-Modelle entwickeln, die die Auslastung in Korrelation zu diesen Faktoren berechnen.

Durch das Erfassen, Aggregieren, Analysieren sowie strukturierte Bereitstellen von Mobilitätsdaten wird dazu beigetragen, die den Klimaschutzvorgaben zugrunde liegenden Ziele zu erreichen. Folgende konkrete Meilensteine sollten dabei angestrebt werden: 

1. Bereitstellung einer datenschutzkonformen und zuverlässigen Real-Time-Lösung zur

• • automatischen Erfassung von Fahrgastzahlen
  • automatischen Erfassung von Fahrgastströmen

2. Lösung zur Steigerung der Wirtschaftlichkeit und 

• • bedarfsorientierte Linien-, Fahrzeug- und Taktplanung
  • datenbasierten Investitionsplanung
  • zukünftig: Vorhersage von Auslastungen und Fahrgastströmen

3. Steigerung der Attraktivität des ÖPNV 

• • Customer Experience steigert die Kundenzufriedenheit 
  • Kundenzufriedenheit steigert die ÖPNV-Nutzung

Letztlich lässt sich feststellen, dass die eingesetzte Technologie zur Fahrgastzählung und zur Abbildung von Fahrgastströmen zwar eine Rolle bezüglich Datengenauigkeit spielt, jedoch die Datenaggregation und deren Analyse mindestens eine ebenso hohe Priorität innewohnt.

Fazit

In Bezug auf die Funktionalität bieten kamerabasierte Systeme die Möglichkeit, Passagiere zu identifizieren und zusätzliche Sicherheitsfunktionen zu integrieren. WiFi-Tracking bietet die Möglichkeit zur Identifizierung von Passagieren und zur Echtzeitverfolgung von Bewegungen. In Bezug auf die Zählgenauigkeit bieten kamerabasierte Systeme die höchste Genauigkeit. Infrarot hingegen hat eine sehr geringere Genauigkeit, während WiFi-Tracking für eine genaue Zählung von Passagieren bei höherem Verkehrsaufkommen geeignet ist. In Bezug auf die Kosten sind Infrarot und WiFi-Tracking die günstigsten Technologien, während Kameras und Video sehr teurer sind. Letztendlich wird Smart Mobility nur Realität werden, wenn auch und insbesondere der ÖPNV in der Lage sein wird, die notwendigen Daten in aktueller und akkurater Form in den intermodalen Mobilitätsdatenraum einzuspielen. Nur wenn die notwendigen Informationen eine wirkliche Entscheidungsgrundlage für den Mobilitäts-User hergeben, kann Mobilität auch smart werden.

Quellen und Referenzen

 www.bundesregierung.de/breg-de/themen/klimaschutz/klimaschutzgesetz-2021-1913672

 www.bmwk.de/Redaktion/DE/Downloads/Energie/klimaschutzbericht.pdf?__blob=publicationFile&v=6

 www.bmk.gv.at/themen/mobilitaet/alternative_verkehrskonzepte/telematik_ivs/publikationen/berichte/bericht2022.html

 Studie PWC/Intraplan: 30 Prozent mehr Öffentlicher Personenverkehr (ÖPV) und 22 Prozent mehr Schienengüterverkehr (SGV)

 Grgurević, Ivan; Jursić, Karlo & Rajic, Vinko: Review of Automatic Passenger Counting Systems in Public Urban Transport, 2021, 5th EAI International Conference on Management of Manufacturing Systems

 Sablatnig, Jan; Siebert, Michael & Shirazi, Ramtin Dastgheib: Braucht eine moderne Fahrgastzählung KI?, 2022, Der Nahverkehr, 6, pp. 28-30.

 Ul Haq, Ejaz; Huarong, Xu; Xuhui, Chen; Wanqing, Zhao; Jianping, Fan & Abid, Fazeel: A fas t hybrid computer vision technique for real-time embedded bus passenger flow calculation thr ough camera, 2020, Multimedia Tools and Applications, 79, pp. 1007-1036.

 Sharma, Sandeep K.; Modanval, Rajiv K.; Tayal, Prakhar & Gayathri, N.: Social Distancing and Crowd Density Distribution System for Public Places and Public Transports Using Compute r Vision and NLP, 2021, Advanced Computing and Intelligent Technologies, pp. 461-479. https://link.springer.com/chapter/10.1007/978-981-16-2164-2_36

 Singh, Nikhil Kumar; Khare, Manish & Jethva, Harikrishna B.: A comprehensive survey on person re-identification approaches: various aspects, 2022, Multimedia Tools and Applications, 81, p. 15747-15791.

 https://futurezone.at/netzpolitik/a1-fuer-bewegungsprofile-sind-mobilfunkdaten-viel-zu-ungenau/400799786