Prognose von räumlichen Mobilitätsströmen mit Ansätzen des Maschinellen Lernens

Abstract

In der Vergangenheit wurden Gravitations- und Strahlungsmodelle zur Schätzung der Personenmobilität verwendet. Die Pendler*innenströme wurden auf Grundlage der Einwohner*innenzahl am Ziel- und Quellort sowie zwischen den Regionen berechnet. Die größte Schwäche dieser Modelle ist die fehlende Berücksichtigung der individuellen Mobilitätsmotive. Eine Möglichkeit, diese unterschiedlichen Motive besser darzustellen und die nicht linearen Beziehungen abzubilden, besteht darin, mithilfe von Algorithmen für maschinelles Lernen Vorhersagen zu treffen (XG-Boost-Algorithmus). So können auch Aspekte wie z. B. die Beschäftigungsquote berücksichtigt werden.

Ziel des Vorhabens ist daher die Güte der bisherigen Modelle mit den Ansätzen des maschinellen Lernens anhand von Pendler*innenbewegungen und Strömen von Studierenden in Deutschland zu vergleichen. Es wird gezeigt, dass für den Hochschulstandort Deutschland die Zahl der Studienanfänger*innen sowie die Entfernung den entscheidenden Einfluss für die Vorhersage der Studierendenströme (Landkreisebene) liefern. Aspekte, die individuelle Entscheidungen beeinflussen, liefern dagegen nur marginale Verbesserungen. Ähnliche Beobachtungen sind für die Pendler*innenbewegungen auf Gemeindeverbandsebene zu machen. Auch in diesem Fall ist die Distanz und die Einwohner*innenzahl entscheidend für die Mobilität. Für die Landkreisebene scheinen jedoch sozioökonomische Aspekte wie z. B. die Beschäftigungsquote einen größeren Einfluss auf die Prognoseleistung zu haben. In allen Fällen ist die Vorhersage mittels XG-Boost-Algorithmus den klassischen Modellen überlegen.

Insgesamt bietet die Anwendung der Modelle auf die studentische Mobilität trotz vorhandener Limitationen (z. B. Datenverfügbarkeit) die Möglichkeit, zuverlässige Prognosen der studentischen Mobilitätsströme auf der Mikroebene zu berechnen und somit mittel- bis langfristige Entscheidungen auf Hochschulebene zu treffen. Ähnlich verhält es sich mit der Prognose der Pendler*innen. Sie können genutzt werden, um auf kleinräumiger Ebene Schätzungen vorzunehmen und somit z. B. langfristige Angebote im ÖPNV-Bereich zu schaffen.