2. Gründe für Parksuche und der Begriff „Parkdruck“ Die Gründe für Parksuche lassen sich folgendermaßen zusammenfassen: Erstens tritt Parksuche auf, wenn die Nachfrage nach Parkraum höher ist als das Angebot bei gegebenem Preis (der am Straßenrand traditionell oft null ist). Es ergibt sich das in der Volkswirtschaftslehre bekannte Phänomen der Überschussnachfrage aufgrund zu geringer Preise, die sich in „Warteschlangen“ manifestiert. Hier handelt es sich um „bewegliche Warteschlangen“ in 1. Das Forschungsprojekt Dies war der Ausgangspunkt des durch das Bundesverkehrsministerium im Rahmen der mFUND-Förderung finanzierten Forschungsprojekts „start2park - Parksuche erfassen, verstehen und prognostizieren“ (vgl. Hagen et al. 2021). Die Ergebnisse wurden als Abschlussbericht (Hagen und Saki, 2024) und in Open-Access-Fachartikeln (Saki und Hagen, 2024a, 2024b, 2024c) sowie als kostenlose Software und als offenen Daten publiziert. Eine Übersicht ist zu finden unter https: / / www.start2park.eu/ results. Form von Parksuchverkehr, wobei sich dieser vom „normalen“ Verkehr nicht ohne weiteres unterscheiden lässt (Shoup, 2006). Diese Gegenüberstellung von Angebot und Nachfrage liegt offenbar auch dem Konzept „Parkdruck“ zugrunde (Hagen, 2023). Der Begriff „Parkdruck“ wird bspw. in den Allgemeinen Verwaltungsvorschriften zur StVO erwähnt, ohne dass er dort definiert wird. Die Forschungsgesellschaft für Straßen- und Verkehrswesen (FGSV) versuchte sich in ihren „Empfehlungen für Verkehrserhebungen“ aus dem Jahr 2012 Parksuche messen und in Floating Car Data identifizieren Parkraum, Parkdruck, Parksuchverkehr, Parksuchdauer, start2park-App, GPS Das Thema Parksuche ist in öffentlichem Interesse; in letzter Zeit noch verstärkt durch die Reduktion von Parkraum am Straßenrand z. B. aufgrund der Umwandlung in Radinfrastruktur. Auch in der Forschung wird das Thema intensiv behandelt. Allerdings war das tatsächliche Ausmaß des Phänomens bis vor kurzem weitgehend unklar. Zwar liegen zahlreiche Studien vor, die versuchen, Parksuche zu messen. Wir werden aber im Folgenden argumentieren, dass viele Ergebnisse aus unterschiedlichen methodischen Gründen nicht valide sind und einen eigenen Ansatz und daraus gewonnene Ergebnisse und Anwendungen präsentieren. Tobias Hagen, Siavash Saki DOI: 10.24053/ IV-2025-0065 Internationales Verkehrswesen (77) 4 ǀ 2025 32 (die momentan aktualisiert werden) an einer Definition, die jedoch umstritten ist. Die FGSV definiert dort Parkdruck anhand der Auslastung des Parkraumangebots (Auslastung = Belegung/ Kapazität), wobei die Skala von <60 % („kein Parkdruck“) bis >90 % („sehr hoher Parkdruck“) reicht. Danach geht es beim Parkdruck um die Relation aus Parkraumnachfrage (die, wenn sie bedient werden kann, zu einer Belegung führt) und Parkraumangebot (Kapazität). Die Parkraumnachfrage, die nicht (sofort) bedient werden kann, führt zu Parksuchverkehr. Selbst wenn die Parknachfrage nicht größer ist als das -angebot, kann es aus zwei Gründen zu Parksuchverkehr kommen. Dies kann an unvollständigen Informationen liegen (zweiter Grund für Parksuche): Fahrenden sind nicht alle freien Parkplätze bekannt, vor allem, wenn sie die Gegend um den Zielort nicht kennen. Drittens kann es auch einen Mismatch zwischen den Präferenzen der Parksuchenden und den tatsächlichen unbesetzten Parkplätzen, bspw. bzgl. Lage und damit des Fußwegs, geben. Die Auswirkungen des zweiten und dritten Grunds für Parksuche sind in Bild 1 schematisch dargestellt. Zentral ist die Koexistenz von unbesetzten Parkplätzen und suchenden Autos, die jeweils durch Kurven dargestellt werden. Punkt B könnte die Situation in einer Innenstadt während der Ferienzeit darstellen: viele unbesetzte Parkplätze und daher nur wenige parksuchende Autos. Punkt A ist dagegen die Situation an einem Wochentag gegen Ende der Rush-Hour: Fast alle Parkplätze sind besetzt, es möchte immer noch viele parken und daher gibt es viele parksuchende Autos. 