In einer Welt, die sich unaufhaltsam in Richtung Digitalisierung bewegt, ist der Einsatz künstlicher Intelligenz (KI) in der urbanen Mobilität längst nicht mehr nur eine Fantasie aus Science-Fiction-Romanen. Vielmehr ist sie zu einem integralen Bestandteil unseres Alltags geworden, der die Art und Weise verändert, wie wir uns in städtischen Umgebungen bewegen und mit ihnen interagieren.

Von intelligenten Verkehrsmanagementsystemen über smarte Parkleitsysteme bis hin zu Mobility-as-a-Service-Plattformen hat die KI-basierte Mobilität das Potenzial, unsere Straßen sicherer, effizienter und umweltfreundlicher zu gestalten.

Künstliche Intelligenz und urbane Mobilität – was steckt dahinter?

Künstliche Intelligenz revolutioniert die urbane Mobilität, indem sie fortschrittliche Technologien einsetzt, um Verkehrssysteme effizienter, sicherer und nachhaltiger zu gestalten. Zu den wichtigsten Schlüsseltechnologien, die in diesem Kontext zum Einsatz kommen, gehören insbesondere folgende:

Maschinelles Lernen (Machine Learning)

Maschinelles Lernen beschreibt den Prozess, bei dem Maschinen, also Computer oder Algorithmen, mit großen Datensätzen trainiert werden, um Muster zu erkennen und darauf basierend automatisch Regeln abzuleiten. Diese Regeln werden dann verwendet, um Vorhersagen oder Entscheidungen für neue Daten zu treffen. Algorithmen analysieren zum Beispiel Verkehrsdaten in Echtzeit, erkennen Muster wie Verkehrsfluss und Stauzeiten und passen Verkehrssysteme dynamisch an, um Engpässe zu minimieren.

Künstliche neuronale Netze (Deep Learning)

Künstliche neuronale Netze sind Algorithmen, die sich an die Funktionsweise des menschlichen Gehirns anlehnen. Sie ermöglichen es Maschinen, sich selbst zu trainieren und zu lernen. Ähnlich wie im Gehirn werden Verbindungen verstärkt, die zu Lösungen führen, während weniger erfolgreiche Verbindungen aufgelöst werden.

Deep Learning wird zum Beispiel bei der Optimierung von Verkehrsleitsystemen und der Vorhersage von Verkehrszuständen eingesetzt, indem künstliche neuronale Netze riesige Mengen an Verkehrsdaten verarbeiten und daraus lernen.

Natürliche Sprachverarbeitung (Natural Language Processing)

Ziel der natürlichen Sprachverarbeitung ist es, die Kommunikation zwischen Maschine und Mensch „natürlich“ zu gestalten. Die maschinelle Auswertung von gesprochener und schriftlicher Sprache kommt insbesondere in Fahrerassistenzsystemen und öffentlichen Verkehrsinformationssystemen zum Einsatz, um mit Nutzern in natürlicher Sprache zu kommunizieren und ihnen Echtzeitinformationen zu Verkehrslage und Mobilitätsoptionen zu liefern.

Computerbasiertes Sehen (Computer Vision)

Die Analyse und Verarbeitung von Kamerabildern wird in autonomen Fahrzeugen und Verkehrskameras verwendet, um Verkehrsteilnehmer zu erkennen, Verkehrszeichen zu interpretieren und die Verkehrssicherheit zu erhöhen.

Robotische Prozessautomatisierung (Robotic Process Automation)

Der Einsatz von Software-Bots oder Codeteilen ermöglicht die Automatisierung von Routineaufgaben in der Verkehrssteuerung und beim Management öffentlicher Verkehrsmittel, um Effizienz und Pünktlichkeit zu verbessern.

Digitale Zwillinge (Digital Twin)

Digitale Zwillinge können verwendet werden, um virtuelle Modelle von verkehrsbasierten Strukturen wie Brücken, Autobahnen und Straßennetzen zu erstellen. Der digitale Zwilling wird dann auf verschiedene KPIs (Key Performance Indicators ) und Bedingungen wie unterschiedliche Staus, Wartungsarbeiten, Veränderungen der Verkehrsnachfrage usw. kalibriert, um die Auswirkungen dieser Faktoren auf den Verkehrsfluss zu bewerten und Bereiche zu identifizieren, in denen Verbesserungen erforderlich sind.

