Data4UrbanMobility - Datenbasierte Mobilitätdienstleistungen für die Stadt der Zukunft

Das Projekt: Data4UrbanMobility

Data4UrbanMobility entwickelt anwendungsgetriebene Werkzeuge, die einen ereignisbasierten Überblick über Mobilitätsinformationen liefern und die effiziente Planung, Entwicklung, Durchführung und Nutzung von innovativen Mobilitätsdienstleistungen ermöglichen und so städtische Verwaltungen, Dienstleistungsanbieter und Bürgerinnen und Bürger als Endnutzer unterstützen. Basierend auf umfassenden regionalen und historischen Daten werden Methoden aus Informationsextraktion und -integration bzw. des maschinellen Lernens eingesetzt, um fundierte Modelle und Prognosen von Verkehrsverhalten und -entwicklung zu ermöglichen. So entstehen speziell adaptierte Datenanalyse und -aufbereitungswerkzeuge, die in einer Plattform zusammengeführt werden. Diese wird innovative Routen- und Verkehrsplanungsservices zur Verfügung gestellt, die zukunftsgerechte Gestaltung und Planung von Infrastrukturen und die Planung von Mobilitätsdienstleistungen sowohl für den ÖPNV als auch den Individualverkehr ermöglichen.

Forschungsziele

Data4UrbanMobility zielt darauf ab, anwendungsgetriebene Methoden und Werkzeuge zu entwickeln, die, integriert in eine Plattform mit angepassten Schnittstellen für die unterschiedlichen NutzerInnengruppen, einen ereignisbasierten Überblick über aktuelle und retrospektive Mobilitätsinformationen der Stadt liefert und so die effiziente Planung, Entwicklung, Durchführung und Nutzung von Dienstleistungen ermöglicht. Hierbei entstehen sowohl (a) neuartige Dienstleistungen und Anwendungen als auch (b) Methoden zur Integration und Analyse von großen heterogenen Datenmengen im Kontext von Mobilitätsdienstleistungen und (c) neuartige Datenquellen, die auch DrittnutzerInnen im Mobilitätssektor zur Verfügung gestellt werden, um so etwa robustere Infrastrukturplanung vorantreiben zu können. Effiziente BürgerInnenbeteiligung und Ko-Kreation von Dienstleistungen wird durch innovative Crowdsourcing- und Web Mining-Ansätze ermöglicht. Gesamtziel ist es, durch eine fundierte Datenbasis und adäquate, robuste und zielgruppengerechte Analysewerkzeuge allen StakeholderInnen Unterstützung bei mobilitätsrelevanten Entscheidungen zu bieten und so sowohl Dienstleistungen besser planen, durchführen und nutzen zu können als auch Dienstleistungsinnovationen zu ermöglichen. Zentrale Aufgaben sind hier die Sammlung, Archivierung, Integration und Analyse von relevanten Daten, die eine ganzheitliche Betrachtung von verkehrsrelevanten Aspekten und Einflussgrößen ermöglichen. Pilotinitiativen in Hannover und Wolfsburg stehen exemplarisch im Zentrum des Projekts, wobei die Übertragbarkeit der Projektergebnisse auf andere Städte im Rahmen der Transferprojekte in der Projektendphase validiert wird.

Publikationen

• Tempelmeier, Nicolas; Rietz, Yannick; Lishchuk, Iryna; Kruegel, Tina; Mumm, Olaf; Carlow, Vanessa Miriam; Dietze, Stefan; Demidova, Elena
  Data4UrbanMobility: Towards Holistic Data Analytics for Mobility Applications in Urban Regions, 2019.
• Gottschalk, Simon; Demidova, Elena
  EventKG - the Hub of Event Knowledge on the Web - and Biographical Timeline Generation, 2019.
• Gossen, Gerhard; Risse, Thomas; Demidova, Elena
  Towards extracting event-centric collections from Web archives, 2018.
• Feuerhake, U.; Wage, O.; Sester, M.; Tempelmeier, N.; Nejdl, W.; Demidova, E.
  Identification of Similarities and Prediction of Unknown Features in an Urban Street Network, 2018.
• Koesten, Laura; Demidova, Elena; Savenkov, Vadim; Breslin, John G.; Corcho, Óscar; Dietze, Stefan; Simperl, Elena
  PROFILES & DATA: SEARCH International Workshop on Profiling and Searching Data on the Web Chairs' Welcome & Organization, 2018.
• Gottschalk, Simon; Demidova, Elena
  EventKG+TL: Creating Cross-Lingual Timelines from an Event-Centric Knowledge Graph, 2018.
• Gossen, Gerhard; Risse, Thomas; Demidova, Elena
  Towards Extracting Event-Centric Collections from Web Archives, 2018.
• Gottschalk, Simon; Demidova, Elena
  EventKG: A Multilingual Event-Centric Temporal Knowledge Graph, in Lecture Notes in Computer Science, 2018, S. 272-287.
• Tempelmeier, Nicolas; Demidova, Elena; Dietze, Stefan
  Inferring Missing Categorical Information in Noisy and Sparse Web Markup, 2018.
• Ben Ellefi, Mohamed; Bellahsene, Zohra; John, Breslin; Demidova, Elena; Dietze, Stefan; Szymanski, Julian; Todorov, Konstantin
  RDF Dataset Profiling - a Survey of Features, Methods, Vocabularies and Applications, 2018.
• Endris, Kemele M.; Giménez-García, José M.; Thakkar, Harsh; Demidova, Elena; Zimmermann, Antoine; Lange, Christoph; Simperl, Elena
  Dataset Reuse: An Analysis of References in Community Discussions, Publications and Data, 2017.
• Gossen, Gerhard; Demidova, Elena; Risse, Thomas
  Extracting Event-Centric Document Collections from Large-Scale Web Archives, in Lecture Notes in Computer Science, 2017, (Vol. 10450), S. 116-127.
• Elsahar, Hady; Demidova, Elena; Gottschalk, Simon; Gravier, Christophe; Laforest, Frederique
  Unsupervised Open Relation Extraction, 2017, (Vol. Lecture Notes in Computer Science (LNCS), vol 10577.).
• Gottschalk, Simon; Demidova, Elena; Bernacchi, Viola; Rogers, Richard
  Ongoing Events in Wikipedia: A Cross-lingual Case Study, 2017.
• Demidova, Elena; Tempelmeier, Nicolas; Dietze, Stefan; Koch, Maren
  Data4UrbanMobility: Data-Driven Mobility Services for Smart Cities, 2017.