Um die Parkraumanalyse durchführen zu können, musste eine Datengrundlage geschaffen werden, die umfasst, wie viele Stellplätze in einer Straße zur Verfügung stehen. Bilder aus Straßenbefahrungen und -befliegungen wurden dazu zusammengeführt. In einem mehrschrittigen Verfahren hat ein neuronales Netz in den zwei Bildtypen die Autos und deren Parkweise verglichen, zusammengeführt und geografisch einem Straßenabschnitt und einer Straßenseite zugeordnet.
Die Anzahl der Stellplätze ergibt sich dabei aus der Länge der Straße und der Art der Parkweise (diagonal, senkrecht oder parallel). Indem Durchschnittwerte für die Länge oder Breite von PKW-Stellplätzen angenommen werden, konnte anschließend ermittelt werden, wie viele Stellplätze in der Straße zur Verfügung stehen.
Zum jetzigen Zeitpunkt liegt eine Basisversion vor, die durch Einarbeitung weiterer Information verbessert werden kann. So werden beispielsweise derzeit noch mehrspurige Straßen ausgeschlossen. Weiterhin kann das Ergebnis verfeinert werden, indem Hauseinfahrten mitberücksichtigt werden.
Da in diesem Fall Fotos als Bildquellen verwendet werden, ist die Hauptschwierigkeit, fahrende von stehenden Autos zu unterscheiden. Auch haben unterschiedliche Lichtverhältnisse (Licht / Schatten) oder Verdeckungen auf den Bildern durch beispielsweise Bäume großen Einfluss auf die Ergebnisse der neuronalen Netze. Dennoch kann die aktuelle Basisversion bereits 85 bis 90 Prozent der Parkweisen in Wohngebieten korrekt zuordnen und gibt zudem einen Vertrauenswert zurück, der angibt, mit welcher Wahrscheinlichkeit das Ergebnis korrekt ist.
Da Stadtgebiete sehr weitläufig sind, ist ein wichtiges Thema bei der Erzeugung von Daten durch Künstliche Intelligenz auch deren Validierung. Die oben genannten Werte wurden durch manuelle Zuweisung von Parkweisen und anschließenden Vergleich mit den KI-Ergebnissen ermittelt. Die manuelle Zuweisung ist allerdings ein sehr zeitaufwendiger Prozess. Die Ergebnisse durchlaufen bereits eine erste Validierung, indem zwei unterschiedlichen Bildquellen verglichen und zusammengeführt werden. Durch Einarbeitung weiterer Datenquellen entstehen weitere Möglichkeiten zur Validierung: beispielsweise durch die Einbeziehung durch Straßen- und Verkehrsschilder. Bei der Verwendung der Daten gilt es anschließend zu beachten, dass, je nachdem in welchem Planungsprozess sie zum Einsatz kommen, diese KI generiert sind und eine Restwahrscheinlichkeit besteht, dass das Ergebnis nicht korrekt war.
Die voliegenden Daten können in verschiedenen Ämtern eingesetzt werden, die Motivation für den vorliegenden Anwendungsfall war die Analyse der Parksituation durch das Leipziger Verkehrsamt. Der Pilot der Parkraumerfassung liegt aktuell als Python Code vor, eine Veröffentlichung über die Plattform Open Code sowie ein Paper zum Thema sind geplant.
