Projektbeschreibung

Wildunfälle tragen – mit aktuell steigender Tendenz – in einem erheblichen Maße zum Unfallaufkommen auf deutschen Straßen bei. Die Wirkung von Schutzmaßnahmen (z.B. Reflektoren, Schilder, Zäune) ist schwer zu bewerten und umzusetzen, da die Datenbasis für eine genaue Analyse der Unfallursachen schwach ist. Zudem sind Schutzmaßnahmen teuer und führen bei Wildtieren und Autofahrern zu Gewöhnungseffekten.
WilDa entwickelt auf Basis von Wildunfalldaten, mit Hilfe von Geo-, Verkehrs-, Wetter- und Umweltdaten und unter Berücksichtigung des Wildtierverhaltens ein Verfahren zur Analyse von Wildunfällen. Dieses stellt sowohl die Grundlage für zeitlich und räumlich optimierte Wildwarnungen (z. B. auf digitalen Endgeräten der Verkehrsteilnehmer) als auch eine verbesserte Planungsgrundlage für Schutzmaßnahmen (z.B. Zäune und Grünbrücken) dar.

Ergebnisse und Wirkungen

Mobilitäts-, Infrastruktur-, Wetter- und Umweltdaten des BMDV sowie verschiedenste Daten aus weiteren Quellen wurden aufbereitet und in einen neuen thematischen und räumlichen Kontext gebracht. Darauf basierend konnten zum einen Daten veredelt werden, wie die Ableitung von Infrastrukturelementen (Wildschutzzäunen aus Befahrungsdaten), aber auch Geoanalysen durchgeführt werden, um Zusammenhänge zwischen Umwelt- und Verkehrsparametern sowie Unfallgeschehen zu identifizieren.

In einem zweiten Schritt wurden ausgewählte Daten aufbereitet, an Machine Learning Verfahren übergeben und ein Prognosemodell entwickelt, das in der Lage ist dedizierte Warnungen vor einem erhöhten Wildunfallrisiko zu erzeugen. Hierzu werden Standort eines Autofahrers und aktuelles Datum und Uhrzeit herangezogen, so dass hochaufgelöste zeitliche und räumliche Warnung ermittelt werden können.

Um die Ergebnisse der Machine Learning Verfahren verfügbar zu machen, wurde eine technische Schnittstelle implementiert, die für Anfragen zur Verfügung steht. Schnittstelle und Warnmechanismen wurden in Zusammenarbeit mit der wuidi GmbH sowohl technisch als auch mit Anwendern getestet.