SharedMobility.ai

Wir möchten geteilte Mobilitätsangebote in urbanen Räumen langfristig attraktiv gestalten, in dem wir Frust beim Entleihen oder der Rückgabe verhindern und so kürzere Wege in der Stadt optimieren. SharedMobility.ai sammelt hierfür Auslastungsdaten von stationsbasierten Verleihsystemen, z.B. Citybike Wien. Diese Daten werden in sogenannte Datasets aufbereitet, die denormalisierte Eingangsdaten für maschinelles Lernen bilden. Mit diesen Daten berechnen wir unterschiedlichste Vorhersagemodelle mit TensorFlow – für jede einzelne Citybike-Station in Wien. In Summe haben wir so an die 500 Vorhersagemodelle während der netidee-Projektphase berechnet und anschließend validiert.

Wer sind wir? Wir nutzen allesamt Bike-Sharing und sind immer wieder über fehlende Leihräder und bumvolle Boxen verärgert, die uns am eigentlichen Ziel zu einem unnötigen Umweg zwingen. Stattdessen haben wir uns gedacht: Schon beim Ausleihen sollte man wissen, wo ein Rad verfügbar und anschließend abstellbar ist.

Für wen ist es? Bike-Sharing-NutzerInnen via moderner Web-App. Bike-Sharing-Anbieter (Citybike, SeestadtFLOTTE, etc.) für die Stations-Touchscreens und für Forecasts. Mobilitäts-Apps (Seestadt.bot, ev. Wien Mobil, etc.) als sinnvolle Integration ins eigene System.

Was ist es? BikeSharing.ai liefert eine intelligente Vorhersage, ob zu einem gegebenen Zeitpunkt eine Verleihstation genügend freie Räder zum Ausborgen bzw. unbelegte Boxen für eine Rückgabe aufweisen wird. Diese Vorhersagen basieren auf historischen Daten und Echtzeitdaten.

Wie funktioniert es? Stationsdaten werden laufend gesammelt und in eine Datenbank gesichert. Diese Daten werden in ein einheitliches Format überführt. SharedMobility.ai analysiert diese Daten und kombiniert sie mit anderen offenen Daten. Wir stellen eine REST-Schnittstelle für Drittanbieter-Apps und Mobilitätsanbieter zur Verfügung. Wer selbst die Vorhersagen testen will, kann dies unter https://app.SharedMobility.ai tun.