Der Einsatz von Floating Car Data in Quartieren Wie können GPS-Daten zur Verkehrsplanung beitragen? Floating Car Data, Digitalisierung, Verkehrsplanung, Quartiere Marco Kleibl, Leo Casey, Lutz Gaspers Floating Car Data (FCD) sind GPS-Daten, die von fahrenden Fahrzeugen gesammelt werden. Diese Daten werden mithilfe von Onboard-Units und Navigationssystemen erfasst und datenschutzkonform aufgezeichnet. Eine klassische Nutzungsmöglichkeit von FCD ist die Visualisierung von Verkehrsflüssen und Staus im Straßennetz. Dieser Artikel prüft die Einsatzmöglichkeiten von FCD in der klassischen Verkehrsplanung: Können FCD anstelle von örtlichen Verkehrszählungen genutzt werden, um den täglichen Quell- und Zielverkehr eines Quartiers zu erfassen? Einführung Durch den Klimawandel und die Notwendigkeit nachhaltiger Mobilitätskonzepte stehen Städte und Gemeinden zunehmend vor großen Herausforderungen. Zudem spielt die Bereitstellung von Energieträgern, die nachhaltig produziert und zur Verfügung gestellt werden, eine immer größere Rolle. Diesem Problem hat sich das Forschungsprojekt SektorSim³ der Hochschule für Technik Stuttgart (HF T) angewandt. SektorSim³ ist ein Forschungsprojekt der HF T Stuttgart in Zusammenarbeit mit der Stadtwerke Stuttgart GmbH, der MM Immobilien GmbH & Co. KG, der Stadt Kornwestheim, der Stadt Stuttgart und der Stadtwerke Ludwigsburg-Kornwestheim GmbH. Zusätzlich wird das Projekt durch die Carl-Zeiss-Stiftung gefördert. Im Rahmen der Sekto- 51 2 · 2025 TR ANSFORMING CITIES DOI: 10.24053/ TC-2025-0044 Vorteile Herausforderungen Echtzeitdaten Datenschutz und Anonymisierung Flächendeckende Erfassung Hoher Datenumfang und Verarbeitungskomplexität Hohe Aktualität und Genauigkeit Abhängigkeit von Fahrzeugausstatter Kosteneffizienz atenverzerrung (Deckung im Untersuchungsraum) Tabelle 1: Relevante Vorteile und Herausforderungen von FCD Basierend auf den Erkenntnissen sollen Ergebnisse und Empfehlungen für das Arbeiten mit FCD im Rahmen des Forschungsprojekts SektorSim³ entstehen. Floating Car Data - Grundlagen FCD sind Routineinformationen von einzelnen Fahrzeugen, die von fahrenden Fahrzeugen gesammelt werden. Diese Daten werden mithilfe von Global Positioning Systemen (GPS), Onboard-Units und Flottenmanagement-Systemen erfasst und datenschutzkonform aufgezeichnet. Diese werden dann in Datenpaketen übermittelt und von gewerblichen Anbietern in anonymisierter Form zur Verfügung gestellt. Ein Datenpaket von FCD umfasst meist ein spezifisches, räumliches Gebiet oder eine Region sowie einen festgelegten Zeitraum. Dies spiegelt immer eine Stichprobe wider, da nicht alle Verkehrsdaten erhoben werden können. Ein Datenpaket umfasst Wegepunkte mit Positionen der erfassten Fahrzeuge, welche in Form von GPS-Koordinaten gespeichert sind. Zudem werden Kennzahlen wie Geschwindigkeit, Fahrtrichtung und Uhrzeit regelmäßig oder bei besonderen Bewegungen gespeichert. Dies führt zu einer Vielzahl von Anwendungsbereichen, in denen FCD genutzt werden kann. Hierzu zählen die Verkehrsanalyse, Stauprognose, Navigation, Routenoptimierung, das Flottenmanagement