Die Sicherheit und das Wohlbefinden von Radfahrenden sind zentrale Aspekte moderner Stadtplanung. Linzer Forschende haben nun eine innovative Methode entwickelt, um Stress und potenzielle Gefahrenstellen im urbanen Radverkehr objektiv zu erfassen. Dabei kommen tragbare Sensoren und Künstliche Intelligenz (KI) zum Einsatz, die physiologische Daten der Radfahrer*innen in Echtzeit analysieren.
Mittels Machine Learning wird das umfangreiche Datenset ausgewertet, um Muster und Zusammenhänge zu erkennen. So lassen sich nicht nur einzelne gefährliche Stellen, sondern auch generelle Problemzonen im Verkehrsnetz präzise erfassen. Die gewonnenen Erkenntnisse ermöglichen es Stadtplaner*innen, gezielte Maßnahmen zur Verbesserung der Verkehrsführung und zur Erhöhung der Verkehrssicherheit zu entwickeln.
Dieses interdisziplinäre Forschungsprojekt verbindet Mobilitätsforschung, Psychophysiologie und Informatik und trägt dazu bei, die Städte nachhaltiger und lebenswerter zu gestalten. Die Erfassung des objektiven Stressniveaus bietet einen wichtigen Vorteil gegenüber klassischen Erhebungsmethoden, die oftmals auf subjektiven Befragungen basieren.
In Zeiten zunehmender Urbanisierung und wachsendem Fahrradverkehr gewinnt die präzise Identifikation von Stressfaktoren zunehmend an Bedeutung. Die Kombination aus Sensorik und KI ist damit ein vielversprechender Ansatz, um urbane Mobilität sicherer und attraktiver zu machen. Die Forschung aus Linz zeigt, wie innovative Technologien dabei helfen können, die Bedürfnisse von Radfahrenden besser zu verstehen und infrastrukturelle Verbesserungen datenbasiert umzusetzen.
Weiterführende Links
- https://www.uni-linz.at/forschung/sensorgestützte-mobilitätsanalyse
- https://www.stadtplanung.de/fahrradverkehr-sicherheit
- https://de.wikipedia.org/wiki/K%C3%BCnstliche_Intelligenz
- https://www.verkehrssicherheit.de/fahrradverkehr/stress-und-sicherheit
- https://www.urbanistik.de/mobilitaet-und-smart-city/