Screenshot von Dots on the Bus – ÖPNV in Genf um 21:00 Uhr
Dots on the Bus visualisiert das Busnetz über einen gesamten Tag. Nutzer können eine Linie auswählen und erkennen den Standort der Busse sowie die Fahrgastnachfrage, die mit bunten Punkten dargestellt wird. Da die Visualisierung minutenfein erstellt wurde, konnte auch die unterschiedliche Geschwindigkeit der Buslinien dargestellt werden. So fahren Busse einer Linie in der Hauptverkehrszeit viel langsamer als in den Nebenzeiten – dies ist neben des erhöhten Fahrgastaufkommens auch in der Visualisierung entsprechend abgebildet. Die notwendigen Daten stammen aus SOLL- und IST-Fahrplandaten für die Darstellung des Fahrplans und der Fahrzeiten sowie den Lichtschranken in den Türen zur Ermittlung des Besetzungsgrades.
2. Platz: Transit Quality + Equity
Transit Quality + Equity in San Francisco: Anteil armer Menschen an der Bevölkerung und ÖPNV-Angebot / Qualität
Den ersten zweiten Platz hat die Visualisierung “Transit Quality + Equity” gewonnen. Die Webseite verbindet Taktdichte und Servicegrad des ÖPNV mit dem Einkommensniveau. So lässt sich auf einen Blick erkennen, ob ein ÖPNV-Angebot zunächst die bevölkerungsreichsten Teile einer Stadt abdeckt und ob Menschen mit niedrigerem Einkommen ein gleiches ÖPNV-Angebot erhalten wie Menschen mit höheren Einkommen.
Für San Francisco ist die Bezugsgröße der Anteil der Menschen, die unter der Armutsgrenze leben sowie die Aufteilung nach ethnischen Hintergrund. Die Daten wurden im Rahmen der US-Volkszählung erhoben. In Zürich wird das mittlere Einkommensniveau je Bezirk dargestellt, für Genf lagen leider keine Daten bezüglich der Einkommensverteilung vor. Beide Herangehensweisen lassen einen Einblick in die Wohlstandsverteilung einer Stadt zu.
Die ÖPNV-Qualität wird anhand mehrerer Kenngrößen bestimmt. Die ÖPNV-Abdeckung eines Viertels wird durch konzentrische Kreise um die einzelnen Haltestellen dargestellt. Je häufiger eine Haltestelle bedient wird, desto größer wird der Kreis. Die Zahl der Abfahrten wurde für alle Haltestellen über den Zeitraum einer Woche ermittelt. Ebenfalls erhoben wurden die Verspätungen an jeder einzelnen Haltestelle. Je dunkler ein Kreis wird, desto höher ist die Verspätungsanfälligkeit. Diese wird auch sekundenfein für jede Haltestelle ausgewiesen (Beispiel: Zürich Hauptbahnhof, durchschnittliche Verspätung über eine Woche: 0,55 Minuten, San Francisco Powell Street & Sutter Street: 11,48 Minuten).
Insbesondere in San Francisco lässt sich beobachten, dass Stadtviertel mit einem geringen Anteil armer Menschen nur sehr schlecht vom ÖPNV erschlossen sind, da reichere Amerikaner im Allgemeinen nur sehr ungerne öffentliche Verkehrsmittel nutzen. Ärmere Menschen sind dahingegen auf den ÖPNV angewiesen.
2. Platz: Frustration Index
Den zweiten 2. Platz hat der Frustration Index gewonnen, der die Angebotsqualität des ÖPNV in Zürich, Genf und San Francisco visualisiert. Die Berechnung des Servicelevels ist recht komplex, basiert aber hauptsächlich auf drei Werten: Kapazität, Verspätung und Geschwindigkeit. Weitere Qualitätsfaktoren könnten die Taktzeit, Wartezeit, Bedienzeiten, Durchschnittsgeschwindigkeit und Wirtschaftlichkeit sein, die jedoch aufgrund der knappen Zeit nicht mehr eingeflossen sind.
Frustration Index für Genf, Geschwindigkeit = rosa, Verspätung = gelb und Kapazität = blau
Vorgehen bei der Ermittlung der einzelnen Parameter:
Kapazität:
Pnt = ∑(Bx-Ex) mit x = 1→∞
Pnt = Nummer der Fahrgäste an der Haltestelle n während der Fahrt t
Bx = Zahl der zusteigenden Fahrgäste an Haltestelle x
Ex = Zahl der aussteigenden Fahrgäste an Haltestelle x
Der Level of Service wird durch den errechneten Loadfaktor zwischen 0 (vollkommen leer) und >1,5 (total überfüllt) bestimmt. Die Sitzplatzkapazität wurde anhand der eingesetzten Transportgefäße bestimmt, die Zahl der ein- und aussteigenden Fahrgäste mit Hilfe von Lichtschranken ermittelt.
