Új szoftver könnyíti meg a közlekedés különböző módjainak kombinálását. A Siemens olyan szolgáltatást fejleszt, amely révén előrejelezhető, hogy egy adott helyen és időben lesz-e szabad carsharing jármű. Ezt az előrejelző funkciót a SiMobility Connect platformba fogják beépíteni, amely összekapcsolja a carsharing cégeket, taxikat és a kerékpárkölcsönzőket.
A felhasználók egyetlen mobil applikáció segítségével megtervezhetik utazásuk minden szakaszát, és rögtön láthatják, hogy a közlekedési eszközök milyen kombinációja a legelőnyösebb abban a pillanatban vagy éppen később. A cél az, hogy az intermodális utazásokat (azaz a közlekedési eszközök kombinációját) tervezhetőbbé tegyék, és így küzdjenek meg a nagyvárosi agglomerációs területeken kialakuló forgalmi dugókkal. Az új szoftver azt a carsharing felhasználói adatbázist is tartalmazza, akiknek járművei nem rendelkeznek fix parkolóhelyekkel.
Kép: Eric Fischer, CC 2.0
Ez az ún. free floating carsharing viszonylag új koncepció, melyet a modern információtechnológiai megoldások tesznek lehetővé. A járműveknek nincs állandó tartózkodási helyük, hanem bárhol parkolhatnak bizonyos régiókon belül. Ezt a pozíciót jelentik be egy ellenőrző központnak. A felhasználók egy app-on keresztül állapíthatják meg, hogy régiójukban milyen szabad járművek állnak rendelkezésre, és közvetlenül a beszállás előtt foglalnak le egyet. Az előny a nagyfokú rugalmasságban rejlik, mivel az igénybe vett járművet így már nem kell visszavinni egy meghatározott időben és helyre. Az utazás tervezhetősége viszont kedvezőtlenebb amiatt, hogy a járműveket nem lehet jó előre lefoglalni, és a felhasználó nem lehet biztos abban, hogy lesz-e majd szabad jármű a kívánt helytől elfogadható távolságban.
A Siemens Corporate Technology (a vállalat központi kutatórészlege) kutatói ezen a ponton kapcsolódnak be. Olyan algoritmust fejlesztettek ki, amely az összes carsharing jármű valósidejű pozícióadataiból előre meg tudja határozni, hogy azok hol és mikor állnak rendelkezésre. Kiindulási pontként a járművek pozíciója és rendelkezésre állásának történeti adathalmaza szolgál. Ha ezeket az adatokat hosszabb időn át megfigyelik, akkor minták ismerhetők fel a járművek eloszlásáról, ebből pedig előrejelzések készíthetőek. De több külső tényező, mint például az időjárás, szabadnapok, szabadságolási időszakok vagy nagyobb rendezvények mind befolyásolhatják ezek pontosságát ugyanúgy, mint a carsharing-szolgáltatók intézkedései (pl. további járművek beállítása).
Hogy a nagy adatmennyiségeket kézben lehessen tartani, a kutatók cellákra osztják fel azt a területet, amelyre prognózisokat kell készíteni. Ezekben a cellákban az algoritmus a történeti adatok birtokában megtanulja a járművek eloszlásának lehető legpontosabb előrejelzését. Ahogy az adatmennyiségek növekednek, a megtanult modell az időben egyre jobb lesz, azaz a prognózisok egyre pontosabbá válnak.