Eine multimodale Methodik zur Erfassung und Erkennung von Stressfaktoren in der (aktiven) Mobilität

Ziele/Ideen

Das Besondere an dieser Arbeit ist der Wandel von rein unfallbasierten Analysen hin zu einer proaktiven, menschenzentrierten Sicherheitsdiagnose. Statt ausschließlich dokumentierte Unfälle auszuwerten, werden durch tragbare Sensoren erfasste physiologische Stressreaktionen als frühe Sicherheitssignale genutzt und mit hochaufgelösten Umwelt- und Bilddaten verknüpft. Methodisch innovativ ist die Kombination aus tragbarer Sensorik zur Echtzeiterfassung, KI-gestützter Zeitreihen- und Bilddatenanalyse sowie räumlicher Statistik, ergänzt durch erklärbare KI. Die Ergebnisse machen nicht nur „Hotspots“ des Stresserlebens sichtbar, sondern identifizieren auch konkrete Infrastruktur- und Umgebungsmerkmale, die Belastung auslösen oder reduzieren. Dadurch entsteht ein übertragbarer, wissenschaftlich fundierter Ansatz, der Stadt- und Verkehrsplaner:innen ermöglicht, bislang unerkannte Risiken zu erkennen und gezielt evidenzbasierte Verbesserungsmaßnahmen für aktive Mobilität abzuleiten.

Kurzbeschreibung

Diese Forschungsarbeit (Dissertation) macht Unsicherheiten im Radverkehr sichtbar, bevor Unfälle oder Beinahe-Unfälle auftreten. Mithilfe tragbarer Sensorik werden akute Stressreaktionen von Radfahrer:innen im realen Straßenverkehr erfasst, per GPS lokalisiert und durch Infrastrukturmerkmale sowie KI-gestützte Bildanalyse von Street-View- und Videodaten kontextualisiert. Der entstehende multimodale Datensatz wird mittels maschinellen Lernens effizient ausgewertet, sodass sowohl Unfallstellen als auch „stille“ Risiken (Orte wo wiederholt Stress gemessen wird) identifiziert und durch Umweltmerkmale erklärt werden können. Ziel ist es, Stadt- und Verkehrsplaner:innen eine wissenschaftlich fundierte Grundlage zu bieten, um Gefahren frühzeitig zu erkennen, Infrastruktur gezielt zu verbessern und aktive Mobilität sicherer und attraktiver zu gestalten. Die Methodik ist erweiterbar und auf andere (aktive) Mobilitätsformen übertragbar.

Resultate

Neben dem citizen‑orientierten Studiendesign, welches (aktiven) Mobilitätsnutzer:innen ermöglicht ihre Sicherheitserfahrungen direkt in die Stadt- und Verkehrsplanung einzubringen, wurde eine robuste Methodik zur Erfassung und Kontextualisierung von Stress entwickelt. Diese verknüpft physiologische Stressreaktionen mit GPS‑Messungen, Umweltmerkmalen und erklärbaren KI‑Modellen, um „Stress‑Hotspots“ im Radverkehr sichtbar zu machen und individuelle Stressauslöser zu identifizieren. Erste Ergebnisse aus Studien in Salzburg und Osnabrück zeigen, dass erhöhte visuelle Komplexität und Grünumgebungen, die das Sichtfeld einschränken, Stress auslösen, während klar abgetrennte Radinfrastruktur und eindeutige Beschilderung Belastung reduzieren. Die Methodik und ihre Resultate wurden bereits in wissenschaftlichen Arbeiten veröffentlicht und schaffen damit eine wissenschaftlich fundierte und evidenzbasierte Grundlage, um umweltfreundliche und sozial inkluisive Mobilität zu fördern.

Partner

Interdisciplinary Transformation University (IT:U) Austria: Supervisor