Verspätung:
Dnt = AAn – SAn(Verspätung an Haltestelle n während des Umlaufs t)
AAn: IST-Ankunftszeit an Haltestelle n
SAn: SOLL-Ankunftszeit an Haltestelle n
Zur Ermittlung des Level of Service wurde die Minimal- und Maximalverspätung eines Tages ermittelt und in mehrere Verspätungsklassen geschichtet:
dnt = ( Dnt - d) / (D – d)
Dnt: Verspätung an Haltestelle n während des Umlaufs t
d: minimale Verspätung
D: maximale Verspätung
Ein Wert zwischen 0 – 0,05 gilt als minimale Verspätung, 0,06 – 01,5 als tolerierbar, 0,16 – 0,25 als unzuverlässig, 0,26 – 0,35 als frustrierend, 0,36 – 0,65 als stark frustrierend und alles über 0,65 als unakzeptabel.
Geschwindigkeit
Die Geschwindigkeit wurde jeweils zwischen der betrachteten Haltestelle n und der zuvor angefahrenen Haltestelle n-1 betrachtet.
STn, n-1: theoretische Fahrzeut zwischen den Haltestellen n und n-1
STn, n-1 = SAn – SAn-1
SAn: SOLL-Ankunftszeit an Haltestelle n
SA n- 1: SOLL-Ankunftszeit an Haltestelle n-1
ATn ,n-1: reale Fahrzeit zwischen Haltestelle n und n-1
ATn, n-1 = AAn – AAn - 1
AAn: IST-Ankunftszeit an Haltestelle n
AAn-1: SOLL-Ankunftszeit an Haltestelle n-1
Dn, n-1: Luftlinienentfernung zwischen Haltestelle n und n-1
Dn,n-1 = √ ( (Ln-1 - Ln)2 + (ln-1 - ln)2 )
Ln-1: Längengrad der Haltestelle n-1
Ln: Längengrad der Haltestelle n
ln-1: Breitengrad der Haltestelle n-1
ln: Breitengrad der Haltestelle n
Ein Geschwindigkeitsfaktor zwischen 0 und 0,05 gilt als schneller ÖPNV, 0,06 – 0,15 als annehmbare Geschwindigkeit, 0,16 – 0,25 als zu langsam, 0,26 – 0,35 als frustrierend, 0,36 – 0,65 als sehr frustrierend und Werte über 0,65 sind als Stillstand und daher als untolerierbare ÖPNV-Geschwindigkeit zu verstehen.
Fazit
Alle drei Anwendungen sind wieder einmal ein großartiger Einblick, was mit offenen Fahrplandaten und OPEN DATA allgemein alles möglich ist. Öffentliche Verkehrsunternehmen müssen meiner Meinung auch keine Furcht haben, dass anhand dieser Daten große öffentliche Kritik aufkommt. Man sollte eher die Chancen erkennen und vor allem auch ergreifen, die solche Visualisierungen ermöglichen.
Das Erkennen von Unfallhäufungsstellen (UHS) und Unfallhäufungslinien (UHL) ist eine wichtige Voraussetzung, um Maßnahmen zur Beseitigung der Unfallursache ergreifen zu können. Unfälle können entweder aufgrund des Verhaltens von Verkehrsteilnehmern (zu schnelles Fahren, Vorfahrtsverstöße, usw.) oder wegen Mängeln in der Infrastruktur (schlechte Einsehbarkeit und Erkennbarkeit) entstehen. Um die jeweilige Ursache zu erkennen, führt die Polizei sogenannte Unfallsteckkarten, in denen die Unfälle entsprechend ihrer Art und Schwere markiert werden. Die verschiedenen Farben zeigen den Unfalltyp (Konfliktvorgang, der zum Unfall führte) und die verschiedenen Durchmesser der Nadeln die Unfallkategorie (Getötete, Schwer- und Leichtverletzte sowie Sachschaden). Zusätzlich können die Nadeln mit Markierungen (kleinen Dreiecken) hinterlegt werden, die weitere Unfallumstände betreffs Unfallursache (Alkoholunfall, Wildunfall) oder Unfallart (Aufprall auf einen Baum, Fußgänger, Radfahrer) aufzeigen. Zusätzlich zur Karte werden Unfallblattsammlungen geführt, die weitere ausführliche Daten enthalten, so zum Beispiel zum Unfallhergang, zum Straßenzustand, zur Witterung, zu den Sichtverhältnissen usw.
Früher wurden Stecknadeln zur Markierung von Unfällen in der Unfalltypenkarte genutzt, heutzutage werden meistens elektronische Unfallsteckkarten eingesetzt. Weit verbreitet ist beispielsweise EUSka, die elektronische Unfalltypen-Steckkarte, der PTV AG. Die Polizei in Rheinland-Pfalz nutzt GEOPOLIS V (“Geografisches polizeiliches Informationssystem für Verkehrsunfälle“).
Die elektronisch vorliegenden Unfalldaten werden heutzutage allerdings nicht veröffentlicht. EUSka kann über das integrierte Model “Datenweitergabe” die Daten in Formate der Statistischen Landesämter ausgeben oder im EUSka-Format weiterleiten und in anderen EUSka-Auswertungsanwendungen überspielen.
Eine Umwandlung in offene Datenformate sollte ebenso wie ein Onlinezugriff auf die Unfallsteckkarten ohne große Probleme machbar sein.
Durch die Veröffentlichung der entsprechenden Unfallkarten dürfte das Bewusstsein für Unfallschwerpunkte in der Bevölkerung wachsen. Entsprechende Maßnahmen wie die Anordnung einer Geschwindigkeitsbegrenzung und andere geschwindigkeitsdämpfender Maßnahmen dürften eine höhere Akzeptanz erfahren. Neue Tempolimits sind oft Gegenstand einer starken und langlebigen Diskussion. Die Argumentation der jeweiligen anordnenden Behörde oder anderer öffentlichen Stellen bleibt zurzeit leider oftmals sehr vage und argumentiert nicht faktenorientiert. Eine Veröffentlichung bzw. ein Zugriff auf die 1-Jahreskarte (alle Unfälle innerhalb von 12 Monaten), die 3-Jahreskarte (P) (Unfälle mit Personenschäden innerhalb von 36 Monaten) und die 3-Jahreskarte (SP) (Unfälle mit schweren Personenschäden innerhalb von 36 Monaten) dürfte die Zahl, Ursache und Schwere von Unfällen nochmals vor Augen führen. Die Kenntnis aller Unfälle der vergangenen drei Jahre auf einem bestimmten Streckenabschnitt dürfte in der Bevölkerung meistens nicht vorhanden sein.
In den USA und Großbritannien mit einer ausgeprägteren Open Data-Kultur ist das Veröffentlichen von Unfalldaten schon länger üblich. Die britische Regierung veröffentlicht Unfalldaten über ihr Open Data-Portal data.gov.uk. Mehrere Kartendienste helfen bei der Visualisierung der Unfälle.
UK Road Accident Map
Die UK Road Accident Map verzeichnet alle Unfälle auf einer Karte und gibt neben Zeit und Ort die Art der beteiligten Fahrzeuge, die Unfallschwere, die Zahl der Verunfallten, deren Alter und Geschlecht, den Straßentyp, etwaige Geschwindigkeitsbegrenzungen, Wetter- und Straßenzustand, Helligkeit und die Polizeibeteiligung an.
Die Daten lassen sich nach beteiligten Fahrzeugen und Schwere des Unfalls klassieren und ein- bzw. ausblenden. (weiterlesen …)
Staatliche Einrichtungen besitzen eine Vielzahl von unterschiedlichen Daten, welche die verschiedensten Bereiche abdecken. In der Verkehrsplanung spielen vor allem infrastrukturbezogene Daten eine große Rolle. Als Beispiel sei an dieser Stelle die exakte Lage von Straßen und Parkplätzen, Geschwindigkeitsbegrenzungen, Standorte der Stadtmöblierung, Zugangsmöglichkeiten zu Bahnhöfen, Haltestellen und barrierefreie Eingänge genannt. Hinzu kommen verkehrsrelevante Daten wie die durchschnittliche tägliche Verkehrsstärke auf bestimmten Straßenabschnitten, die Echtzeitbelegung von Straßen, GPS-Daten von Bussen und Taxis, uvm.
