Wo parken?

Ein deutscher PKW-Nutzer verbringt im Jahr durchschnittlich 41 Stunden mit der Suche nach einem Parkplatz, Tendenz durch den kontinuierlich zunehmenden Grad der Urbanisierung steigend. Die Vorhersage von Parkhausbelegungen im Kontext von Smart Cities ist Gegenstand aktueller Forschung am Institut für Raumbezogene Informations- und Messtechnik i3mainz. Alexander Rolwes, wissenschaftlicher Mitarbeiter am i3mainz, stellte anlässlich des 8. Deutschen Geoforums 2020 Ende November 2020 eine im Rahmen des Projekts BAM entwickelte intuitive Informationsplattform in Form eines Dashboards vor. Ein Dashboard ist eine grafische Benutzeroberfläche, die der Visualisierung von großen Datenmengen dient. Von intuitiv spricht man in diesem Zusammenhang, wenn die grafische Umsetzung bekannten Regeln folgt, was die Anordnung von Elementen oder die Darstellung von Schriften, Formen und Farben betrifft. Der State of the Art wird durch Use- Guidelines wie Google Material Design geprägt.

Größere Transparenz In dem hier vorgestellt Forschungsvorhaben wird ein Dashboard für Parkplatzsuchende entwickelt, welches eine Machine Learning-basierte Vorhersage der Belegung von Parkhäusern unter Berücksichtigung unterschiedlicher Einflussfaktoren zusammenfasst. Dazu zählen etwa das Wetter, Wochen- und Feiertage, aber auch räumliche Einflussfaktoren wie benachbarte Parkmöglichkeiten. Zeitlich flexible Kurzzeitparker erhalten dadurch die Möglichkeit, ihre Fahrten und die Auswahl des Parkhauses so zu planen, dass Parkhauskapazitäten vorhanden sind. Die Herausforderung besteht dabei in der intuitiven Darstellung der vorhergesagten Auslastung, in der Visualisierung von Vorhersageunsicherheiten und in der Schaffung von Transparenz und Vertrauen gegenüber den Anwendenden. Letzteres tritt besonders in den Fokus, da die Ergebnisse von Machine Learning-Algorithmen ohne Erklärungen für den Anwender wie eine Black-Box wirken können. Die Ergebnisse zeigen ein auf die Bedürfnisse des Endanwenders optimiertes Smart City-Dashboard, welches nach dem Visualisierungsmantra „overview first, […] details on demand” konzipiert ist und durch Erklärungen eine größere Transparenz sowie höheres Vertrauen in Machine Learning-Ergebnisse schafft.