Verstehen der Nutzung von Fahrrad-Sharing-Systemen mit Statistiken

Fahrrad-Sharing-Systeme (BSS) sind in vielen Großstädten der Welt ein beliebtes Transportsystem. BSSs bieten nicht nur eine bequeme und umweltfreundliche Fortbewegungsart, sondern tragen auch zur Reduzierung von Verkehrsstaus bei. Außerdem können Fahrräder an einem Hafen gemietet und an einem anderen Hafen zurückgegeben werden. Trotz dieser Vorteile können sich BSS jedoch nicht allein darauf verlassen, dass ihre Nutzer die Verfügbarkeit von Fahrrädern in allen Häfen jederzeit aufrechterhalten. Das liegt daran, dass viele Radreisen nur in eine Richtung gehen, was an manchen Häfen zu einem Überangebot an Fahrrädern und an anderen zu einem Mangel an Fahrrädern führt.

Dieses Problem wird im Allgemeinen durch ein Rebalancing gelöst, bei dem spezielle LKWs strategisch geschickt werden, um überschüssige Fahrräder zu anderen Häfen zu verlagern, wo sie benötigt werden. Effizientes Rebalancing ist jedoch ein eigenes Optimierungsproblem, und Professor Tohru Ikeguchi und seine Kollegen von der Tokyo University of Science, Japan, haben viel Arbeit darauf verwendet, optimale Rebalancing-Strategien zu finden. In einer Studie aus dem Jahr 2021 schlugen sie eine Methode vor, Touren in relativ kurzer Zeit optimal auszubalancieren. Die Forscher überprüften die Leistung ihres Algorithmus jedoch nur anhand zufällig generierter Ports als Benchmarks, die möglicherweise nicht die Bedingungen von BSS-Ports in der realen Welt widerspiegeln.

Zu diesem Thema hat Prof. Ikeguchi kürzlich zusammen mit Ph.D. Studentin Frau Honami Tsushima, um realistischere Benchmarks zu finden. In ihrem Artikel veröffentlicht in Nichtlineare Theorie und ihre Anwendungen, IEICEversuchten die Forscher, diese Benchmarks zu erstellen, indem sie den tatsächlichen Nutzungsverlauf von gemieteten und zurückgegebenen Fahrrädern in echten BSSs statistisch analysierten. „Bike-Sharing-Systeme könnten in Zukunft weltweit zum bevorzugten öffentlichen Verkehrssystem werden. Es ist daher ein wichtiges Thema, das in unseren Gesellschaften angegangen werden muss“, erklärt Prof. Ikeguchi.

Die Forscher verwendeten öffentlich verfügbare Daten von vier echten BSSs in vier großen Städten in den USA: Boston, Washington DC, New York City und Chicago. Mit Ausnahme von Boston haben diese Städte jeweils über 560 Häfen für eine Gesamtzahl von Fahrrädern in die Tausende.

Zunächst ergab eine vorläufige Analyse, dass in allen vier BSSs in allen Monaten des Jahres ein Überschuss und ein Mangel an Fahrrädern auftrat, was die Notwendigkeit eines aktiven Ausgleichs bestätigte. Als nächstes versuchte das Team, die zeitlichen Muster von ausgeliehenen und zurückgegebenen Fahrrädern zu verstehen, für die es die protokollierten Ausleih- und Rückgabeereignisse als „Punktprozesse“ behandelte.

Die Forscher analysierten beide Punktprozesse unabhängig voneinander mit drei Ansätzen, nämlich Rasterplots, Variationskoeffizient und lokale Variation. Raster-Plots halfen ihnen, periodische Nutzungsmuster zu finden, während Variationskoeffizient und lokale Variation es ihnen ermöglichten, die globalen bzw. lokalen Variabilitäten der zufälligen Intervalle zwischen aufeinanderfolgenden Fahrradmiet- oder -rückgabeereignissen zu messen.

Die Analysen der Rasterplots lieferten nützliche Erkenntnisse darüber, wie die vier BSSs in ihren jeweiligen Städten verwendet wurden. Die meisten Fahrräder wurden tagsüber und weniger nachts benutzt, wodurch ein periodisches Muster entstand. Interessanterweise stellte das Team anhand der Analysen der lokalen Variation fest, dass die Nutzungsmuster zwischen Wochentagen und Wochenenden ähnlich waren, was den Ergebnissen früherer Studien widerspricht. Schließlich zeigten die Ergebnisse, dass die statistischen Merkmale der zeitlichen Muster von gemieteten und zurückgegebenen Fahrrädern nur in New York City einem Poisson-Prozess – einer umfassend untersuchten Zufallsverteilung – folgten. Angesichts des ursprünglichen Ziels des Forschungsteams war dies ein wichtiger Fund. „Wir können jetzt realistische Benchmark-Instanzen erstellen, deren zeitliche Muster von ausgeliehenen und zurückgegebenen Fahrrädern dem Poisson-Prozess folgen. Dies kann wiederum dazu beitragen, das Fahrrad-Rebalancing-Modell zu verbessern, das wir in unserer früheren Arbeit vorgeschlagen haben“, erklärt Prof. Ikeguchi.

Insgesamt ebnet diese Studie den Weg zu einem tieferen Verständnis dafür, wie Menschen BSS verwenden. Darüber hinaus soll es durch weitere detaillierte Analysen möglich sein, Einblicke in komplexere Aspekte des menschlichen Lebens zu gewinnen, wie Prof. Ikeguchi anmerkt, dass sie „glauben, dass die Analyse von BSS-Daten nicht nur zu einem effizienten Bikesharing, sondern auch zu einem besseren führen wird Verständnis der sozialen Dynamik der menschlichen Bewegung.“

In jedem Fall wird die Gestaltung von BSS zu einer effizienteren und attraktiveren Option hoffentlich dazu führen, dass ein größerer Prozentsatz der Menschen das Fahrrad als bevorzugtes Transportmittel wählt.