Filter
  • Zeitbezug (27)
    -
  • Frequenz (140)
  • Kategorien
  • Datenanbieter
  • Art des Zugangs
  • Lizenzen
Alles zurücksetzen

286 Datensätze

Bahn

Alles zurücksetzen

Bahnsteigdaten

Die Bahnsteigdaten enthalten Informationen über Bahnsteighöhe und -länge.

Bahn
Bereitgestellt durch

DB Station&Service AG

Art des Datenzugangs

XLSX / CSV

Aktualität der Datensatzbeschreibung

20.03.2020

Aktualisierungsfrequenz

Jährlich

Haltestellen MVV

Alle Haltestellen im MVV

Bahn
Straßen
Bereitgestellt durch

OpenData ÖPNV: MVV

Art des Datenzugangs

XLS

Aktualität der Datensatzbeschreibung

17.03.2020

Liniendaten MVV

Die Liniendaten des MVV im CSV-Format

Bahn
Straßen
Bereitgestellt durch

OpenData ÖPNV: MVV

Art des Datenzugangs

ZIP

Aktualität der Datensatzbeschreibung

17.03.2020

PermanentNet

Europaweites intermodales Verkehrsnetz, das den Zielen der europäischen INSPIRE-Richtlinie (2007/2/EC, 14.03.2007) entspricht:
Die grenzübergreifende und intermodale Verflechtung der Verkehrssysteme,
die eindeutige Objektreferenzierung zur Vermeidung von Mehrfachdefinitionen von Geometrien und Identitäten,
die Lineare Referenzierung der Eigenschaften von Objekten und Ereignissen längs der Verkehrswege und
die Möglichkeit der Zuordnung semantischer Begriffe zu den einzelnen Elementen des Verkehrssystems.

Mit den innerhalb der hierarchisch gegliederten Verkehrsflächen Mittellinien und den an deren Schnittpunkten gebildeten Knoten entspricht es dem Landschaftsmodell ATKIS-BasisDLM der deutschen Landesvermessungsämter. Es wurde aus OpenStreetMap-Daten abgeleitet und unterliegt daher der Opendata-Lizenz. Mittels der Methode der Linearen Referenzierung können beliebige Objekte und Ereignisse auf, neben über oder unter den Mittellinien durch die Entfernung von einem festen Bezugspunkt, im Regelfall einer der beiden Endknoten, und den seitlichen Abstand von der Mittellinie genau verortet werden. Dieses Verfahren stellt somit eine Alternative zur Positionsbestimmung per GPS oder Triangulation dar.

Der wesentliche Mehrwert dieses räumlichen Orientierungssystems fußt auf der eindeutig definierte Lage und Identität der Referenzpunkte. An und von diesen Referenzpunkten aus können Objekte und Ereignisse erkannt, gemessen, die erzielten Meßergebnisse aufbereitet und als Nachrichten, also mit definiertem Informationsgehalt, zwischen beweglichen und festen Sendern und Empfängern als Fahrzeug-zu-Infrastruktur (V2I), aber auch Infrastruktur-zu-Infrastruktur (I2I) übermittelt werden. Damit ist es möglich, situative Informationen von allen miteinander verbundenen Empfangs- und Sendestationen zusammenzuschalten oder aufzulösen. Auch das Referenznetz selbst kann an den Referenzpunkten kontrolliert verringert und, z.B. am Eingang zu einer privaten Verkehrsfläche erweitert werden, so daß der Informationsfluß auf das Notwendige reduziert und der Datenschutz optimal gewährleistet ist. Wir erhalten dadurch ein neues grenzübergreifendes dezentral organisierbares Informationssystem, das dem derzeit gängigen zentral überwachbaren entgegensteht oder es auch ergänzt.