und die Verkehrssteuerung. [2] Ein Vorteil von FCD liegt darin, dass Echtzeitdaten übertragen werden können. Es werden somit aktuelle Verkehrsdaten kontinuierlich erfasst und bearbeitet. Dies hilft vor allem bei Navigationssystemen, um Verkehrsbeeinträchtigungen frühzeitig zu erkennen und diese rechtzeitig umfahren zu können [3]. Ein weiterer Vorteil liegt in der flächendeckenden Erfassung der Daten. Im Vergleich zu stationären Sensoren wie Induktionsschleifen liefern FCD - Informationen über das gesamte Straßennetz. Zudem ist es kosteneffizienter im Vergleich zu stationären Sensoren, die gebaut und gewartet werden müssen [4]. Außerdem bietet FCD die Möglichkeit mit aktuellen Daten zu arbeiten. Des Weiteren sind die Daten meist sehr genau und zeigen eine hohe Präzision der GPS-Koordinaten. Dies führt jedoch auch zu Herausforderungen. Vor allem in Bezug auf den Datenschutz und der Anonymisierung der Daten. Hier sind Maßnahmen nötig, um die Daten anonymisiert zu speichern. Vorteile wie das Sammeln von Echtzeitdaten und die flächendeckende Erfassung bringen zudem auch Heraus forderungen mit sich, wie z. B. eine hohe Anzahl an Daten. Der hohe Datenumfang fordert zum einen hohe Rechenkapazitäten und zum anderen ein aufwändiges Bearbeiten der Rohdaten, um aussagekräftige Informationen zu erhalten. Hinzu kommt, dass Daten nur mithilfe von GP S -Sy stemen, Onboard- Units oder Mobilitätsapps erfasst werden können. Dies fordert eine Abhängigkeit der Fahrzeugausstattung und vorzugsweise moderne Kraftwagen. Bei älteren Modellen verbirgt sich die Gefahr, dass Daten nicht erfasst werden. Dies führt zu einer weiteren Herausforderung: FCD basiert auf einer Teilmenge der Fahrzeuge eines Gebiets. Eine Auswahl der wichtigsten Vorteile und Herausforderungen ist in Tabelle 1 dargestellt. renkupplung sollen zeitlich hochaufgelöste Verbrauchsprofile der Sektoren Mobilität, Energie und Wärme simuliert und auf das Jahr 2045 hochgerechnet werden. Die Simulation erfolgt für insgesamt sieben verschiedene Quartierstypen getrennt (z. B. Einfamilienhausquartier, Mehrfamilienhausquartier, Innenstadtwohnen etc. [1]). Dies rührt daher, dass der Hochlauf von Schlüsseltechnologien, wie der E-Mobilität aufgrund unterschiedlicher örtlicher Bedingungen unterschiedlich schnell vonstattengehen wird. Im Rahmen der Betrachtung der Mobilität besteht die Frage, wie der Ladebedarf von privaten E-Fahrzeugen in einzelnen Quartieren ermittelt werden kann. Ein Teilaspekt ist die Frage nach dem möglichen Ladezeitpunkt am Wohnort. Um diesen zu ermitteln, ist es notwendig zu erfassen wann sich Menschen und ihre Fahrzeuge zuhause befinden, bzw. in ihrem Quartier. Klassische Verkehrszählungen wären ein denkbarer Ansatz. Gleichzeitig wäre der Auf wand überdurchschnittlich hoch, bei der Betrachtung mehrerer Quartierstypen. Vorliegender Artikel beschreibt alternativ den Ansatz Quell- und Zielverkehr in Quartieren anhand von Floating Car Data (FCD) zu erfassen. Hierbei sollen die vorliegenden FCD handhabbar gemacht werden und erste Erkenntnisse und Ableitungen bezüglich der Analysemöglichkeiten