SharedMobility.ai Logo
SharedMobility.ai
verhindert enttäuschte NutzerInnen vor vollen Rückgabeboxen oder leeren Verleihstationen

SharedMobility.ai

Förderjahr 2018 / Project Call #13 / ProjectID: 3881

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.

Themengebiet

Künstliche Intelligenz /AI / Machine Learning
,
Mobilität
,
Offene Daten, Transparenz, Informationsfreiheit

Zielgruppe

KMU
,
Öffentliche Hand
,
Start-ups

Gesamtklassifikation

B2B
,
Cloud Service

Technologie

AI | KI
,
Javascript
,
Open Data

verwendete Open Source SW

node.js
,
Python
,
TensorFlow
,
RingoJS
,
Express

Lizenz

AGPL 3.0
,
CC-BY-SA

Projektergebnisse

Endbericht CC-BY-SA

Vollständiger Projektendbericht mit Ausblick.

Summary CC-BY-SA

Kurzbeschreibung und Überblick

Zwischenbericht CC-BY-SA

Zwischenbericht mit dem aktuellen Fortschritt.

Entwicklerdoku CC-BY-SA

Dokumentation der Komponenten und Informationen zu allen Veröffentlichungen.

Veröffentlichung CC-BY-SA

Überblick über alle Veröffentlichungen.

Code AGPL 3.0

Enthält den ausführbaren Code um Forecasts zu generieren und die TensorFlow-Code für Node.js.

Code CC-BY-SA

Ausführbare Modelle über die TensorFlow-API.

Datensammlung CC-BY-SA

TensorFlow-Datasets

App AGPL 3.0

Citybike Demo-App

Veröffentlichung CC-BY-SA

Kostenfreies Bildmaterial zu Shared Mobility

Blogbeiträge

Datenschutzinformation
Der datenschutzrechtliche Verantwortliche (Internet Privatstiftung Austria - Internet Foundation Austria, Österreich) würde gerne mit folgenden Diensten Ihre personenbezogenen Daten verarbeiten. Dies ist für die Nutzung der Website nicht notwendig, ermöglicht aber eine noch engere Interaktion mit Ihnen. Falls gewünscht, treffen Sie bitte eine Auswahl: