Daniela Nicklas

Zusammenfassung: Die Forschung zu Smart Cities wurde bisher aus verschiedenen disziplinären Perspektiven wissenschaftlich aufgearbeitet. Getrieben durch die eingeschränkte Erkenntnisbreite sowie Transferfähigkeit dieser disziplinären Sichtweise verfolgen viele jüngere Smart-City-Forschungsansätze inter- oder sogar transdisziplinäre Forschungsansätze. Es zeigt sich dabei jedoch zunehmend, dass eine übergreifende, inter- und transdisziplinäre Strategie zur systematischen Weiterentwicklung des Forschungsfeldes Smart Cities fehlt. Daher bleiben viele Projekterfolge lokal begrenzt auf die teilnehmenden Partnerstädte und Universitäten bzw. beteiligten Disziplinen; die Möglichkeiten eines breiten Erkenntnistransfers werden nicht ausgeschöpft. Finanziert durch die VolkswagenStiftung trafen sich daher vom 4.–6. Februar 2026 28 Personen aus Wissenschaft und Praxis zu einem Scoping Workshop unter dem Titel „Smart City Science: Forschung neu denken“. Ziel des Workshops war es, gemeinsame Forschungsperspektiven und Empfehlungen für die Wissenschaftspolitik zu erarbeiten. Aufbauend auf verschiedenen interaktiven, erfahrungsbasierten und Kreativ-Workshoptechniken setzten sich die Teilnehmenden damit auseinander, ob Forschung im Kontext von Smart Cities ein eigenes Forschungsgebiet oder nur eine weitere Anwendungsdomäne ist und welche Faktoren zu erfolgreichen Smart-City-Projekten führen – sowohl bezüglich der Forschung (reproduzierbarer Erkenntnisgewinn) als auch der Stadtentwicklung (z. B. Steigerung der Lebensqualität im urbanen Kontext). Dazu wurden bekannte Forschungsprobleme interdisziplinär neu gedacht und mit Hilfe der Methode „Appreciative Inquiry“ eine Zukunftsvision für Wissenschaft, Politik und Praxis diskutiert: die Smart City Science (SCiS).

Accurate short-term parking availability forecasting is an important component of intelligent transportation systems. While numerous machine learning and deep learning models have been proposed, most approaches rely on a single predictor and implicitly assume uniform performance across forecast horizons, despite evidence that accuracy varies with lead time. This paper presents a systematic evaluation of multi-step (1–24 h) parking availability forecasting using sensor-based occupancy data from two urban parking facilities. We show that different model classes exhibit complementary strengths at different horizons, with no single model consistently achieving the lowest error across the full forecast range. To address this limitation, we propose a horizon-aware hybrid forecasting approach that combines two complementary base models using validation-driven weighted blending. Two variants are considered: a Global Weighted Blend with a shared weight and a Local Weighted Blend with horizon-specific weights. Experimental results show that both hybrid approaches outperform individual baseline models, with the Local Weighted Blend achieving the best overall performance across all evaluation metrics. These findings demonstrate that horizon-aware blending provides a simple and effective strategy for improving multi-step parking availability forecasts. As an outlook, we propose a context-aware, adaptive model-management architecture for sensor-based smart city systems.

“Learning from Learners” (“Von Lernenden Lernen”, “VoLL-KI ” for short) is a is collaborative research project with the goal of creating a practical toolbox of instruments at different levels of abstraction to improve the learning experience and outcomes for students of artificial intelligence. Learning and teaching at tertiary education institutions are currently IT-based but not AI-supported. The VoLL-KI project aims to go this crucial next step. Using AI approaches (e.g., ML, symbolic AI, statistical AI), several educational technologies are developed on the different granularity of the study programs (e.g., course, semester, program). So, dashboards for study planning, recommender systems improving student advisory services and learning material selection, VR-based learning experiences, educational chatbots, and adaptive learning environments are developed. The systems are mostly deployed as prototypes

In the past years, we have witnessed a remarkable surge in the integration of machine learning within pervasive computing, revolutionizing how we interact with technology daily and build pervasive systems.