Eine skalierbare Plattform zur intermodalen Erreichbarkeitsanalyse im öffentlichen Verkehr unter Einbeziehung von Shared Mobility

Klose, Markus et al. Article — Published Version Eine skalierbare Plattform zur intermodalen Erreichbarkeitsanalyse im öffentlichen Verkehr unter Einbeziehung von Shared Mobility HMD Praxis der Wirtschaftsinformatik Provided in Cooperation with: Springer Nature Suggested Citation: Klose, Markus et al. (2025) : Eine skalierbare Plattform zur intermodalen Erreichbarkeitsanalyse im öffentlichen Verkehr unter Einbeziehung von Shared Mobility, HMD Praxis der Wirtschaftsinformatik, ISSN 2198-2775, Springer Fachmedien Wiesbaden GmbH, Wiesbaden, Vol. 62, Iss. 4, pp. 799-816, https://doi.org/10.1365/s40702-025-01189-1 This Version is available at: https://hdl.handle.net/10419/330618 Standard-Nutzungsbedingungen: Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert und kopiert werden. Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich machen, vertreiben oder anderweitig nutzen. Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen (insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten, gelten abweichend von diesen Nutzungsbedingungen die in der dort genannten Lizenz gewährten Nutzungsrechte. Terms of use: Documents in EconStor may be saved and copied for your personal and scholarly purposes. You are not to copy documents for public or commercial purposes, to exhibit the documents publicly, to make them publicly available on the internet, or to distribute or otherwise use the documents in public. If the documents have been made available under an Open Content Licence (especially Creative Commons Licences), you may exercise further usage rights as specified in the indicated licence. https://creativecommons.org/licenses/by/4.0/deed.de SCHWERPUNKT https://doi.org/10.1365/s40702-025-01189-1 HMD Praxis der Wirtschaftsinformatik (2025) 62:799–816 Eine skalierbare Plattform zur intermodalen Erreichbarkeitsanalyse im öffentlichen Verkehr unter Einbeziehung von Shared Mobility Markus Klose · Moritz Harnisch · Erik Schubert · Felix Heizler · Roman Tilly · Thomas Buder · Fabian Schwarzenberger · Maik Thiele Eingegangen: 17. Januar 2025 / Angenommen: 16. Mai 2025 / Online publiziert: 1. Juli 2025 © The Author(s) 2025 Zusammenfassung Die Integration fahrplanund nachfragebasierter Mobilitätsangebote stellt eine zentrale Herausforderung für die Analyse und Planung intermodaler Verkehrssysteme dar. Dieser Beitrag präsentiert eine skalierbare Plattform, die Daten aus dem öffentlichen Verkehr, wie Bus und Bahn, mit modernen Shared-Mobility-Diensten, wie Leihfahrrädern, Carsharing und E-Scootern, verbindet. Ziel ist die Entwicklung einer holistischen Datenarchitektur, die eine umfassende Analyse der Erreichbarkeit ermöglicht. Erreichbarkeit beschreibt in diesem Kontext, wie gut Personen von einem bestimmten Ort aus innerhalb einer festgelegten Zeitspanne andere Orte erreichen können. Der Ansatz umfasst die Transformation von Fahrplandaten in ein Property-Graph-Modell sowie die flexible Integration nachfragebasierter Datenformate in ein dokumentbasiertes Modell. Eine auf Isochronen basierende Metrik wird entwickelt, um regionale und überregionale Erreichbarkeiten zu bewerten. Anhand von Anwendungsfällen, darunter Infrastrukturänderungen und What-if-Analysen, wird gezeigt, wie datengetriebene Entscheidungen zur Verbesserung der Mobilität getroffen werden können. Schlüsselwörter Intermodale Mobilität · Erreichbarkeitsmetriken · Offene Daten · Property-Graph-Modell · Datenintegration · What-if-Analysen Markus Klose · Moritz Harnisch · Erik Schubert · Thomas Buder · Fabian Schwarzenberger · Maik Thiele Hochschule für Technik und Wirtschaft Dresden, Friedrich-List-Platz 1, 01069 Dresden, Deutschland E-Mail: [email protected] Felix Heizler · Roman Tilly Deutsches Zentrum für Schienenverkehrsforschung beim Eisenbahn-Bundesamt, Dresden, Deutschland K 800 M. Klose et al. Abstract The integration of timetable-based and demand-based mobility services is a key challenge for the analysis and planning of intermodal transportation systems. This paper presents a scalable platform that combines data from public transportation, such as buses and trains, with modern shared mobility services, such