Die Identifikation von Bereichen mit hohem Parkaufkommen erfolgt auf Basis von Floating Car Daten (Fahrzeugbewegungen, gemessen von Navigationsgeräten und / oder mobilen Endgeräten) und wird für den motorisierten Individualverkehr zur Verfügung gestellt. Die Auswertung betrachtet den Zeitraum der letzten 15 Wochen vor der Bestellung. Differenziert werden räumliche Zellen mit einer Kantenlänge abhängig von der Größe des Betrachtungsgebietes (100m-10km), sowie einer Unterscheidung zwischen Wochentag / Wochenende und vier verschiedenen verkehrsrelevanten Tagesphasen als Zeitscheiben. Eine detaillierte Beschreibung der enthaltenen Datenfelder findet sich weiter unten. Zur Identifikation von Bereichen mit hohem Parkaufkommen und potentieller Überauslastung von Stellflächen werden Parkvorgänge analysiert und deren relative Verteilung erhoben. Die Anzahl der Parkvorgänge bilden wichtige Indikatoren für Maßnahmen im Rahmen von Parkraumkonzepten.

Die Parkvorgänge werden mit Hilfe eines Machine-Learning Models in den Floating Car Daten einer Region erkannt und als solche klassifiziert. Hierzu werden in einer jeden Sequenz von Telemetriedaten solche Übergänge gesucht, in denen ein Fahrzeug eine bestimmte Mindestgeschwindigkeit unterschreitet. Für einen jeden dieser Übergänge werden nun verschiedene Eigenschaften aus dem Fahrverhalten der vorhergehenden Minute und den zwei folgenden Minuten extrahiert. Diese Eigenschaften bilden werden dann als Entscheidungsgrundlage für das Machine-Learning Model zur Klassifizierung (Parkvorgang / Halten an Lichtsignalanlage oder stockender Verkehr) verwendet.

lat / lon: Der Breiten- Längengrad des Zentrums einer räumlichen Zelle im EPSG:4326 (GPS / WGS84) Koordinatensystem. relative_parking: Die relative Anzahl der Parkvorgänge in der räumlichen Zelle. Normiert für die Dauer der Zeitscheibe, um Vergleichbarkeit zwischen Zeitscheiben herzustellen. day: Der Tag oder die Tagesspanne, für die ein Wert erhoben wurde. hour: Die Stunde oder die Zeitspanne, für die ein Wert erhoben wurde.