Inspiration

Bisher laufen die Jelbi Operations größtenteils manuell. Zum Beispiel wird die Belegung der Stationen per Hand gezählt, falls Bedarf besteht wird dieser telefonisch den Sharing Anbietern mitgeteilt.

Ein großes Problem sind außerdem Falschparker, die nicht automatisch erfasst werden und dem Parkraumüberwachungsdienstleister per Anruf mitgeteilt werden müssen.

Außerdem wünschen sich die Flächenanbieter, dass Datenanalysen über einen längeren Zeitraum abgerufen werden können, um sich mit der Optimierung und ggn. Erweiterung der Jelbi Stationen auseinanderzusetzen.

What it does

Das Jelbi Dashboard ist ein an die Stakeholder gerichtete Lösung zur übersichtlichen Darstellung des operativen Status.

Unsere Lösung zählt alle Sharing Fahrzeuge innerhalb einer Station. Falls diese den von uns prognostizierten Bedarf nicht abdecken können, wird eine Benachrichtigung an die jeweiligen Sharing Anbieter geschickt.

Falschparker werden ebenso per Sensor erkannt, was eine Push Benachrichtigung an den Parkraumüberwachungsdienstleister nach sich zieht.

Die Daten werden über einen längeren Zeitraum gesammelt und abgespeichert, sodass langfristige Analysen ermöglicht werden und unsere Bedarfsprognosen verbessert werden können.

How I built it

Wir haben einen Geofence um die Jelbi Stationen errichtet. Über die APIs der Sharing Anbieter erkennen wir, welche und wie viele Sharingfahrzeuge sich innerhalb der Station befinden. Außerdem werden ihre Ankunfts- und Abfahrtszeit vermerkt.

Über die Bosch Parking Lot Sensoren können wir erkennen, wie viele Parkplätze tatsächlich belegt sind. Sollten mehr belegte Parkplätze gemeldet werden als Sharing Autos innerhalb der Station sind, können wir auf Falschparker schließen. Dies führt zur automatischen Benachrichtigung des Parkraumüberwachungsdienstleisters.

Die Bosch XDk Sensoren ermöglichen uns die Erfassung von hyperlokalen Wetterdaten. Außerdem können wir über die Erkennung von MAC-Adressen den Foot Traffic messen. Wir vergleichen diese Faktoren mit historischen Nachfragedaten und können so den Bedarf prognostizieren. Falls eine Abweichung zum tatsächlichen Fahrzeugbestand ermittelt wird, wird diese dem Sharing Anbieter über eine API mitgeteilt.

Challenges I ran into

Die Daten der Sharing Anbieter waren in unterschiedlichen Formaten vorhanden und mussten angepasst werden. Der BVG Datensatz war zudem sehr fragmentiert. Zuguterletzt ist es sehr unbequem, auf einem Sitzsack zu schlafen.

Accomplishments that I'm proud of

Das Team und das Frontend Design.

What I learned

Einiges in tech floating, Sensorprogrammierung und UI Design.

What's next for Jelbi Dashboard

Die Bedarfsprognose über machine learning mit einem größeren Datensatz optimieren. Die Integration von den übrigen Sharing Anbietern. Testen der Sensoren im tatsächlichen Verkehr.

Built With

Share this project:

Updates