Präsentation der Ergebnisse des inter- und transdisziplinären Lehrprojektes Data-driven Solution for the Smart City Hamburg

25. Juli 2024, von Marten Borchers

Foto: UHH

Am 24. Juli fand die Abschlussveranstaltung im Praktikumsseminar "Data-driven Solutions for the Smart City Hamburg", das in Zusammenarbeit mit der Hamburger Hochbahn AG durchgeführt wurde, im Flügelbau West der Universität Hamburg statt.

Es war bereits das fünfte Mal, dass das Format gemeinsam mit der Hamburger Hochbahn AG durchgeführt wurde, mit dem Ziel Studierenden die praxisnahe Bearbeitung unterschiedlicher Anwendungsfälle durch und mit Methoden der künstlichen Intelligenz, Machine Learning und Data Science zu ermöglichen und gleichzeitig Innovationen zu fördern.

Insgesamt nahmen 16 Studierende aus sieben unterschiedlichen Studiengängen teil, die im Lehrprojekt in Gruppen von fünf bis sechs Personen Lösungen entwickelten, prototypisch implementierten und testeten. In diesem Semester wurde hierfür eng mit dem Bereich U-Bahn-Betrieb, vertreten durch Normen Wiegand, Martin Gedlek und Olaf Petermann, dem Fachbereich Mobility Data Analytics und Modellierung, vertreten durch Rebekka Rohdenburg, dem Bereich Marketing, vertreten durch Rainer Vierzigmann und dem Sachgebiet Verkehrswirtschaft, vertreten durch Mirko Ludewig zusammengearbeitet.

Die Gruppe der Studierenden mit Emil Baaske, Fabian Zarncke, Michael Hüppe, Michael Mutin, Thomas Klaasen und Marvin Müller untersuchte in Zusammenarbeit mit dem Bereich U-Bahn-Betrieb und dem Fachbereich Mobility Data Analytics und Modellierung, wie mithilfe von künstlicher Intelligenz bzw. Machine Learning eine Auslastungsvorhersage für den U-Bahnbetrieb zur Unterstützung der Einsatzplanung gestaltet und entwickelt werden kann. Hierfür wurden unterschiedliche Daten aus dem U- Bahnbetrieb herangezogen und mit Wetter-, Kalender- und Veranstaltungsdaten, die über verschiedene APIs abgerufen wurden, ergänzt und aufbereitet. Mit diesen wurden anschließend mehrere Regressionsmodelle trainiert, um das Personenaufkommen für ausgewählte U-Bahn-Stationen zu bestimmen und mit dem U-Bahnfahrplan abzugleichen, um herauszufinden, ob die vorhandene Kapazität den Bedarf deckt. Für die Darstellung der Ergebnisse bietet der Prototyp zudem auch vielversprechende Visualisierungsmöglichkeiten und statistische Analysen an, die farblich in einer Karte und unterschiedlichen Diagrammen festgehalten werden.

In Kooperation mit dem Bereich Marketing, Referat Marktforschung untersuchten Regina Sheykhet, Adrian Wagner, Marvin Taube, Lennart-Raabe-Tausche und Jannik Armbrecht, wie die Auswertung von Marktforschungsdaten automatisiert werden kann. Hierfür wurde ein exemplarischer Datensatz von der Hamburger Hochbahn AG bereitgestellt und ein webbasierter Prototyp entwickelt. Dieser ermöglicht es, mithilfe eines des Large Language Models, automatisiert unterschiedliche Analysen durchzuführen und Ergebnisse zu visualisieren. Da dies einen Prompt-basierten Ansatz folgt und die Eingangsdateien dem CSV-Format entsprechen, ist es zudem möglich, Daten und Analysen schnell und einfach anzupassen und zu erweitern. Der Prototyp als auch die Evaluation verdeutlichen das Potenzial für künstliche Intelligenz in der Marktforschung und vergleichbare Domänen.

Die dritte Gruppe von Studierenden mit Zeinab Emari, Johannes Wegener, Christoph Horlebein, Pascal Abotsitse und Joris Gutjahr konzentrierte sich gemeinsam mit dem Sachgebiet Verkehrswirtschaft auf das Training von Machine Learning Modellen für die Auslastungsvorhersage von Bussen. Ziel dabei war es, zu prüfen, ob und mit welchen Daten und Informationen Machine Learning Modelle das Personenaufkommen abstrahieren und mehrere Stunden in die Zukunft vorhersagen können. Hierfür wurden betriebliche Daten, Veranstaltungsdaten und insbesondere auch frei verfügbare Daten aus OpenStreetMap und Wetterdatenbanken genutzt. Die Analysen und Evaluationen der trainierten Machine Learning Modelle zeigen, dass eine Vorhersage der Auslastung grundsätzlich möglich, aber von einer Vielzahl von Faktoren abhängig ist. Diese sind teils schwer zu greifen und nicht immer liegen Daten vor oder erfüllen die qualitativen Anforderungen.

Chikaodi Uba, Jan Krause, Eva Bittner und ich (Marten Borchers) freuen uns über das erfolgreiche Lehrprojekt und den gelungenen Abschluss. Es war beeindruckend, wie schnell, vielfältig und experimentierfreudig an den Anwendungsfällen gearbeitet wurde. Ein besonderer Dank geht an dieser Stelle an Jan Krause, der aufseiten der Hamburger Hochbahn AG diese Kooperation aufgebaut hat und mit uns weiterentwickelt. Zudem bedanken wir uns auch bei allen Studierenden und Vertreterinnen und Vertretern der Hamburger Hochbahn, die am Lehrprojekt teilgenommen haben und dies unterstützen.

Wir freuen uns auf die weitere Zusammenarbeit und das nächste Semester!