Die Stadt New York hält in ihrem Open Data-Angebot unter anderem Karten zu den folgenden Themen vor (auf New York scrollen und dann die entsprechenden Layer einschalten):
Fußgänger- und Radverkehrszählung in Philadelphia als Anwendung fürOpen Data – DVRPC
Diese Werte stehen der Öffentlichkeit zur Verfügung. Anhand dieser Daten kann beispielsweise die Netzplanung des Radverkehrs transparent gemacht und die Wirkung von Investitionen in die Radverkehrsinfrastruktur nachvollzogen werden. Neben den Karten für den Fußgänger- und Radverkehr wird auch eine Vielzahl weiterer interaktiver Karten zum motorisierten Straßenverkehr, Infrastrukturmaßnahmen, usw.angeboten. Viele Datensätze können auch im maschinenlesbaren Format heruntergeladen und weiterverarbeitet werden.
Echtzeit-Durchschnittsgeschwindigkeiten in New York
Das Bikesharing-Angebot Hubway in Boston hat zum Jahresende eine große Zahl von anonymisierten Nutzungsdaten veröffentlicht. Im Rahmen eines Visualisierungswettbewerbs wurden 67 Visualisierungen eingereicht, die verschiedenste Gebiete abdecken. Ari Ofsevit hat beispielsweise die gefahrenen Durchschnittsgeschwindigkeiten auf unterschiedlichen Relationen abgebildet:
Gefahrene Durchschnittsgeschwindigkeit zwischen den einzelnen Ausleihstationen des Bostoner Bikesharing-Angebots – Ari Ofsevit
Das genauere Vorgehen und weitere Charts und Tabellen lassen sich auf Ari Ofsevits Webseite finden.
Der Hubway Trip Explorer von Andy Woodruff schlüsselt die Ausleihvorgänge in Abhängigkeit von Zeit, Wetter, usw. (insgesamt 10 Faktoren) auf. Die interaktive Karte kann Auskunft sowohl über das Gesamtsystem als auch einzelne Stationen geben und ermöglicht einen Einblick in das Verkehrsverhalten der Bostoner Bevölkerung und Touristen an Wochenenden, Werktagen, nachts, in den Abendstunden, usw. Eine Übersicht kann hier als PDF heruntergeladen werden.
Screenshot des Hubway Trip Explorer von Andy Woodruff
Hubway Bikes In / Bikes Out von Kim Ducharme, Kenn Knowles, Verena Tiefenbeck und Zia Sobhani zeigt die Zahl der ausgeliehenen und zurückgegebenen Fahrräder nach Zeit an. An Bikesharing-Stationen in Nähe von Bahnhöfen lassen sich insbesondere am Morgen und Abend die Ausleihvorgänge beobachten, während in den touristisch genutzten Gebieten vor allem am Abend die Nutzungszahlen steigen.
Bike In / Bike Out des Hubway Bikesharing-Angebots in Boston
Die Wissenschaftler des SMART veröffentlichen eine Vielzahl von fesselnden Datenvisualisierungen, die Singapur bei der Selbstorganisation helfen. Die Visualisierungen werden oftmals als Feedback-Kreislauf zwischen Menschen, ihren Aktionen und der Stadt beschrieben. Praktische Anwendungen dieser Daten lassen sich beispielsweise im Bereich der Straßenplanung finden, die mithilfe der Daten genauer und effektiver erfolgen kann. Ein weiteres Anwendungsgebiet ist die Vielzahl von Smartphone-Anwendungen, welche die Bestellung eines Taxis massiv vereinfachen.
Durch die Schaffung einer Open Software-Plattform wurde Anwendungsentwicklern wiederum die Möglichkeit gegeben, die Geometrie des Taxiverkehr zu nutzen, um bessere und intelligentere Taxiangebote schaffen zu können (dazu später mehr). Dieser Kreislauf von Daten, Anwendungen und Informationen könnte in einigen Jahren ein Grundstein für die fahrerlose Navigation werden.
Die Mathematik des Taxiverkehrs
Die Geometrie des Taxiverkehrs (Taxicab Geometry) ist eine Form der Geometrie, in der die Entfernung zwischen zwei Punkten A und B die Summe der absoluten Differenzen ihrer Koordinaten ist und nicht wie in der euklidischen Geometrie die Länge einer Strecke von A nach B.
