Genaue Verkehrsflussprognosen sind für die Stadtplanung, die Verringerung von Staus und die Verbesserung der Straßenverkehrssicherheit unerlässlich. In den letzten Jahren sind Datenfusionstechniken zu wichtigen Werkzeugen geworden, um die Genauigkeit dieser Vorhersagen zu verbessern, indem Daten aus verschiedenen Quellen kombiniert werden. Da Städte wachsen und Verkehrsnetze komplexer werden, sind traditionelle Vorhersagemodelle aus einer Quelle oft nicht in der Lage, das dynamische Zusammenspiel von Faktoren wie Wetter, Vorfällen, besonderen Ereignissen und Fahrerverhalten zu erfassen. Die Datenfusion schließt diese Lücke durch intelligentes Zusammenführen heterogener Datenströme, was zu einem umfassenderen und umsetzbareren Bild der aktuellen und zukünftigen Verkehrsbedingungen führt. Dieser Artikel untersucht die Kernkonzepte, Methoden, praktischen Auswirkungen, Herausforderungen und zukünftige Flugbahn der Datenfusion in der Verkehrsflussprognose und bietet einen umfassenden Überblick für Verkehrsfachleute und Forscher gleichermaßen.

Was sind Data Fusion Techniken?

Datenfusion bezieht sich auf den Prozess der Integration von Informationen aus mehreren Sensoren, Datensätzen oder Quellen, um umfassendere, konsistentere und zuverlässigere Erkenntnisse zu erhalten, als jede einzelne Quelle allein liefern könnte. Im Verkehrsmanagement hat sich dieses Paradigma von der einfachen Mittelung der Sensorwerte zu anspruchsvollen mehrstufigen Integrationsrahmen entwickelt, die Daten mit unterschiedlichen räumlichen und zeitlichen Auflösungen, Genauigkeitsstufen und Formaten verarbeiten. Das zugrunde liegende Prinzip ist, dass die kombinierten Informationen die Unsicherheit verringern und das Signal-Rausch-Verhältnis verbessern, was robustere Vorhersagemodelle ermöglicht.

Das Konzept stammt ursprünglich aus militärischen Anwendungen zur Zielverfolgung und -überwachung, wird aber inzwischen in intelligenten Transportsystemen (IVS) weit verbreitet. Im Kontext des Verkehrsflusses kann die Datenfusion die Kombination von Echtzeit-Daten von Straßensensoren mit historischen Mustern, Wettervorhersagen, Social Media Feeds und sogar vernetzter Fahrzeugtelematik umfassen. Ziel ist es, eine synthetisierte Darstellung des Verkehrszustands zu erzeugen, die sowohl räumlich vollständig als auch zeitlich konsistent ist, was genauere kurz- und langfristige Vorhersagen ermöglicht.

Formal kann die Datenfusion nach der Ebene kategorisiert werden, auf der die Integration stattfindet. Das JDL-Modell (Joint Directors of Laboratories), eine Standardtaxonomie, definiert Ebenen von Ebene 0 (Sub-Object Assessment) bis Ebene 4 (Prozessverfeinerung), wobei für Verkehrsanwendungen die wichtigsten Ebenen Sensor-Ebene, Feature-Ebene und Entscheidungsebene Fusion sind, wobei jede Ebene einen deutlichen Kompromiss zwischen Rechenkomplexität und Informationsreichtum aufweist.

Arten und Ebenen der Datenfusion

Fusion auf Sensorebene

Die Sensor-Ebene-Fusion kombiniert direkt Rohdaten aus verschiedenen Sensorquellen vor einer signifikanten Verarbeitung. Zum Beispiel erfassen induktive Schleifendetektoren, Radarsensoren und Videokameras jeweils Rohdatenverkehrsparameter wie Fahrzeugzahl, Geschwindigkeit und Belegung. Diese Rohdatenströme können zeitlich und räumlich synchronisiert und dann mit Techniken wie Kalman-Filterung oder gewichteter Mittelung zusammengeführt werden, um eine fusionierte Schätzung der Verkehrsdichte oder Durchflussrate zu erzeugen. Der Hauptvorteil besteht darin, dass minimale Informationen verloren gehen, aber der Ansatz erfordert eine sorgfältige Kalibrierung, um unterschiedliche Sensorrauscheneigenschaften und Fehlermodi zu berücksichtigen.

Kernfusion auf Feature-Level

Auf der Feature-Ebene wird jede Datenquelle zunächst verarbeitet, um relevante Attribute oder Merkmale wie durchschnittliche Geschwindigkeit, Verkehrsaufkommen, Einfallsflaggen oder Spurbelegungsverhältnis zu extrahieren, bevor eine Fusion auftritt. Diese extrahierten Merkmale werden dann zu einem einheitlichen Merkmalsvektor kombiniert, der als Eingabe für Vorhersagemodelle dient. Diese Ebene ist in maschinellen Lernpipelines üblich, in denen Merkmale aus heterogenen Quellen (z. B. GPS-Sondendaten, Bluetooth-MAC-Scans, Wetterberichte) verkettet und in Regressions- oder Klassifizierungsalgorithmen eingespeist werden. Feature-Level-Fusion reduziert die Datendimensionalität und hilft, Probleme mit räumlicher und zeitlicher Fehlausrichtung zu mildern, was sie zu einer beliebten Wahl für Echtzeit-Verkehrsprognosen macht.

Entscheidungsfindung

Die Fusion auf Entscheidungsebene erfolgt auf der Grundlage der Ausgänge unabhängiger Analysemodelle. Beispielsweise können separate Vorhersagemodelle Induktivschleifendaten, Kameradaten und GPS-Daten verwenden, um jeweils eine Vorhersage für denselben Ort und Zeithorizont zu erstellen. Diese einzelnen Vorhersagen werden dann mithilfe von Algorithmen wie Abstimmung, Bayes-Inferenz oder Dempster-Shafer-Theorie kombiniert, um zu einer endgültigen, fusionierten Vorhersage zu gelangen. Dieser Ansatz ist besonders widerstandsfähig gegenüber Sensorausfällen, da das System so lange weiterarbeiten kann, wie mindestens eine Quelle vernünftige Schätzungen liefert.

Hybrid- und Multilevel-Fusion

Moderne Verkehrsvorhersagesysteme verwenden häufig hybride Ansätze, die Elemente aus mehreren Fusionsstufen kombinieren. Beispielsweise kann ein System eine Fusion auf Sensorebene für Schleifendetektoren und Radardaten durchführen, um einen Basisverkehrszustand zu erhalten, dann eine Fusion auf Feature-Ebene verwenden, um Wetter- und Ereignisdaten zu integrieren, und schließlich eine Fusion auf Entscheidungsebene anwenden, um Ausgaben aus verschiedenen Zeitreihenvorhersagemodellen zusammenzuführen. Solche Mehrebenenstrategien bieten Flexibilität und Robustheit, erhöhen aber auch die Systemkomplexität und erfordern ein sorgfältiges Design, um eine Fehlerausbreitung zu vermeiden.

Wichtige Datenquellen für Verkehrsflussprognosen

Die Effektivität der Datenfusion hängt von der Vielfalt und Qualität der zu integrierenden Datenquellen ab.

  • Induktive Loop-Detektoren: Eingebettet in Straßenoberflächen messen diese Sensoren die Fahrzeugpräsenz, -zahl, -geschwindigkeit und -belegung mit hoher Genauigkeit, aber nur an festen Punkten.
  • Radar- und Lidar-Sensoren: Diese sind an Straßenmasten oder Portalen installiert und ermöglichen eine großflächige Erfassung von Fahrzeugtrajektorien und -geschwindigkeit. Sie werden zunehmend an Kreuzungen und Korridorsegmenten für eine detaillierte Verkehrszustandsschätzung verwendet.
  • Videokameras und Computer Vision: Verkehrskameras mit Videoanalyse können Fahrzeugzahlen, Klassifizierung, Geschwindigkeit und sogar Spurwechsel extrahieren.
  • GPS Probe Data: Gesammelt von Smartphones, Navigations-Apps und Flottenmanagementsystemen, bietet dies Echtzeit-Geschwindigkeits- und Reisezeitinformationen über ausgedehnte Straßennetze. Die Daten werden oft anonymisiert und aggregiert, aber die Abtastraten und die Positionsgenauigkeit können variieren.
  • Bluetooth und Wi-Fi MAC Scanner: Diese erkennen die eindeutigen MAC-Adressen von mobilen Geräten, die Fixpunkte passieren, und ermöglichen die Schätzung der Reisezeit zwischen den Scannerstandorten. Die Abdeckung verbessert sich, da die Bluetooth-Technologie allgegenwärtig wird, aber Datenschutzbedenken und niedrige Penetrationsraten in einigen Bereichen bleiben Herausforderungen.
  • Wetterstationen und Wettervorhersagen: Wetterbedingungen, insbesondere Niederschlag, Temperatur und Sichtbarkeit, beeinflussen den Verkehrsfluss erheblich.
  • Incident and Event Data: Informationen über Unfälle, Straßenbau, Sonderereignisse und Fahrspursperrungen können von Verkehrsleitstellen, Social Media Feeds oder automatisierten Systemen zur Ereigniserkennung abgerufen werden.
  • Connected and Autonomous Vehicle (CAV) Telematics: Mit zunehmender CAV-Penetration bieten direkte Fahrzeug-zu-Infrastruktur (V2I) Daten hochgradig granulare Geschwindigkeits- und Bahninformationen. Dies ist eine neue Quelle, die verspricht, die Verkehrsvorhersage durch die Bereitstellung nahezu kontinuierlicher, hochauflösender Beobachtungen zu revolutionieren.

Durch die Verschmelzung dieser unterschiedlichen Quellen können Vorhersagemodelle die Schwächen jedes einzelnen Sensors kompensieren. So können beispielsweise spärliche GPS-Sondendaten mithilfe von Schleifendetektorzahlen räumlich interpoliert werden, und Wetterdaten können verwendet werden, um Verzerrungen in kamerabasierten Geschwindigkeitsschätzungen zu korrigieren. Die durch Fusion erzeugte Synergie bildet die Grundlage für genaue, belastbare Verkehrsprognosesysteme.

Auswirkungen auf die Verkehrsflussprognosen

Herkömmliche Modelle, die auf einer einzigen Datenquelle beruhen - zum Beispiel nur Schleifendetektoren - erzeugen oft Vorhersagen, die bei Vorfällen, Wetteränderungen oder Nachfragesprüngen unzuverlässig sind. Durch zusammengesetzte Modelle hingegen werden komplementäre Informationen genutzt, um Stabilität und Präzision zu erhalten.

Verbesserte Robustheit und Stabilität

Die Datenfusion erhöht die Systemrobustheit von Natur aus. Fehlt ein Datenstrom oder enthält er Fehler (z. B. geht ein Schleifendetektor offline oder wird eine Kamera durch Nebel verdeckt), kann das Vorhersagemodell unter Verwendung alternativer Quellen immer noch angemessene Ausgaben erzeugen. Diese Redundanz ist für missionskritische Verkehrsmanagementanwendungen von entscheidender Bedeutung, bei denen ein einzelner Fehlerpunkt zu fehlgeleiteten Verkehrssignal-Timings oder falschen Reiseinformationen führen könnte.

Verbesserter Umgang mit nicht wiederkehrenden Staus

Nicht wiederkehrende Staus, die durch Unfälle, Wetter oder besondere Ereignisse verursacht werden, sind bekanntlich nur schwer mit historischen Durchschnittswerten vorherzusagen. Fusionstechniken können Echtzeit-Inzidenzberichte und Wetterdaten enthalten, um Vorhersagen im laufenden Betrieb anzupassen. Beispielsweise könnte ein System, das Geschwindigkeitsdaten von Schleifendetektoren mit einer Wettervorhersage für starke Regenfälle verschmilzt, eine Senkung der Durchschnittsgeschwindigkeit um 15-20% in der kommenden Stunde vorhersagen, was proaktive Verkehrsmanagementmaßnahmen wie reduzierte Geschwindigkeitsbegrenzungen oder dynamische Spurzuweisungen ermöglicht.

Bessere räumliche und zeitliche Abdeckung

Die Datenfusion ermöglicht es, räumliche und zeitliche Lücken durch Kombination von Messungen aus überlappenden oder korrelierten Quellen zu füllen. Beispielsweise kann ein Autobahnabschnitt ohne Schleifendetektoren, aber hohe GPS-Sondendurchdringung unter Verwendung von fusionierten Daten aus GPS-Geschwindigkeiten und Nahbereichsschleifendetektor-Flusszählungen modelliert werden. Ebenso können zeitliche Lücken aufgrund von Sensorausfällen durch die Nutzung von prädiktiven Modellen überbrückt werden, die auf historischen fusionierten Daten trainiert werden.

