RUSHMORE - Ressourcen für Human Mobility Research

• Antragstellerinnen / Antragsteller: Professorin Dr. Elena Demidova; Professor Dr. Stefan Dietze; Dr. Simon Gottschalk; Dr. Benjamin Zapilko
• Fachliche Zuordnung: Datenmanagement, datenintensive Systeme, Informatik-Methoden in der Wirtschaftsinformatik ; Empirische Sozialforschung
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 547610252

Mobilitätsdaten und ihre Analyse spielen für eine Vielzahl von Akteuren aus der Forschung eine wesentliche Rolle bei der Bewältigung verschiedener Aufgaben, z.B. bei der Untersuchung sozialer Ungleichheiten, der Erstellung von Verkehrsprognosemodellen und der Unterstützung von Infrastrukturentscheidungen. Im Zusammenhang mit Mobilitätsdaten gibt es mehrere Herausforderungen, bspw. sind solche Daten oft auf bestimmte Regionen und Zeiträume beschränkt. Um dennoch Analysen und Verallgemeinerungen aus diesen Datensätzen zu ermöglichen, sind die synthetische Generierung von Daten und die Entwicklung und Bereitstellung von übertragbaren Modellen wichtige Voraussetzungen. Mit RUSHMORE möchten wir solche Datensätze bereitstellen und neue Methoden sowie einen Suchprototyp für Human Mobility Research entwickeln. Darüber hinaus wollen wir eingehende Evaluierungen durchführen und Best Practices für die Entwicklung von Datendiensten ableiten, die Mobilitätsdaten und Metadaten für interessierte Datenkonsumenten gemäß den FAIR-Prinzipien bereitstellen. Im Einzelnen verfolgen wir folgende Ziele: (i) Erleichterung der multidisziplinären Forschung in Bezug auf eine Vielzahl von Anwendungsfällen durch die Bereitstellung eines offenen und FAIRen Zugangs zu einem breiten Spektrum mobilitätsbezogener Daten und Modelle; (ii) Einbindung der Forschungsgemeinschaft in die gemeinsame Nutzung und Wiederverwendung von Mobilitätsdaten zur Erleichterung der interdisziplinären Forschung; (iii) Schließung von Datenlücken und Behebung des Mangels an Mobilitätsdaten durch repräsentative synthetische Daten und Machine Learning Modelle, die aus etablierten und vergleichbaren Datensätzen generiert werden.

• DFG-Verfahren: Forschungsdaten und Software (Wiss. Literaturversorgung und Informationssysteme)