0 Parksuchende Autos Unbesetzte Parkplätze 45° B A Bild 1: Schwankungen im Zeitablauf (Bewegung auf einer Kurve) und Verbesserung des Informationsstandes (Verschiebung der Kurve) Wenn es nun bspw. gelänge, den Informationsstand der Fahrenden zu verbessern, würde sich die Kurve nach Innen zum Ursprung verschieben (symbolisiert mit einem Pfeil). Dies könnte im Falle der Parksuche bspw. eine Navi-App sein, die aufgrund verbauter Sensorik am Straßenrand freie Parkplätze erkennt und Autofahrende direkt dorthin navigiert. Eine Alternative wäre die öffentliche Bereitstellung der Information, dass die Suche nach kostenlosem Parken am Straßenrand vergeblich ist und sodass gleich ein Parkhaus bzw. ein kostenpflichtiger Parkplatz angefahren wird. 3. Messung von Parksuche, Parksuchdauer und „Parkdruck“ Die Schwierigkeit der Messung von Parksuche bzw. der Parksuchdauer (PSD) besteht darin, „normales Fahren“ von Parksuche zu unterscheiden. Eine Reise mit dem Auto und deren Dauer lässt sich in vier Abschnitte aufteilen (siehe Bild 2): Zum Zeitpunkt t Start beginnt die Reise vom Startort (bspw. der Wohnung) mit einem Fußweg zum Auto, also Punkte (1), wo die Autofahrt zum Zeitpunkt t Abfahrt beginnt. Die Parksuchdauer ist dann t parken - t start2search . Zentral für das Verständnis des Entscheidungsproblems der Autofahrenden ist auch der tatsächliche Fußweg vom gefundenen Parkplatz (3) zum finalen Ziel (4), der t Ankunft - t parken dauert, denn viele Autofahrende dürften abwägen, ob sie weitersuchen wollen, um einen kurzen Fußweg zu realisieren, oder einen vom finalen Ziel weiter entfernten Parkplatz wählen, der aber dafür möglicherweise mit kurzer Suchdauer verbunden ist (Saki und Hagen, 2023a). 4. Bisherige Studien zur Quantifizierung der Parksuchdauer und deren Limitationen In vielen Studien wurde die mittlere Parkplatzsuchdauer (MPSD) als Indikator für Parksuche analysiert. „Mittlere“ meint das arithmetische Mittel, also den Durchschnitt. Dafür existieren unterschiedliche Methoden. Die MPSD kann entweder mittels analytischer Lösungen oder Verkehrssimulationen geschätzt werden oder in empirischen Daten gemessen werden. Falls empirische Daten erhoben bzw. genutzt werden, dann sind dies entweder Befragungen oder GPS- Daten. Empirische Daten lassen sich auch in dafür eigens durchgeführten Experimenten (anstatt in realen Situationen) erheben. 23 frühere Studien, die die MPSD ausweisen, sind in Saki und Hagen (2024b) tabellarisch zusammengefasst. Auffällig ist der erhebliche Unterschied zwischen den MPSD-Werten, die aus Umfragen und denen, die aus GPS-Daten ermittelt wurden. Die durchschnittliche MPSD aus Umfragen beträgt etwa 8,4 Minuten, während die aus GPS-Daten bei 2,1 Minuten liegt. Analytische Modelle und Verkehrssimulationsmodelle geben in der Regel keine MPSD an; stattdessen wird die Suchdauer für verschiedene räumliche und zeitliche Konstellationen berechnet, sodass ein direkter Vergleich nicht möglich ist. Die Diskrepanz zwischen den Ergebnissen von Umfragen und GPS-Studien lässt sich möglicherweise auf Verzerrungen bei beiden Methoden zurückführen (siehe Diskussion weiter unten). Noch anzumerken ist, dass die