Prototypische Entwicklung und Evaluation von Machine Learning Modellen zur Parametrierung eines agentenbasierten Simulationsmodells – Ein gestaltungsorientierter Ansatz am Beispiel des kombinierten simultanen Transports von Personen und Gütern

Im ländlichen Raum können Mobilitätsbedarfe schwer über den öffentlichen Personennahverkehr gedeckt werden. Wie diese Bedarfslücke über den Einsatz kombinierter Transportkonzepte von Personen und Gütern reduziert werden kann, wird prototypisch über eine agentenbasierte Simulationsanwendung in der Simulationssoftware AnyLogic untersucht. Reale Mobilitätsdaten werden dabei jedoch nicht berücksichtigt. Das Ziel der vorliegenden Arbeit ist die Verbesserung der Datengrundlage des Prototypen mit Hilfe von Machine Learning. Unter Verwendung des Forschungsansatzes Design Science Research wurden ML-Modelle entlang des CRISP-DM Frameworks entwickelt. Diese verarbeiten die zur Verfügung stehenden Mobilitätsdaten und können nach deren Integration in den Prototypen zur Parametrierung genutzt werden. Im Zuge der Arbeit werden dazu geeignete Parameter identifiziert, die Mobilitätsdaten beschafft und umfangreich für das Modelltraining in H2O Driverless AI transformiert. Das beste ML-Modell wird in den Prototypen integriert und es werden notwendige Anpassungen vorgenommen, um die Parametrierung zu ermöglichen. Die anschließende Evaluation der Simulationsanwendung zeigt eine datenbasierte und realitätsgetreuere Simulation des simultanen und kombinierten Transports von Personen und Gütern.In rural areas, mobility needs can hardly be met by local public transport. How this demand gap can be reduced by using combined transport concepts for passengers and goods is investigated in a prototype using an agent-based simulation application in the simulation software AnyLogic. However, real mobility data is not considered. The aim of the present work is to improve the data basis of the prototype using machine learning. Using the Design Science Research approach, ML models were developed along the CRISP-DM framework. These models process the available mobility data and can be used for parameterization after their integration into the prototype. In the course of the work, suitable parameters are identified for this purpose, the mobility data is obtained and extensively transformed for model training in H2O Driverless AI. The best ML model is integrated into the prototype and necessary adjustments are made to enable parameterization. The subsequent evaluation of the simulation application shows a data-based and more realistic simulation of simultaneous and combined transportation of people and goods