as rental bikes, car sharing, and e-scooters. The aim is to develop a holistic data architecture that enables a comprehensive analysis of reachability. In this context, reachability describes how well people can reach other places from a specific location within a specified period of time. The approach includes the transformation of timetable data into a property graph model and the flexible integration of demand-based data formats into a document-based model. An isochrone-based metric will be developed to assess regional and interregional reachability. Use cases, including infrastructure changes and what-if analyses, demonstrate how data-driven decisions can be made in order to improve mobility. Keywords Intermodal mobility · Accessibility metrics · Open data · Property graph model · Data integration · What-if analyses 1 Einleitung In einer zunehmend vernetzten und mobilen Gesellschaft spielt die Erreichbarkeit im Sinne des Personenverkehrs eine zentrale Rolle bei der Bewertung der Standortqualität und der verkehrlichen Planung nachhaltiger Mobilitätslösungen. Offene Mobilitätsangebote, wie der öffentliche Personenverkehr (ÖPV) und moderne Sharing-Angebote, gelten als nachhaltig – sowohl in ökologischer als auch in sozialer und ökonomischer Hinsicht. Deshalb ist es von öffentlichem Interesse, ein attraktives und umfassendes Mobilitätsangebot für die deutschlandweite Nutzung bereitzustellen, das verschiedenen Nutzergruppen eine effiziente und nachhaltige Fortbewegung ermöglicht. Da sich Verkehrswissenschaftlerinnen zunehmend mit einem Anstieg von verfügbaren planungsrelevanten Datenmengen konfrontiert sehen, gewinnt der Aspekt des effizienten Managements dieser Daten als Voraussetzung für eine möglichst effektive und erfolgreiche Schaffung von Mobilitätsangeboten an Bedeutung. Insbesondere die Verfügbarkeit und freie Bereitstellung von Mobilitätsdaten, die sowohl fahrplangebundenen als auch nachfragebasierten Angeboten entstammen, bietet eine Chance, die Verbindungen zwischen beliebigen Orten in Deutschland zu verschiedenen Tageszeiten zu analysieren. Solche Analysen sind essenziell, um eine datenbasierte Grundlage für die Verbesserung des Mobilitätsangebots zu schaffen. Dies umfasst zum einen die Planung von Fahrplänen und den Ausbau von Verkehrsinfrastrukturen und zum anderen die Bereitstellung und Integration nachfragebasierter Verkehrsmittel, um den Nutzern flexible und nahtlose Mobilitätsoptionen zu bieten. Der Umfang dieser frei verfügbaren Mobilitätsdaten stellt Anwender jedoch vor große Herausforderungen mit Hinblick auf das zugehörige Datenmanagement. Zudem muss geklärt werden, in welcher Form diese Daten potenziellen Verkehrsplanerinnen zur Verfügung gestellt werden können, um die Weiterentwicklung von Mobilitätsangeboten tatsächlich effektiv zu unterstützen. K Eine skalierbare Plattform zur intermodalen Erreichbarkeitsanalyse im öffentlichen Verkehr... 801 Der hier vorgestellte Ansatz verfolgt das Ziel, eine flexible und skalierbare Plattform zu entwickeln, die als Datenbasis für Erreichbarkeitsanfragen zum intermodalen Verkehr in Deutschland dienen soll. Dabei werden neben Fahrplandaten von traditionellen öffentlichen Verkehrsmitteln, wie Straßenbahn, Bus und Zug, auch Verfügbarkeiten moderner Sharing-Dienste, wie Leihfahrräder, Carsharing oder E-Scooter, in die Plattform integriert und dort analysiert. Diese umfassende Betrachtung ermöglicht es, ein ganzheitliches Bild der intermodalen Mobilität zu gewinnen, das den tatsächlichen Mobilitätsbedürfnissen der Nutzer entspricht. Im Rahmen dieser Analysen stellen sich grundlegende Fragen nach einem geeigneten Maß für die Erreichbarkeit, das beispielsweise als Erreichbarkeitsindex pro Ort oder pro Verbindung zweier Orte definiert werden kann. Diese Metriken können dann als Entscheidungsgrundlage für die Verkehrsplanung herangezogen werden, beispielsweise zur Anpassung von Fahrplänen oder zur Identifikation von Regionen mit unzureichender Anbindung. Gleichzeitig muss jedoch untersucht werden, ob der Umfang und die Qualität der offenen Daten ausreichen, um diese komplexen Fragestellungen zufriedenstellend zu beantworten. Bezüglich der oben genannten Anforderungen leistet diese Publikation drei wesentliche Beiträge: Es wird ein skalierbares