Der Einsatz von Künstlicher Intelligenz in der urbanen Mobilität zielt letztlich darauf ab, Verkehrssysteme intelligenter zu machen, damit sie proaktiv auf Veränderungen reagieren und die Bedürfnisse der Stadtbevölkerung besser erfüllen können.

Intelligente Verkehrsmanagementsysteme (IVMS)

Intelligentes Verkehrsmanagement wird bereits in vielen Städten erfolgreich eingesetzt. Die fortschrittlichen Systeme analysieren Echtzeitdaten von Sensoren, Kameras und anderen Quellen, um den Verkehrsfluss zu optimieren, Staus zu entschärfen und die allgemeine Mobilität in städtischen Gebieten zu verbessern. Zu den Hauptmerkmalen gehören:

• Adaptive Signalsteuerung: IVMS passen die Signalzeiten von Ampeln dynamisch an, basierend auf den aktuellen Verkehrsbedingungen, um Staus zu reduzieren und den Verkehrsfluss zu verbessern.
• Intelligente Navigation: Durch die Bereitstellung von Verkehrsinformationen und Routenvorschlägen in Echtzeit helfen IVMS Fahrern und Nutzern öffentlicher Verkehrsmittel, Staus zu umgehen und die effizientesten Wege zu wählen.
• Optimierte Routenführung: IVMS optimieren die Routenführung von öffentlichen Verkehrsmitteln in Echtzeit, um den Verkehrsfluss zu verbessern.
• Priorisierung von Verkehrsteilnehmern: Bestimmte Verkehrsteilnehmer, wie öffentliche Verkehrsmittel, Rettungsfahrzeuge oder Fußgänger, können bevorzugt behandelt werden.
• Verkehrsprognosen: Durch den Einsatz von Künstlicher Intelligenz und maschinellem Lernen können IVMS Muster erkennen, Prognosen erstellen und autonom Entscheidungen treffen, um den Verkehrsfluss kontinuierlich zu optimieren.

Mit Blick auf die Zukunft werden intelligente Verkehrsmanagementsysteme die Vernetzung zwischen Fahrzeugen und Infrastruktur (V2I) nutzen, um Informationen auszutauschen und eine noch effizientere Verkehrssteuerung zu ermöglichen.

Intelligente Ampeln sollen künftig in der Lage sein, das Bremssystem moderner Autos anzusteuern und das Fahrzeug zum Stehenbleiben bringen – etwa, wenn sich ein Autofahrer zu schnell einer grünen Fußgängerampel nähert.

Beispiel: Intelligente Ampeln in Wien und Linz

In Wien und Linz wurden bereits Ampeln mit KI-gestützten Systemen ausgerüstet, die mithilfe verschiedener Sensoren und Überwachungssysteme den Verkehr zu steuern. Die Systeme analysieren kontinuierlich Verkehrsdaten und passen die Signalgebung an, um den Verkehrsfluss zu erleichtern und auf Verkehrsspitzen, Unfälle oder andere unvorhergesehene Ereignisse zu reagieren.

In Linz berechnen beispielsweise Algorithmen den weiteren Wegverlauf basierend auf der Bewegungsrichtung nahender Fußgänger. Die Daten werden dann an die Ampelschaltung weitergeleitet, damit die Ampel rechtzeitig auf Grün schaltet, wenn die Passanten sie erreichen.

Beispiel: Continental AG – Assistenzsysteme

Continental AG verfolgt mit seiner Initiative „Vision Zero“ das ehrgeizige Ziel, die Anzahl der Verkehrstoten und -unfälle auf null zu reduzieren. Um dieses Ziel zu erreichen, setzt das Unternehmen auf KI-basierte Fahrzeug-Assistenzsysteme, die menschliches Verhalten vorhersagen können.

Ein Beispiel dafür ist ein System, das Fußgänger anhand von Intentions- und Gestenklassifikationen erkennt. Die Klassifikationen basieren auf neuronalen Netzen und ermöglichen es dem System, Fußgänger auch dann zu erkennen, wenn sie teilweise verdeckt sind.

Bei Gefahr kann das Assistenzsystem automatisch Notbremsungen einleiten, um Unfälle zu vermeiden und die Sicherheit aller Verkehrsteilnehmer zu gewährleisten.