gemacht werden. Dabei werden sowohl Rahmenbedingungen für das Arbeiten mit FCD aber auch die Auswertung dieser Daten beleuchtet. PRAXIS + PROJEKTE Floating Car Data 52 2 · 2025 TR ANSFORMING CITIES DOI: 10.24053/ TC-2025-0044 zeichnet wurden. Auf dieser Basis war keine Analyse möglich. Daher wurden alle Wege innerhalb eines Jahres gemeinschaftlich betrachtet. Ein notwendiger Punkt der Validierung besteht in der Frage, inwieweit dieses Vorgehen legitim ist und ob so realistische Ganglinien entstehen. Es muss zudem beachtet werden, dass saisonale Einflüsse wie z. B. Ferienzeiten anhand dieser Betrachtung nicht ausgewertet werden können, da Analysen über kürzere Zeiträume als ein Jahr keine belastbaren Ergebnisse liefern. Validierung Die Validierung der Daten wird beispielhaft am Beispiel der Quartiere „Im Buchwald“ (Stuttgart, Ein-/ Zweifamilienhausquartier, Bild 1) und „Klingelbrunnen“ (Kornwestheim, Mehrfamilienhausquartier, Bild 2) durchgeführt. Da FCD nur eine Teilmenge aller Fahrzeuge erfasst, muss eine Annahme getroffen werden wie hoch der Deckungsgrad ist. In der Validierung wird von einem Wert von 1 % ausgegangen, d. h. 1 % aller Fahrzeuser Wert basiert auf Erfahrungen des Autorenteams und beschreibt eine Dauer bei der sicheren Gewissens von einem Parkvorgang ausgegangen werden kann - was letztendlich bei Wiederanfahrt zu einem neuem Weg führt. Die so erzeugten Wege wurden auf ihre Start- und Endpunkte geprüft und daraufhin den Verkehrsarten Quell-, Ziel-, Durchgangs- und Binnenverkehr zugeordnet. Diese wurden als Ganglinien dargestellt. Ziel der Analyse war es a) die Nutzbarkeit der FCD zu validieren und b) anhand dieser das Verkehrsaufkommen in einzelnen Quartierstypen zu vergleichen. Für letzteren Punkt wurden mehrere Beispielquartiere je Quartierstyp ausgewählt und analysiert. Kommerzielle FCD-Pakete beinhalten Daten von einer Teilmenge aller Fahrzeuge. Der Anteil der erfassten Fahrzeuge am Gesamtverkehr variiert je nach Quartier und kann vom Anbieter nicht zweifelsfrei bestimmt werden. Bei der ersten Auswertung fiel auf, dass für ausgewählte Beispielquartiere nur eine Handvoll Wege pro Tag aufge- Methodik Das vorliegende Datenpaket wurde im Rahmen von SektorSim³ vom A llgemeinen D eut s chen Automobil- Club (ADAC ) er worben. Das Datenpaket deckt das komplette Jahr 2022 (01.01.2022- 31.12.2022) ab und umfasst 50 GB an Daten. Das betrachtete Paket beinhaltet den Großraum Stuttgart inklusive der Städte Ludwigsburg und Kornwestheim. Das Datenpaket beinhaltet für jedes teilnehmende Fahrzeug eine Typ- ID. Diese gibt die jeweilige Datenquelle an. Mögliche Datenquellen sind Onboard-Units (Vornehmlich von gewerblichen Fahrzeugen aus dem Speditionssektor und Lieferwägen) und Daten aus Mobilitätsapps (Vorwiegend Personenkraftwagen). Eine genauere Benennung der Herkunft ist aus Datenschutzgründen nicht möglich. Jedem Fahrzeug wird eine individuelle Fahrzeug-ID zugewiesen. Diese ändert sich alle 24 Stunden, um keine Rückschlüsse auf das langfristige Verhalten einzelner Fahrzeuge zu ermöglichen. Für jedes erfasste Fahrzeug sind Wegepunkte