Sichere Schulwege in Zürich

Zuerst habe ich frei verfügbare Bilder aus der Stadt Zürich zusammengetragen – sowohl aus der Strassenperspektive über Mapillary als auch aus der Vogelperspektive mit SWISSIMAGE von swisstopo.

Mit Hilfe von KI-Software – konkret Ultralytics – habe ich ein eigenes Modell trainiert. Das Training dauerte rund 48 Stunden auf einem leistungsfähigen Computer. Ziel war es, wichtige Elemente im Strassenraum automatisch zu erkennen, zum Beispiel Zebrastreifen, Trottoirs oder Verkehrsschilder. Damit entstand die Datengrundlage für die spätere Bewertung der Sicherheit von Schulwegen.

Anschliessend wurde die Schulwegsicherheit auf zwei Arten bewertet: einerseits mit einem von mir programmierten Machine-Learning-Verfahren, das aus Beispieldaten und dem bestehenden Online-Schulwegplan der Stadt Zürich lernte, zwischen sicheren und unsicheren Abschnitten zu unterscheiden; andererseits mit einer regelbasierten Logik, bei der beispielsweise Punktabzüge vergeben werden, wenn ein Zebrastreifen fehlt. So erhielt jeder Abschnitt einen Sicherheitswert, der sowohl für die Routenberechnung als auch für die Beurteilung einzelner Strassen oder Quartiere genutzt werden kann.

Diese Sicherheitswerte habe ich in einen selbst programmierten Routing-Algorithmus integriert. Dadurch lassen sich Wege finden, die nicht nur kurz, sondern auch möglichst sicher sind. So können Eltern oder Behörden verschiedene Varianten vergleichen – etwa den schnellsten Weg gegenüber dem sichersten Schulweg. Dafür habe ich ein QGIS Plugin programmiert, das ich selbst nutzen kann. Nach Abschluss meiner Masterarbeit plane ich zusätzlich Umsetzungen als ArcGIS Pro Plugin, als Webkarte sowie über eine API.