Taxicab Geometry lässt sich durch die folgende Formel ausdrücken:
AP+PB= |x2-x1| + |y2-y1|
Die Geometrie des Taxiverkehrs
Während in der euklidischen Geometrie nur ein Liniensegment einer bestimmten Länge gibt, existieren in der Taxi-Geometrie mehrere Liniensegmente einer bestimmten Länge. Das Raster stellt ein Straßennetz dar, in dem der Taxifahrer navigieren muss. Es ist bemerkenswert, dass der Taxifahrer - beginnend am Punkt A – verschiedene Wege der exakt gleichen Länge nehmen kann und sich kontinuierlich dem Zielpunkt B annähert. Unterschiedliche Wege zum selben Zielpunkt können durchaus dieselbe Länge haben, die als sogenannte Taxi-Linie bzw. T-Linie bezeichnet wird. Die Abbildung auf der rechten Seite zeigt ein Beispiel von äquidistanten T-Linien, die unter anderem für die Berechnungen von Taxi Apps verwendet werden.
Links: Punkt-zu-Punkt-Verbindung, Rechts: Drei T-Linien derselben Länge führen von A nach B
Singapur fördert analytische Ansätze, die Unterstützung bei der Koordinierung von über 23.000 Taxis, die im Durchschnitt täglich 588.632 Fahrten durchführen, leisten. Diese Unternehmen sammeln, berechnen und arbeiten Echtzeitdaten des Taxiverkehrs auf, sodass die Bevölkerung und die Unternehmen Taxis in Abhängigkeit der jeweiligen Verkehrslage am effizientesten nutzen können. Sie helfen beispielsweise bei der Beantwortung der Frage, wie lange es dauern wird, bis man von zu Hause aus zu einem anderen Ziel gelangt ist.
Eine Forschergruppe des SMART hat sogar eine dynamische isochrone Karte entwickelt, die über dreidimensionale Formen den Betrachter in kürzester Zeit über die Fahrzeit von einem Punkt zu einem anderen Punkt innerhalb Singapurs in Abhängigkeit der jeweiligen Stunde und des jeweiligen Tages informiert.
Isochrone Karte des Verkehrs in Singapur – MIT Senseable Lab
Diese isochrone Karte und andere Anwendungen können bald von Taxiunternehmen verwendet werden, um Taxis in Gebiete mit erhöhtem Bedarf zu disponieren. Die jeweiligen Mehrbedarfe können in Abhängigkeit von Veranstaltungen oder auch der Wetterlage ermittelt werden.
Googles Mission ist es, alle weltweit verfügbaren Informationen zu organisieren und Navigationsinformationen sind eindeutig ein Teil dieses Vorhabens. Google investiert auch Unsummen in die Entwicklung von künstlicher Intelligenz, die essenziell für eine fahrerlose Zukunft ist.
In Zusammenarbeit mit dem Artificial Intelligence Stanford University Laboratory leitet Sebastian Thrun (mittlerweile bei Google) ein Projekt, in dem Autos mit einer Kombination von Sensoren, Kameras und Laser-Scannern einen “Sinn” entwickeln sollen, der weit über die menschlichen Fähigkeiten hinausgeht.
Um dieses Ziel zu erreichen, umfasst Googles Vision, dass Menschen beim Autofahren ständig Daten auf bestimmten Routen sammeln. Ich glaube, dass das nur die eine Hälfte des Puzzles ist, die gelöst werden muss, um die Effizienz unserer automobilen Fortbewegung zu steigern. Meine Hypothese ist, dass wenn das intelligente Auto mit einem intelligenten Netz von Ampeln, Mautstellen und digitaler Beschilderung kommuniziert, die Rate des akkumulierten Wissens viel schneller wachsen wird. Da immer mehr intelligente Fahrzeuge immer mehr Daten in das Netz übertragen, wird die Intelligenz des Netzes exponentiell wachsen. Da dieses übergeordnete Netz immer mehr über das Verhalten der Verkehrsteilnehmer lernt, kann es autonomen Fahrzeugen intelligentere Anweisungen geben und so die Einflüsse der “Taxi-Geometrie” vergrößern.
Sobald die Intelligenz des Verkehrsnetzes und der Fahrzeuge exponentiell wächst, wird die Kommunikation mit dem Menschen, was gerade los ist, nuancierter werden und wird werden die Möglichkeit erhalten mit der Stadt und dem Fahrzeug wie mit einem Taxifahrer zu sprechen.
Londoner U-Bahn in Abhängigkeit ihrer geographischen Lage
Liniennetzpläne werden immer auf Grundlage der geographischen Gegebenheiten einer Stadt erstellt. Dies ist auch logisch, da sich Busverkehr, aber auch U- oder S-Bahnen in der Stadt bewegen und natürlich an die vorhandene Struktur anpassen. Allerdings wird die geographische Struktur von Verkehrsnetzen in Netzplänen oftmals angepasst dargestellt, um den Fahrgästen die Orientierung zu erleichtern und den Plan besser lesbar zu machen. Dies verändert aber die Vorstellung, wie eine Stadt aufgebaut ist und wie vor allem die Distanzen einzuschätzen sind.
