Veränderungen des Raum-Zeit-Verhaltens im Zuge von Lebensumbrüchen und ihre Anforderungen an die Stadt- und Verkehrsplanung am Beispiel des Eintritts in den Ruhestand

Veränderungen des Raum-Zeit-Verhaltens im Zuge von Lebensumbrüchen und ihre Anforderungen an die Stadt- und Verkehrsplanung am Beispiel des Eintritts in den Ruhestand. In der vorliegenden Dissertation wurde untersucht, ob und in welchem Maße sich das Raum-Zeit-Verhalten im Alltag mit dem Eintritt in den Ruhestand verändert. Bei der Untersuchung handelt es sich um eine mehrjährige Panel-Studie, die in den Regionen Hamburg und Kassel durchgeführt wurde. Mit insgesamt 50 Studienteilnehmern wurden vor und nach ihrem Ausscheiden aus dem Erwerbsleben umfassende Interviews geführt. Hierbei kam die an der Oxford University entwickelte „HATS“-Methode („Household Activity Travel Simulator“) zum Einsatz, die einen tiefen Einblick in die Alltagsstrukturen und das aus ihnen resultierende raum-zeitliche Verhalten ermöglicht. Ein Untersuchungsschwerpunkt lag auf der Verkehrsmittelwahl. Auf Grundlage der Untersuchungsergebnisse wurden Handlungsempfehlungen für die Stadt- und Verkehrsplanung abgeleitet. Es zeigte sich, dass die Studienteilnehmer mit ihrem Eintritt in den Ruhestand grundsätzlich deutlich später im Tagesverlauf als Verkehrsteilnehmer in Erscheinung treten. Darüber hinaus zeichnete sich ein Bedeutungszuwachs des Stadtquartiers bzw. der nahräumlichen Mobilität ab; der Fuß- und Fahrradverkehr gewinnt für die Alltagsmobilität an Bedeutung. Versorgungs- und Dienstleistungsangebote im eigenen Wohnquartier – und somit nutzungsgemischte Stadtquartiere – erweisen sich demnach insbesondere für die Gruppe der Ruheständler als besonders relevant. Trotz der steigenden Bedeutung des Fuß-und Fahrradverkehrs zeigt die Studie, dass dem Pkw in der Alltagsmobilität eine (nach wie vor) dominante Rolle zukommt – eine Entwicklung, die sich aufgrund des Kohorteneffekts eher noch verstärken wird. Im Rahmen der Diskussion geeigneter Handlungsansätze für die Stadt- und Verkehrsplanung zur Stärkung des Umweltverbundes werden – neben Interventionen zur Attraktivitätsminderung des Pkw – insbesondere verschiedene Maßnahmen zu Angebotsverbesserungen im ÖPNV behandelt. Dabei wird u. a. auch die Verhaltensrelevanz von Kostenwahrnehmungen betrachtet. Zusätzlich wird deutlich, dass bei der Etablierung verkehrsplanerischer Maßnahmen auch die zu-nehmende Bedeutung von Wegen, die in Begleitung anderer Haushaltsmitglieder zurückgelegt werden (Stichwort: Haushaltsmobilität), berücksichtigt werden muss. Der Eintritt in den Ruhestand erweist sich grundsätzlich als eine Umbruchsituation im Lebensverlauf, die ein Aufbrechen von (Verkehrs-)Gewohnheiten im Alltag begünstigt und die Betroffenen besonders empfänglich für Informationen zu verschiedenen Verkehrsangeboten bzw. Verhaltens-alternativen werden lässt. Hinsichtlich möglicher Handlungsansätze wird in dieser Studie u. a. thematisiert, wie im Rahmen einer zielgruppenspezifischen Kommunikation im ÖPNV dieses Zeit-fenster genutzt werden kann, um Menschen an der Schwelle zum Eintritt in den Ruhestand als regelmäßige Nutzer von Bus und Bahn (neu) zu gewinnen bzw. zu halten.

A Trainable Object Detection System: Car Detection in Static Images

This paper describes a general, trainable architecture for object detection that has previously been applied to face and peoplesdetection with a new application to car detection in static images. Our technique is a learning based approach that uses a set of labeled training data from which an implicit model of an object class -- here, cars -- is learned. Instead of pixel representations that may be noisy and therefore not provide a compact representation for learning, our training images are transformed from pixel space to that of Haar wavelets that respond to local, oriented, multiscale intensity differences. These feature vectors are then used to train a support vector machine classifier. The detection of cars in images is an important step in applications such as traffic monitoring, driver assistance systems, and surveillance, among others. We show several examples of car detection on out-of-sample images and show an ROC curve that highlights the performance of our system.