{"id":1152,"date":"2024-08-28T11:55:03","date_gmt":"2024-08-28T11:55:03","guid":{"rendered":"https:\/\/teralytics.net\/?p=1152"},"modified":"2024-11-11T18:09:55","modified_gmt":"2024-11-11T18:09:55","slug":"wie-valide-ist-die-verkehrsmittelerkennung-aus-mobilfunkdaten-eigentlich","status":"publish","type":"post","link":"https:\/\/teralytics.net\/de\/wie-valide-ist-die-verkehrsmittelerkennung-aus-mobilfunkdaten-eigentlich\/","title":{"rendered":"Wie valide ist die Verkehrsmittel­erkennung aus Mobilfunkdaten eigentlich?"},"content":{"rendered":"

Im Juni haben wir unsere neuen Produkte, Matrix mit Verkehrsmittelerkennung<\/strong> und Flow<\/strong>, erstmals vorgestellt. Matrix<\/strong> liefert monatlich aktualisierte, r\u00e4umlich fein aufgel\u00f6ste Quelle-Ziel-Matrizen, nun auch mit Verkehrsmittelunterscheidung. Flow <\/strong>liefert f\u00fcr jede \u00d6PNV\/SPNV-Linie und jede einzelne Fahrt Reisezahlen und Routenwahl zwischen allen Haltestellen.
\nEine h\u00e4ufig gestellte Frage in diesem Zusammenhang lautet: Wie verl\u00e4sslich ist unsere Verkehrsmittelerkennung?\u00a0<\/em>
\n<\/p>\n

\u00dcbereinstimmung mit Mobilit\u00e4t in Deutschland (MiD)<\/h2>\n

Am Beispiel Frankfurt am Main betrachtet, liegt unsere Verkehrsmittelerkennung innerhalb von 3 Prozentpunkten der (MiD)-Werte<\/strong> f\u00fcr Metropolen. Auch die Verteilung der Distanzklassen f\u00fcr \u00d6PNV und MIV stimmen gut mit der MiD \u00fcberein<\/strong>. Diese Genauigkeit hilft zum Beispiel bei der regelm\u00e4\u00dfigen \u00dcberwachung der \u00d6PNV \/ MIV Marktanteile.<\/p>\n

<\/div>\n

Zus\u00e4tzlich zu der Qualit\u00e4tspr\u00fcfung der Verkehrsmittelunterscheidung \u00fcberpr\u00fcfen wir auch fortlaufend die Qualit\u00e4t der Erkennung aller Reisen. Dabei zeigt sich, dass zB die Reisen pro Person pro Tag gut mit den MiD Werten f\u00fcr jeden Raumtyp \u00fcbereinstimmen.<\/p>\n

<\/p>\n

Kalibriert mit AFZS<\/h1>\n

Eine wichtige Funktion von Matrix und Flow ist die Kalibrierung der \u00d6PNV-Reisezahlen mit Daten aus automatischen Fahrgastz\u00e4hlsystemen (AFZS)<\/strong>, um insbesondere auf Linien- und Stations-Sch\u00e4rfe eine hohe Genauigkeit sicher zu stellen.<\/p>\n

Nach Kalibrierung mit AFZS-Daten gibt es eine sehr gute \u00dcbereinstimmung der Tagesganglinien<\/strong> f\u00fcr jede Station, wie die Anzahl der Ein- und Aussteiger pro Stunde nach AFZS im Vergleich zu unseren Mobilfunkdaten f\u00fcr ausgew\u00e4hlte Bahnh\u00f6fe zeigt.<\/p>\n

<\/div>\n

Die Daten in Flow sind f\u00fcr jede Fahrt an jedem Tag<\/strong> verf\u00fcgbar und k\u00f6nnen L\u00fccken, die durch den variierenden Ausstattungsgrad mit AFZS entstehen, schlie\u00dfen<\/strong> sowie die Reiseketten durch das Liniennetz von der Start- \u00fcber Umsteige- zur Ziel-Station aufzeigen.<\/p>\n

So kombinieren Matrix und Flow die besten Eigenschaften der Mobilfunkdaten (zeitlich und r\u00e4umlich l\u00fcckenloser Abdeckung aus gro\u00dfer, stabiler Stichprobe \u00fcber alle Verkehrsmittel hinweg) mit der Genauigkeit von AFZS-Daten.<\/p>\n

Die gute \u00dcbereinstimmung der Tagesganglinie gilt nicht nur f\u00fcr diese beiden ausgew\u00e4hlten Haltestellen, sondern f\u00fcr die Mehrzahl der Haltestellen. Zur Quantifizierung der \u00dcbereinstimmung werden die Kennzahlen GEH und Koinzidenzverh\u00e4ltnis verwendet. F\u00fcr st\u00fcndliche Verkehrsst\u00e4rken sind nach Literaturangaben<\/a> GEH-Werte kleiner als 5 und Koinzidenzverh\u00e4ltnisse gr\u00f6\u00dfer als 0,7 als gut anzusehen. F\u00fcr die Haltestellen der Stra\u00dfenbahn und U-Bahn in Frankfurt ergibt sich folgende Verteilung dieser Gr\u00f6\u00dfen.<\/p>\n

<\/div>\n
<\/div>\n

Stabilit\u00e4t \u00fcber die Zeit<\/h1>\n

Die Hochrechnungsfaktoren f\u00fcr die Mobilfunkdaten werden jeden Monat auf f\u00fcnfstelligen Postleitzahl-Gebieten neu berechnet, was Analysen \u00fcber eine l\u00e4ngere Zeit, vor\/nach der Pandemie sowie von Auswirkungen der 9 EUR und Deutschland-Tickets erm\u00f6glicht. Matrix ist deshalb auch gut<\/strong> f\u00fcr die Kalibrierung von Verkehrsmodellen geeignet.<\/strong> In unserem Mobilit\u00e4tsindex<\/a> k\u00f6nnen Sie die Entwicklung der Gesamtmobilit\u00e4t im Vergleich zu 2019 selbst \u00fcberpr\u00fcfen. Unten vergleichen wir die Ver\u00e4nderungsrate der Mobilit\u00e4t (Quelle<\/a>) zwischen 2019 und 2022 und sehen, dass die Mobilit\u00e4tsdaten auch \u00fcber diesen langen Zeitraum in der richtigen Gr\u00f6\u00dfenordnung liegen.<\/p>\n