Machine Learning – Was ist das?
Verfahren des Maschinellen Lernens als Untermenge der Künstlichen Intelligenz beruhen auf Algorithmen, die mit Trainingsdaten Erfahrungen sammeln und damit Wissen generieren, das auf unbekannte Daten angewandt werden kann. Im maschinellen Sehen (Computer Vision) gibt es dazu Ansätze seit den späten 1960er Jahren (Papert 1966). Durch die Entwicklung neuer Algorithmen und der Abarbeitung von Programmteilen auf modernen Grafikprozessoren (General Purpose Computation on Graphics Processing Unit) sind solche Systeme heutzutage in der Lage, auf mobilen Einplatinencomputern mit geringem Strombedarf hochauflösende Videodaten in Echtzeit zu analysieren (Redmon et al. 2016). Damit entfällt die ressourcenintensive Speicherung und Übertragung der Daten. Gespeichert werden nur anonymisierte Metadaten, datenschutzrechtliche Aspekte treten dadurch weitestgehend in den Hintergrund. Aus den Informationen zu den Objekten und ihrer Lage im Raum können konkrete Szenarien generiert werden, die wiederum auf logische und funktionelle Szenarien zurückgeführt werden können. Das standardisierte Austauschformat OpenSCENARIO (Amid 2018) gewährleistet eine hohe Übertragbarkeit der gewonnenen Szenarien
Einsatz des Machine Learnings in Cape Reviso
Um eine bessere Analyse der Unfälle und Gefahrensituationen mit Beteiligung von Radfahrenden und zu Fuß Gehenden zu erwirken, ist ein System entwickelt worden, welches die Analyse der Verkehrssituation vor Ort in Langzeituntersuchungen automatisch durchführt. Mithilfe von stationären Kamerasytemen wird an bestimmten (Beinahe-) Unfall-Hotspots eine Langzeiterfassung von Videodaten durchgeführt, um der Frage nachzugehen, an welchen Stellen, zu welcher Uhrzeit und wie häufig es zu Konflikten, gefährlichen Situationen oder sogar Unfällen kommt.
Dieses Erfassungssystem erhebt anonymisierte Metadaten des Verkehrs wie die Fortbewegungsart und Art der Verkehrsteilnehmer*innen (Fahrradtypus, Fußgänger*in, E-Roller, Rollstuhl, Person mit Kinderwagen, etc.), Geschwindigkeit, Beschleunigung bzw. Bremsrate, Trajektorie und den Abstand zu anderen Verkehrsteilnehmern. Der Vorteil dieser Methode besteht darin, dass keine Videoaufnahmen oder personalisierte Daten gespeichert werden, sondern nur Metadaten die datenschutzrechtlich unbedenklich sind. Ein weiterer Vorteil dieser Methode liegt darin, dass über einen langen Zeitraum empirische Daten erhoben werden können, ohne Probanden zu benötigen.
Besonders konfliktträchtige Orte können bereits bei einer Beobachtung von wenigen Tagen (Werktag und Wochenende) erste Erkenntnisse erlauben. Ein vollständigeres Bild ergibt sich bei einer Erfassung eines ganzen Jahres. Dann können Effekte wie unterschiedliche Witterung (Regen, Schnee, Glätte), die Koinzidenz von Dämmerung oder Dunkelheit mit den Hauptverkehrszeiten, die Änderung im Modalsplit im Jahresverlauf und weitere jahreszeitliche Phänomene untersucht werden.