Konzept entwickelt, das die Integration und Verknüpfung von Daten aus fahrplangebundenen und nachfragebasierten Mobilitätsangeboten ermöglicht. Dies umfasst sowohl traditionelle öffentliche Verkehrsmittel, wie Straßenbahn, Bus und Zug, als auch moderne Sharing-Dienste wie Leihfahrräder, Carsharing und E-Scooter. Es wird eine intermodale Erreichbarkeitsmetrik vorgestellt, die verschiedenste Mobilitätsangebote berücksichtigt, und die sowohl für lokale als auch überregionale Analysen geeignet ist. Ebenso wird die Vielfalt bereits existierender Metriken in der Literatur reflektiert. Es werden verschiedene Anwendungsfälle vorgestellt, in denen beispielhafte Erreichbarkeitsanalysen auf der entwickelten Datenarchitektur umgesetzt werden, um datenbasierte Entscheidungen in der Verkehrsplanung zu realisieren. Aufbau der Arbeit Kapitel 2beschreibt die Datenarchitektur zur Integration intermodaler Mobilitätsdaten. Dazu gehört die Transformation von Fahrplandaten in ein Property-Graph-Modell sowie die flexible Integration nachfragebasierter Mobilitätsdaten. Nach einem Überblick über verwandte Arbeiten und verschiedene Definitionen von Erreichbarkeit widmet sich Kapitel 3der Entwicklung und Anwendung einer auf Isochronen basierenden Erreichbarkeitsmetrik, die für lokale und überregionale Analysen geeignet ist. In Kapitel 4werden exemplarische Anwendungsfälle präsentiert, welche die praktische Nutzung der Plattform für datengetriebene Verkehrsplanungen und What-if-Analysen illustrieren. Abschließend wird in Kapitel 5 die Arbeit zusammengefasst und ein Ausblick auf mögliche zukünftige Entwicklungen gegeben. K 802 M. Klose et al. Abb. 1 Schematische Darstellung der Datenarchitektur zur Integration und Analyse intermodaler Mobilitätsdaten 2 Datenarchitektur zur Integration intermodaler Mobilitätsdaten Die in diesem Beitrag angestrebte holistische Betrachtung fahrplanund nachfragebasierter Mobilitätsdienstleistungen erfordert eine gemeinsame, integrierte Datenplattform, welche schematisch in Abb. 1dargestellt ist und im Folgenden erläutert wird. 2.1 Überführung des DELFI-Datensatzes in das Property-Graph-Modell von Neo4j Eine zentrale Datenbasis für Fahrplansolldaten entsteht durch die Arbeit des DELFI e.V.1, der die Fahrplansolldaten aller bundesweiten Landesauskunftssysteme aggregiert, in einem Datenpool zusammenführt und diese wöchentlich aktualisiert bereitstellt. Die Daten enthalten umfassende Informationen zu Haltestellennamen und Geokoordinaten, Fahrplänen, Anbietern, sowie Verkehrsmitteln, darunter die Deutsche Bahn und verschiedene regionale Verkehrsverbünde. Neben den genannten Informationen umfassen die Daten unter anderem Wegzeiten innerhalb von Bahnhöfen sowie Angaben zu deren Ausund Eingängen, z.B. „Berlin Hauptbahnhof“ und „Berlin Hauptbahnhof (tief)“. Die Daten werden im XML-basierten Network Timetable Exchange (NeTEx)-Format bereitgestellt (Beck et al. 2017). Um diese fahrplanbasierten Informationen effizient analysieren und abfragen zu können, werden die NeTEx-Daten in Schritt 1 in ein Property-Graph-Modell überführt, in dem Haltestellen als Knoten und Verbindungen als Kanten modelliert werden. Eigenschaften von Knoten und Kanten, wie Haltestellennamen, Koordinaten von Haltestellen bzw. Typ, Abfahrtszeit und Dauer einer Verbindung, können kom1Durchgängige Elektronische Fahrgastinformation, Eigenbeschreibung auf http://www.delfi.de: „DELFI ist ein Kooperationsnetzwerk aller Bundesländer und weiterer Partner und schafft die technischen Voraussetzungen zur Beauskunftung länderübergreifender Reiseketten.“ K Eine skalierbare Plattform zur intermodalen Erreichbarkeitsanalyse im öffentlichen Verkehr... 803 pakt als Key-Value-Paare direkt an den jeweiligen Knoten und Kanten gespeichert werden. Aufgrund des hohen Detaillierungsgrads der NeTEx-Daten ist es erforderlich, Knoten mit identischen Namen zu deduplizieren (z.B. „Berlin Hbf“). Darüber hinaus müssen Relationen mit hoher Kardinalität, die in NeTEx häufig durch Verweise dargestellt werden, für die Verwendung in der Graphdatenbank entpackt und redundant abgelegt werden. Um die Anzahl der Kanten in stark frequentierten Gebieten zu reduzieren, werden Fahrten als JSON-Strings direkt an den Kanten gespeichert. Der Import des Graphen in die Neo4j-Datenbank erfolgt über die Erstellung von CSV-Dateien, die mithilfe der LOAD CSV-Funktion von Cypher eingelesen werden. Dabei minimieren MERGEund UNWIND-Statements die Abfragekosten und ermöglichen einen effizienten Datenimport. Der Graph besteht aus etwa 308.000 Haltestellen (bis auf wenige Ausnahmen allesamt in Deutschland) und 765.000 Kanten, d.h. Direktverbindungen zwischen zwei Haltestellen. 