Nov 08









Real Time Rome



























































Copenhagen Wheel






















































Floating Car Data

Nach der Klärung der technischen Komponenten und deren Eigenschaften für das „Sensing“ hinsichtlich des Einsatzes im Geoweb muss erwähnt werden, dass der potenzielle Mehrwert von Sensoren erst dadurch gegeben ist, sofern die Sensoren in der Raum-Zeit-Dualität anwendbar sind. Das heißt, Sensoren sollten mobil sein und ihre Bewegung und Beschleunigung aufzeichnen können. Zusätzlich sollten auch der zeitliche Verlauf und der örtliche Kontext archivierbar sein. Einige Beispiele werden hier im Folgenden vorgestellt.

Das Projekt „Real Time Rome“ des MIT SENSEable City Lab war ein Beitrag zur Biennale in Venedig im Jahre 2006. Während der Projektdauer wurden Logfiles aus den Cell-Ids der Mobiltelefone, Bewegungsdaten aus Bussen und Taxen innerhalb der Stadt aggreigiert, um die urbane Dynamik in Echtzeit zu visualisieren und so die Stadt im Endeffekt besser verstehen zu können [Calabrese Ratti 2006:247]. Dabei wurden folgende standortbezogene Daten benutzt:

  • Mobilfunkbenutzer der Telecom Italia zur Ermittlung der Dichte der Fußgänger
  • Aufenthaltsort der öffentlichen Busse des lokalen Verkehrsunternehmens Atac und
  • Aufenthaltsort der durch die Taxizentrale Samarcanda organisierten Taxis
  • Verkehrslärm (durch statische Sensoren)
  • Dichte der Touristen (Anmelden ausländischer Handys an den Funkzellen)
  • Dichte der Fußgänger (Handynutzer mit geringer Geschwindigkeit)
  • Höhe des Telekommunikationsaufkommen

So konnten die „Muster des täglichen Lebens“ der Stadt Rom sichtbar gemacht werden [Calabrese Ratti 2006:248]. Anders ausgedrückt, können diese Daten auch dem „den Puls der Stadt“ darstellen. Methodisch wurden die gesammelten Mobilitätsdaten der Menschen anhand ihrer Handynutzung interpoliert, und synchron mit dem Fluss des ÖPNV’s und der Fahrzeugdaten innerhalb der Stadt visualisiert. Die Karten sollen laut Entwickler den Bürgern der Stadt helfen, die Funktionsweise ihrer Stadt zu verstehen. Zusätzlich zeigt das Experiment auch, welche (temporären) Nachbarschaften im Laufe eines Tages entstehen und wie die Dichte von Menschen aus unterschiedlichen sozialen Gruppen innerhalb der Stadt miteinander agieren [Calabrese Ratti 2006:249].

Abbildung 6: Visualisierungen aus dem Real Time Rome Projekt des MIT SENSEable City Lab: (1) zeigt die Integration aus verschiedenen Datenquellen wie Raster-Bildern, GIS-Daten und Echtzeitdaten. (2) visualisiert die durchschnittliche Anzahl der Handy-Nutzer im Stadtgefüge von Rom, kurz bevor das Madonna Konzert im Olympiastadion am 6.8.2006 startet. (3) zeigt die Konzentration von Handynutzern in einem untersuchten Quadraten in Rom, während (4) die Geschwindigkeit der Nutzer visualisiert [Eigene Darstellung, unter Verwendung der Daten des MIT SENSEable City Labs 2006]

ÖPNV-Anbieter können mithilfe dieser Technik bessere Angebote für die Routenplanung und damit eine Verbesserung der Dienstleistung an ihren Kunden erzielen. Gleichzeitig können auch Fußgänger besser aus einem Portfolio der Beförderungsmöglichkeiten wählen, da sie auch direkt die Schwierigkeiten des gewählten Verkehrssystem beobachten können. Laut Entwickler sollen solche Projekt dazu beitragen, die Ineffizienz heutiger urbaner Systeme zu verringern und gleichzeitig den Weg für eine nachhaltigere urbane Zukunft ebnen [Calabrese Ratti 2006:258].

Anders als im Projekt „Real Time Rome“ beschriebenen aggregierten Datenbestand, bestehend aus Handynutzern und Verkehrsdienstleistern, befasst sich das „Copenhagen Wheel“ Projekt mit der direkten Sammlung von Umweltdaten innerhalb Kopenhagens. Während der Projektdauer wurden mithilfe von e-Bikes, die auf dem aus der Formel 1 bekannten Energierückgewinnungssystems KERS (Kinetic Energy Recovery System) basieren, Echtzeitinformationen mithilfe von crowd sourcing Methoden gewonnen [Outram Ratti Biederman 2010].

