Mehrdimensionale Datenfusion: Neue Methode für stadtweite Graph‑Learning

Moderne Städte setzen zunehmend auf datenbasierte Erkenntnisse, um Entscheidungen in Bereichen wie Verkehr, öffentliche Sicherheit und Umweltschutz zu treffen. Dabei sind städtische Daten oft in heterogenen Formaten vorhanden, die von lokalen Behörden mit unterschiedlichen Zielen und Standards erfasst werden. Auch nationale Datensätze zeigen erhebliche Vielfalt und Mehrmodalität.

Die vorgestellte Forschung entwickelt einen heterogenen Datenpipeline-Ansatz, der Daten aus verschiedenen Domänen über zeitlich und räumlich variable Zeitreihen hinweg zusammenführt. Ziel ist es, komplexe urbane Probleme in mehreren Bereichen und an unterschiedlichen Standorten zu lösen, indem reichhaltige Informationen aus über 50 Datenquellen genutzt werden.

Ein zentrales Element ist ein Lernmodul, das räumliche Homophilie in Graph‑Learning integriert und damit lokale Informationen in Modellen verankert. Die Generalisierbarkeit und Flexibilität des Frameworks wird anhand von fünf realen Fallstudien demonstriert, die öffentlich zugängliche Datensätze wie Ride‑Share‑Verkehr, Verkehrsunfälle und Kriminalitätsberichte aus mehreren Städten nutzen.

Die Ergebnisse zeigen, dass das neue System eine starke Vorhersageleistung erzielt und dabei nur minimale Anpassungen benötigt, wenn es auf neue Standorte oder Domänen übertragen wird. Damit ebnet die Forschung den Weg für skalierbare, dateninformierte urbane Systeme und adressiert eine der drängendsten Herausforderungen der Smart‑City‑Analyse.