Medianwerte der Suchdauer im Allgemeinen niedriger sind als die Mittelwerte, da es Ausreißer mit sehr langen Suchzeiten gibt. Leider geben nicht alle Studien Medianwerte für die Suchdauer an. Die Vorteile und Limitationen der genutzten Methoden der bisherigen Studien sind in Tabelle 1 zusammengefasst. Entsprechend wird eine Einschätzung in Bezug auf die interne Validität der Methoden (= inwieweit kann die Methode die interessierende Größe der betrachteten Personen / Fahrten, also die Parkplatzsuchdauer, messen? ) und die externe Validität (= sind die Ergebnisse übertragbar oder treffen diese nur für die sehr spezielle, jeweils betrachtete Stichprobe zu? Falls sie auf eine Grundgesamtheit übertragbar sind, dann spricht man von Repräsentativität.) Für alle in früheren Studien (vor dem start- 2park-Projekt) genutzten Methoden gilt: Der genaue Startpunkt der Parksuche wird nicht direkt gemessen. 5. Datenerhebung mittels Smartphone-App für „Ground Truth Daten“ Die start2park-App bildete die zentrale Komponente des Forschungsprojekts. Die App war speziell für die Messung von Parksuche entwickelt worden und in den Stores von Android und Apple verfügbar. Sie konnte (europaweit) zwischen August 2021 und September 2023 von freiwilligen Testfahrenden genutzt werden. Die App-Nutzenden wurden getrackt (GPS- Daten, d. h. Koordinaten, Geschwindig- Bild 2: Aufteilung einer Reise in vier Abschnitte Parksuche  MOBILITÄT DOI: 10.24053/ IV-2025-0065 Internationales Verkehrswesen (77) 4 ǀ 2025 33 2park-App. Über das persönliche Cockpit in der start2park-App erhielten die Nutzenden der App eine chronologische Übersicht ihrer aufgezeichneten Parkvorgänge. Dort wurde den Nutzenden neben der Dauer des Parksuchvorgangs auch die Reise (inkl. der Parksuche) auf einer Kartenübersicht angezeigt. Des Weiteren gab es zusammenfassende Statistiken für die Nutzenden, damit sich diese einen Eindruck von den eigenen Parksuchzeiten keit, Beschleunigung) und gaben weitere fahrt- und fahrerbezogene Daten an, wie beispielsweise den Fahrtzweck und die Vertrautheit mit der Parkplatzsituation am Zielort der Fahrt. Am wichtigsten: Mittels Knopfdruck auf dem Display gaben die Fahrenden die vier in Bild 2 dargestellten Punkte an, beginnend mit (1) also der Abfahrt mit dem Auto bis zu (4) also dem Ende der Reise nach dem Fußweg. Bild 3 zeigt die Umsetzung dieser vier Punkte in der start- und weglängen machen konnten. Vor der Nutzung der App wurden die Fahrenden gebeten, nur die Fahrten aufzuzeichnen, die nicht auf einem reservierten Parkplatz (z. B. am Arbeitsplatz oder in der eigenen Garage) endeten. Eine beispielhafte Fahrt ist in Bild 4 zu sehen. Insgesamt betrug die Dauer (gemessen vom Beginn der Autofahrt bis zur Ankunft am finalen Zielort) 56 Minuten und 15 Sekunden (die (1) in Bild 4 soll nur symbolisieren, dass die Fahrt irgendwann begonnen hat; in der Realität war das außerhalb des Kartenausschnitts). Die Luftlinie, also der anfängliche Suchradius um das finale Ziel, zwischen dem Beginn der Parksuche (2) und dem finalen Ziel (4) betrug 215 m. Während der Suche legte das Fahrzeug aber 1,15 km zurück (rote Punkte), was 5 Minuten und 23 Sekunden dauerte. Der tatsächliche Fußweg vom gefundenen Parkplatz (3) zum finalen Ziel (4) (grüne Punkte) hat eine Länge von 184 m und dauerte 4 Minuten und 48 Sekunden. 