Straßen
Bahn
Wasserstraßen und Gewässer
Infrastruktur
Bereitgestellt durch

IPM Group s.r.o

Art des Datenzugangs

Dateidownload

Aktualität der Datensatzbeschreibung

14.03.2020

Aktualisierungsfrequenz

Jährlich

Raumbezug

Auslastungsprognose Regionalzüge Berlin-Brandenburg (RE3 und RE5)

ProTrain möchte mittels einer Fusion von in der mCLOUD bereitgestellten Daten und Daten weiterer Partner neuartige Dienste schaffen bzw. bisherige Dienste merklich verbessern. Ziel ist eine effektive Fahrgastlenkung vor und während der ÖV-Nutzung zur besseren Nutzung vorhandener Kapazitäten und Ressourcen im Öffentlichen Verkehr. Mit Hilfe der Prognosen und den aktuellen Belegungsgraden sollen Fahrgäste so gelenkt werden, dass sich ein möglichst ausgewogenes Verhältnis von Angebot und Nachfrage einstellt. So kann einem Fahrgast, der eine Verbindung sucht, empfohlen werden, lieber eine frühere oder spätere Verbindung zu nutzen, um großes Gedränge im Zug zu vermeiden.

Hierfür wurden zunächst Anforderungsanalysen durchgeführt, welche relevante Nutzergruppen und Stakeholder mit ihren spezifischen Anforderungen identifiziert.

Ein technisches Gesamtsystem, das diesen Anforderungen Rechnung trug, wurde erstellt, eine Datenplattform eingerichtet und eine modulare Systemlandschaft spezifiziert, die heterogene Datenquellen erschloss, und deren Daten integriert waren und als Service bereitgestellt wurden. Speziell wurde auf die Konzeption eines effizienten Datenmanagements für historische Daten geachtet. Geeignete Schnittstellen zum Datenaustausch zwischen den zuliefernden Partnern wurden definiert. Für die Testnutzer-Information wurde eine Web-App als bestgeeignete Lösung angesehen und, dem System angepasst, entworfen. Mithilfe eines eigens entwickelten SDK auf Android-Handys sollten bei einigen Probanden die genutzten Verkehrsmittel ermittelt werden. Diese waren nutzerbestätigt.

Die Spezifikation des Dienstes wurde entwickelt, die benötigten Daten für die Anwendungen definiert. Drei verschiedene Prognosealgorithmen wurden für bestimmte Prognosezeiträume erarbeitet. Die Datenschnittstellenstrategie wurde entwickelt, die Komponenten der Schnittstellen zwischen den Partnern abgestimmt, das Fahrtarchiv online zur Verfügung gestellt. Algorithmen zur automatischen Erkennung von Verkehrsmittel und Fahrtzweck wurden erarbeitet. Auf Basis der Fahrgastzähldaten und Sitzplatzkapazitäten wurden Auslastungsgrade ermittelt. Die Belegungsdaten aus AFZS für RE-Züge wurden dem Projekt bereitgestellt. Die Erweiterung des Fahrplandaten-Managements um Wetterdaten ist erfolgt. Die Basisprognose wurde differenziert je Wetterlage (z. B. Sommertag). Tagesgruppen, Tageszeit und Fahrtabschnitt wurden berechnet und bereitgestellt. Für die Prognoseinformation an die Testnutzer wurde ein Dienstekonzept erstellt. Eine Web-App auf der HaCon Plattform wurde als Test-App entwickelt.

Der beiliegende Datensatz beinhaltet die konsolidierte Prognose basierend auf den drei Algorithmen (Spalte N) sowie eine tatsächliche Auslastung (Spalte O).

Spalte E und F beschreiben den Fahrtverlauf von bis. Die Spalten J-M geben Auskunft über den jeweiligen Abschnitt.

Der Datensatz beinhaltet alle Daten für einen Kalendertag (1. November 2019).

mFUND-Projekt: ProTrain, FKZ: 19F2021

Bahn
Infrastruktur
Bereitgestellt durch

VBB Verkehrsverbund Berlin-Brandenburg GmbH

Art des Datenzugangs

Dateidownload

Aktualität der Datensatzbeschreibung

11.03.2020

Zeitbezug der Daten

01.11.2019

Aktualisierungsfrequenz

Niemals

Raumbezug

Isochrone für ÖPNV Erreichbarkeitsanalyse in Berlin (allyMAP)

Dieser Raster-basierte Datensatz enthält die Geometrien der 15-Minuten-Erreichbarkeits-Isochrone, ausgehend vom Mittelpunkt jeder Zelle des beigefügten Rasters. Das Ergebnis bezieht sich auf eine Abfahrtszeit an einem durchschnittlichen Montag um 9:00 Uhr.

