Maschinelles Lernen in Micromobilität: Daten, Methoden & Anwendungen

Micromobilitätssysteme – darunter Fahrräder, E‑Bikes und E‑Scooter – haben sich zu einem unverzichtbaren Bestandteil des urbanen Verkehrs entwickelt. Sie helfen, Staus zu reduzieren, die Luftqualität zu verbessern und die Transportkosten zu senken. Damit diese Systeme jedoch ihre volle Wirkung entfalten, müssen sie effizient gestaltet, ihre Umweltbelastung minimiert und technische Herausforderungen für die Sicherheit der Nutzer überwunden werden.

Maschinelles Lernen (ML) ist dabei ein entscheidender Treiber. Trotz der wachsenden Bedeutung von ML in der Micromobilität gibt es bislang nur wenige systematische Untersuchungen, die sich speziell mit den dortigen Anwendungsfällen befassen. Die vorliegende Übersicht schließt diese Lücke, indem sie sämtliche relevanten Datensätze, ML‑Techniken und deren konkrete Einsatzgebiete zusammenfasst.

Zunächst werden umfangreiche Micromobilitäts‑Datensätze gesammelt und hinsichtlich ihrer räumlichen, zeitlichen und feature‑basierten Eigenschaften analysiert. Anschließend folgt ein detaillierter Überblick über die in diesem Bereich eingesetzten ML‑Modelle, wobei deren Vorteile, Herausforderungen und typische Anwendungsfälle beleuchtet werden.

Die Analyse deckt zentrale ML‑Anwendungen auf, wie etwa die Vorhersage der Nachfrage, das Energiemanagement und die Sicherheit. Ziel ist es, die Effizienz, Genauigkeit und das Nutzererlebnis zu verbessern. Abschließend werden zukünftige Forschungsrichtungen skizziert, die dazu beitragen sollen, die Micromobilität weiter zu optimieren und die Rolle von ML darin zu stärken.