Das System besteht aus einem beweglichen Messfühler, dem Fahrrad, in das neben der Energierückgewinnung auch die Sensorik in Form GPS und Umweltsensoren integriert ist. Gemessen werden können dabei die Konzentration von CO, NOx, die Luft-feuchtigkeit, sowie Temperatur und Lärm (in dB). Alle Sensoren sind in der Radnabe verbaut. Im 2-Sekunden-Takt werden die Messergebnisse auf den Hub innerhalb der Nabe übertragen und mit der Positionsangabe per Bluetooth zum Smartphone gesendet wird. Das Smartphone wiederum überträgt die Daten dann zu einem Server. Anzumerken ist, dass die Stromversorgung des Smartphones über das fahrradeigene Stromnetzgewährleistet ist [Outram Ratti Biederman 2010:6].

Abbildung 7: Bilder des Copenhagen Wheel Projektes: Die Kommunikationsstruktur über das Smartphone (1) sowie die Möglichkeit, Daten wie CO und NOx-Belastung sowie Lärm, Verkehr, Nutzung und Freiräume innerhalb des Projektes in Echtzeit abzurufen (2). Weiterhin ist sichtbar, wie die NOx-Konzentration eines Radfahrers innerhalb der Stadt aufgenommen wurde (3). Durch crowdsourcing ermittelte Wärmeinseln innerhalb der Stadt Kopenhagen (4). [Eigene Darstellung, unter Verwendung von Screenshots des Youtube Kanals des MIT SENSEable City Lab 2011 sowie Copenhagen Wheel Project 2009]

Neben persönlichen Daten wie die gesammelten „Grünen Kilometer“ können auch die auf den Radfahrer unmittelbar eingewirkten Umwelteinflüsse auf dem Smartphone in Echtzeit abgerufen werden. Zusätzlich ist es möglich, die Daten der Community zu Verfügung zu stellen, um so Aussagen über Umweltbelastungen auf Stadtebene in Form von CO- und Nox-Konzentrationen zu erstellen,. Weiterhin können so städtische Wärmeinseln als auch Lärmbelastungsbereiche und Straßen mit einer hohen Ver-kehrskonzentration in Echtzeit ermittelt werden.

Im Gegensatz zu „Real Time Rome“, das als ein nachträgliches „Opportunistic Sensing“–Projekt angesehen werden muss, da keiner der User seine Daten direkt und persönlich zu Verfügung gestellt hat, ist dieses Projekt als gutes Beispiel für sowohl den Modus des „Participatory Sensings“ als auch des „Grassroot Sensings“ zu bewerten. Es zeigt auf eindrucksvolle Weise, wie mithilfe von crowdsourcing die Akteure innerhalb einer Stadt, die Stadt zu einem „Realtime Monitoring“ umwandeln.

Die Ausnutzung der Raum-Zeit-Dualität ist ein Kernpunkt von sogenannten Telema-tikdiensten. Für die Benutzer von Smartphones bieten diese Techniken vielfach einen persönlichen Mehrwert. Dazu bedienen sich die Telematikdienstanbieter der „Floating Car Data“ (FCD). „Floating Car“-Datensätze sind als Ergänzung zu stationären Ver-kehrsüberwachungssystemen entwickelt worden und zeichnen dabei Positionsdaten von im Verkehr “mitschwimmenden” Fahrzeugen auf. „Sie werden für die Ermittlung der Geschwindigkeit verwendet. Steht für solche Messungen eine hinreichend große Anzahl von FCD-Meldefahrzeugen zur Verfügung, können die Verkehrslage und die Fahrgeschwindigkeiten auf den einzelnen Straßenabschnitten sehr genau ermittelt werden“ [Wien 2011]. Bei vielen Projekten wurden zentral organisierte Dienste für die Ermittlung der FCD miteinbezogen, wie in Rom so auch in Wien die auf Stadtebene organisierten Taxifahrer, die so ein Netz von 2100 mobilen Sensoren verwirklichen konnten [Wien 2011].

Um Floating Car Data auch dem privaten Benutzer zu Verfügung zu stellen, hat zum Beispiel der ADAC den Stauscanner als App für Mobiltelefone entwickelt. Dabei fungiert das private Smartphone als Sensor für Floating Car Data. Die App versendet fakultativ anonym oder mit der persönlichen Staumeldernummer die jeweiligen individuellen Positions- und Geschwindigkeitsdaten. Diese Daten werden auf Google Maps Basis visualisiert. Bei Reduktion der Geschwindigkeit wird dies sowohl farblich als auch mithilfe eines Icons bei besonderen Ereignissen visualisiert.

Der Einsatz von Sensoren in der Raum-Zeit-Dualität ist ein sehr gutes Beispiel, wie sowohl das persönliche Interesse als auch das planerische Streben nach aus crowd-sourcing gesammelten Daten einen gesellschaftlichen Mehrwert besitzen können, sofern jeder User aktiv am Prozess des Sammelns beteiligt ist und vor allem auch darüber informiert worden ist.

Abbildung 8: Mit crowdsourcing ermittelte Floating Car Datensätze aus der ADAC Maps Apps. [Eigene Darstellung, unter Verwendung von PTV-Karten und ADAC Maps].

Tagged with:
preload preload preload