6. Ergebnisse aus den aufgezeichneten Fahrten Mit der App wurden insgesamt über 7.000 Fahren aufgezeichnet. Nach einer strengen Filterung und Datenbereinigung wurden 3.550 Fahrten als valide identifiziert. Ein 1 2 3 4 Methode und Beschreibung Vorteile Limitationen / Nachteile Studien (beispielhaft) Umfragen: Fahrende werden direkt befragt; entweder im Anschluss an eine Suche oder unabhängig von einer konkreten Fahrt nach „durchschnittlichen Erfahrungen“. Auch „Stated Choice“-Befragungen zu hypothetischen Situationen existieren. Einfach durchzuführen Können auf bestimmte Zeiten, Gebiete oder Personengruppen fokussieren Interne Validität: unterliegt Erinnerungsverzerrung, Antwortverzerrung und fehlender Genauigkeit aufgrund von Selbstangaben Externe Validität: ggf. nicht übertragbar, da Umfrage in vielen Studien in Gebieten und zu Zeiten stattfinden, die eine hohe PSD vermuten lassen Assemi et al. (2020), Qin et al. (2020), Cao et al. (2019), Brooke et al. (2018) Feldexperimente: In einem typischen Experiment (das oft als „Park-and-Visit“ bezeichnet wird) beginnt eine testfahrende Person mit der Suche nach einem Parkplatz in einem bestimmten Gebiet. Die Dauer der Suche wird aufgezeichnet, sobald ein freier Platz gefunden wurde. Hohe Genauigkeit mit Echtzeit- und Beobachtungsdaten Interne Validität: Grundsätzlich gut, aber abhängig von der Annahme über Startpunkt der Suche Externe Validität: oft begrenzt im Umfang und spezielles „Feld“; daher oft nicht übertragbar Sonstiges: hoher Aufwand Zhu et al. (2020), Alemi et al. (2018) GPS-Datenanalyse: Mittels Regeln / Heuristiken wird Parksuche in GPS-Daten identifiziert. Beispiele: • Naiver 200m-Radius: GPS-Punkte innerhalb eines Radius von 200m um den gefunden Parkplatz sind Parksuche • Geschwindigkeitsschwellenwert: An 5 aufeinanderfolgenden GPS-Punkten fällt die Geschwindigkeit unter 23 km/ h. Bietet hohe Präzision, reale Verkehrssituationen und große Daten Interne Validität: Abhängig von den Annahmen bzgl. Start- und Endpunkte der Suche Externe Validität: hängt von der Repräsentativität der genutzten GPS-Daten ab Sonstiges: hoher Rechenaufwand, Datenschutzbedenken Milia et al. (2023), Dalla Chiara et al. (2021), Weinberger et al. (2020), Dalla Chiara et al. (2020) Verkehrssimulationen Verkehrsnachfragemodelle erweitert um Parkplatzsuche Ermöglicht kontrollierte Analysen verschiedener Szenarien Können hypothetische Bedingungen modellieren. Daher ideal zur Bewertung von Maßnahmen Interne Validität: stark abhängig von Annahmen und Input-Daten Externe Validität: möglicherweise geringe Realitätsnähe Fulman et al. (2020), Cao et al. (2019), Fulman & Benenson (2021), Waraich & Axhausen (2012) Analytische Modelle Können komplexe Phänomene in quantifizierbare Elemente vereinfachen Interne Validität: stark abhängig von Annahmen und Input-Daten Externe Validität: möglicherweise geringe Realitätsnähe van Ommeren et al. (2021), Fulman & Benenson (2021), Inci et al. (2017) Tabelle 1: Vergleich von Methoden in der Quantifizierung der Parksuche. Quelle: Basierend auf Saki (2025) Bild 3: Umsetzung in der start2park-App (Image: Fluxguide, Basiskarte: OpenStreetMap Contributors) MOBILITÄT  Parksuche DOI: 10.24053/ IV-2025-0065 Internationales Verkehrswesen (77) 4 ǀ 2025 34 erheblicher Teil dieser Fahrten, nämlich 2.344 (ca. 66 %) endeten in Frankfurt/ Main. Ungefähr 18 % der Fahrten endeten ohne Parksuche, d. h. diese Fahrenden fanden spontan einen Parkplatz. Tabelle 2 beinhaltet ausgewählte Ergebnisse; ausführliche Ergebnisse sind in Hagen und Saki (2024) zu finden. Auf den ersten Blick und im Mittel der aufgezeichneten Fahrten ist Parksuche kein massives Problem, außer bei einer begrenzten Anzahl von Betroffenen bzw. Fahrten. Wenn Nutzende der start2park- App eine Autofahrt starteten, mussten