Besuchermonitoring in Echtzeit

Künstliche Intelligenz bietet vielfältige Möglichkeiten für das Besuchermonitoring, um das Management von Touristenströmen zu optimieren. Durch die Integration von Überwachungskameras und Sensoren können in Echtzeit Bewegungsdaten von Besuchern erfasst und analysiert werden. Daraus lassen sich wertvolle Einblicke in das Besucherverhalten gewinnen, Stoßzeiten und Hotspots erkennen und gezielte Maßnahmen zur Entlastung ergreifen.

Beispiel: Besuchermonitoring Hallstatt

In Hallstatt ist seit Beginn 2023 ein KI-gestütztes Kamerasystem zur kontinuierlichen Zählung aller Ein- und Austritte im Einsatz. Implementiert wurde das System in Zusammenarbeit mit den österreichischen Unternehmen Swarm Analytics und Bernard Gruppe.

Die Erfassung der Besucher erfolgt automatisch und datenschutzkonform, d.h. anonym und ohne biometrische Erfassung. Der Zugriff auf das Live-Bild ist zu keinem Zeitpunkt möglich. Daher können auch keine Rückschlüsse auf Personen gezogen werden, die den Bereich passiert haben. Auto-Kennzeichen werden ebenfalls nicht erfasst. Es handelt sich also um eine Lösung, die vollständig den Datenschutzbestimmungen entspricht.

Das System ermöglicht außerdem die Identifizierung von Mustern, die für die zukünftige Planung und Entwicklung des Ortes relevant sind. Auch kann nun schneller auf unerwartete Besucherströme reagiert werden.

Wir als Tourismusverband machen uns die neuesten Technologien „Made in Austria” zunutze, um Daten zu erheben und anschließend faktenbasierte Entscheidungen für die Zukunft und die Besucherlenkung in unserer Ferienregion treffen zu können. 

Christian Schirlbauer, Geschäftsführer der Ferienregion Dachstein Salzkammergut

KI-gestützte Kamerasysteme für die Verkehrsanalyse

KI-gestützte Kamerasysteme bieten neben der Besucher- bzw. Verkehrszählung ein Reihe weiterer Anwendungsmöglichkeiten, um die Verkehrssituation zu verbessern oder Gefahrenpunkte zu entschärfen.

Multimodale Kamerasysteme erkennen beispielsweise, ob es sich um Fuß-, Rad-, Pkw- oder Lkw-Verkehr handelt, sie können Geschwindigkeiten und den Verkehrsfluss erfassen und Verkehrssituationen in vorab definierten Gefahrenbereichen auswerten. Die daraus gewonnenen Erkenntnisse bilden eine fundierte Grundlage, um die Verkehrssituation durch geeignete Maßnahmen verbessern zu können.

Nachfolgendes Video von Swarm Analytics bietet Ihnen einen kurzen Einblick in die KI-gestützte Kameraerfassung sicherheitsrelevanter Vorfälle mit Fußgängern auf Basis einer benutzerdefinierten Regel-Engine.

Mit dem Klick auf den Dienst werden auf Ihrem Endgerät Skripte geladen, personenbezogene Daten erfasst und Cookies gespeichert. Die Übermittlung erfolgt: in gemeinsamer Verantwortung an Google Ireland Limited. Zweck der Verarbeitung: Auslieferung von Inhalten, die von Dritten bereitgestellt werden, Auswahl von Online-Werbung auf anderen Plattformen, die mittels Real-Time-Bidding anhand des Nutzungsverhaltens automatisch ausgewählt werden und Übermittlung und Darstellung von Video-Inhalten. Datenschutzerklärung

Inhalt aktivieren

PGlmcmFtZSB0aXRsZT0iQ3VzdG9tIFJ1bGUgRW5naW5lOiBBIHF1aWNrIGRlbW8gYXQgYSBjcm9zc3dhbGsiIHdpZHRoPSI1MDAiIGhlaWdodD0iMjgxIiBzcmM9Imh0dHBzOi8vd3d3LnlvdXR1YmUuY29tL2VtYmVkL2U3S3owWFBVSEZjP2ZlYXR1cmU9b2VtYmVkIiBmcmFtZWJvcmRlcj0iMCIgYWxsb3c9ImFjY2VsZXJvbWV0ZXI7IGF1dG9wbGF5OyBjbGlwYm9hcmQtd3JpdGU7IGVuY3J5cHRlZC1tZWRpYTsgZ3lyb3Njb3BlOyBwaWN0dXJlLWluLXBpY3R1cmU7IHdlYi1zaGFyZSIgcmVmZXJyZXJwb2xpY3k9InN0cmljdC1vcmlnaW4td2hlbi1jcm9zcy1vcmlnaW4iIGFsbG93ZnVsbHNjcmVlbj48L2lmcmFtZT4=