Die Geometrien wurden auf Basis des GTFS-Feeds für Berlin und Brandenburg 2019 generiert, der von der VBB Verkehrsverbund Berlin-Brandenburg GmbH unter Creative Commons Namensnennung-Lizenz unter daten.berlin.de veröffentlicht wurde.

Erläuterung der enthaltenen Spalten
  • cell_id – Bezug zum Raster, siehe GeoJSON oder Shapefile
  • geometry – Multypolygon-Geometrie des innerhalb von 15 Minuten zu Fuß und mit dem ÖPNV zu erreichenden Gebiets im Well-Known-Text-Format (WKT)


mFUND-Projekt: ally Mobility Analytics Platform (allyMAP), FKZ: 19F2022A

Bahn
Infrastruktur
Straßen
Bereitgestellt durch

door2door GmbH

Art des Datenzugangs

Dateidownload

Aktualität der Datensatzbeschreibung

03.12.2019

Zeitbezug der Daten

01.01.2019 — 31.12.2019

Aktualisierungsfrequenz

Unregelmäßig

Raumbezug

Prognostizierte Fahrten in München (allyMAP)

Dieser Datensatz umfasst ein Raster-basiertes Nachfragemodell mit prognostizierten Fahrten (Quell-/Zielverkehre) für das Stadtgebiet München. Der Datensatz wurde mittels eines Machine-Learning-Modells auf Basis der in Berlin erhobenen Ridepooling-Nachfragedaten und in München vorhandenen Points of Interest generiert. Die zur Verfügung gestellten Vergleichswerte beziehen sich auf stundengenaue Zeiträume innerhalb einer durchschnittlichen Betriebswoche.

Erläuterung der enthaltenen Spalten
  • cell_from – Quelle der Verkehrsbeziehung (Bezug zum Raster, siehe GeoJSON oder Shapefile)
  • cell_to – Ziel der Verkehrsbeziehung (Bezug zum Raster, siehe GeoJSON oder Shapefile)
  • weekday – Wochentag, auf den sich der Wert bezieht
  • start_time – Beginn des Zeitraums, auf den sich der Wert bezieht
  • end_time – Ende des Zeitraums, auf den sich der Wert bezieht
  • weight – Verhältnis der Anzahl an Fahrtwünschen im Vergleich zu anderen Verkehrsbeziehungen


mFUND-Projekt: ally Mobility Analytics Platform (allyMAP), FKZ: 19F2022A

Bahn
Infrastruktur
Straßen
Bereitgestellt durch

door2door GmbH

Art des Datenzugangs

Dateidownload

Aktualität der Datensatzbeschreibung

03.12.2019

Zeitbezug der Daten

01.01.2018 — 31.08.2018

Aktualisierungsfrequenz

Unregelmäßig

Raumbezug

Prognostizierte Fahrten in Duisburg (allyMAP)

Dieser Datensatz umfasst ein Raster-basiertes Nachfragemodell mit prognostizierten Fahrten (Quell-/Zielverkehre) für das Stadtgebiet Duisburg. Der Datensatz wurde mittels eines Machine-Learning-Modells auf Basis der in Berlin erhobenen Ridepooling-Nachfragedaten und in Duisburg vorhandenen Points of Interest generiert. Die zur Verfügung gestellten Vergleichswerte beziehen sich auf stundengenaue Zeiträume innerhalb einer durchschnittlichen Betriebswoche.

Erläuterung der enthaltenen Spalten
  • cell_from – Quelle der Verkehrsbeziehung (Bezug zum Raster, siehe GeoJSON oder Shapefile)
  • cell_to – Ziel der Verkehrsbeziehung (Bezug zum Raster, siehe GeoJSON oder Shapefile)
  • weekday – Wochentag, auf den sich der Wert bezieht
  • start_time – Beginn des Zeitraums, auf den sich der Wert bezieht
  • end_time – Ende des Zeitraums, auf den sich der Wert bezieht
  • weight – Verhältnis der Anzahl an Fahrtwünschen im Vergleich zu anderen Verkehrsbeziehungen


mFUND-Projekt: ally Mobility Analytics Platform (allyMAP), FKZ: 19F2022A

Bahn
Infrastruktur
Straßen
Bereitgestellt durch

door2door GmbH

Art des Datenzugangs

Dateidownload

Aktualität der Datensatzbeschreibung

03.12.2019

Zeitbezug der Daten

01.01.2018 — 31.08.2018

Aktualisierungsfrequenz

Unregelmäßig

Raumbezug

On-Demand-Ridepooling Nachfragemodell Berlin (allyMAP)