2.2 Integration der Shared-Mobility-Daten Nachfragebasierte Verkehrsmittel unterscheiden sich fundamental von fahrplanbasierten Verkehrsmitteln. Während die fahrplanbasierten Verkehrsmittel in der Regel einem Fahrplan folgen, ist die Verfügbarkeit von Shared-Mobility-Angeboten nicht deterministisch, sofern diese überhaupt am betreffenden Ort bereitstehen. Für die Verfügbarkeit ist ebenso relevant, wie weit das Fahrzeug vom aktuellen Standort eines Reisenden und von eventuellen Zwischenhalten entfernt ist. Es ist auch zu beachten, ob das Shared-Mobility-Fahrzeug am Zielort oder an eventuellen Zwischenhalten abgestellt werden darf. Aufgrund der flexiblen und nicht vorhersehbaren Bewegung der nachfragebasierten Verkehrsmittel ist deren Integration in den Property Graph aus Schritt 1 nicht sinnvoll. Dennoch müssen diese für weiterführende Analysen erfasst und an einem zentralen Ort zusammengeführt werden. Da die einzelnen Shared-Mobility-Anbieter ihre Daten in unterschiedlichen Formaten bereitstellen, wurde im Sinne einer Staging Area (Kimball and Caserta 2004)ein schemaflexibles dokumentbasiertes Datenmodell unter der Verwendung von MongoDB gewählt (Schritt 2). Für jeden Shared-Mobility-Anbieter wird eine eigene Collection angelegt, in der die Daten als JSON-Dokumente gespeichert werden. Jede Collection repräsentiert also die Daten eines bestimmten Shared-Mobility-Anbieters, was eine klare Trennung und dennoch flexible Handhabung der unterschiedlichen Datenformate ermöglicht. Die in Listing 1gezeigte JSON-Struktur dokumentiert einen Einzeldatensatz über die Verfügbarkeit von Fahrrädern des Anbieters nextbike zu einem bestimmten Zeitpunkt und an einem bestimmten Ort. Neben der automatisierten Generierung einer eindeutigen ID durch MongoDB (Feld _id) enthält das Dokument einen Zeitstempel (date), Koordinaten des Standortes im WGS84-Format (point bestehend aus Längengrad und Breitengrad), sowie die Anzahl verfügbarer Fahrräder (bike_count)an diesem Ort zum angegebenen Zeitpunkt. Die Verwendung eines solchen schemalosen Dokumentformats erlaubt eine hohe Flexibilität bei der Erfassung weiterer Merkmale, wie z.B. Fahrzeugtyp, Ladezustand bei E-Fahrzeugen oder Tarifinformationen, sofern diese vom jeweiligen Anbieter bereitgestellt werden. Gleichzeitig lassen sich auf Basis dieser historischen K 804 M. Klose et al. Daten Verfügbarkeitsmuster extrahieren, etwa durch Aggregationen nach Tageszeit, Wochentag oder Standortclustern. Zur effizienten Weiterverarbeitung und Analyse werden diese Rohdaten regelmäßig in standardisierte Zwischenformate überführt, wobei insbesondere für jede Haltestelle des fahrplanbasierten ÖPV geprüft wird, wie häufig in deren Umgebung Shared-Mobility-Angebote beobachtet wurden. Dadurch können Wahrscheinlichkeitsverteilungen über die Verfügbarkeit dieser Angebote erstellt werden, die wiederum in die späteren Berechnungen der Erreichbarkeitsmetriken einfließen. So kann beispielsweise modelliert werden, mit welcher Wahrscheinlichkeit ein Reisender an einer Haltestelle innerhalb einer bestimmten Zeitspanne ein Fahrrad oder einen E-Scooter vorfindet. Listing 1: Darstellung eines Beispieldatensatzes aus der MongoDB vom Anbieter nextbike 1{ 2 ”_id”: { 3 ”$oid”: ”67d98754a4f193451b2dccc6” 4}, 5 ”date”: ”2024-09-09-12:54:10”, 6 ”point”: [ 7 7.110312, 8 50.540814 9], 10 ”bike_count”: 5 11 } 2.3 Analyse der Shared-Mobility-Daten In Schritt 3 werden die verschiedenen Daten der Verfügbarkeit nachfragebasierter Verkehrsmittel zusammengefasst, analysiert, und schließlich in Verteilungen von Verfügbarkeitswahrscheinlichkeiten übersetzt. Dabei wird für die Umgebungen aller Haltestellen von fahrplanbasierten Verkehrsmitteln über Monate hinweg beobachtet, wann, wo und wieviele Shared-Mobility-Fahrzeuge der verschiedenen Anbieter verfügbar sind. Mithilfe dieser Daten werden Modelle angepasst, die in