Beispiel: Lustenau – Künstliche Intelligenz zur Verkehrssteuerung

Die Gemeinde Lustenau setzt das Swarm Analytics System ein, um verkehrsberuhigende Maßnahmen wie Tempo-20-Zonen zu testen und Strategien zu entwickeln, um den starken Kfz-Durchgangsverkehr aus der Innenstadt zu leiten. Gleichzeitig will man den Anteil des Fahrradverkehrs erhöhen und Fußgänger besser schützen. Die Informationen können in Echtzeit über ein Dashboard im Bauamt gesichtet und analysiert werden.

Wir sparen uns aufwändige Lichtschranken, Induktionsschleifen oder Klick-Zählungen durch Personen. Es ist ein großer Vorteil, dass wir selbstbestimmt aktuelle Daten erheben können. So können wir auch rasch und zielgerichtet notwendige Maßnahmen im innerörtlichen Straßenverkehr setzen. 

DI Johannes Zangerl, Leiter der Verkehrsabteilung im Bauamt

Intelligente Parkplatzsysteme zur Steuerung des ruhenden Verkehrs

Klassische Parkleitsysteme sind fehleranfällig und teuer, bei der Installation ebenso wie im Betrieb. Die KI-gestützte Auswertung anonymisierter Daten einfacher IP-Kameras reduziert Installations- und Wartungskosten, während gleichzeitig Autofahrer über Apps oder digitale Anzeigetafeln schnell und einfach freie Parkplätze finden.

Beispiel: Holbaek – Bilddaten-Analyse zur Parkraumbewirtschaftung

In der dänischen Stadt Holbaek steuert eine KI-gestützte Verkehrsanalyse-Software die Handhabung des ruhenden Verkehrs. Entwickelt vom österreichischen KI-Anbieter Swarm Analytics in Zusammenarbeit mit Swarco, nutzt dieses innovative System einfache IP-Kameras und eine KI-basierte Analysesoftware zur datenschutzkonformen Verarbeitung von Daten.

Eine Sensorstation, bestehend aus Kamera, Perception Box und Perception Platform, analysiert kontinuierlich bis zu 50 Parkplätze aus einer Höhe von bis zu zwölf Metern und mit einer Reichweite von 40 Metern.

Eine Sensorstation, bestehend aus Kamera, Perception Box und Perception Platform, analysiert kontinuierlich bis zu 50 Parkplätze aus einer Höhe von bis zu zwölf Metern und mit einer Reichweite von 40 Metern.

Im Vergleich zu herkömmlichen Methoden wie unterirdischen Sensoren oder Schleifen ist diese einfache Infrastruktur deutlich flexibler und kosteneffizienter – regelmäßige Kalibrierungen und Wartungen sind nicht erforderlich.

Die Organisation des ruhenden Verkehrs ist ein Eckpfeiler der Städte- und Verkehrsplanung. Ein gutes Parkleitsystem reduziert nicht nur Frust, Ärger und Unfälle, sondern spart auch erstaunlich viele Kilometer und Ressourcen. 

Michael Bredehorn, Gründer und CEO von Swarm Analytics

Beispiel: Max Mobility – Künstliche Intelligenz gegen E-Scooter-Parkfrust

Das steirische Scooter-Sharing-Unternehmen Max Mobility setzt auf ein selbstlernendes KI-System, um das Parkverhalten der Nutzer zu überprüfen. Beim Abstellen des Scooters muss der Kunde in der App einen kurzen Clip erstellen, der mit vordefinierten, ordnungsgemäßen Parkvorgängen abgeglichen wird. Passt der Abstellort nicht, ist die Beendigung der Fahrt nicht möglich. Zusätzlich setzt das Unternehmen auf Pönalen bei Parksündern (Verwarnungen bis hin zur Sperre) sowie auf Boni – etwa Gutschriften bei optimalem Parkverhalten.

KI-Lösungen für Großveranstaltungen

Großveranstaltungen bringen erhebliche logistische und sicherheitstechnische Herausforderungen mit sich. KI-gestützte Live-Crowd-Intelligence-Lösungen machen es künftig möglich, in Echtzeit wertvolle Erkenntnisse über Menschendichte, Verkehrsflüsse und Bewegungsmuster zu gewinnen.

