SINUS: Sensor Integration for Urban Risk Prediction

Im Projekt SINUS wurde die Möglichkeit erforscht, mobile Humansensorik mit heterogenen Datenschnittstellen urbaner Datenökosysteme so zu verknüpfen, dass dadurch verbesserte Prognosen von Verkehrsrisiken für Radfahrer:innen und Fußgänger:innen in städtischen Straßennetzen ermöglicht werden. Durch die Zusammenführung vormals isolierter Datenquellen in einem Prognosemodell sollte das Auftreten von Verkehrsrisiken in trainierbaren, differenzierten verkehrlichen Standardsituationen mit hoher räumlicher und zeitlicher Auflösung prognostiziert werden können. Derartige Risikoprognosen sollen dazu beitragen, den städtischen Straßenverkehr für Radfahrer:innen und Fußgänger:innen sicherer zu gestalten.

In der Stadt Salzburg, welche als Testfeld für das Projekt diente, wurden so über mehrere Monate Stressmomente von Radfahrenden erfasst und zusammen mit Unfalldaten, Wetterdaten, Infrastrukturdaten und einem Simulationsmodell für Radfahrer:innen und Fußgänger:innen als Eingangsparameter für das Training eines Modells zur Risikoprognose genutzt. Anhand dieses Modells wurde ein Web-Service entwickelt, der für eine abgefragte Zeit und Straßenkante eines digitalen Straßennetzgraphen eine Risikobewertung ausgibt. Das Modell wurde anhand der Daten der Stadt Salzburg trainiert und kann auch für Städte mit vergleichbaren infrastrukturellen Rahmenbedingungen eingesetzt werden.

Das entwickelte Modell wurde im Rahmen von zwei Demonstratoren erprobt: Ein Smart-City-Dashboard, über welches die Risikobewertungen eines Straßennetzes betrachtet werden können und in dem verschiedene planerische Szenarien und deren Auswirkungen auf das prognostizierte Risiko getestet werden können, sowie eine Smartphone-basierte Warnapplikation für Radfahrende, welche bei Annäherung an einen Straßenabschnitt mit hoher Risikobewertung entsprechende Warnsignale an Nutzer:innen übermittelt. In einer Studie mit 14 Teilnehmer:innen wurden verschiedene Möglichkeiten (haptisch, visuell, auditiv) zur Signalisierung von Radfahrenden verglichen und bewertet. Dabei hat sich gezeigt, dass mit akustischen Warnungen die beste Wahrnehmbarkeit und geringste Ablenkung von Radfahrenden erzielt werden konnte.

Die Anwendbarkeit des entwickelten Prognosemodells und der daraus abgeleiteten Risikowarnungen und deren Akzeptanz, sowie Auswirkungen auf das Fahrverhalten wurden in einer abschließenden Evaluierungsstudie mit 40 Proband:innen untersucht. Die übermittelten Risikohinweise hatten im Allgemeinen nur sehr geringen Einfluss auf das Fahrverhalten der Proband:innen. 57 % der Proband:innen gaben jedoch an, dass ihr Situationsbewusstsein durch die Warnungen gesteigert wurde, und eine Mehrheit empfand die Warnungen als hilfreich (62 %) und nachvollziehbar (67 %). Negative Effekte der Warnmeldungen während der Fahrt, etwa zusätzliche Verunsicherung oder erhöhten Stress für Radfahrende, konnten hingegen nicht festgestellt werden.

• Trafficon – Traffic Consultants GmbH
• Kompetenzzentrum – Das Virtuelle Fahrzeug Forschungsgesellschaft mbH
• Know-Center GmbH
• Universität Salzburg, Interfakultärer Fachbereich für Geoinformatik – Z_GIS
• Spatial Services GmbH