sie im Durchschnitt damit rechnen, 01: 25 Minuten für die Parksuche auf einer Distanz von 227 m und 02: 40 Minuten für den anschließenden Fußweg mit einer Länge von 96 m zum finalen Ziel zu brauchen. Wenn der Fokus auf die 82 % der Fahrten mit einer Parksuche gelegt wird, dann betrug die Parksuchdauer im Durchschnitt 01: 44 Minuten auf 275 m und die Fußwegdauer 02: 52 Minuten für eine Weglänge von 106 m (siehe Tabelle 2). Diese Durchschnittswerte werden stark von eher wenigen, sehr langen Dauern beeinflusst. Daher ist es sinnvoll, den Median (50% Quantil) zu betrachten, der die Dauer einer mittleren Parksuche abbildet, wobei jeweils die Hälfte der Suchdauern kürzer bzw. länger ist. Unter Fahrten mit Parksuche beträgt die mittlere (Median-) Suchdauer 01: 04 Minuten mit einer Parksuchweglänge von 140 m. 25 % der Parksuchvorgänge dauern länger als 2: 00 Minuten und nur 5 % dauern länger als 5: 32 Minuten (nicht in Tabelle 2 dargestellt). Diese Werte für die Parksuche unterscheiden sich stark nach fahrtbezogenen Merkmalen und Charakteristika der Fahrenden. So sind die Dauern in Innenstadtlagen von Metropolen deutlich länger (im Mittel 5-6 Minuten), während die Parksuche im ländlichen Gebiet nahezu irrelevant ist. Zudem haben die Uhrzeit, der Fahrzeugtyp sowie das Alter der Personen großen Einfluss. Zum Beispiel versuchen ältere Menschen offenbar von vornherein sowohl die Parksuche als auch längere Fußwege zu vermeiden. Ein weiterer interessanter Parameter ist die akzeptierte Fußweglänge vom Startpunkt der Suche (2) zum finalen Ziel (4). Indem die Fahrenden mit der Parksuche beginnen, offenbaren sie damit gleichzeitig, was deren maximal akzeptierter Fußweg ist. Dieser beträgt im Mittel (Median) bei allen Fahrten 163 m (115 m) und bei Fahrten mit positiver Parkplatzsuche 186 m (139 m). Fahrzeuge stellen während der Parksuche ein Verkehrshindernis dar: Deren Durchschnittsgeschwindigkeit beträgt nur rund 9 km/ h und kann, wie Bild 5 zeigt, stark variieren. 7. Machine Learning Modell und Methodenvergleich Die oben dargestellten Ergebnisse basieren auf Personen, die freiwillig die App installiert und genutzt haben. Die so aufgezeichneten Fahrten sind also weder bzgl. der Personen, der genutzten Fahrzeuge, der Routen und Zeiten noch bzgl. der Städte repräsentativ für alle Autofahrten in Deutschland. Ein Ansatz, damit umzugehen, besteht darin, die erhobenen Daten zum Trainieren eines Machine Learning Modells zu nutzen, das in der Lage ist, in GPS-Daten von Autofahrten (also sogenannte „Floating Car Data“, kurz FCD) Parksuche zu erkennen. Entsprechend wurde in Saki und Hagen (2024c) ein Neural Network Modell trainiert und in github zur kostenlosen Nutzung veröffentlicht (https: / / github.com/ ReLUT/ parking-search-prediction). Die Performance dieses Modells wurde mit • Normales Fahren • Suche • Zu Fuß gehen Parameter Mittelwert Median Alle Reisen (3.550) Parkplatzsuchdauer 01: 25 00: 50 Zurückgelegter Parksuchweglänge in m 227 m 104 m Akzeptierter Fußweglänge vom Startpunkt der Suche (2) zum finalen Ziel (4) 163 m 115 m Tatsächlich zurückgelegter Fußweglänge in m vom gefundenen Parkplatz (3) zum finalen Ziel (4) 96 m 38 m Dauer des tatsächlichen Fußwegs 02: 40 01: 08 Reisen mit PSD>0 (2924=82%) Parkplatzsuchdauer 01: 44 01: 04 Zurückgelegter Parksuchweglänge in m 275 m 140 m Akzeptierter Fußweglänge vom Startpunkt der Suche (2) zum finalen Ziel (4) 186 m 139 m Tatsächlich zurückgelegte Fußweglänge in m vom gefundenen Parkplatz (3) zum finalen Ziel (4) 106 m 47 m Dauer des tatsächlichen Fußwegs 02: 52 01: 19 