Schlussfolgerung von individuellen Reisezwecken basierend auf dynamischen Zeit‑Alter‑Funktionszonen

Warum Ihre Reisen wichtiger sind, als Sie denken

Jeden Tag werden von Smartphones und Verkehrssystemen stumm Millionen von Fahrten protokolliert, die zeigen, wohin sich Menschen bewegen — aber nicht, warum. Gehen sie zur Arbeit, fahren sie nach Hause, treffen sie Freunde oder gehen sie einkaufen? Diese Studie zeigt, wie sich diese unsichtbaren „Warum“-Fragen aus großen Mengen anonymisierter Bewegungsdaten ableiten lassen, indem man die sich verändernde Charakteristik von Stadtnachbarschaften im Zeitverlauf und zwischen Altersgruppen sorgfältig ausliest. Das Ergebnis ist ein leistungsfähiges Instrument, das Städten helfen kann, gerechtere und effizientere Verkehrssysteme zu planen, ohne ständig teure Erhebungen durchführen zu müssen.

Von Punkten auf der Karte zu realen Aktivitäten

Moderne Städte sammeln enorme Mengen an Standortdaten aus Quellen wie Mobiltelefonen, Verkehrstickets und GPS-Spuren. Diese Aufzeichnungen enthalten viele Details zu Herkunft und Ziel, beinhalten aber fast nie den Reisezweck. Traditionell stützten sich Forschende auf detaillierte Haushaltsreisebefragungen — bei denen Menschen angeben, warum sie gereist sind —, um Regeln oder maschinelle Lernmodelle zu entwickeln, die auf die größeren Datensätze angewendet werden können. Die meisten früheren Arbeiten behandelten die Nutzung eines Ziels jedoch als statisch: Ein Ort wurde einfach als „Wohngebiet“, „Arbeit“ oder „Einkauf“ gekennzeichnet, unabhängig von der Tageszeit oder davon, wer ihn besucht.

Erfassen, wie Nachbarschaften sich im Tagesverlauf verändern

Die Autorinnen und Autoren argumentieren, dass Stadtgebiete je nach Stunde und Altersgruppe sehr unterschiedlich funktionieren. Ein Viertel in der Nähe einer Universität kann morgens vor allem Studierenden dienen, mittags Büroangestellten und nachts Gaststätten- oder Ausgehpublikum. Parks, Schulen, Kirchen und Büros ziehen ebenfalls zu unterschiedlichen Zeiten verschiedene Altersgruppen an. Um dies abzubilden, erstellt die Studie für jeden kleinen Verwaltungsbezirk in Seoul „dynamische Zeit‑Alter‑Funktionszonen“. Das Team kombiniert mehr als 770.000 Datensätze zu Points of Interest — wie Wohnorte, Arbeitsstätten, Schulen, Geschäfte, medizinische Einrichtungen und Freizeitorte — mit Check‑in‑Daten aus dem Yelp Open Dataset und Altersmustern aus Südkoreas nationalen Haushalts‑ und Personenreisebefragungen. Sie teilen den Tag in sechs Zeitbänder und die Bevölkerung in vier Altersgruppen ein und gewichten verschiedene Ortstypen je nachdem, wann und von wem sie typischerweise besucht werden. So entsteht ein zeit‑ und altersensitives Profil dessen, wofür jede Nachbarschaft unter unterschiedlichen Bedingungen hauptsächlich genutzt wird.

Maschinen beibringen, den Reisezweck zu erraten

Mit diesen dynamischen Funktionszonen als zentrale Eingaben sowie Angaben zu Alter, Geschlecht, Reisezeitpunkt, Distanz und Erschließung durch Verkehrsmittel trainieren die Forschenden zwei Modelltypen zur Schätzung des Reisezwecks: ein Extreme Gradient Boosting (XGBoost) Modell und ein Long Short‑Term Memory (LSTM) neuronales Netzwerk. Beide werden an fast 401.000 Befragungsfahrten mit bekannten Zwecken trainiert, zusammengefasst in fünf breite Kategorien: Heimfahrt, Arbeitsweg, Bildung, Einkaufen oder Gastronomie sowie sonstige Gründe. In Tests schneidet XGBoost leicht besser ab als LSTM und identifiziert Reisezwecke in etwa 84 % der Fälle korrekt gegenüber 78 % beim neuronalen Netzwerk. Wenn die Autorinnen und Autoren die Zeit‑Alter‑Dynamik entfernen und nur statische Nachbarschaftsfunktionen verwenden, sinkt die Genauigkeit um bis zu drei Prozentpunkte, was bestätigt, dass die sich ändernde Charakteristik der Orte den Modellen wirklich hilft, die Gründe für Bewegungen zu erkennen.

Anwendung der Methode auf reale Telefon‑Daten

Das Team wendet seine trainierten Modelle anschließend auf einen umfangreichen „Alltagsbewegungs“‑Datensatz aus Seoul an, der aus anonymisierten Mobiltelefonsignalen zusammengestellt wurde. Dieser Datensatz umfasst Millionen von Fahrten, klassifiziert Herkunft und Ziel jedoch nur grob als Zuhause, Arbeit oder „anderswo“, ohne explizite Zwecke. Die Modelle sagen die Zwecke für fast vier Millionen Fahrten innerhalb eines Monats voraus. Mehr als die Hälfte wird als heimbezogen und etwa ein Drittel als arbeitsbezogen klassifiziert, mit kleineren Anteilen für Bildung und Einkaufen oder Gastronomie. Wo die Bewegungslabels eindeutig sind — etwa Zuhause→Arbeit oder Arbeit→Zuhause — stimmen die vorhergesagten Zwecke in etwa 68 % bzw. 74 % der Fälle mit den telefonbasierten Typen überein. Zeit‑ und Altersmuster sind ebenfalls plausibel: Fahrten in den frühen Morgen‑ und späten Nachmittagsstunden deuten auf Pendelverkehr hin, Jugendliche fahren oft aus Bildungsgründen, und Abendfahrten tendieren zur Heimkehr.

Was das für den Alltag bedeutet

Einfach gesagt zeigt die Studie, dass Städte durch die Kombination detaillierter Karten dessen, was Nachbarschaften anbieten, mit der Frage, wann und von wem diese Orte genutzt werden, zuverlässig die Gründe für die meisten Fahrten abschätzen können — selbst wenn Menschen nie an einer Umfrage teilnehmen. Das eröffnet die Möglichkeit, vorhandene Telefon‑ und Verkehrsdaten zu nutzen, um Pendelverkehr, Schulwege, Einkaufs‑ und Freizeitfahrten im Detail zu verstehen. Planerinnen und Planer könnten etwa erkennen, wo Abendverkehre aus Geschäftsvierteln zu dichter Wohnbebauung mehr Busangebote erfordern oder wo schulbezogene Bewegungen sichere Fuß‑ und Radwege nahelegen. Auch wenn die Methode bei selteneren oder gemischtzweckigen Fahrten noch Schwierigkeiten hat, zeigt sie einen praktischen Weg auf, anonyme Bewegungsdaten in aussagekräftige Geschichten darüber zu verwandeln, wie und warum Menschen sich durch die Stadt bewegen.

Zitation: Lee, J., Park, S. Personal trip purpose inference based on dynamic time–age functional zones. Sci Rep 16, 14608 (2026). https://doi.org/10.1038/s41598-026-45683-y

Schlüsselwörter: Reisezweck, städtische Mobilität, Funktionszonen, Verkehrsplanung, Mobiltelefondaten