Im ersten Schritt heißt es Daten sammeln. Mögliche Indikatoren für Verkehrssicherheitsrisiken werden erfasst und anschließend semantisch, mithilfe von Datenanalysemethoden wie dem MachineLearning, zusammengeführt. Dafür werden die heterogenen Datenquellen urbaner Datenökosysteme analysiert, um jene Daten zu identifizieren, die für eine Vorhersage von Verkehrsrisiken besonders hilfreich sind.
Während sich der Zugriff zu Open Data Portalen relativ einfach gestaltet, ist die Beschaffung der Humansensorik-Daten deutlich aufwendiger. Sie werden im Rahmen einer umfassenden Feldstudie zu Verkehrssicherheitsrisiken für Fußgänger:innen und Radfahrer:innen gewonnen, die einen wichtigen Bestandteil des SINUS Projekts bildet. Über 100 Proband:innen werden mit modernster Sensortechnologie ausgestattet, die Atmung, Hautleitfähigkeit und Herzfrequenz erfasst. Anhand dieser physiologischen Sensordaten können Stellen in der städtischen Infrastruktur identifiziert werden, die zu Stressreaktionen führen und eventuelle Risiken für ungeschützte Verkehrsteilnehmer:innen bergen.
Aus den gewonnenen Erkenntnissen wird im nächsten Schritt ein Modell entwickelt, welches das Auftreten von Risiken mit einer besonders hohen räumlichen und zeitlichen Auflösung prognostizieren soll. Dieses Verfahren ist besonders für viele „Informations- und Kommunikationstechnologie gestützte Anwendungen“ von großer Bedeutung, in die es integriert werden kann. Beispielsweise könnten Bereiche wie das Verkehrsmanagement, die Städteplanung, die Organisation und das Management von Großveranstaltungen, das Gesundheitsmonitoring und vor allem die Sicherheitsplanung enorm davon profitieren.
Ausschlaggebend für den Erfolg des SINUS Projekts ist es zu zeigen, dass das entwickelte Modell in die praktische Anwendung gebracht werden kann. In diesem Zusammenhang konzipiert das Projektteam zwei Demonstratoren, die anschließend im Rahmen einer Evaluationsstudie getestet werden sollen.