hinterlegt. Diese bestehen aus Geokoordinaten (GPS -Daten in Breite und Länge) und einem Zeitstempel. Insgesamt besteht das Datenpaket aus 2,5 Milliarden Wegepunkte. Da Projekt SektorSim³ befasst sich mit der Mobilität in einzelnen Quartieren. Exemplarisch werden in diesem Artikel die beiden Quartiere „Im Buchwald“ (Stuttgart) und „Klingelbrunnen“ (Kornwestheim) betrachtet. Zur Analyse des Datenpakets wurden die Wegepunkte jedes Fahrzeugs zu einzelnen Wegen zusammengefasst. Die Wegepunkte jeder einzelnen Fahrzeug-ID innerhalb eines Tages wurde zunächst als ein Weg betrachtet. Lagen zwischen zwei Wegepunkten 15 oder mehr Minuten wurde die Wegekette getrennt, wodurch z wei oder mehr Wege entstehen. Die- Bild 1: Quartiersgrenzen „Im Buchwald“ (eigene Darstellung, nach Open- StreetMap) Bild 2: Quartiersgrenzen „Klingelbrunnen“ (eigene Darstellung, nach Open- StreetMap) PRAXIS + PROJEKTE Floating Car Data 53 2 · 2025 TR ANSFORMING CITIES DOI: 10.24053/ TC-2025-0044 Bild 3: Jahresganglinien „Im Buchwald“ (eigene Darstellung) Bild 4: Jahresganglinien „Klingelbrunnen“ (eigene Darstellung) Die Ganglinien der FCD und des Bosserhoff-Verfahrens zeigen weitestgehend ähnliche Verläufe. Die morgendlichen Spitzen verlaufen ähnlich, wobei sich die Morgenspitze der FCD früher ausbildet und steiler abfällt. Die abendliche Spitze im Zielverkehr hingegen ist für FCD deutlich weniger ausgeprägt als bei den Daten nach Bosserhoff. Zudem ist auffällig, dass die Kur ven der FCD außerhalb der Spitzenstunden eine deutlich geringere Höhe aufweisen. Bei den FCD unterscheiden sich die Gesamtwerte von Quell- und Zielverkehr. Letzterer ist über das gesamte Jahr rund 17 % höher als ersterer. Das würde bedeuten, dass dauerhaft mehr Fahrzeuge in das Quartier fahren, als dass sie es verlassen. Eine mögliche Erklärung ist das sogenannte „Cold- Star t “ - Phänomen. Bei diesem Phänomen werden nach längerer Inaktivität von Navigationssystemen (z. B. über Nacht), die gespeicherten Satellitendaten zurückgesetzt. Dies führt dazu, dass es mehrere Minuten dauern kann, um die genaue Position erneut zu bestimmen. Zusammen mit dieser Info lässt sich die Annahme des Deckungsgrads konkretisieren. Mit den Werten des Bosserhoff- Verfahrens als „realen“ Vergleichswert ist davon auszugehen, dass der tatsächliche Deckungsgrad bei unter 1 % liegen muss. Den genauen Wert zu ermitteln, erfordert eine tiefergehende Validierung. Offensichtlich ist jedoch, dass die Tagesspitzen der FCD zeitlich vor denen des Bosserhoff-Verfahrens liegen. Das bedeutet, dass sich der reale Verkehr im Quartier anders verhält als es zu erwarten wäre. Möglicherweise existieren quartiersbezogene Spezifika. wie die sozio-demografische Struktur der Bewohner: innen oder die geografische Lage, die zu überdurchschnittlich vielen frühen Wegen führt. In Folgearbeiten ließen sich solche Auffälligkeiten auswerten. Bild 4 zeigt analog zu Abbildung 1 die Jahresganglinien der FCD und des Bosserhoff-Verfahrens für das Quartier „Klingelbrunnen“. Die Ergebnisse unterscheiden sich stark von „Im Buchwald“. Die Ganglinien des Quell- und