Abhängigkeit von Ort, Tageszeit und Wochentag eine Wahrscheinlichkeitverteilung für die Anzahl der verfügbaren Shared-Mobility-Fahrzeuge bereitstellen. Diese Analysen sollen Aufschluss darüber geben, wie hoch die Wahrscheinlichkeit ist, dass ein bestimmtes Fahrzeug zu einer bestimmten Zeit an einem bestimmten Ort verfügbar ist. Derartige Daten sind zentral für die Berechnung der Erreichbarkeitsmetriken, um abschätzen zu können, ob eine Weiterreise mit einem nachfragebasierten Verkehrsangebot nach dem Verlassen der Haltestellen möglich bzw. wahrscheinlich ist. 2.4 Abfrage der fahrplanbasierten Daten im Property-Graph Die Abfrage der fahrplanbasierten Daten im Property-Graph-Modell (Schritt 4)erfolgt mittels Cypher, einer deklarativen Abfragesprache, die speziell für die Arbeit K Eine skalierbare Plattform zur intermodalen Erreichbarkeitsanalyse im öffentlichen Verkehr... 805 mit Graphdatenbanken entwickelt wurde und eine einfache und ausdrucksstarke Möglichkeit bietet, Knoten und deren Beziehungen zu durchsuchen. Sie ermöglicht das Formulieren von Abfragen, die komplexe Pfade und Verknüpfungen zwischen den verschiedenen Haltestellen und Fahrten innerhalb des Graphen analysieren. Zusätzlich zu Cypher wurde verschiedene Java Add-ons entwickelt, durch die die Funktionalität von Neo4j um beliebige benutzerdefinierte Operationen und Funktionen erweitert werden kann. Dies ist insbesondere nützlich, um zum einen die Daten in den Key-Value-Paaren z.B. für Verbindungsinformation anders aufzubereiten, und um zum anderem spezifische Erreichbarkeitsanfragen sowie Methoden zur Prüfung der Datenqualität umzusetzen. 2.5 Data Profiling der fahrplanbasierten Daten Beim Data Profiling der fahrplanbasierten Daten liegt der Fokus auf der Identifikation und Analyse von Datenqualitätsproblemen, die sich auf die Erreichbarkeitsanalyse auswirken können. Die Fahrplansolldaten werden vom DELFI e.V. aus den verschiedenen Landesauskunftssystemen zu einem deutschlandweiten Datensatz integriert, wobei die Daten aus den Landesauskunftssystemen nicht auf mögliche inhaltliche Fehler überprüft werden. Da sich Fehler in den Daten auf die Ergebnisse der Erreichbarkeitsanalysen auswirken, werden Data-Profiling-Abfragen durchgeführt, um Datenqualitätsprobleme aufzudecken. Diese Abfragen werden mithilfe von Cypher sowie den zuvor erwähnten Java-Add-ons umgesetzt. Ein häufiges Problem sind beispielsweise falsche Koordinaten von Haltestellen – in einigen Fällen existieren Haltestellenkoordinaten außerhalb Deutschlands. Ein weiteres Beispiel sind falsch georeferenzierte Haltestellen, wodurch Orte miteinander verbunden werden, zwischen denen keine reale Verkehrsverbindung besteht. Diese und andere Datenqualitätsprobleme werden in Schritt 5 im Rahmen des Data Profilings systematisch erfasst und analysiert, um die Qualität des integrierten Datensatzes zu verbessern. 2.6 Erreichbarkeitsund What-if-Analysen Den Endnutzern wird optional ein webbasiertes Werkzeug zur Verfügung gestellt (Schritt 6), das mithilfe einer Kartenansicht die Erreichbarkeit beliebiger Standorte in Deutschland ermittelt. Die konkreten Erreichbarkeitsmetriken, die dafür verwendet werden, sind in Kapitel 3beschrieben. Nutzer können Standorte über die Kartenansicht auswählen und eine Analyse zur Erreichbarkeit durchführen. Zusätzlich ermöglicht das Werkzeug What-if-Analysen, bei denen Nutzer durch das Hinzufügen oder Entfernen von Fahrplanverbindungen oder Shared-Mobility-Angeboten die Auswirkungen solcher Änderungen auf die Erreichbarkeit untersuchen können. Dies bietet eine interaktive und flexible Möglichkeit, die potenziellen Effekte von Veränderungen im Mobilitätsangebot besser zu verstehen und zu bewerten. 