Voll oder nicht voll?
Elektronische Fahrgastinformationssysteme
Im Rhein-Main-Verkehrsverbund (RMV) können Fahrgäste über ein Piktogramm in einer App direkt sehen, wie hoch die Auslastung auf einer Fahrtstrecke sein wird.
Die prognostizierte Fahrzeugbelegung wird in Form eines Piktogramms in der Verbindungsauskunft der RMV-App angezeigt (Bild: Hacon).
In Folge der Corona-Pandemie sind die Fahrgastzahlen dramatisch zurückgegangen. Für Verkehrsunternehmen und -verbünde gehört es zu den größten Herausforderungen, das Vertrauen in den öffentlichen Verkehr wiederherzustellen und das größtmögliche Maß an Sicherheit für ihre Fahrgäste zu bieten. Neben der Einhaltung der AHA-Regeln lassen sich auch digitale Technologien nutzen, um Risikogruppen im ÖV besser zu schützen und gleichzeitig Mobilität zu ermöglichen. Basierend auf Big-Data-Technologien und selbstlernenden Algorithmen haben Hacon und Siemens Mobility eine Software zur Vorhersage der Passagierzahlen entwickelt, die seit September 2020 beim Rhein-Main-Verkehrsverbund (RMV) im Einsatz ist.
Über die RMV-App in und um Frankfurt werden Fahrgäste transparent darüber informiert, wie voll es auf ihrer beabsichtigten Fahrt wird: Mit jeder Verbindungsauskunft erkennt man auf einen Blick, wie hoch oder niedrig die Auslastung in Bus oder Bahn voraussichtlich sein wird. Auf diese Weise können die Fahrgäste ihre Fahrten entsprechend umplanen oder verschieben – so lassen sich größere Ansammlungen von Passagieren vermeiden.
Anders als im Fernverkehr kann der RMV nicht auf Reservierungsdaten zugreifen – die Prognose für das Fahrgastaufkommen basiert auf Verbindungsanfragen aus der RMV-Auskunft. Sämtliche Daten werden vollständig anonym genutzt und lassen keinerlei personenbezogene Rückschlüsse zu. Um die Prognosen zu kalibrieren, werden reale Zähldaten aus den Frankfurter U-Bahnen, Straßenbahnen, Bussen und der S-Bahn RheinMain herangezogen, die zur Genauigkeit der Schätzung beitragen. Damit ist der RMV in der Lage, mehrere Tage im Voraus die voraussichtlichen Auslastungen der jeweils abgefragten Verbindungen an die Fahrgäste zurückzumelden. Zusätzlich berücksichtigt der selbstlernende Algorithmus in seiner Prognose auch planbare externe Einflüsse wie Baustellen und etwaige Großveranstaltungen. Mit fortschreitender Zeit und steigender Datenmenge werden die Voraussagen für das Fahrgastaufkommen immer präziser.