Dieser Datensatz umfasst ein Raster-basiertes Nachfragemodell mit modellierten Suchanfragen (Quell-/Zielverkehre) für einen Ridepooling-Dienst im Pilotbetrieb innerhalb des S-Bahn-Rings in Berlin. Die zur Verfügung gestellten Vergleichswerte beziehen sich auf stundengenaue Zeiträume innerhalb einer durchschnittlichen Betriebswoche.

Die anonymisierten Daten wurden im Rahmen des allyMAP-Projektes während des "allygator shuttle" Pilotbetriebs im Frühjahr 2018 erhoben.

Erläuterung der enthaltenen Spalten
  • cell_from – Quelle der Verkehrsbeziehung (Bezug zum Raster, siehe GeoJSON oder Shapefile)
  • cell_to – Ziel der Verkehrsbeziehung (Bezug zum Raster, siehe GeoJSON oder Shapefile)
  • weekday – Wochentag, auf den sich der Wert bezieht
  • start_time – Beginn des Zeitraums, auf den sich der Wert bezieht
  • end_time – Ende des Zeitraums, auf den sich der Wert bezieht
  • weight – Verhältnis der Anzahl an Fahrtwünschen im Vergleich zu anderen Verkehrsbeziehungen


mFUND-Projekt: ally Mobility Analytics Platform (allyMAP), FKZ: 19F2022A

Bahn
Infrastruktur
Straßen
Bereitgestellt durch

door2door GmbH

Art des Datenzugangs

Dateidownload

Aktualität der Datensatzbeschreibung

03.12.2019

Zeitbezug der Daten

01.01.2018 — 31.08.2018

Aktualisierungsfrequenz

Niemals

Raumbezug

Simulationsergebnisse für On-Demand-Ridepooling-Szenarien in Berlin (allyMAP)

Dieser Datensatz enthält Ergebnisse des mFund-Projekts "allyMAP".

Enthalten sind Eingabeparameter und Simulationsergebnisse von On-Demand-Ridepooling-Szenarien mit verschiedenen Parametern (Fahrzeuganzahl, Betriebsgebiet, Betriebszeitraum, etc.) in Berlin. Datengrundlage für die Simulationen waren die im Frühjahr im Rahmen des Pilotbetriebs "allygator shuttle" erhobenen Nachfragedaten ( diese werden hier in einem separaten Datensatz zur Verfügung gestellt).

Analysiert wurden zwei unterschiedliche potenzielle Pilotgebiete (unabhängig der tatsächlichen Bezirksgrenzen): "Friedrichshain-Kreuzberg" und "Tempelhof-Neukölln". Die Ausdehnung dieser Gebiete geht aus den zusätzlich bereitgestellten Polygonen im GeoJSON-Format hervor.

In der deutschsprachigen Spaltenbeschreibung (ODS oder PDF) findet sich eine genauere Erklärung der einzelnen Parameter und Kennzahlen.

Aus dem Ergebnis lassen sich die Auswirkungen unterschiedlicher Betriebsparameter auf die Leistungsfähigkeit von On-Demand-Mobilitätsdiensten hinsichtlich unterschiedlicher Indikatoren (Pooling-Rate, Verfügbarkeit, Anzahl der beförderten Fahrgäste, etc.) erkennen.

mFUND-Projekt: ally Mobility Analytics Platform (allyMAP), FKZ: 19F2022A

Infrastruktur
Bahn
Straßen
Bereitgestellt durch

door2door GmbH

Art des Datenzugangs

Dateidownload

Aktualität der Datensatzbeschreibung

02.12.2019

Zeitbezug der Daten

01.01.2018 — 31.08.2018

Aktualisierungsfrequenz

Unregelmäßig

Raumbezug

241 - 250 von 286 Datensätzen

Ergebnisse als CSV oder RDF/XML