2.7 Skalierbarkeit und Flexibilität der Datenarchitektur Die Skalierbarkeit der vorgeschlagenen Lösung wird durch die Kombination einer Graphund einer Dokumentdatenbank gewährleistet. Sowohl Neo4j als auch MonK 806 M. Klose et al. goDB sind bekannt für ihre Fähigkeit, große Datenmengen effizient zu verarbeiten und dynamisch zu skalieren, da sie sowohl horizontal als auch vertikal erweitert werden können. MongoDB unterstützt dabei die horizontale Skalierbarkeit durch Sharding, bei dem Daten automatisch über mehrere Knoten verteilt werden. Dies ermöglicht es, große Datenmengen effizient zu speichern und Abfragen parallel zu verarbeiten. Neo4j ermöglicht insbesondere durch Read-Scale-Out mit Causal Clustering eine horizontale Skalierbarkeit bei leseintensiven Workloads, indem Leseoperationen auf mehrere Follower-Knoten verteilt werden, während der LeaderKnoten Schreiboperationen koordiniert. Dies entlastet den Hauptknoten und sorgt für eine höhere Leistung bei parallelen Abfragen. Zusätzlich erlaubt die flexible Integration unterschiedlicher Datenquellen sowie die Nutzung standardisierter Formate eine einfache Erweiterung der Plattform um neue Mobilitätsdienste oder zusätzliche Datenquellen, ohne dass die bestehende Architektur angepasst werden muss. 3 Erreichbarkeitsmetriken für den intermodalen Verkehr Erreichbarkeitsmetriken sind zentrale Instrumente, um die Zugänglichkeit von Orten zu analysieren und Mobilitätsangebote zu bewerten. In Abschn. 3.1 wird zunächst ein Überblick über Erreichbarkeitskonzepte in der Literatur gegeben, bevor in dem sich daran anschließenden Abschn. 3.2 elementare Anforderungen an eine Erreichbarkeitsmetrik im intermodalen Verkehr beschrieben werden. In Abschn. 3.3 wird dann eine konkrete Metrik vorgestellt, die auf Isochronen basiert, und sowohl Flächenals auch Distanzmetriken integriert, um eine umfassende Analyse der Erreichbarkeiten zu ermöglichen und somit die in Abschn. 3.2 vorgestellten Anforderungen zu erfüllen. 3.1 Erreichbarkeitskonzepte in der Literatur In der Literatur sind im viele verschiedene Ansätze entwickelt worden, die unterschiedliche Aspekte von Erreichbarkeit fokussieren, und die sich im Wesentlichen in vier verschiedene Kategorien einteilen lassen (siehe z.B. Alam et al. (2010), Higgins et al. (2022)): Kumulative Opportunitätsmetriken messen, wie viele Ziele innerhalb eines bestimmten Zeitoder Kostenrahmens erreichbar sind. Sie setzen klare Schwellenwerte, beispielsweise eine maximale Reisezeit, um Erreichbarkeit zu definieren. Studien wie Papa and Bertolini (2015) oder Farber and Fu (2017) zeigen die Anwendung dieser Methode, die oft in städtischen Kontexten für die Analyse von Arbeitsplatzoder Servicezugänglichkeit genutzt wird. Gravitationsbasierte Metriken gewichten, inspiriert von der Gravitationstheorie, die Erreichbarkeit eines Ziels basierend auf dessen Entfernung und Attraktivität. Dabei sinkt der Einfluss eines Ziels auf die Erreichbarkeitsbewertung mit zunehmender Reisezeit oder Distanz, wodurch nahegelegene und leichter zugängliche Orte bevorzugt berücksichtigt werden. In Yang et al. (2019) und Ding et al. (2018) wird diese darüber hinaus durch topologische Analysen öffentlicher Verkehrsmittel erweitert. Utility-basierte Metriken bewerten die Erreichbarkeit unter Einbeziehung individueller Präferenzen und Nutzenfunktionen und berücksichtigen subjektive Präferenzen von Reisenden. K Eine skalierbare Plattform zur intermodalen Erreichbarkeitsanalyse im öffentlichen Verkehr... 813 Abb. 4 Kartenausschnitt der Dresdner Innenstadt mit Carolabrücke (in rot markiert) und Haltestellen des ÖPV. In blau sind die elf vom Brückeneinsturz meistbetroffenen Haltestellen aus Abb. 3dargestellt. Gelb markierte Haltestellen sind in geringerem Maße, grau markierte Haltestellen kaum von Erreichbarkeitsreduzierung betroffen. (Quelle der Karte: OpenStreetMap contributors (2025)) so zeigen sie doch, dass die hier vorliegende Plattform grundsätzlich für diese Form von Untersuchung eines realistischen What-if-Szenarios geeignet ist. 4.2 What-if-Analyse am Beispiel intermodaler Verkehrsangebote In einem weiteren Szenario wird untersucht, wie die Verfügbarkeit von Leihfahrrädern („Bikesharing“) die Erreichbarkeit beeinflusst. Ziel dieser Analyse ist es, Veränderungen der Erreichbarkeit innerhalb eines definierten Gebietes zu erfassen, die beispielsweise durch die Einführung eines Sharing-Angebots entstehen können. Abb. 5zeigt exemplarisch die Auswirkungen einer solchen Einführung. In Abb. 5a ist die 30-Minuten-Isochronenfläche um die Haltestelle „Dresden Postplatz“ dargestellt, wobei angenommen wird, dass die verbleibende Reisezeit nach dem Ausstieg aus dem öffentlichen Verkehrsmittel zu Fuß mit einer Durchschnittsgeschwindigkeit von 5km/h zurückgelegt wird. Im Vergleich dazu zeigt Abb. 5b dieselbe Ausgangssituation, jedoch