Search

Im Kampf gegen den Klimawandel hat sich die Österreichische Regierung ambitionierte Ziele gesetzt. Dennoch steigen die CO2-Emissionen des österreichischen Transportsektors seit 1990 ungebrochen.Diese Schrift bündelt fünf Fachpublikationen, welche Anwendungen eines neuartigen Verkehrsmodells untersuchen und es weiterentwickeln. In der ersten Publikation wird ein agentenbasiertes Modell in einen graphentheoretischen Ausdruck transformiert, was eine hoch parallelisierte Berechnung erlaubt. Das tägliche Verkehrsaufkommen einer mittelgroßen, europäischen Stadt kann so in unter einer Sekunde berechnet und das Modell auch auf Millionenstädte angewandt werden.Die neue Methode wird mit ihrem Vorgänger extensional und intensional verglichen. Sensordaten für den Raum Wien zeigen eine gute Übereinstimmung mit dem Modell.Die Relevanz des Modells für Entscheidungsprozesse jenseits des Kontexts Klimawandel wird in der zweiten und dritten Publikation behandelt. Eine Analyse von NOx-Emissionen zeigt, dass auch lokalisierte Luftverschmutzungen abgebildet werden können. Die Simulation ruralen Verhaltens im urbanen Raum hebt das weite Ausmaß möglicher Szenarien im Verkehrsmodell und die starken Unterschiede zwischen ländlicher und urbaner Mobilität hervor.Agentenbasierte Modelle können, wie in der vierten Publikation gezeigt, auch Einblick in die Dynamik von Systemen gewähren. Die Lage kritischer Übergänge kann vorhergesagt werden ohne diese selbst auszulösen. Dies lässt eine Berücksichtigung der Wirkung von Maßnahmen auf Systemdynamiken zu.Die fünfte Publikation untersucht Entscheidungsprozesse selbst: Das "Future State Maximization"-Prinzip wird in direkte Korrespondenz zu H.v.Förster's ethischem Imperativ gestellt. Die Kooperation von nach diesem Prinzip operierenden Agenten verdeutlicht, dass die Maxime im Allgemeinen für Entscheidungen interessant sein könnte. Zusammen mit dem präsentierten Verkehrsmodell und Einblicken in dessen Dynamik könnten neue Lösungen gefunden werden. To combat climate change the Austrian government has set ambitious goals. The Austrian climate report shows the transport sector as the only one with increasing CO2 emissions since 1990.This work explores and refines a novel urban traffic model in five subject-specific publications. In the first publication the algorithm of an agent-based model is transformed to a graph-theoretical expression. It utilizes the parallel computing capabilities of modern graphics processing units. A simulation of a day of traffic in a mid-sized European city takes less than a second. This high performance allows assessments of larger urban areas such as the City of Vienna.The new method is compared to its predecessor extensionally and intensionally. Using sensor data of Vienna, a good fit to actual traffic counts can also be established.Policy relevance of the model is extended beyond CO2 emissions in the second publication. Mitigation strategies for NOx emissions harming air quality in urban areas are explored. The third publication presents the extent of behavioral changes the model can simulate. The congestion arising from rural mobility in an urban area increases emissions and marks the difference between urban and rural mobility.The fourth publication shows that agent-based models can also reveal information about the dynamics of systems themselves. We show that critical transitions in these models can be forecast without triggering them. This allows the effect of decisions on a system's dynamics to be taken into account.The fifth publication tackles research on decision making strategies themselves. We show that the future state maximization principle almost directly corresponds to H.v.Förster's ethical imperative. Cooperation among agents acting accordingly shows, that it may also be applicable in decision making tackling climate change. Together with the traffic model and insights into its dynamics new solutions to this problem may be discovered. Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprüft Abweichender Titel laut Übersetzung des Verfassers/der Verfasserin Dissertation Karl-Franzens-Universität Graz 2022

We present results of attempts to expand and enhance the predictive power of Early Warning Signals (EWS) for Critical Transitions (Scheffer et al. 2009) through the deployment of a Long-Short-Term-Memory (LSTM) Neural Network on agent-based simulations of a Repeated Public Good Game, which due to positive feedbacks on experience and social entrainment transits abruptly from majority cooperation to majority defection and back. Our method extension is inspired by several known deficiencies of EWS and by lacking possibilities to consider micro-level interaction in the so far primarily used simulation methods. We find that •The method is applicable to agent-based simulations (as an extension of equation-based methods). •The LSTM yields signals of imminent transitions that can complement statistical indicators of EWS. •The less tensely connected part of an agent population could take a larger role in causing a tipping than the well-connected part. Version of record

Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprüft Abweichender Titel laut Übersetzung des Verfassers/der Verfasserin Karl-Franzens-Universität Graz, Masterarbeit, 2019