Zielverkehrs der FCD verlaufen auf einem deutlich niedrigeren Niveau als diejenigen des Bosserhoff-Verfahrens. Zudem lassen sich keine eindeutigen Spitzen erkennen. Es scheint offensichtlich, dass die FCD in diesem Quartier wenig Aussagekraft haben und die reale Verkehrssituation nicht widerspiegeln. Eine Erklärung kann die Auswahl der Quartiersgrenzen sein. Ein Blick auf die Karte offenbart, dass „Im Buchwald“ eine deutlich klarere Abgrenzung zum Rest der Stadt als „Klingelbrunnen“ aufweist. „Im Buchwald“ ist ge im Quartier sind mit ihren zurückgelegten Wegen im Datensatz enthalten. Bild 3 zeigt den auf FCD basierenden Quell- und Zielverkehr des Quartiers „Im Buchwald“ unter der Annahme von 1 % Deckung. Als Vergleich dargestellt ist der Quell- und Zielverkehr, berechnet anhand des Bosserhoff-Verfahrens und auf ein Jahr hochgerechnet. Das Bosserhoff-Verfahren (Prognose des Verkehrsaufkommens durch Vorhaben der Bauleitplanung) ist ein Verfahren zur Ermittlung des Verkehrsaufkommens eines Quartiers, anhand von Eingabedaten wie der Fläche oder der Einwohnerzahl. Es wird hauptsächlich für sich in Planung befindende Quartiere genutzt, kann aber auch in bestehenden Quartieren angewandt werden [5, 6]. PRAXIS + PROJEKTE Floating Car Data 54 2 · 2025 TR ANSFORMING CITIES DOI: 10.24053/ TC-2025-0044 [4] Bruwer, M.; Behrens, R.; Andersen, S. (2023): Commercial floating car data application in Sub-Saharan African transport planning contexts: A critical review and research agenda. In: Scientific African, Volume 20, July 2023, e01692. https: / / doi. org/ 10.1016/ j.sciaf.2023.e01692 [5] BBW Software (o.D.): Ver_Bau. https: / / bbwsoftware.de [6] Bosserhoff, D., Vogt, W. (2006), „Schätzung des Verkehrsaufkommens aus Kennwerten der Flächennutzung und des Verkehrs“, gehalten auf dem Deutschen Straßen- und Verkehrskongress 2006. https: / / verlag.fgsv-datenbanken.de/ media/ upload/ tagungsbaende/ FGSV_001_21/ FGSV_001_21-11.pdf Eingangsabbildung: © iStock.com/ Oselote noch nicht empfehlen. Es besteht Forschungsbedarf, insbesondere zur Beseitigung des Problems der Quartiersgrenzen und zur weiteren Validierung der Auswertungsergebnisse. In dieser Untersuchung wurde die Annahme getroffen, dass die Daten über alle Altersschichten, Einkommensschichten und Geschlechter in gleichem Maß erhoben wurden. Es besteht weiterer Forschungsbedarf, ob dies tatsächlich der Fall ist. Ist eine feinere Gliederung der untersuchten Personengruppen notwendig, sind FCD nicht geeignet. Mit vorliegender Analyse ist jedoch ein erster Schritt hin zu einer Nutzung von FCD in der Quartiersplanung getan. LITERATUR [1] Casey, L.; Singer, J.; Dreher, D.; Gaspers, L. (2024): Wärme -, Energie- und Mobilitätswende im Quartier. In: Transforming Cities, 1/ 2024, S. 15-20, https: / / doi.org/ 10.24053/ TC- 2024-0003 [2] Körner, M. (2011): Nutzungsmöglichkeiten von Floating Car Data zur Verkehrsflussoptimierung. In: Strobl, J.; Blaschke, T.; Griesebner, G.: Angewandte Geoinformatik (2011). S. 281- 386, VDE Verlag, Berlin/ Offenbach, ISBN 978-3-87907-508-9. [3] Lelke, T. (2023): Floating Car Data (FCD). https: / / blog.frankfurt-holm. de/ beitrag/ floating-car-data ein isoliertes Quartier und wird durch viele Grünflächen abgegrenzt, wobei „KW- Unterer Klingelbrunnen“ deutlich mehr direkt anliegende Straßen und Gebäude aufweist. Es ist davon auszugehen, dass dadurch die FCD beeinträchtigt werden. Das Quartier „Klingelbrunnen“ bietet viele Parkmöglichkeiten außerhalb des Quartiers, die alle fußläufig vom eigentlichen Quartier erreichbar sind. Nutzen die Bewohner: innen des Quartiers diese Parkmöglichkeiten werden ihre Wege als Durchgangsverkehr klassifiziert oder gar nicht erfasst. Dies wirkt sich auf die Daten des Quell- und Zielverkehrs aus und sorgt für einen Ganglinienverlauf, der nicht den realen Gegebenheiten entspricht. Dies hat zur Folge, dass die Quartiersabgrenzung deutliche Auswirkungen auf die Ergebnisse der FCD hat. Dies muss bei künftigen Auswertungen mit FCD berücksichtigt werden. Ergebnisse Die Darstellung des Quell- und Zielverkehrs in Quartieren kann in Quartieren unter bestimmten Bedingungen erfolgen. Tabelle 2 stellt die relevanten Kriterien dar, die sich in der vorliegenden Analyse herauskristallisiert haben. Bei Beachtung der genannten Kriterien und einer sinnvollen Wahl der Quartiersgrenzen können Auswertung von FCD hilfreich und als unterstützende Datenquelle zu anderen Auswertungen durchaus nützlich sein. Aufgrund der sehr variierenden Deckungen der jeweiligen Quartiere (0,3 % bis 4 %) können jedoch keine eindeutigen Aussagen getroffen werden. Zusätzlich eignet sich nicht jedes Quartier für eine Auswertung mithilfe von FCD. Hierbei können nicht alle vorgegebenen Quartiere ausgewertet werden oder liefern eine unzureichende Datenbasis. Ein weitflächiger Einsatz von FCD lässt sich zur Analyse des Quell- und Zielverkehrs Kriterium Erläuterungen Datenpaket Die Wahl des Untersuchungsraums beeinflusst die Ergebnisse. Die Aufzeichnung endet am Paketrand. Quartiersauswahl Größe und Wahl des untersuchten Quartiers innerhalb des Datenpakets beeinflussen Ergebnisse und Datenmenge. Eine klare Abgrenzung des Quartiers zu umliegenden Quartieren ist hilfreich. Saisonale Einflüsse Saisonale Einflüsse (z. B. Ferienzeiten) beeinflussen das Mobilitätsverhalten. Das Herausrechnen erfordert zusätzlichen Aufwand. Deckung der FCD Die Deckung der teilnehmenden Fahrzeuge variiert zwischen den jeweiligen Quartieren und entspricht nur einer kleinen Teilmenge aller Fahrzeuge. Konsistenz der Daten Ziel- und Quellverkehr können voneinander abweichen. Datenquelle Die Betrachtung von Mobilitätsapp und Onboard- Units kann getrennt erfolgen, um privaten und kommerziellen Verkehr zu vergleichen. Tabelle 2: Zu beachtende Aspekte bei der Nutzung von FCD AUTOR: INNEN Marco Kleibl, B. Eng., Schellingstr. 24 70174 Stuttgart Leo Casey, M. Eng., Akademischer Mitarbeiter, Schellingstr. 24 70174 Stuttgart [Korrespondenzautor] leo.casey@ hft-stuttgart.de Lutz Gaspers, Prof. Dr.-Ing., Professor für Verkehrsplanung und Sprecher MoVe, lutz.gaspers@ hft-stuttgart.de PRAXIS + PROJEKTE Floating Car Data 55 2 · 2025 TR ANSFORMING CITIES DOI: 10.24053/ TC-2025-0044