wird die verbleibende Reisezeit mit einem Leihfahrrad bei einer Durchschnittsgeschwindigkeit von 15km/h bewältigt. Die Nutzung des Leihfahrrads vergrößert den Radius der Isochrone um die Ausstiegshaltestellen deutlich und führt sowohl zu einer größeren Isochronenfläche als auch zu einer K 814 M. Klose et al. Abb. 5 Erreichbarkeit der zentralen Haltestelle „Dresden Postplatz“ am 22.07.2022 um 14:00 Uhr aohne (Erreichbarkeit: 0,25) vs. bmit Bikesharing (Erreichbarkeit: 0,43). a30-Minuten-Isochrone um Dresden Postplatz mit Fußweg, b30-Minuten-Isochrone um Dresden Postplatz mit Bikesharing (Quelle der Karten: OpenStreetMap contributors (2025)) erweiterten maximalen Distanz. Im Ergebnis steigt der Erreichbarkeitswert der Haltestelle „Dresden Postplatz“ für den betrachteten Zeitpunkt von 0,25 auf 0,43.4 5 Zusammenfassung und Ausblick In dieser Publikation wurde eine Datenarchitektur vorgestellt, die es ermöglicht, offen verfügbare intermodale Mobilitätsdaten in ein Property-Graph-Modell zu integrieren. Zu diesem Zweck wurden Fahrplansolldaten des ÖPV von DELFI e.V. sowie Daten von Sharing-Anbietern gesammelt und in das Property-Graph-Modell überführt. In einem weiteren Schritt wurde eine Metrik entwickelt, die Erreichbarkeiten von Haltestellen des ÖPV unter Verwendung der im Property-Graph-Modell enthaltenen Mobilitätsdaten beschreibt. In zwei Anwendungsbeispielen wurde gezeigt, dass sich die Metrik dazu eignet, um Vergleiche vor und nach einer verkehrlichen Maßnahme zu ziehen. Zusammenfassend zeigt der vorgestellte Ansatz großes Potenzial zur datenbasierten Analyse und Optimierung der Erreichbarkeit im intermodalen Verkehr. Die flexible Datenarchitektur und das Property-Graph-Modell ermöglichen eine detaillierte Bewertung von Mobilitätsangeboten und die Durchführung vielseitiger Whatif-Analysen. Dennoch sind einige Herausforderungen und Schwachstellen zu lösen, die vor allem mit der Qualität und Vollständigkeit der zugrunde liegenden Daten zusammenhängen. 4In diesem Beispiel wird angenommen, dass an jeder Ausstiegshaltestelle für jeden Fahrgast ein Leihfahrrad zur Verfügung steht und auch von diesen genutzt wird. K Eine skalierbare Plattform zur intermodalen Erreichbarkeitsanalyse im öffentlichen Verkehr... 815 Die Verwendung offener Daten birgt Fallstricke, insbesondere hinsichtlich ihrer Qualität und Konsistenz. Beispielsweise sind geografische Koordinaten von Haltestellen nicht immer vollständig verfügbar oder gleiche Haltestellen werden von verschiedenen Betreibern unterschiedlich benannt (dies ist insbesondere der Fall bei Bahnhöfen und den damit assoziierten Busbzw. Straßenbahnhaltestellen). Dies erfordert eine aufwändige Verknüpfung der Haltestellen während der Datenaufbereitung, um die Konsistenz im Property-Graph-Modell zu gewährleisten. Zudem lassen sich manche Verkehrsarten nicht ausreichend fein granular voneinander abgrenzen. Beispielsweise beinhaltet jede schienengebundene ÖPV-Verbindung ihren Betreiber, jedoch nicht immer zusätzliche Informationen darüber, ob es sich um eine Nahoder Fernverkehrsverbindung handelt. Eine solche Unterscheidung wäre im Fall des Deutschlandtickets jedoch notwendig. Ein weiteres Problem betrifft das unzureichend verfügbare Stammdatenmanagement, insbesondere bei der Deutschen Bahn. Die Zuordnung von Fahrplanliniendaten zu den physischen Bahnstrecken ist oft fehleranfällig. Das Entfernen von Verbindungskanten im Property-Graph-Modell, etwa infolge von baustellenbedingten Vollsperrungen, ist derzeit problematisch, da keine Streckentopografie hinterlegt ist. So müssen alle betroffenen Kanten, die Stationen auf einer gesperrten Strecke direkt miteinander verbinden, manuell entfernt werden – ein Prozess, der ohne tiefgreifendes Fachwissen kaum umsetzbar ist. Eine mögliche Lösung könnte die Hinterlegung von STREDA-Streckennummern an den Kanten sein, um eine direkte Zuordnung von Verbindungskanten zu physischen Streckenabschnitten zu ermöglichen. Dies würde die automatisierte Verarbeitung und Anpassung des Property-Graph-Modells erheblich erleichtern und die Anwendbarkeit des Modells in solchen Szenarien deutlich verbessern. Die genannten Herausforderungen verdeutlichen, dass weitere Arbeiten erforderlich sind, um die Datenqualität zu verbessern, die