Bild 4: Beispiel einer aufgezeichneten Fahrt (Image: Siavash Saki, Eigene Darstellung, Basiskarte: OpenStreetMap Contributors) Tabelle 2: Ermittelte Parameter für die Parksuche (Dauern in MM: SS) Quelle: Hagen und Saki (2024) Bild 5: Histogramm der Geschwindigkeit von GPS-Punkten innerhalb eines Radius von 1 km um das finale Ziel, getrennt nach „normaler Fahrt“ und Parksuche Quelle: Saki und Hagen (2024c) Parksuche  MOBILITÄT DOI: 10.24053/ IV-2025-0065 Internationales Verkehrswesen (77) 4 ǀ 2025 35 9. Anwendungsmöglichkeiten Es gibt eine ganze Reihe von Anwendungen, die sich aus dieser Forschung ergeben. Erstens wurde das Funktionieren einer Datenhebungsmethode per Smartphone- App demonstriert. Dieser Ansatz könnte für vergleichbare Anwendungen wie z. B. LKW-Parken angewandt werden. Zweitens ergeben sich aus der Analyse der erhobenen Daten wichtige Parameter für Verkehrsmodellierung und -planung. So konnte gemessen werden, wie groß der anfängliche Suchradius der Fahrenden, die zurückgelegten Suchweglängen und -dauern, die akzeptierten und tatsächlichen Fußweglängen und -dauern sowie die Geschwindigkeiten während der Suche sind. Drittens konnte ein Machine Learning Modell entwickelt und zur kostenlosen Nutzung veröffentlicht werden, das Parksuche in GPS-Daten identifiziert (https: / / github.com/ ReLUT/ parking-search-prediction). Daraus können wiederum mehrere Anwendungen entwickelt werden: a) Verkehrsmanagement-Systeme können dergestalt erweitert werden, dass sie auch Informationen zu Parksuchverkehr beinhalten (ähnlich wie Bild 6), die wiederum für Interventionen wie die dynamische Preisgestaltung von Parkraum genutzt werden können. Entwicklungen in diese Richtung laufen momentan bereits. b) Navigations-Apps könnten erweitert werden, sodass diese bei der Berechnung der Fahrtdauer bis zum Zielort zusätzlich die zu erwartete Parksuchdauer angeben. Dazu müsste im Backend eine permanente Auswertung der Parksuche in den Verkehrsdaten erfolgen, zusätzlich zur Auswertung der allgemeinen Verkehrssituation, die die Reisezeit beeinflusst. c) Smartphones beinhalten bereits jetzt eine Verkehrsmittelerkennung in den getrackten GPS-Daten (z. B. „Google Maps Zeitachse“), mit deren Hilfe es möglich ist, die Dauer und Länge der zurückgelegten Wege nach Verkehrsmitteln aufzuzeichnen. Bei Autofahrten könnte nun zusätzlich ausgewiesen werden, wie viel davon auf die Parksuche entfällt. Die Anwendungen b) und c) würden es Verkehrsteilnehmer*innen erlauben, fundiertere Entscheidungen bei der Verkehrsmittel- und Routenwahl zu treffen. Anwendung a) würde die Verkehrsplanung unterstützen. ▪ Punkten), die in der Stadt Frankfurt/ Main endeten. Die Ergebnisse lassen sich folgendermaßen zusammenfassen:  Die MPSD aller Fahrten liegt ganz ähnlich wie in den per App erhobenen Daten bei 01: 30 Minuten (App/ Trainingsdaten: 01: 29 Minuten). Zu betonen ist aber noch einmal, dass die per App erhobenen Daten nicht repräsentativ sind.  Das Modell erkennt allerdings, dass der Anteil der Fahrten, die mit Parksuche enden, in den INRIX-Daten geringer ist, nämlich bei 67 % (App / Trainingsdaten: 82 %).  Wenn nur die Fahrten nach Frankfurt/ Main betrachtet werden, die mit einer Parksuche verbunden sind, dann beträgt die MPSD 02: 26 Minuten (App/ Trainingsdaten: 01: 49).  