Mit Hilfe von KI-Methoden untersucht die Forschungsgruppe von Prof. Felix Creutzig, inwieweit die Infrastruktur und Stadtform das Mobilitätsverhalten von Bewohner*innen über alle Verkehrsmittel hinweg beeinflusst. Der Schwerpunkt liegt dabei auf der kausalen Bewertung stadtplanerischer Entscheidungen im Hinblick auf verkehrsbedingte CO2 Emissionen.
Die Forschung zielt darauf ab im Kontext von nachhaltiger Stadtplanung Methoden des Maschinellen Lernens mit kausalen Modellen (Causal Graph Discovery und Causal Inference) zu verbinden. Dies eröffnet neue Möglichkeiten für die kausale Analyse und eine vorausschauende Bewertung nachhaltiger Stadtplanungsstrategien. Zum einen erlaubt es zu verstehen, welche Eigenschaften der Infrastruktur (wie z.B. ein engmaschiges Straßennetzwerk oder die räumliche Verteilung von Arbeitsplätzen) in der Reduktion von verkehrsbedingten Emissionen besonders entscheidend sind. Zum anderen hilft es zu differenzieren, inwieweit das Mobilitätsverhalten von Stadtbewohner*innen auf die gegebene urbane Form oder deren persönliche Präferenzen und Einstellungen zurückzuführen ist. Darüber hinaus ermöglicht der datenbasierte Ansatz den Vergleich Berlins mit anderen Metropolen dieser Welt und den Transfer von Erkenntnissen.
Über die verschiedenen Projekte hinweg wird vor allem deutlich, dass die Entfernung vom Wohnort zum Stadtzentrum wie auch zu weiteren lokalen Zentren das Mobilitätsverhalten von Stadtbewohner*innen entscheidend beeinflusst. Gleichzeitig zeigt eine Auswertung, dass das Ansiedeln von neuen Stadtbewohnern vor allem dicht am Stadtzentrum, wie auch um gut vernetzte Haltestellen des öffentlichen Nahverkehrs das größte Potenzial zur Einsparung von CO2Emissionen beinhaltet (vergleiche Abbildung 1). Weitere Ergebnisse sind in den Studien (siehe Outreach) bereits formuliert, müssen jedoch noch validiert und durch einen Peer-Review Prozess überprüft werden.
Die Studien zur Analyse der kausalen Einflüsse von urbaner Form auf Mobilität wurden auf Fachkonferenzen, wie dem „Climate Change AI Workshop“ der renommierten „Conference on Neural Information Processing Systems“ (NeurIPS) Konferenz im Dezember 2023, vorgestellt. Darüber hinaus sind sie unter den Titeln „Using machine learning to understand causal relationships between urban form and travel CO2 emissions across continents“ und „The built environment and induced transport CO2 emissions: A double machine learning approach to account for residential self-selection“ als „Working Paper“ online abrufbar. Ein wissenschaftlicher Artikel „Using explainable machine learning to understand how urban form shapes sustainable mobility“ wurde als Vorläufer zu den kausalen Untersuchungen im Journal „Transportation Research Part D: Transport and Environment“ bereits veröffentlicht.
© Romina Becker
Stadtplaner*innen können mit der KI nun in kurzer Zeit abschätzen, welche Klimawirksamkeit Neubauprojekte haben. Damit kann eine entscheidende Metrik in die Entscheidungsfindung mit einbezogen werden