Modellintegration zu vereinfachen und die Analysemöglichkeiten zu erweitern. Förderung Die Autoren danken dem Bundesministerium für Digitales und Verkehr für die Förderung des Projektes im Rahmen der Innovationsinitiative mFUND (Förderkennzeichen: 01F1175A). Die Veröffentlichung dieses Artikels wird gefördert durch den Open Access-Publikationsfonds der Hochschule für Technik und Wirtschaft Dresden. Funding Open Access funding enabled and organized by Projekt DEAL. Open Access Dieser Artikel wird unter der Creative Commons Namensnennung 4.0 International Lizenz veröffentlicht, welche die Nutzung, Vervielfältigung, Bearbeitung, Verbreitung und Wiedergabe in jeglichem Medium und Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle ordnungsgemäß nennen, einen Link zur Creative Commons Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden. Die in diesem Artikel enthaltenen Bilder und sonstiges Drittmaterial unterliegen ebenfalls der genannten Creative Commons Lizenz, sofern sich aus der Abbildungslegende nichts anderes ergibt. Sofern das betreffende Material nicht unter der genannten Creative Commons Lizenz steht und die betreffende Handlung nicht nach gesetzlichen Vorschriften erlaubt ist, ist für die oben aufgeführten Weiterverwendungen des Materials die Einwilligung des jeweiligen Rechteinhabers einzuholen. Weitere Details zur Lizenz entnehmen Sie bitte der Lizenzinformation auf http://creativecommons.org/licenses/by/ 4.0/deed.de. K 816 M. Klose et al. References Alam BM, Thompson GL, Brown JR (2010) Estimating transit accessibility with an alternative method: Evidence from broward county, florida. Transportation Res Rec J Transportation Res Board 2144(1):62–71 Anderson P, Levinson D, Parthasarathi P (2013) Accessibility futures. Trans Gis 17(5):683–705 Beck M, Düx W, Dury G, Eckardt F, Lorenc OKP, nad Ute Siaden Ortega FS, Stober N, Thiesing G (2017) Standardised exchange of line network and timetable data with the European standard CEN-TS 16441 NeTEx. Verband Deutscher Verkehrsunternehmen e. V Cui M, Levinson D (2020) Primal and dual access. Geogr Anal 52(3):452–474 Ding J, Zhang Y, Li L (2018) Accessibility measure of bus transit networks. IET Intell Transport Syst 12(7):682–688 Djurhuus S, Hansen SH, Aadahl M, Glümer C (2015) Building a multimodal network and determining individual accessibility by public transportation. Environ Plann B Plann Des 43(1):210–227 Farber S, Fu L (2017) Dynamic public transit accessibility using travel time cubes: Comparing the effects of infrastructure (dis)investments over time. Comput Environ Urban Syst 62:30–40 Guzman LA, Cantillo-Garcia VA, Oviedo D, Arellana J (2023) How much is accessibility worth? utilitybased accessibility to evaluate transport policies. J Transp Geogr 112:103683 Higgins C, Palm M, DeJohn A, Xi L, Vaughan J, Farber S, Widener M, Miller E (2022) Calculating placebased transit accessibility: Methods, tools and algorithmic dependence. JTLU 15(1) Kimball R, Caserta J (2004) The data warehouse ETL toolkit: practical techniques for extracting, cleaning, conforming, and delivering data. Wiley McCoy J, Johnston K, Institute ESR (2001) Using ArcGIS spatial analyst: GIS by ESRI. Environmental Systems Research Institute Redlands Nassir N, Hickman M, Malekzadeh A, Irannezhad E (2016) A utility-based travel impedance measure for public transit network accessibility. Transportation Res Part A: Policy Pract 88:26–39 OpenStreetMap contributors (2025) Planet dump retrieved from. https://planet.osm.org (https://www. openstreetmap.org) Pajares E, Jehle U, Hall J, Miramontes M, Wulfhorst G (2022) Assessment of the usefulness of the accessibility instrument goat for the planning practice. J Urban Mobil 2:100033 Papa E, Bertolini L (2015) Accessibility and transit-oriented development in european metropolitan areas. J Transp Geogr 47:70–83 Zhang TWZ, He Z (2021) Measuring positive public transit accessibility using big transit data. Geo-spatial Inf Sci 24(4):722–741 Yang R, Liu Y, Liu Y, Liu H, Gan W (2019) Comprehensive public transport service accessibility index—a new approach based on degree centrality and gravity model. Sustainability 11(20) Hinweis des Verlags Der Verlag bleibt in Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutsadressen neutral. K