Durch die deutlich größere Datenbasis sind nun auch geographisch detaillierte Analysen möglich. Die folgende Heatmap zeigt die MPSD für Frankfurt/ Main. in früheren Studien verwendeten heuristischen (also „regelbasierten“) Methoden zur Identifikation von Parksuche in GPS- Daten verglichen (siehe auch Abschnitt 4), indem diese auf einen Testdatensatz, der nicht für das Trainieren verwendet wurde, angewandt wurden, um dort die Parksuche zu identifizieren. Es zeigt sich, dass das Machine Learning Modell den heuristischen Methoden überlegen ist, wie Tabelle 3 zusammenfasst. Die vorhergesagte MPSD entspricht beim Machine Learning Modell angewendet auf diese Testdaten fast exakt den Echtdaten; der mittlere absolute Fehler (Mean Absolute Error, MAE) ist am geringsten im Vergleich zu den anderen Methoden. 8. Anwendung auf umfassende GPS-Daten für Frankfurt/ Main Das trainierte Modell wurde in Saki und Hagen (2024c) auf FCD für Frankfurt/ Main des Jahres 2019 der Firma INRIX angewandt. Ausgewählt wurden dazu rund 870.000 Fahrten (mit gut 32 Mio. GPS- Tabelle 3: Vergleichende Analyse der Performance verschiedener Methoden bei der Identifizierung von Parksuchen in GPS-Daten (Dauer im Format MM: SS) Quelle: Basierend auf Saki und Hagen (2024c) Bild 6: Räumliche Heatmap der durchschnittlichen Parkplatzsuchdauer für die Frankfurter Innenstadt, Parkhäuser sind blau dargestellt Quelle: Basierend auf Saki und Hagen (2024c) MPSD Mean Absolute Error (MAE) Echtdaten (Ground Truth) 01: 25 Naiver 200m-Radius: Die Parksuche beginnt, wenn der Fahrer eine Entfernung von 200 m zum Parkplatz erreicht hat. 02: 21 01: 06 Geschwindigkeitsschwellenwert: An 5 aufeinanderfolgenden GPS- Punkten fällt die Geschwindigkeit unter 23 km/ h. 02: 38 01: 22 Erstes lokales Minimum: Während des „normalen Fahrens“ nimmt die Entfernung zum Parkplatz in der Regel ab. Die erste Abweichung von diesem Trend, d. h. das erste Mal, dass die Entfernung zum Parkplatz innerhalb eines bestimmten Radius von 400m zunimmt, markiert den Beginn der Parksuche. 01: 39 01: 10 Machine Learning Model 01: 26 00: 48 MOBILITÄT  Parksuche DOI: 10.24053/ IV-2025-0065 Internationales Verkehrswesen (77) 4 ǀ 2025 36 Saki, S. (2025). A Study on Cruising for Parking based on Geodata with Methods from Econometrics and Machine Learning. Dissertation, Frankfurt University of Applied Sciences, im Erscheinen. Shoup, D. C. (2006). Cruising for parking. In: Transport Policy 13 (6), S. 479-486. van Ommeren, J.; McIvor, M.; Mulalic, I.; Inci, E. (2021). A novel methodology to estimate cruising for parking and related external costs. In: Transportation Research Part B: Methodological 145, S. 247-269. DOI: 10.1016/ j. trb.2020.12.005. Waraich, R. A.; Axhausen, K. W. (2012). Agent-based parking choice model. In: Transportation Research Record 2319 (1), S. 39-46. Weinberger, R. R.; Millard-Ball, A.; Hampshire, R. C. (2020). Parking search caused congestion: Where’s all the fuss? In: Transportation Research Part C: Emerging Technologies 120. DOI: 10.1016/ j. trc.2020.102781. Zhu, Y.; Ye, X.; Chen, J.; Yan, X.; & Wang, T. (2020). Impact of cruising for parking on travel time of traffic flow. In: Sustainability, 12(8), 3079. DOI: 10.3390/ su12083079. Quelle der beigefügten Fotos: © Ulrike Wolf Eingangsabbildung: © pixabay/ fill based approach. In: Transportation Research Part C: Emerging Technologies 120, 102800. Hagen, T. (2023). Parkdruck. In: HOLM-Blog. https: / / blog.frankfurt-holm.de/ beitrag/ parkdruck Hagen, T.; Saki, S.; Scheel-Kopeinig, S. (2021). Parksuchverkehr - ein über- oder unterschätztes Phänomen? Das Forschungsprojekt start2park analysiert den Parksuchverkehr und entwickelt Lösungsansätze. In: Internationales Verkehrswesen 4, S. 79-83. Hagen, T.; Saki, S. (2024). start2park - Parksuche erfassen, verstehen und prognostizieren: Endergebnisse. Frankfurt University of Applied Sciences. DOI: 10.48718/ wzkt-yd05. Inci, E.; van Ommeren, J.; Kobus, M. (2017). The external cruising costs of parking. Journal of Economic Geography 17 (6), S. 1301-1323. DOI: 10.1093/ jeg/ lbx004. Milia, K.; Hedengran, M. D.; Jansson, T.; Rodrigues, F.; Azevedo, C. L. (2023). Forecasting parking search times using big data. In: Proceedings of the 12th International Scientific Conference on Mobility and Transport: Mobility Innovations for Growing Megacities, S. 175-197. Qin, H.; Yang, X.; Wu, Y.-J.; Guan, H.; Wang, P.; Shahinpoor, N. (2020). Analysis of parking cruising behaviour and parking location choice. In: Transportation Planning and Technology 43 (7), S. 717-734. Saki, S.; Hagen, T. (2024a). What Drives Drivers to Start Cruising for Parking? Modeling the Start of the Search Process. In: Transport Research Part B: Methodology 188, 103058. DOI: 10.1016/ j. trb.2024.103058. Saki, S.; Hagen, T. (2024b). Parking search identification in vehicle GPS traces. In: Journal of Urban Mobility 6, 100083, DOI: 10.1016/ j.urbmob.2024.100083. Saki, S.; Hagen, T. (2024c). Cruising for parking again: Measuring the ground truth and using survival analysis to reveal the determinants of the duration. In: Transportation Research Part A: Policy and Practice 183, 104045. DOI: 10.1016/ j. tra.2024.104045. LITERATUR Alemi, F.; Rodier, C.; & Drake, C. (2018). Cruising and onstreet parking pricing: A difference-in-difference analysis of measured parking search time and distance in San Francisco. In: Transportation Research Part A: Policy and Practice 111, S. 187-198. Assemi, B.; Baker, D.; Paz, A. (2020). Searching for on-street parking: An empirical investigation of the factors influencing cruising time. In: Transport Policy 97, S. 186-196. Brooke, S.; Ison, S.; Quddus, M. (2018). Analysing parking search (’cruising’) time using generalised multilevel structural equation modelling. In: Journal of Transport Economics and Policy 52 (3), S. 202-220. Cao, J.; Menendez, M.; Waraich, R. (2019). Impacts of the urban parking system on cruising traffic and policy development: The case of Zurich downtown area, Switzerland. In: Transportation 46, S. 883-908. Dalla Chiara, G.; Cheah, L.; Azevedo, C. L.; Ben-Akiva, M. E. (2020). A policy-sensitive model of parking choice for commercial vehicles in urban areas. In: Transportation Science, 54 (3), S. 606-630. DOI: 10.1287/ trsc.2019.0970 Dalla Chiara, G.; Goodchild, A. (2020). Do commercial vehicles cruise for parking? Empirical evidence from Seattle. In: Transport Policy 97, S. 26-36. Dalla Chiara, G.; Krutein, K. F.; Ranjbari, A.; Goodchild, A. (2021). Understanding urban commercial vehicle driver behaviors and decision making. In: Transportation research record 2675 (9), S. 608-619. Dalla Chiara, G.; Krutein, K. F.; Ranjbari, A.; Goodchild, A. (2022). Providing curb availability information to delivery drivers reduces cruising for parking. In: Scientific Reports 12 (1), 19355. Fulman, N.; Benenson, I. (2021). Approximation method for estimating search times for on-street parking. In: Transportation science 55 (5), S. 1046-1069. Fulman, N.; Benenson, I.; Ben-Elia, E. (2020). Modeling parking search behavior in the city center: A game- Tobias Hagen, Prof. Dr., Direktor Research Lab for Urban Transport (ReLUT), Frankfurt University of Applied Sciences thagen@fra-uas.de Siavash Saki, M. Eng, Data Scientist, InnoTrax Berlin ssaki@innotrax.io Parksuche  MOBILITÄT DOI: 10.24053/ IV-2025-0065 Internationales Verkehrswesen (77) 4 ǀ 2025 37