Real-World Beispiele und Fallstudien

Mehrere Städte und Forschungsprojekte haben die Wirksamkeit der Datenfusion für die Verkehrsvorhersage demonstriert. zum Beispiel entwickelte das Programm PATH (California Partners for Advanced Transportation Technology) ein Fusions-Framework, das Schleifendetektor, Sondenfahrzeug und Vorfallsdaten kombiniert, um kurzfristige Verkehrsprognosen für die San Francisco Bay Area zu erstellen, wodurch eine 20-30%ige Reduzierung des Vorhersagefehlers im Vergleich zu Single-Source-Modellen erreicht wird.

In Europa setzte die schwedische Verkehrsverwaltung Trafikverket ein Datenfusionssystem ein, das Wetterdaten und Straßensensordaten integriert, um Schlupfhaftigkeit und Staus während der Wintermonate vorherzusagen, was zu effektiveren Einsalz- und Pflügeoperationen führte.

Im privaten Sektor nutzen Unternehmen wie HERE Technologies und TomTom massive Datenfusionspipelines, die Milliarden von GPS-Pings, Straßensensor-Feeds und historischen Verkehrsmustern zusammenführen, um Echtzeit-Verkehrsinformationen an Navigations-Apps zu liefern. Ihr Erfolg unterstreicht den kommerziellen Wert von genauen kombinierten Verkehrsprognosen.

Unterstützung des dynamischen Verkehrsmanagements

Genaue Vorhersagen, die durch Datenfusion ermöglicht werden, unterstützen eine breite Palette von Verkehrsmanagementstrategien. Verkehrssignalsteuerungssysteme können die Zeitmessungen präventiv auf der Grundlage des vorhergesagten Stauaufbaus anpassen. Variable Geschwindigkeitsbegrenzungen können in Abhängigkeit von der vorhergesagten Viskosität festgelegt werden. Reiseinformationssysteme können zuverlässige geschätzte Ankunftszeiten (ETAs) liefern, die sich an sich ändernde Bedingungen anpassen. Incident Response Teams können früher zu vorhergesagten Krisenherden entsandt werden.

All diese Anwendungen hängen von der prädiktiven Genauigkeit ab, die die Datenfusion liefert.

Herausforderungen und Einschränkungen

Trotz ihrer erheblichen Vorteile steht die Datenfusion für die Verkehrsvorhersage vor mehreren technischen und betrieblichen Herausforderungen, die für eine breite Akzeptanz angegangen werden müssen.

Datenqualität und Heterogenität

Datenquellen haben unterschiedliche Genauigkeits-, Auflösungs-, Latenz- und Zuverlässigkeitsgrade. Beispielsweise können Schleifendetektoren systematische Verzerrungen aufweisen, wenn sie nicht regelmäßig gewartet werden, während GPS-Sondendaten durch Stichprobenauswahlverzerrungen beeinflusst werden können (z. B. Taxis repräsentieren möglicherweise nicht das gesamte Fahrzeugverhalten). Das Zusammenführen von Daten mit geringer Qualität kann Vorhersagen tatsächlich verschlechtern, wenn der Fusionsalgorithmus nicht robust gegenüber Ausreißern ist.

Zeitsynchronisation und räumliche Ausrichtung

Verkehrsdatenströme haben oft unterschiedliche Zeitstempel (z. B. alle 30 Sekunden aggregierte Schleifendetektordaten, stündlich aktualisierte Wetterdaten) und unterschiedliche Koordinatensysteme oder Straßennetzdarstellungen. Zeit- oder Raumfehlausrichtungen können zu erheblichen Fehlern führen. Lösungen umfassen Interpolation, Zeitausrichtungstechniken und Algorithmen zur Kartenanpassung, die jedoch Komplexität und potenzielle Latenz hinzufügen.

Computational Complexity

Hochfrequente Datenfusion, insbesondere auf Sensorebene, kann rechenintensiv sein. Echtzeit-Fusion von Videostreams, Radardaten und Tausenden von GPS-Sonden erfordert effiziente Algorithmen und oft dedizierte Hardware (z. B. GPUs oder FPGAs). Für groß angelegte Anwendungen, die ganze Ballungsräume abdecken, wird die Skalierbarkeit zur Sorge. Forscher erforschen verteilte Verarbeitungs- und Edge-Computing-Paradigmen, um die Rechenlast zu entlasten.