Die praktische Anwendung dieser Technologien geht weit über die einfache Datenanalyse hinaus. Live-Crowd-Intelligence-Lösungen machen eine proaktive Steuerung und Optimierung der Besucherströme möglich. Das erhöht nicht nur die Sicherheit bei Massenveranstaltungen, sondern verbessert auch das Besuchererlebnis signifikant. Beispielsweise können Teilnehmer einer Veranstaltung über eine App aktuelle Wartezeiten an Ein- und Ausgängen, Verpflegungsständen oder bei Einzelevents einsehen.

Von der Reduzierung von Wartezeiten in öffentlichen Räumen wie Einkaufszentren und Freizeitparks bis hin zur Verbesserung der Sicherheit bei Großveranstaltungen – die Einsatzmöglichkeiten sind vielfältig.

Beispiele: Künstliche Intelligenz im Crowd Management

Innovative Ansätze, wie die bereits erfolgreich getesteten Systeme beim „Fête des Lumières“ in Lyon oder die Entwicklungen von Quantum Corporation und WaitTime, die im Etihad-Stadion von Manchester City erprobt werden, zeigen das immense Potenzial dieser Technologien.

Vorausschauende Instandhaltung der Verkehrsinfrastruktur

KI-gestützte vorausschauende Wartungssysteme ermöglichen es Städten, Ausfälle von Verkehrsinfrastrukturen wie Straßen, Brücken und Schienennetzen vorherzusehen und zu verhindern. Durch die Analyse von Sensordaten und historischen Wartungsprotokollen erkennen KI-Algorithmen potenzielle Probleme, bevor sie eskalieren, minimieren Störungen und sorgen für die Sicherheit und Zuverlässigkeit der Verkehrssysteme.

Beispiele: KI-gestützte Instandhaltung

Die Österreichischen Bundesbahnen (ÖBB) setzen KI-basierte vorausschauende Wartungssysteme ein, um den Zustand von Gleisen, Zügen und Signalanlagen zu überwachen, Wartungspläne zu optimieren und die Gesamteffizienz des Bahnbetriebs zu verbessern.

In Amsterdam kommt Künstliche Intelligenz zum Einsatz, um die Integrität der Brückeninfrastruktur zu gewährleisten. Durch die Analyse von Sensordaten erkennen KI-Algorithmen frühzeitig Verschleißerscheinungen und potenzielle Defekte. Das ermöglicht präventive Wartungsstrategien, die die Langlebigkeit der Brücken sichern.

Ein ähnliches Vorgehen findet sich auch in Philadelphia, wo Künstliche Intelligenz und visuelles Maschinenlernen zur Überwachung der Straßeninfrastruktur eingesetzt werden. Die Analyse von 2.000 Straßenkilometern Bildmaterial bildete die Basis für die Entwicklung eines umfassenden Instandhaltungsplans, der nicht nur die Verkehrssicherheit erhöht, sondern auch die Instandhaltungskosten deutlich reduziert.

Mit KI die Luftverschmutzung bekämpfen

KI-Modelle sind in der Lage basierend auf historischen Daten, Wetterinformationen und anderen relevanten Faktoren Vorhersagen zur Luftqualität treffen. Durch die Überwachung von Emissionen und Luftverschmutzungswerten in Echtzeit sind lokale Behörden in der Lage, schnell zu reagieren und Maßnahmen zur Reduzierung von Schadstoffen zu ergreifen.

Beispiel: SAUBER – Prognose zukünftiger Luftverschmutzung

Im Rahmen des deutschen Forschungsprojekts SAUBER entwickelte man eine KI-basierte Informationsplattform, die es Kommunen ermöglicht, Prognosen und Simulationen zur zukünftigen Luftverschmutzung zu erstellen. Dabei werden die in der Praxis bislang kaum genutzten Daten und Services des Raumfahrtprogramms Copernicus verwendet.

Satellitendaten von Missionen wie Sentinel-3 und Sentinel-5 werden mit bodengestützten Daten kombiniert, um präzise, tagesaktuelle Schadstoffbelastungsprofile zu erstellen. Diese Informationen bieten nicht nur einen umfassenden Überblick über die aktuelle Luftqualität, sondern auch Prognosen und Simulationen zukünftiger Zustände. Ziel ist es, durch diese detaillierten Erkenntnisse kurz- und langfristige Maßnahmen zur Luftreinhaltung zu ermöglichen – von umweltschonender Verkehrslenkung bis hin zur strategischen Stadt- und Regionalplanung.