Der in London lebende deutsche Interaktionsstudent Benedikt Groß hat den Unterschied zwischen Netzplan und realer geographischer Lage in zwei Videos recht gut verdeutlicht. Beide Videos beginnen mit der realen Geographie und passen sich dann der Netzstruktur an:
Im zweiten Video wird die Veränderung noch deutlicher:
3D-Modell der Londoner U-Bahn in Abhängigkeit ihrer geografischen Lage mit speziellen Gebäuden zur Positionsbestimmung
Einen sehr ähnlichen Ansatz hat das Centre for Advanced Spatial Analysis an der University College London verfolgt. Dort wurde der Ansatz einer 3D-basierten Karte verfolgt. Zur geographischen Identifikation dienen Londoner Sehenswürdigkeiten.
In einem anderen Video wurde der gesamte schienengebundene Verkehr der geograpischen Realität angepasst:
Für eine Betrachtung der Verkehrsströme des Londoner Nahverkehrs lohnt es sich, zunächst einmal die landesweiten Verkehrsströme zu betrachten. Alle Videos wurden vom Centre for Advanced Spatial Analysis, University College London, erstellt und basieren auf quelloffenen Fahrplandaten.
Das erste Video zeigt Zugverkehr, Straßenbahn- und U-Bahnverkehr, Fährverkehr und Flugverkehr zwischen England, Schottland und Wales an einem typischen Wochentag des Jahres 2009. Alle Verkehrsarten sind mit verschiedenen Farben hinterlegt, die Zeit wird durch eine Uhr in der oberen Ecke angezeigt.
Die Animation zeigt eindeutig die Komplexität der britischen Verkehrssysteme, die Abhängigkeit der Verkehrsstärke von der Zeit und den Fokus auf den großen britischen Zentren London, Manchester, Edinburgh, usw.
Gegen Mitternacht ist London die einzige Stadt mit Verkehrsaktivität. Einige wenige Nachtbusse, U-Bahnen und Fähren verkehren. Erst ab 04:30 Uhr ist wachsende Aktivität von Südwest-England und Wales in Richtung London zu erkennen. Gegen 06:30 ist der U-Bahnverkehr in London, Manchester und Newcastle gut zu erkennen.
Zur selben Zeit beginnt auch der Luftverkehr zwischen Städten Englands, Schottlands und Wales. Auch sind die ersten Fähren in Cornwall und Schottland zu erkennen. Die abendliche Hauptverkehrszeit beginnt gegen 16:00 Uhr und erreicht ihren Höhepunkt gegen 18:00 Uhr. Danach wird das Angebot immer weiter reduziert.
Das zweite Video verdeutlicht das Busangebot in Großbritannien über den Tag hinweg. In London, Manchester und Edinburg existiert ein Nachtverkehr, der etwa bis 04:30 Uhr fährt. Danach beginnt der Tagesfahrplan mit wachsendem Busverkehr. Gegen 06:30 Uhr beginnt der Busverkehr auch in kleineren Städten. Die Spitzenkapazität wird gegen 08:00 Uhr zur Verfügung gestellt. Ab 09:00 Uhr wird das Angebot leicht reduziert um gegen 15:00 Uhr wieder ausgeweitet zu werden. Die Hauptverkehrszeit beginnt gegen 16:00 Uhr. Das Angebot wird im Anschluss schrittweise reduziert.
Mit Fokus auf den Großraum London kann der Unterschied zwischen Tag und Nacht nochmals verdeutlicht werden. Die Fahrzeugfolgezeit der U-Bahnen ist so gering, dass die Linien stark hervortreten. Interessant ist auch die Verbindung Stansted-Heathrow-Gatwick, die mittels Bussen abgewickelt wird.
Stationszugänge über eine Woche
Folgende Visualisierung ist auf den ersten Blick etwas schwer zu begreifen und genau deswegen so klasse. Sie zeigt die Zahl der durchschnittlichen Zugänge jeder Underground, Overground und Docklands Light Rail Station einer ganzen Woche. Als Zeiteinheit wurde ein 10-Minuten-Intervall gewählt. In Theorie zeigt die folgende Grafik also 300 * 7 * 24 * 6 = 43.200 Datenpunkte. Alle Stationen sind nach den Linien eingefärbt, die sie anfahren. Alle Haltestellen, die von mehreren Linien angefahren werden, erscheinen mehrfach. Während der Rushhour betreten mehr als 8.000 Menschen innerhalb von zehn Minuten einige ausgewählte Stationen!