Datenschutz und Data Governance

Viele Verkehrsdatenquellen, wie GPS-Sondendaten von Smartphones oder Bluetooth-MAC-Scans, werfen Datenschutzbedenken auf. Selbst aggregierte, anonymisierte Daten können manchmal wieder identifiziert werden. Vorschriften wie die Datenschutz-Grundverordnung (DSGVO) in Europa stellen strenge Anforderungen an die Datenerfassung, -verarbeitung und -speicherung. Datenfusionssysteme müssen datenschutzfördernde Techniken wie differenzierte Datenschutz oder sichere Mehrparteienberechnung enthalten, die den Aufwand erhöhen und den Datennutzen reduzieren können.

Fehlende Standardisierung

Die Verkehrsdatenfusionslandschaft hat keine weithin akzeptierten Standards für Datenformate, Metadaten und Fusionsprotokolle. Verschiedene Anbieter und Agenturen verwenden proprietäre Systeme, was die Interoperabilität erschwert. Initiativen wie das ITS-Standardprogramm des US-Verkehrsministeriums und die europäische Spezifikation DATEX II zielen darauf ab, dies zu beheben, aber die Annahme ist noch unvollständig.

Konzept Drift und Modell Degradation

Verkehrsmuster entwickeln sich im Laufe der Zeit aufgrund von Veränderungen bei Landnutzung, Demografie, Infrastruktur und Technologie. Fusionsmodelle, die auf historischen Daten trainiert werden, können unter einer Konzeptdrift leiden, bei der sich die statistischen Beziehungen zwischen fusionierten Merkmalen und Verkehrsergebnissen ändern. Kontinuierliche Umschulung und Anpassung von Modellen sind notwendig, aber operativ anspruchsvoll.

Der Bereich der Datenfusion für die Verkehrsvorhersage schreitet rasch voran, angetrieben durch Verbesserungen bei künstlicher Intelligenz, Computerinfrastruktur und Datenverfügbarkeit.

Integration von Deep Learning und neuronalen Netzwerken

Deep-Learning-Modelle, insbesondere Langzeitgedächtnisnetze (LSTM), Graph-Neural-Netzwerke (GNN) und Transformer, haben sich als außergewöhnlich geeignet erwiesen, komplexe zeitliche und räumliche Abhängigkeiten in verschmolzenen Verkehrsdaten zu erfassen. Diese Modelle können automatisch lernen, wie verschiedene Eingangsquellen gewogen und kombiniert werden, wodurch implizite Datenfusion effektiv durchgeführt wird. Multimodale Architekturen, die Text (Ereignisberichte), Bilder (Verkehrskameras) und numerische Sequenzen (Sensormessungen) verarbeiten, werden immer machbarer und sollen die Vorhersagegenauigkeit weiter verbessern.

Edge und Fog Computing

Die Verarbeitung der Datenfusion am Rand - in der Nähe der Sensoren - reduziert Latenz- und Bandbreitenanforderungen. Beispielsweise kann ein Edge-Gerät an einer Kreuzung Kameradaten, Radardaten und lokale Wettermessungen verschmelzen, um kurzfristige Staus vorherzusagen und nur aggregierte Vorhersagen an eine zentrale Verkehrsmanagementzentrale zu senden.

Digitale Zwillinge und simulationsbasierte Fusion

Ein digitaler Zwilling ist eine virtuelle Nachbildung des physischen Transportnetzwerks, das Echtzeitdaten aus verschiedenen Quellen enthält. Die Datenfusion wird verwendet, um den digitalen Zwilling kontinuierlich zu aktualisieren, der dann als Plattform für Simulationen und Was-wäre-wenn-Analysen dient. Dieser Ansatz ermöglicht es Verkehrsmanagern, die Auswirkungen verschiedener Eingriffe (z. B. Signal-Timing-Änderungen, Fahrspurschließungen) vorherzusagen, bevor sie sie in der realen Welt einsetzen. Digitale Zwillinge werden bereits in Städten wie Singapur und Barcelona pilotiert.

