2018 | OriginalPaper | Buchkapitel
Prognose von Parkplatzdaten
verfasst von : Marcel Altendeitering, Christoph Pflügler, Maximilian Schreieck, Sven Fröhlich, Manuel Wiesche, Helmut Krcmar
Erschienen in: Management digitaler Plattformen
Verlag: Springer Fachmedien Wiesbaden
Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.
Wählen Sie Textabschnitte aus um mit Künstlicher Intelligenz passenden Patente zu finden. powered by
Markieren Sie Textabschnitte, um KI-gestützt weitere passende Inhalte zu finden. powered by
Die Suche nach freien Parkplätzen am Straßenrand ist aufwändig und verursacht einen signifikanten Teil des innerstädtischen Verkehrs. Existierende Lösungsansätze haben einige Nachteile, da sie zum Beispiel mit hohen Kosten verbunden sind oder eine aktive Nutzerbasis voraussetzen. Dieses Kapitel befasst sich mit der Vorhersage von freien Parkplätzen basierend auf öffentlich zugänglichen Daten, auf die kosteneffizient zugegriffen werden kann. Geeignete Datenkategorien werden basierend auf einer Literaturstudie identifiziert. Anschließend wird ein solcher Service beispielhaft mittels eines neuronalen Netzes umgesetzt. Die Relevanz der einzelnen Datenkategorien wird basierend auf 2779 Datensätzen evaluiert. Die Ergebnisse zeigen, dass Informationen zu Wochentag, Standort, Temperatur und Uhrzeit die Vorhersage stark verbessern, wohingegen Informationen zu Events, Verkehr, Feiertagen und Regenmenge nur von untergeordneter Wichtigkeit sind. Dieses Kapitel kategorisiert bestehende Lösungen zur Unterstützung der Parkplatzsuche und zeigt, dass einfach zugängliche Daten ausreichen, um mithilfe eines Service die Verfügbarkeit von Parkmöglichkeiten vorherzusagen.The search for curb-side parking spaces is a time-consuming effort and responsible for a significant part of urban traffic. Existing solutions have several disadvantages as they are for example costly to operate or do require an active user base. This chapter deals with the prediction of free parking spaces using publicly available data sources that can be accessed in a cost-efficient way. Suitable categories of data sources are identified by performing a literature-research. Subsequently, an exemplary service based on an artificial neural network is developed. The particular relevance of each category of data sources is evaluated using a training data set with 2779 entries. Results show that weekday, location, temperature and time are improving the prediction result, while events, traffic, public holidays and the amount of rainfall have little influence on the prediction model. This chapter furthermore categorizes existing solutions and shows that easily accessible data sources are sufficient to predict the availability of curb-side parking spaces.