Please use this identifier to cite or link to this item: https://doi.org/10.21256/zhaw-4215
Full metadata record
DC FieldValueLanguage
dc.contributor.authorWidmer, Paul-
dc.contributor.authorBuhl, Thomas-
dc.contributor.authorRuckstuhl, Andreas-
dc.contributor.authorDettling, Marcel-
dc.contributor.authorRüeger, Sina-
dc.date.accessioned2018-04-04T14:04:50Z-
dc.date.available2018-04-04T14:04:50Z-
dc.date.issued2011-
dc.identifier.urihttps://digitalcollection.zhaw.ch/handle/11475/4775-
dc.description.abstractUnter Data Mining versteht man im engeren Sinn das systematische (in der Regel automatisierte oder halbautomatisierte) Entdecken und Extrahieren von vorher unbekannten statistischen Informationszusammenhängen aus grossen Datenmengen. Im deutschen Sprachgebrauch steht Data Mining oft für den ganzen Analyse-Prozess, der auch die Vorbereitung der Daten sowie die Bewertung der Resultate umfasst. Data Mining wird in verschiedenen Bereichen erfolgreich eingesetzt. Anwendungsbeispiele aus schweizerischen Verkehrsplanungen fehlen aber bisher weitgehend. Ziel der Forschungsarbeit war es, den praktisch tätigen Verkehrsplaner mit dem Prozess und den Methoden von Data Mining vertraut zu machen und die Möglichkeiten von Data Mining als Hilfsmittel in der Verkehrsplanung auszuloten. Data Mining wird als iterativer, lernender Prozess dargestellt, in welchem die Phasen von der Fragestellung über das Sammeln und Aufbereiten der Daten, die Modellierung und die Auswertung der Ergebnisse bis zu deren Umsetzung in die Praxis mehrfach durchlaufen werden. In dieser Arbeit wird dieser Prozess genauer beschrieben und ein Überblick über eine Auswahl von Methoden, die in der Modellierung verwendet werden, gegeben. Beispiele aus der Literatur illustrieren das breite Anwendungsspektrum von Data Mining in der Verkehrsplanung (z.B. Verkehrserzeugung, Autobesitz, Verkehrsmittel- und Routenwahl oder Klassifikation von Mobilitätsmustern). Bei den beschriebenen Beispielen handelt es sich um Forschungsarbeiten. Deren Ergebnisse haben noch kaum breiten Eingang in die Praxis gefunden. An Fallbeispielen wird demonstriert, wie Data Mining in der Praxis angewendet werden kann. Als Datensätze werden der Mikrozensus Verkehr 2005 und Raumstrukturdaten des Bundesamtes für Statistik verwendet. Die Fallbeispiele behandeln die Analyse der Häufigkeit von Wegeketten, die Vorhersage der Anzahl Wegeketten pro Person und Tag, die Klassifikation nach Mobilitätstypen sowie die Vorhersage des Mobilitätstyps einer Person aufgrund sozio-demographischer Merkmale und Raumstrukturinformationen zu den Wohn- und Zielorten. Aus der grossen Vielfalt von Software-Lösungen für Data Mining wird eine Auswahl proprietärer und frei verfügbarer Pakete, welche für den Einsatz in der Verkehrsplanung als grundsätzlich geeignet beurteilt werden, grob und ohne Wertung beschrieben. Die Studie kommt zum Schluss, dass Data Mining in der Verkehrsplanung sicher nutzbringend anwendbar ist, dass aber nicht – wie vielleicht erhofft – automatisch auf alle Fragen gute Antworten erwartet oder ohne Dazutun des Anwenders aus vorhandenen Datensätzen neue Erkenntnisse gewonnen werden können. Empfehlenswerte Einsatzgebiete für Data Mining in der Verkehrsplanung sind beispielsweise: Klassifikation, z.B. des Mobilitätsverhaltens, Visualisierung komplexer mehrdimensionaler Datensätze zum raschen Erkennen von Mustern resp. Clustern, rasche und automatische Erkennung der (aus statistischer Sicht) wichtigsten Prädikatorendes Mobilitätsverhaltens, Analyse der Entscheidungsprozesse, z.B. bei der Verkehrsteilnahme. Zusammenhänge, die mit Data Mining Methoden extrahiert werden, sind grundsätzlich Daten-getrieben und müssen keine Kausalitäten widerspiegeln. Deshalb wird empfohlen, aus Kausalitätsüberlegungen abgeleitete Modelle weiterhin mit statistischen Methoden an die Daten anzupassen. Konventionelle Modellansätze und Data Mining sollen als sich ergänzende und gegenseitig unterstützende Methoden eingesetzt werden. Um Data Mining zukünftig auch in der Verkehrsplanung nutzbringend einsetzen zu können, bedarf es keiner weiteren Random Forest Forschung. Vielmehr sind möglichst viele praktische Anwendungen erwünscht, mit denen Verkehrsplaner und Data Mining Experten in interdisziplinärer Zusammenarbeit Erfahrungen sammeln und weitergeben können.de_CH
dc.language.isodede_CH
dc.publisherBundesamt für Strassende_CH
dc.relation.ispartofseriesForschungsberichte SVIde_CH
dc.rightsLicence according to publishing contractde_CH
dc.subjectMobilitätstypende_CH
dc.subjectRandom Forestde_CH
dc.subjectVerkehrsplanungde_CH
dc.subjectData Mining Prozessde_CH
dc.subject.ddc380: Kommunikation und Verkehrde_CH
dc.titleNeue Erkenntnisse zum Mobilitätsverhalten dank Data Miningde_CH
dc.typeWorking Paper – Gutachten – Studiede_CH
dcterms.typeTextde_CH
zhaw.departementSchool of Engineeringde_CH
zhaw.organisationalunitInstitut für Datenanalyse und Prozessdesign (IDP)de_CH
zhaw.publisher.placeIttigende_CH
dc.identifier.doi10.21256/zhaw-4215-
zhaw.funding.euNode_CH
zhaw.originated.zhawYesde_CH
zhaw.series.number1365de_CH
zhaw.webfeedDigital Mobilityde_CH
Appears in collections:Publikationen School of Engineering

Files in This Item:
File Description SizeFormat 
2011_Neue_Erkenntnisse_Mobilitätsverhalten_Data_Mining_Forschungsbericht.pdf7.1 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.