Die Verdichtung der Bevölkerung und des Verkehrs bedingt eine bessere Planung der Mobilitätsströme. Es gibt viele Daten zur Mobilität und einige sind sogar frei zugänglich, wie diejenigen des Bundesamts für Statistik. Dennoch reicht ein Zugang zu den Daten nicht aus – sie müssen interpretiert werden, damit sie genutzt werden können. Im Gegensatz zu anderen Bereichen der Nachhaltigkeit gibt es im Mobilitätssektor zahlreiche Akteurinnen und Akteure, die durch die Handlungen der Nutzenden jederzeit beeinflusst werden. Es ist auch schwierig, das Verhalten von Privatpersonen zu beeinflussen, da dies in den Bereich der Bewegungsfreiheit fällt, die als eine wesentliche Freiheit angesehen wird. So führen Änderungen in der öffentlichen Politik zu teilweise heftigen Reaktionen (man denke an die Gelbwesten in Frankreich oder die Panikkäufe der Engländer im Jahr 2021, als eine Benzinknappheit drohte).
Bedeutung der Datenwissenschaften
Ein Privatfahrzeug bedeutet Freiheit, ist aber für Menschen, die in Randgebieten leben, manchmal unverzichtbar. Politische Entscheidungen sind in diesem Bereich daher heikel, da jeder Person eine ihr eigene Logik vertritt (finanziell, optimierend oder wahltaktisch). Um Entscheidungen zu treffen, die den Erwartungen der Bevölkerung gerecht werden und eine wirksame und nachhaltige öffentliche Politik umsetzen, ist es daher wichtig, sich auf die Datenwissenschaft stützen zu können.

Verteiltes Lernen
Einige Forschungsprojekte befassen sich mit der Entwicklung von Modellen für föderales Lernen ohne Server, was auch als Gossip Learning bezeichnet wird. Aber was genau ist das? In einem klassischen maschinellen Lernmodell senden Computer Daten an einen zentralen Server, der diese analysiert, um etwas vorherzusagen (z. B. eine Krankheit). Das Gossip Learning beruht auf einem dezentralisierten Ansatz, da die Daten dort bleiben, wo sie generiert wurden. Jeder Computer trainiert sein eigenes Modell und teilt es mit anderen Computern, wodurch die Privatsphäre der Nutzenden gewahrt bleibt.
Bessere Leistung und besserer Schutz der Privatsphäre
Ein solches System hat zahlreiche Vorteile. Es ist skalierbar, da dem Netzwerk neue Knoten (oder Computer) hinzugefügt werden können. Das System ist robuster, denn wenn ein Knoten ausfällt, springen die anderen Computer ein. Die Leistung ist grösser und die Berechnungen werden schneller durchgeführt, da die Ressourcen verteilt und optimiert genutzt werden. Die Kosten des Systems sind zudem geringer, da kein leistungsstarker Server zur Zentralisierung der Daten benötigt wird, sondern mehrere kleine Knoten. Dadurch wird auch die Privatsphäre besser geschützt, da sensible Benutzerdaten nicht geteilt werden.
Warum bezeichnet man das als Gossip Learning?
Ganz einfach, weil Informationen über das Netzwerk verteilt werden, wie Klatsch über eine Gruppe von Menschen. Jeder Knoten im Netzwerk aktualisiert seine Modellparameter, indem er sich mit anderen Knoten im Netzwerk austauscht, um einen Konsens zu erreichen. Das verteilte Lernen ist skalierbar, dezentralisiert und reduziert das Kommunikationsvolumen. Dies ist beispielsweise sehr interessant, um grosse Datenmengen zu analysieren, den Datenfluss von Energiesystemen zu verbessern oder komplexe mechanische oder physikalische Konzepte zu simulieren, um Produkte oder Geräte virtuell zu optimieren. Solche Projekte können sich mit praktischen Anwendungsfällen im Bereich der Mobilität befassen. Gossip Learning kann etwa benutzt werden, um Vorhersagen über das Verkehrsaufkommen zu machen, um Unfälle mit autonomen Fahrzeugen zu verhindern oder das Verhalten von Fussgängern zu untersuchen, um das städtische Umfeld gezielt zu gestalten.