KI zur Optimierung von Mobility-Plattformen

Mobility-as-a-Service (MaaS)-Plattformen integrieren verschiedene Verkehrsträger wie öffentliche Verkehrsmittel, Mitfahrgelegenheiten, Fahrradverleih und Autovermietung in einem einzigen Mobilitätsservice. Dabei spielt Künstliche Intelligenz eine entscheidende Rolle, indem sie Echtzeitinformationen zur Pünktlichkeit und Auslastung von Verkehrsmitteln wie Bussen und Bahnen liefert. Diese Daten nutzen MaaS-Apps, um sämtliche verfügbaren Mobilitätsdaten zu bündeln und den Nutzern optimale Vorschläge für die Wahl ihrer Verkehrsmittel zu unterbreiten.

Bei On demand-Mobilitätsdiensten optimiert Künstliche Intelligenz den Einsatz von gemeinsam genutzten Fahrzeugflotten und verbessert das Nutzererlebnis der Fahrgäste. Die Analyse von Daten zur Fahrgastnachfrage ist möglich. Auch die Analyse von Verkehrsbedingungen ist integriert. KI-Algorithmen können die Nachfrage bis zu einer Stunde im Voraus vorhersagen.

Leerlaufende Fahrzeuge fahren dann zukünftige Nachfrage-Hotspots an, um Fahrgäste rechtzeitig abzuholen. So werden Wartezeiten und Umwege reduziert. Neuronale Netzwerke bieten darüber hinaus die Möglichkeit, nicht nur zeitliche, sondern auch räumliche Nachfragemuster zu erkennen und zu interpretieren.

Mittlerweile erkennen KI-basierte Algorithmen auf Grundlage zuverlässiger Sensordaten auch Schäden und sicherheitskritische Ereignisse in Echtzeit. Damit gestaltet sich die Schadensabwicklung für Sharing-Plattformen deutlich einfacher.

Beispiele: MaaS-Plattformen

Ein Beispiel ist die App Waze. Sie nutzt Künstliche Intelligenz, um Verkehrsprognosen zu erstellen und den Nutzern alternative Routen zur Vermeidung von Staus vorzuschlagen.

Dabei finden nicht nur Verkehrsinformationen Berücksichtigung, sondern auch Informationen über Unfälle, Baustellen und andere Ereignisse, die den Verkehr beeinflussen können.

Wien und Graz betreiben ebenfalls eine MaaS-Plattform, die den Bürgern Zugang zu verschiedenen Verkehrsdienstleistungen bietet. Darunter öffentliche Verkehrsmittel, Carsharing und Fahrradverleih.

Die Plattformen verwenden KI-Algorithmen, um die Nachfrage nach verschiedenen Verkehrsmitteln vorherzusagen und personalisierte Reiseempfehlungen zu erstellen. Die Plattform integriert Echtzeitdaten. Dadurch können Bürger ihre Reisen effizienter planen. Sie ermöglicht nahtlose Wechsel zwischen verschiedenen Verkehrsmitteln.

Zukünftig geht es darum, Mobilität entlang von Mobilitätsketten zu denken, zu organisieren und integrierte Mobilitätskonzepte anzubieten. 

Anton Lang, Landeshauptmann-Stellvertreter der Steiermark

Fazit: Künstliche Intelligenz in der urbanen Mobilität

Künstliche Intelligenz hat sich als leistungsstarker Motor für Innovationen im Bereich der urbanen Mobilität erwiesen. Sie bietet transformative Lösungen für komplexe Verkehrsprobleme in Städten. Durch den Einsatz von KI-Technologien können Städte ihre Verkehrssysteme optimieren und  die Sicherheit im Stadtverkehr erhöhen. Von intelligenten Ampelschaltungen bis zu personalisierten Mobilitätsempfehlungen: Künstliche Intelligenz das Potenzial, das Gesicht der urbanen Mobilität grundlegend zu verändern.

Michael Gsaller

Michael Gsaller ist seit 25 Jahren Geschäftsführer vom Stadtmarketing Hall in Tirol und seit vielen Jahren im Vorstand des Dachverbandes „Stadtmarketing Austria“. Ein ausgewiesener Experte für belebte und attraktive Orte.
Gsaller war Referent bei der zweiten Ausgabe der Südtiroler Akademie für Orts- und Stadtentwicklung.