Das Ziel des ATMo2-Forschungsprojekts ist es, die Wirksamkeit kostengünstiger Anreize auf die Bereitschaft von Reisenden zu untersuchen, vom motorisierten Individualverkehr auf umweltfreundlichere Transportoptionen umzusteigen. Zu diesem Zweck entwickelt das Projekt eine mobile App, die die täglichen Fahrten ihrer Nutzer verfolgt und nachhaltige Alternativen vorschlägt. Um diese App-Funktion datenschutzfreundlich zu realisieren, muss die App sowohl das Tracking als auch die Identifizierung der Transportmodi auf dem mobilen Gerät jedes Nutzers durchführen können.
In der bevorstehenden Präsentation des Projektpartners Networked Embedded Systems (NES) beim Wissenschaftsforum Mobilität und der dazugehörigen Veröffentlichung beschreiben und bewerten wir maschinelle Lernmodelle, die für eine solche geräteinterne Klassifizierung der Transportmodi verwendet werden können. Als Grundlage für die Konstruktion und Bewertung der Modelle nutzen wir einen Datensatz, der GPS-Spuren von mehreren tausend Fahrten enthält. Die Bewertung zeigt, dass es möglich ist, einen robusten geräteinternen Klassifikator zu erstellen, der den Anforderungen von ATMo2 gerecht wird, obwohl einige Modi schwerer zu unterscheiden sind.
(Bildquelle: Classification icons created by Fajrul Fitrianto – Flaticon)