Zeit, Nerven und Treibstoff sparen

Autorin: Ursula Ammann

Die Suche nach einem freien Parkplatz kostet Zeit, Nerven und Treibstoff. Nicht zuletzt nehmen dadurch auch Verkehr und Emissionen zu. Vor diesem Hintergrund haben Rita Haffter und Jan Frei im Rahmen einer Projektarbeit im CAS Machine Learning for Software Engineers den «ParCaster» entwickelt. Der «ParCaster» ist eine künstliche Intelligenz, die eine Vorhersage freier Parkplätze in der Stadt St.Gallen ermöglicht. Das zugrunde liegende Modell erstellt anhand von Daten zu Wetter, Feiertagen, Veranstaltungen oder Schulferien Prognosen zur Parkplatzsituation an 14 verschiedenen Standorten in der Gallusstadt: darunter Bahnhof, Kreuzbleiche, Neumarkt, Spelterini und Spisertor.

Einen Mehrwert generieren

«Mit unserer Arbeit wollten wir eine Lösung auf ein Problem finden, von dem viele Personen betroffen sind», sagt Rita Haffter. Jan Frei ergänzt: «Es war uns zudem wichtig, dass uns das Thema interessiert und wir das Gefühl haben, mit unserem Tool einen Mehrwert zu generieren». Zur Stadt St. Gallen haben sie einen persönlichen Bezug. Beide wohnen und arbeiten in St.Gallen. «Als wir dann auch noch schnell die passenden Daten gefunden haben, war für uns klar, dass wir unsere Projektarbeit am Beispiel dieser Stadt umsetzen möchten», sagen sie.

«Mit unserer Arbeit wollten wir eine Lösung auf ein Problem finden, von dem viele Personen betroffen sind.»

Rita Haffter

Absolventin des CAS Machine Learning for Software Engineers an der OST – Ostschweizer Fachhochschule

Mit Hilfe öffentlich verfügbarer Parkplatzdaten aus vergangenen Jahren haben Rita Haffter und Jan Frei ein sogenanntes «Long Short Term Memory» (LSTM) trainiert. «Ein Long Short Term Memory ist eine Art neuronales Netzwerk, das lernt, aus einer Abfolge von Informationen Muster zu erkennen», erklärt Rita Haffter. «Durch das Training ist das LSTM mit der Zeit in der Lage, die wichtigen Teile einer Information von den vernachlässigbaren Teilen zu unterscheiden.»

«Unser Modell machte zu Beginn immer dieselbe Prognose, unabhängig vom gefragten Zeitpunkt. Es bedurfte deshalb etwas Feinjustierung.»

Jan Frei

Absolvent des CAS Machine Learning for Software Engineers an der OST – Ostschweizer Fachhochschule

Während die Beschaffung der Daten keine besonders grosse Herausforderung darstellte, gestaltete sich das Training des LSTM anspruchsvoller.  «Unser Modell machte zu Beginn immer dieselbe Prognose, unabhängig vom gefragten Zeitpunkt, erklärt Jan Frei. «Es bedurfte deshalb etwas Feinjustierung.»

Webversion verfügbar

Trotz einiger Hürden ist es Rita Haffter und Jan Frei gelungen, den «ParCaster» in relativ kurzer Zeit zu entwickeln und der breiten Öffentlichkeit als Web-Version zugänglich zu machen. Nutzerinnen und Nutzer können auf der Webseite das Datum und die voraussichtliche Parkzeit eingeben und so im Voraus sehen, wo zu diesem Zeitpunkt voraussichtlich Parkplätze frei sind. Für das Projektteam ist es zufriedenstellend, eine funktionierende, wenn auch noch optimierungsfähige, Lösung entwickelt zu haben. Zudem sei die Planung und Umsetzung der einzelnen Schritte überaus lehrreich gewesen.