Verstärkte Nutzung von vernetzten Fahrzeugdaten

Mit zunehmender Verbreitung der Kommunikation zwischen Fahrzeugen und allem (V2X) werden Volumen und Granularität der vernetzten Fahrzeugdaten exponentiell zunehmen. Fusionstechniken müssen sehr hochfrequente Datenströme von Millionen von Fahrzeugen verarbeiten, wobei Geschwindigkeit, Beschleunigung, Bremsstatus und Flugbahn jeweils gemeldet werden müssen. Diese Daten werden in Kombination mit Infrastruktursensoren eine nahezu perfekte Schätzung des Verkehrszustands und hochgenaue Vorhersagen ermöglichen, insbesondere für Systeme zur Erkennung und Kollisionsvermeidung von Verkehrsunfällen.

Federated Learning für Privacy-Preserving Fusion

Föderiertes Lernen ist eine neue Technik, bei der prädiktive Modelle über dezentrale Datenquellen hinweg trainiert werden, ohne Rohdaten auszutauschen. Dieser Ansatz bewahrt die Privatsphäre und ermöglicht gleichzeitig die Vorteile der Datenfusion über mehrere Agenturen oder Unternehmen hinweg. Beispielsweise könnte ein föderiertes Modell für die Verkehrsvorhersage auf Daten aus mehreren Städten oder Flotten trainiert werden, ohne dass eine einzelne Einheit auf sensible Standortdaten zugreift. Frühe Untersuchungen zeigen vielversprechende Ergebnisse für die Vorhersage kurzfristiger Verkehrsströme.

Erklärbare KI für Vertrauen und Validierung

Da Fusionsmodelle komplexer werden, wird es wichtig, zu verstehen, warum eine bestimmte Vorhersage gemacht wurde, für Vertrauen und operative Entscheidungsfindung. Erklärbare KI-Techniken (XAI) wie SHAP (SHapley Additive exPlanations) und LIME (Local Interpretable Model-agnostic Explanations) können identifizieren, welche Datenquellen am meisten zu einer gegebenen Vorhersage beigetragen haben. Diese Transparenz hilft Verkehrsingenieuren, den Fusionsprozess zu validieren und mögliche Fehler zu diagnostizieren.

Schlussfolgerung

Datenfusionstechniken sind heute integraler Bestandteil moderner Verkehrsflussvorhersagesysteme und bieten die Robustheit, Genauigkeit und räumlich-zeitliche Vollständigkeit, die Single-Source-Modelle nicht erreichen können. Durch die Integration von Daten von Sensoren, Sonden, Wettereingaben und Vorfallsberichten ermöglicht die Fusion den Verkehrsmanagementbehörden, Staus zu antizipieren, proaktiv zu reagieren und die Netzwerkleistung zu optimieren. Die Vorteile sind greifbar: verkürzte Reisezeiten, geringere Emissionen, verbesserte Sicherheit und bessere Ressourcenzuweisung.

Eine erfolgreiche Implementierung erfordert jedoch einen sorgfältigen Umgang mit Datenqualität, Synchronisierung, Datenschutz und Rechenherausforderungen. Das Gebiet entwickelt sich rasant, mit Deep Learning, Edge Computing, digitalen Zwillingen und datenschutzfördernden Technologien, die bereit sind, die Fusionsfähigkeit weiter zu verbessern. Für Transportagenturen und Technologieanbieter ist die Investition in Infrastruktur und Fachwissen für die Datenfusion nicht nur ein Wettbewerbsvorteil - es ist eine Notwendigkeit, um die widerstandsfähigen, intelligenten Verkehrssysteme der Zukunft aufzubauen.

Da die städtische Bevölkerung weiter anwächst und die Mobilitätsanforderungen zunehmen, wird die Rolle der Datenfusion nur noch zunehmen. Der Weg nach vorne liegt in der weiteren Erforschung adaptiver Fusionsarchitekturen, der domänenübergreifenden Integration (z. B. die Kombination von Verkehrsdaten mit Daten des öffentlichen Nahverkehrs, Energienetzdaten und Luftqualitätssensoren) und offenen Standards, die die Zusammenarbeit erleichtern. Durch die Nutzung der Leistungsfähigkeit verschiedener Datenquellen durch intelligente Fusion können wir die Verkehrsprognose von einer reaktiven Disziplin in eine proaktive, prädiktive Wissenschaft verwandeln, die Menschen sicher und effizient bewegt.