Stationszugänge einer Woche aller Londoner Underground, Overground und DLR-Stationen – Grafik: Jon Reades, UCL
Die Daten wurden von Transport for London bereitgestellt. Das Betreten jeder einzelnen Station mittels Oyster Card wurde gespeichert und für die Auswertung weitergegeben.
Es ist immer recht schwierig sich den Verkehr, der jeden Tag in, unter oder über einer Stadt fließt, vorzustellen. In einer Stadt wie London sind Hunderttausende Pkw, Fahrräder, Fußgänger, der ÖPNV mit seinen Bussen, Straßenbahnen und U-Bahnen, die Eisenbahn und weitere Verkehrsarten 24 Stunden am Tag unterwegs. Hinzu kommen Flugzeuge, welche die Stadt überfliegen oder die nahe gelegenen Flughäfen Heathrow, Stansted, Gatwick oder London-City ansteuern. Durch Open Data und Visualisierungstools ist es aber heutzutage recht einfach geworden große Verkehrsaufkommen zu visualisieren und einfach verständlich zu machen.
Luftraum über London
Der Luftraum über London ist sehr stark ausgelastet. Die folgende Visualisierung zeigt steigende (rot) und sinkende Flugzeuge (blau). Der vertikale Maßstab wurde um den Faktor 40 vergrößert. Die Daten stammen von flightradar24.com und radarvirtuel.com, die Visualisierung wurde von den Datenvisualisierungsexperten von ITO World erstellt.
Eine weitere Visualisierung des Luftverkehrs über London hat Robin Edwards erstellt. Er nutzte Responderdaten aller Flugzeuge, die innerhalb eines 4 Stunden Zeitraums in den Abendstunden einen der Londoner Flughäfen anflogen oder den Luftraum durchquerten.
Wege die mit dem Londoner Bikesharing-Angebot Barclays zurückgelegt wurden:
Im folgenden Video sind alle 17.761 Ausleihvorgänge des Barclays Bikesharing-Angebots am 29. April 2011 visualisiert worden. Für die Visualisierung wurden transparente Linien zwischen Start- und Endpunkt der Ausleihe gezogen. Bis man die ersten Wege erkennen kann, dauert es bis etwa 12:00 Uhr. Erst ab etwa 4.000 zurückgelegten Wegen lassen sich die Hauptrouten erkennen.
Wenn man die lokalen Gegebenheiten kennt, mag es etwas verwunderlich sein, dass in der City of London recht wenig Fahrräder ausgeliehen wurden und sich die Hauptrouten entlang des Hyde Parks erstrecken. Der 29. April 2011 war allerdings ein spezieller Tag, da die Hochzeit zwischen Prinz William und Kate statt fand und viele Menschen zum Hyde Park gefahren sind. Diese Visualisierung lässt sich sehr gut nutzen, wenn man zeigen will, wie Großveranstaltungen Verkehrsströme beeinflussen.
Ebenfalls interessant und keinesfalls alltäglich sind die Wege, die mit Bikesharing-Fahrrädern während des Streiks der U-Bahnfahrer in London zurücklegt wurden:
An normalen Tagen sind die Ausleihvorgänge etwas anders über die Stadt verteilt. Jo Wood, Professor für “visual analytics” an der London City University hat die Nutzung von Barclays Cycle Hire mit 570 Stationen und über 8.000 Fahrrädern über einen längeren Zeitraum beobachtet. Mehr als fünf Millionen Ortsveränderungen sind Grundlage für die Visualisierung:
Für die Darstellung wurden Start und Ziel jeder Ortsveränderung abgerufen und in Form eines Parabelschenkels animiert. Anfangs sehen die zurückgelegten Wege und das daraus entstandene Bild etwas chaotisch aus. AB Sekunde 45 wird das Bild etwas klarer, ab Minute Eins werden mehrere Hauptrichtungen erkennbar: Vom Hyde Park in Richtung Westen, von / nach Norden zu / von den Bahnhöfen St Pancras / Kings Cross und von der Waterloo Station in Richtung Osten.
Mit Hilfe von Visualisierungstools kann beispielsweise die Platzierung von Bikesharing-Stationen besser geplant werden. So fahren mehr Leute mit dem Fahrrad zum Bahnhof King’s Cross als von ihm weg. Bei der Waterloo Station ist es genau anders herum: Mehr Leute fahren zu Zielen in der Stadt als wieder zurück.
