P-Place – Zukunftsweisende Technologie für urbane Mobilität

„P-Place revolutioniert die Verkehrsprobleme in Wien – dank Echtzeit-Datenfusion und prädiktiver Analytik finden Fahrer jetzt 35 % schneller einen Parkplatz und wir reduzieren gleichzeitig CO₂-Emissionen.“
  –– Veronika Nedeljkovic, ÖBB Mitarbeiterin

1. Kurzübersicht 

• Kunde/Branche: PPLACE unter Ivo Zekic e.U (Transport, Verkehr, Kommunikation)

• Ziel: Entwicklung einer mobilen App, die Fahrer in Echtzeit mit temporär freien Parkplätzen vernetzt – basierend auf KI-gestützter Vermittlung und Live-Kartendarstellung.

• Budget & Dauer: ca. 30.000 €; MVP in 4 Monaten.

• Ergebnis:

  • – 35 % durchschnittliche Parksuchzeit

  • – 12 % CO₂-Emissionen im Testgebiet

  • 1.000 Beta-Tester in 6 Wochen

2. Ausgangslage & Herausforderungen

In vielen Großstädten führen lange Parkplatzsuchen zu Staus, Frust und unnötigen Emissionen. PPlace hatte die Vision, ein dynamisches Vermittlungssystem zu schaffen, das:

1. Fahrer schnell mit Parkflächenbesitzern verbindet,

2. Echtzeitdaten aus Parkraum­sensoren, privaten Garagenfreigaben und Crowd-Sourcing kombiniert,

3. Prädiktive Analytik nutzt, um freie Flächen vorausschauend zu prognostizieren.

Die Herausforderung bestand darin, viele heterogene Datenquellen (Sensoren, App-Nutzer, Kommunalparkplätze) in Millisekunden zu synchronisieren und eine skalierbare Infrastruktur dafür bereitzustellen.

3. Lösung & Technologie

3.1 Adaptives Vermittlungs-Framework

• Maschinelles Lernen & prädiktive Modelle:

  • Trainierte Algorithmen prognostizieren anhand historischer und Echtzeitdaten, wo und wann Parkraum frei wird.

  • Adaptive Gewichtung: Sensor-, Nutzer- und Stadtverkehrsdaten fließen in ein Ensemble-Modell (Random Forest + neuronales Netz) ein.

• Live-Kartendarstellung:

  • React Native-Frontend zeigt in einer interaktiven Karte verfügbare Plätze an.

  • WebSockets sorgen für Push-Updates, sobald sich Parkplatzstatus ändert.

• Backend & Skalierung:

  • Node.js/Express-API orchestriert Daten-Streams aus MQTT-Sensornetzwerken und Cloud-Datenbanken.

  • Kubernetes-Cluster auf AWS für automatische Skalierung, um Spitzenlasten (z. B. Feierabendverkehr) zu bewältigen.

3.2 Architekturübersicht

flowchart LR
  Sensornetzwerk((IoT-Sensoren))
  AppNutzer[Mobile App]
  API[Node.js API]
  MLModel[Prädiktives ML-Modell]
  DB[(Time-Series DB)]
  Karte[React Native Karten-UI]

  Sensornetzwerk --> API
  AppNutzer --> API
  API --> DB
  DB --> MLModel
  MLModel --> API
  API --> Karte

4. UX/UI-Design & Usability

1. Design Sprint (Woche 1–2):

   • Workshop zur Definition der User Stories („Parkplatz suchen“, „Platz freigeben“)

   • Erste Wireframes in Figma, Fokus auf Minimalismus und schnelle Self-Service-Freigabe

2. Prototyp & Usability-Tests (Woche 3–4):

   • Klick-Prototyp: Live-Karte mit Overlay fürs Freigeben der eigenen Fläche

   • Feedback-Runden mit Pendlern und Parkhausbetreibern

3. Final UI (Woche 5–6):

   • Icons für Parkplatztypen (öffentlich, privat, Garage)

   • Farbkonzept: Grün (frei), Gelb (belegt), Rot (reserviert)

5. Projektverlauf & Meilensteine

1. Kick-off & Datenintegration (Woche 1–3)

   • Anbindung erster 100 Sensoren, Definition API-Specification

2. Prototyping & UX/UI (Woche 4–6)

   • Wireframes, Klickdemo, Usability-Iteration

3. Backend-Implementierung (Woche 7–12)

   • Aufbau der Daten-Pipeline, ML-Training, API-Deployment

4. Frontend-Entwicklung (Woche 13–16)

   • React Native App, Kartenintegration, Notification-Service

5. Beta-Launch & Monitoring (Woche 17–18)

   • 1.000 Tester, Echtzeit-Monitoring, Performance-Tuning

6. Go-Live (Woche 19)

   • Öffentliche Veröffentlichung im App Store & Play Store

6. Ergebnisse & KPIs

• Parksuchzeiten: – 35 %

• CO₂-Emissionen: – 12 %

• Beta-Tester: 1.000 in 6 Wochen

• Uptime: 99,8 % im ersten Monat

• Serveranfragen: Skalierbar auf 50 000 Requests pro Minute

7. Zitat/Testimonial

„Mit P-Place haben wir den Pilotbetrieb in Wien in nur 18 Wochen zum Laufen gebracht. Die Kombination aus Live-Daten und KI-Vermittlung ist einzigartig.“
  –– Ivo Zekic, CEO PPlace Startup

8. FAQ – Häufige Fragen zu P-Place

1. Wie schnell liefert P-Place Parkplatz-Vorschläge?
   – Innerhalb von 500 ms nach Anfrage.

2. Welche Datenquellen werden genutzt?
   – IoT-Sensoren, Crowd-Sourcing, kommunale APIs.

3. Gibt es eine Kosten­beteiligung für Parkplatz-Anbieter?
   – Nein, Freigaben bleiben für Private kostenfrei.

4. In welchen Städten läuft P-Place aktuell?
   – Wien (Pilot), ab Q2/2026 München, Zürich geplant.

9. Technologische Eckdaten auf einen Blick

• Frontend: React Native, WebSockets, Mapbox

• Backend: Node.js, Express, MQTT-Ingestion, Kubernetes on AWS

• ML/AI: Python (scikit-learn, TensorFlow), Random Forest, LSTM-Netz

• Datenbank: InfluxDB (Time-Series), Redis (Cache)

• CI/CD: GitLab CI, Docker, Helm

Planst du eine smarte Mobilitätslösung?
Kostenlosen MVP-Check anfordern