Die Attraktivität des ÖPNV hat eng mit der Reisezeit zusammen. Langsame Verbindungen mit niedriger Taktfrequenz und häufigen Umstiegen sind per se unattraktiv. Je schneller ein Verkehrssystem ist, desto attraktiver erscheint es.
Nun kann man die Qualität des öffentlichen Nahverkehrs nicht ausschließlich mit der Reisezeit messen. Diese ist aber dennoch ein wichtiger Faktor. Bei einem gut ausgebauten Nahverkehrsangebot kann man in einer gewissen Zeitspanne Ziele in einem gewissen Radius erreichen. Existiert nur ein rudimentäres und damit schlechteres ÖPNV-Angebot ist der Aktionsradius ungleich kleiner.
Stefan Wehrmeyer, der auch das großartige Portal FragDenStaat.de zum Stellen von Anfragen nach dem Informationsfreiheitsgesetz aufgebaut hat, hat mit Mapnificent eine Webseite geschaffen, mit der das Nahverkehrsangebot unterschiedlicher Städte weltweit bewertet werden kann.
Mapnificent zeigt, welchen Weg man in einer beliebigen Zeit mit dem ÖPNV zurücklegen kann. Dabei ist der Startpunkt ebenso wie der gewünschte Zeitraum frei in einer Stadt wählbar.
ÖPNV-affine Städte wie New York und London bieten dabei einen weitaus größeren Aktionsradius als Städte wie Miami oder Chicago.
Die notwendigen Daten stammen aus dem GTFS Data Exchange und werden mit Hilfe von Javascript und HTML 5 als Overlay über die Karten gelegt. GTFS ist ein Standard, der von Google definiert wurde und zur Anzeige von Daten öffentlicher Verkehrsunternehmen dient.
Die von den Verkehrsunternehmen zur Verfügung gestellten Daten umfassen alle Linien und die angefahrenen Haltestellen, die Fahrzeit zwischen zwei Haltestellen und die durchschnittliche Taktzeit jeder Linie zu jeder Tageszeit (Hauptverkehrszeit / Nebenverkehrszeit, u.a.)
Von jedem Startpunkt, der auf der Karte gesetzt wird, errechnet Magnificent alle erreichbaren Haltestellen und minimiert die Zugangszeit. Die Haltestelle mit der geringsten Zugangszeit wird als Starthaltestelle definiert. Aus Vereinfachungsgründen wird angenommen, dass keine Wartezeit bis zur Ankunft des ersten Verkehrsmittels an den Haltestellen existiert. Ansonsten wäre der Algorithmus und die benötigte Rechenkapazität zu groß bzw. zu komplex geworden. Die Übergangszeit zwischen zwei Verkehrsmitteln wurde aus Vereinfachungsgründen mit der Taktzeit / 3 angenommen.
Auch wenn die Daten und Berechnungen nicht einhundert Prozent akkurat sein sollten, ist Magnificent eine großartige Visualisierung des ÖPNV. Mit der Bereitstellung der entsprechenden Schnittstellen durch die Verkehrsunternehmen und bei ausreichend vorhandener Rechnerkapazität ließe sich mit den Daten noch einiges anstellen…
Infrastrukturprojekte zu planen und umzusetzen, dauert seine Zeit. Daher werden Artikel in diesem Blog ständig aktualisiert. Es lohnt sich also, bereits gelesene Artikel nochmals aufzurufen.
Die Inhalte dieses Blogs sind - soweit nicht anders angegeben - unter CC BY-SA 3.0 de lizensiert. Grafiken sind von dieser Lizenz aus Vereinfachungs- und Schutzgründen ausgenommen (Anwendung aufgrund der Verwendung von Grafiken / Bildern mit unterschiedlichen Lizenzen zu kompliziert) außer die CC-Lizenz ist ausdrücklich genannt.
Flugzeuge sind Grenzkosten mit Flügeln. Alfred E. Kahn (*1917), amerik. Wirtschaftswissenschaftler u. Politiker
About
In diesem Blog möchten wir die Strategien für die Mobilität von morgen skizzieren, informieren und diskutieren. Wir möchten uns mit diversen Problemen unserer Zeit beschäftigen und dabei alle Verkehrsträger im Blick behalten. Dieser Blog soll dabei helfen, die Herausforderungen von morgen ein wenig mehr ins Bewusstsein zu rücken, Alternativen und mögliche Lösungsansätze vorzustellen und umfassend zu informieren:
