diff --git a/src/main/R/drtDemandAnalysis/VIA-data/KEXI-flow-map-VIA.R b/src/main/R/drtDemandAnalysis/VIA-data/KEXI-flow-map-VIA.R
new file mode 100644
index 00000000..2fb3b9ff
--- /dev/null
+++ b/src/main/R/drtDemandAnalysis/VIA-data/KEXI-flow-map-VIA.R
@@ -0,0 +1,121 @@
+# Installieren Sie die benötigten Pakete, wenn noch nicht installiert
+# install.packages(c("shiny", "dplyr", "ggplot2"))
+
+# Laden Sie die Bibliotheken
+library(shiny)
+library(dplyr)
+library(ggplot2)
+library(lubridate)
+library(plotly)
+library(leaflet)
+library(leaflet.extras) # for heatmap
+library(geosphere) # for flow chart
+library(RColorBrewer)
+
+
+#### read data.
+##### you have to download the data in Excel format and then export to csv !!with semi-colon as separator!! because the addresses have commata in them and then commata does not work as delimiter!!
+
+#input files
+testdata <- "D:/svn/shared-svn/projects/KelRide/data/KEXI/Via_data_sample_2023_12_20/Fahrtanfragen-2023-12-20.csv"
+data_feb_14 <- "D:/svn/shared-svn/projects/KelRide/data/KEXI/Via_data_2024_02_14/Fahrtanfragen-2024-02-14.csv"
+data_jan_01_feb_27 <- "D:/svn/shared-svn/projects/KelRide/data/KEXI/Via_data_2024_02_27/Fahrtanfragen-2024-02-27.csv"
+
+#parse data
+data <- read.csv2(data_jan_01_feb_27, sep = ";", stringsAsFactors = FALSE, header = TRUE, encoding = "UTF-8")
+
+
+### prepare data
+
+## filter out test bookings
+
+#10718 is a real customer
+#10031 too
+testingCustomerIds_extended <- c(1, 
+                                 43, 
+                                 649, 
+                                 673,
+                                 3432, 
+                                 3847, 
+                                 3887, 
+                                 4589, 
+                                 7409,
+                                 7477,
+                                 9808, 
+                                 9809, 
+                                 8320,
+                                 12777, 
+                                 13288
+)
+
+#pepare data tyopes
+data <- data %>% 
+  mutate(Erstellungszeit = ymd_hms(Erstellungszeit.der.Fahrtanfrage),
+         Erstellungsdatum = date(Erstellungsdatum.der.Fahrtanfrage),
+         Angefragte.Einstiegszeit = ymd_hms(Angefragte.Einstiegszeit),
+         Angefragte.Ausstiegszeit = ymd_hms(Angefragte.Ausstiegszeit),
+         Tatsächliche.Einstiegszeit = ymd_hms(Tatsächliche.Einstiegszeit),
+         Tatsächliche.Ausstiegszeit = ymd_hms(Tatsächliche.Ausstiegszeit),
+         Ursprünglich.geplante.Einstiegszeit = ymd_hms(Ursprünglich.geplante.Einstiegszeit),
+         Laufdistanz..Einstieg. = as.numeric(Laufdistanz..Einstieg.),
+         Laufdistanz..Ausstieg. = as.numeric(Laufdistanz..Ausstieg.),
+         Fahrtdistanz = as.numeric(Fahrtdistanz),
+         Fahrtdauer = as.numeric(Fahrtdauer),
+         Start.Breitengrad = as.numeric(Start.Breitengrad),
+         Start.Längengrad = as.numeric(Start.Längengrad),
+         Zielort.Breitengrad = as.numeric(Zielort.Breitengrad),
+         Zielort.Längengrad = as.numeric(Zielort.Längengrad),
+         Fahrtbewertung..1.5. = as.numeric(Fahrtbewertung..1.5.),
+         isTestBooking = Fahrgast.ID %in% testingCustomerIds_extended
+  )
+
+
+flow_data <- data %>% 
+  filter(Tatsächliche.Einstiegsadresse != "") %>% 
+  # die Daten liegen bereits in der VIA-Datenplattform in falschen Spalten vor
+  mutate(from.x = as.numeric(Reise.Endzeitstempel),
+         from.y = as.numeric(Laufdistanz..Abholung.),
+         to.x = as.numeric(Zur.Benutzerbestellung.vorgelegt),
+         to.y = as.numeric(Anzahl.der.Abschnitte),
+  ) %>% 
+  select(Tatsächliche.Einstiegsadresse, Tatsächliche.Ausstiegsadresse, from.x, from.y, to.x, to.y)
+
+origins <- flow_data %>% 
+  group_by(from.x) %>% 
+  select(Tatsächliche.Einstiegsadresse, from.x, from.y)
+
+destinations <- flow_data %>% 
+  group_by(to.x) %>% 
+  select(Tatsächliche.Ausstiegsadresse, to.x, to.y)
+
+ff <- flow_data %>% 
+  group_by(Tatsächliche.Einstiegsadresse, Tatsächliche.Ausstiegsadresse) %>% 
+  summarise(counts = n()) %>% 
+  ungroup() %>% 
+  left_join(origins, by = "Tatsächliche.Einstiegsadresse") %>%
+  left_join(destinations, by = "Tatsächliche.Ausstiegsadresse")
+
+flows <- gcIntermediate(ff[,4:5], ff[,6:7], sp = TRUE, addStartEnd = TRUE)
+
+flows$counts <- ff$counts
+
+flows$origins <- ff$Tatsächliche.Einstiegsadresse
+
+flows$destinations <- ff$Tatsächliche.Ausstiegsadresse
+
+flows
+
+
+
+hover <- paste0(flows$origins, " to ", 
+                flows$destinations, ': ', 
+                as.character(flows$counts))
+
+pal <- colorFactor(brewer.pal(4, 'Set2'), flows$origins)
+
+leaflet() %>%
+  addProviderTiles('CartoDB.Positron') %>%
+  addPolylines(data = flows, weight = ~counts, label = hover, 
+               group = ~origins, color = ~pal(origins)) %>%
+  addLayersControl(overlayGroups = unique(flows$origins), 
+                   options = layersControlOptions(collapsed = FALSE))
diff --git a/src/main/R/drtDemandAnalysis/VIA-data/KEXI-shiny-dashboard.R b/src/main/R/drtDemandAnalysis/VIA-data/KEXI-shiny-dashboard.R
new file mode 100644
index 00000000..e24392a2
--- /dev/null
+++ b/src/main/R/drtDemandAnalysis/VIA-data/KEXI-shiny-dashboard.R
@@ -0,0 +1,824 @@
+# Installieren Sie die benötigten Pakete, wenn noch nicht installiert
+# install.packages(c("shiny", "dplyr", "ggplot2"))
+
+# Laden Sie die Bibliotheken
+library(shiny)
+library(dplyr)
+library(ggplot2)
+library(lubridate)
+library(plotly)
+library(leaflet)
+library(leaflet.extras) # for heatmap
+library(zoo) #for moving averages
+
+
+
+#### read data.
+
+#input files
+
+data_jan_01_apr_24 <- "D:/svn/shared-svn/projects/KelRide/data/KEXI/Via_data_2024_04_24/Fahrtanfragen-2024-04-24.csv"
+data_jan_01_apr_24_fahrerschichten <- "D:/svn/shared-svn/projects/KelRide/data/KEXI/Via_data_2024_04_24/Fahrerschichten-2024-04-24.csv"
+
+requests_file <- "D:/svn/shared-svn/projects/KelRide/data/KEXI/VIA_data_2024_05_13/Fahrtanfragen-2024-05-13.csv"
+shifts_file <- "D:/svn/shared-svn/projects/KelRide/data/KEXI/VIA_data_2024_05_13/Fahrerschichten-2024-05-13.csv"
+
+#parse data
+data <- read.csv2(requests_file, sep = ",", stringsAsFactors = FALSE, header = TRUE, encoding = "UTF-8")
+#data_fahrerschichten  <- read.csv2(shifts_file, sep = ",", stringsAsFactors = FALSE, header = TRUE, encoding = "UTF-8") %>% 
+#  mutate(time = ymd_hms(Datum),
+#         date = date(time))
+
+data_fahrerschichten <- read.csv2(shifts_file, sep = ",", stringsAsFactors = FALSE, header = TRUE, encoding = "UTF-8") %>% 
+  mutate(Start = ymd_hms(Schichtstart),
+         Ende = ymd_hms(Schichtende),
+         Dauer_h = as.numeric(Ende - Start, units="hours"),
+         Tag = date(Start))
+
+
+### prepare data
+
+## filter out test bookings
+#10718 is a real customer
+#10031 too
+testingCustomerIds_extended <- c(1,  # Testrider
+                                 43, # Stefan
+                                 649,# Salah
+                                 673,# Markus
+                                 3432,# ??
+                                 3847, # CS Test
+                                 3887, # Jonathan
+                                 4589, # Gerlinde
+                                 7409, # Jalal
+                                 7477, # Bus31
+                                 9808, # Marina
+                                 9809, # Günter
+                                 8320, # Bus28
+                                 12777, # Salah
+                                 13288, #Bus47
+                                 #13497,  #Taba S. (kelride1@landkreis-kelheim.de)
+                                 13498  #kam von Jan Eller
+)
+
+
+#pepare data types
+data <- data %>% 
+  mutate(
+         Erstellungszeit = ymd_hms(Erstellungszeit.der.Fahrtanfrage),
+         Erstellungsdatum = date(Erstellungsdatum.der.Fahrtanfrage),
+         Angefragte.Einstiegszeit = ymd_hms(Angefragte.Einstiegszeit),
+         Angefragte.Ausstiegszeit = ymd_hms(Angefragte.Ausstiegszeit),
+         Tatsächliche.Einstiegszeit = ymd_hms(Tatsächliche.Einstiegszeit),
+         Tatsächliche.Ausstiegszeit = ymd_hms(Tatsächliche.Ausstiegszeit),
+         Ursprünglich.geplante.Einstiegszeit = ymd_hms(Ursprünglich.geplante.Einstiegszeit),
+         Laufdistanz..Einstieg. = as.numeric(Laufdistanz..Einstieg.),
+         Laufdistanz..Ausstieg. = as.numeric(Laufdistanz..Ausstieg.),
+         Fahrtdistanz = as.numeric(Fahrtdistanz),
+         Fahrtdauer = as.numeric(Fahrtdauer),
+         Start.Breitengrad = as.numeric(Start.Breitengrad),
+         Start.Längengrad = as.numeric(Start.Längengrad),
+         Zielort.Breitengrad = as.numeric(Zielort.Breitengrad),
+         Zielort.Längengrad = as.numeric(Zielort.Längengrad),
+         Fahrtbewertung..1.5. = as.numeric(Fahrtbewertung..1.5.),
+         isTestBooking = Fahrgast.ID %in% testingCustomerIds_extended
+          ) 
+#for some reason, doing this with an ifelse clause does not work, so making sure time is not N/A in a separate step
+data <- data %>% 
+  mutate(time = if_else(is.na(Angefragte.Einstiegszeit), Angefragte.Ausstiegszeit, Angefragte.Einstiegszeit),
+         date = date(time),
+         isWeekend = wday(date) >= 6)
+
+
+## TODO:
+#Anbietername wieder aufnehmen und filtern!
+
+test <- data %>%
+  select(Fahrgast.ID, isTestBooking)
+###
+
+# Shiny-App erstellen
+ui <- fluidPage(
+  navbarPage(
+    title = "KEXI Dashboard",
+    fluidRow(
+      column(3,
+             selectInput("anbieterFilter", label = "Filter Anbieter",
+                         choices = unique(data$Anbietername),
+                         selected = c("AV","no vendor"),
+                         multiple = TRUE)
+      ),
+      column(3,
+        dateRangeInput("dateRange", label = "Filter nach Angefragtem Einstieg:",
+                       #start = min(data$time),
+                       start = "2024-01-01",
+                       end = max(data$time),
+                       min = min(data$time),
+                       max = max(data$time),
+                       separator = " - ")
+      ),
+      #column(3,
+      #  selectInput("statusFilter", label = "Filter nach Status der Fahrtanfrage:",
+      #              choices = unique(data$Status.der.Fahrtanfrage),
+      #              selected = "Completed",
+      #              multiple = TRUE)
+      #),
+      column(3,
+             selectInput("testbookingFilter", label = "Filter Testbuchungen",
+                         choices = unique(data$isTestBooking),
+                         selected = "FALSE",
+                         multiple = TRUE)
+      ),
+      column(3,
+             checkboxInput("filterWeekend", "Filter Wochenende", FALSE))
+    ),
+    tabPanel(
+      "O1: Auslastung",
+        fluidRow(
+          column(12,
+              # Hier fügen Sie Ihre Diagramme oder Tabellen hinzu
+              plotlyOutput("passengersWeekly"),
+              plotlyOutput("totalPassengersOverTime"),
+              #plotlyOutput("rideRequestsOverTime"),
+              plotlyOutput("passengerCountDistribution"),
+              plotlyOutput("pooledRides"),
+              leafletOutput("originMap", height = 600), # Karte für Standorte der Fahrten
+              leafletOutput("destinationMap", height = 600), # Karte für Standorte der Fahrten
+              leafletOutput("lineMap", height = 600) # Karte für Standorte der Fahrten
+          )
+        )      
+    ),
+    tabPanel(
+      "O2: Kundenzufriedenheit",
+      fluidRow(
+        column(12,
+               plotlyOutput("customerRating"),
+               plotlyOutput("ratingFrequencies")
+        )
+      )
+    ),
+    tabPanel(
+      "O3: Erreichung Zielgruppen",
+      fluidRow(
+        column(12,
+               
+        )
+      )
+    ),
+    tabPanel(
+      "O4: Service Level",
+      fluidRow(
+        column(12,
+          plotlyOutput("vehiclesOverTime"),
+          textOutput("vehicleStatsPerDay"),
+          
+          plotlyOutput("rideRequestsRelativeOverTime"),
+          plotlyOutput("rideRequestsOverTime"),
+          
+          plotlyOutput("einstieg_diff_geplant"),
+          plotlyOutput("einstieg_diff_angefragt")
+        )
+      )
+    ),
+    tabPanel(
+      "Extras",
+      fluidRow(
+        column(12,
+               plotlyOutput("distances_walking"),
+               plotlyOutput("travelStats"),
+               plotlyOutput("speed")
+        )   
+      )      
+    )
+  )
+)
+
+
+## SERVER
+server <- function(input, output) {
+  
+  ####################################################################
+  ## Pre-Processing
+  ####################################################################
+  
+  # Hier können Sie die Reaktionen auf Benutzereingaben hinzufügen
+  filtered_data <- reactive({
+    req(input$dateRange,
+        #input$statusFilter, 
+        input$anbieterFilter,
+        input$testbookingFilter)
+    data %>%
+      filter(time >= input$dateRange[1] & time <= input$dateRange[2],
+             #Status.der.Fahrtanfrage %in% input$statusFilter,
+             Status.der.Fahrtanfrage == "Completed",
+             Anbietername %in% input$anbieterFilter,
+             isTestBooking %in% input$testbookingFilter)
+  })
+  
+  # Definieren Sie die Reihenfolge der Faktoren
+  status_order <- c("Completed","No Show", "Cancel", "Invalid","Unaccepted Proposal", "Seat Unavailable")  
+  
+  filtered_fahrerschichten <- reactive({
+    req(input$dateRange)
+    data_fahrerschichten %>%
+      filter(Start >= input$dateRange[1] & Ende <= input$dateRange[2])
+  })
+  
+  
+  filtered_requests <- reactive({
+    req(input$dateRange,
+        #input$statusFilter, 
+        input$anbieterFilter, input$testbookingFilter)
+    data %>%
+      filter(time >= input$dateRange[1] & time <= input$dateRange[2],
+             Anbietername %in% input$anbieterFilter,
+             isTestBooking %in% input$testbookingFilter) %>% 
+      mutate(Status.der.Fahrtanfrage = factor(Status.der.Fahrtanfrage, levels = status_order))
+  })
+  
+  timeDifferenceData <- reactive({
+    filtered_data() %>%
+      mutate(einstieg_diff_angefragt = as.numeric(difftime(Tatsächliche.Einstiegszeit, Angefragte.Einstiegszeit, units = "mins")),
+             einstieg_diff_geplant = as.numeric(difftime(Ursprünglich.geplante.Einstiegszeit, Angefragte.Einstiegszeit, units = "mins")),)
+  })
+  
+  distances_einstieg_data <- reactive({
+    filtered_data() %>% 
+      filter(!is.na(Laufdistanz..Einstieg.)) %>%
+      group_by(date) %>%
+      summarise(mean_distance_einstieg = mean(Laufdistanz..Einstieg.))
+  })
+  
+  distances_ausstieg_data <- reactive({
+    filtered_data() %>% 
+      filter(!is.na(Laufdistanz..Ausstieg.)) %>%
+      group_by(date) %>%
+      summarise(mean_distance_ausstieg = mean(Laufdistanz..Ausstieg.))
+  })
+  
+  traveled_distances_data <- reactive({
+    filtered_data() %>% 
+      filter(!is.na(Fahrtdistanz)) %>%
+      group_by(date) %>%
+      summarise(mean_traveled_distance = mean(Fahrtdistanz))
+  })
+  
+  traveled_time_data <- reactive({
+    filtered_data() %>% 
+      filter(!is.na(Fahrtdauer)) %>%
+      group_by(date) %>%
+      summarise(mean_traveled_time = mean(Fahrtdauer))
+  })
+  
+  grouped_data <- reactive({
+    filtered_data() %>%
+      group_by(date, `Status.der.Fahrtanfrage`) %>%
+      summarise(Fahrtanfragen = n(),
+                TotalPassengers = sum(`Anzahl.der.Fahrgäste`)) %>% 
+      ungroup
+  })
+  
+  passengerCount <- reactive({
+    filtered_data() %>%
+      group_by(date, Anzahl.der.Fahrgäste) %>%
+      summarise(Frequency = n()) %>% 
+      ungroup
+  })
+
+  avg_passengerCount <- reactive({
+    filtered_data() %>%
+      group_by(date) %>%
+      summarise(avg = mean(Anzahl.der.Fahrgäste), Anzahl.der.Fahrgäste = "avg") %>% 
+      ungroup
+  })
+
+  #avg_passengerCount <- passengerCount %>%
+  #  group_by(date) %>%
+  #  summarise(avg = mean(Anzahl.der.Fahrgäste), Anzahl.der.Fahrgäste = "avg")
+
+  # Grouped data by week with total passengers
+  grouped_data_weekly <- reactive({
+    filtered_data() %>%
+      mutate(week = lubridate::week(time)) %>%  # Extract week number
+      group_by(week) %>%
+      summarise(Fahrtanfragen = n(),
+                TotalPassengers = sum(`Anzahl.der.Fahrgäste`))
+  })
+
+  dailyServiceHours <- reactive({
+    # 9am - 4 pm
+    totalServiceHoursPerDay <- 7
+    dailyServiceHours <- filtered_fahrerschichten() %>%
+        group_by(Tag) %>% 
+        summarise(Summe_Schichtdauer_h = sum(Dauer_h),
+                  Mittl_Fahrzeugverfuegbarkeit_h = Summe_Schichtdauer_h / totalServiceHoursPerDay)
+      
+    # Calculate the 7-day moving average
+    dailyServiceHours <- dailyServiceHours %>%
+      mutate(Moving_Average_h = rollmean(Mittl_Fahrzeugverfuegbarkeit_h, k = 7, align = "right", fill = NA))
+      
+  })
+  
+  
+  # Berechnung der durchschnittlichen Anzahl Fahrzeuge pro Tag
+  output$vehicleStatsPerDay <- renderText({
+    avg_vehicles <- mean(dailyServiceHours()$Mittl_Fahrzeugverfuegbarkeit_h)
+    min_vehicles <- min(dailyServiceHours()$Mittl_Fahrzeugverfuegbarkeit_h)
+    max_vehicles <- max(dailyServiceHours()$Mittl_Fahrzeugverfuegbarkeit_h)
+    avg_mov_avg <- mean(dailyServiceHours()$Moving_Average_h, na.rm = TRUE)
+    paste("Anzahl aktiver Fahrerschichten pro Tag: ", round(avg_vehicles, 2),
+          "Minimum: ", round(min_vehicles,2),
+          "Maximum: ", round(max_vehicles,2),
+          "Mittelwert des gleitenden 7-Tages-Mittelwertes: ", round(avg_mov_avg, 2))
+  })
+  
+  ####################################################################
+  ## Nachfrage Reiter Plots
+  ####################################################################
+  
+  # Karte für Start der Fahrten
+  output$originMap <- renderLeaflet({
+    leaflet() %>%
+      addTiles() %>%
+      addControl(html = '<div style="text-align:center;"><h3>Startorte</h3></div>',
+                 position = "topleft") %>%
+      addHeatmap(data = filtered_data(),
+                 lat = ~Start.Breitengrad, 
+                 lng = ~Start.Längengrad,
+                 blur = 20, max = 1,
+                 radius = 10, intensity = 2, 
+                 gradient = heat.colors(10)) %>%   
+      addMarkers(lng = filtered_data()$Start.Längengrad, lat = filtered_data()$Start.Breitengrad,
+                 popup = paste("Startadresse:", filtered_data()$Startadresse, " Datum: ", filtered_data()$date, " Pax: ", filtered_data()$Anzahl.der.Fahrgäste)
+                 #icon = makeIcon(iconUrl = "http://leafletjs.com/examples/custom-icons/leaf-red.png")
+                 )# %>%
+      #addCircleMarkers(
+      #  lng = filtered_data()$Zielort.Längengrad, lat = filtered_data()$Zielort.Breitengrad,
+      #  popup = paste("Zieladresse:", filtered_data()$Zieladresse),
+      #  #label = ~ address,
+      #  fillColor = "goldenrod",
+      #  fillOpacity = 0.1,
+      #  stroke = F
+      #)
+  })
+  # Karte für Start der Fahrten
+  output$destinationMap <- renderLeaflet({
+    leaflet() %>%
+      addTiles() %>%
+      addControl(html = '<div style="text-align:center;"><h3>Zielorte</h3></div>',
+                 position = "topleft") %>%
+      addHeatmap(data = filtered_data(),
+                 lat = ~Zielort.Breitengrad,
+                 lng = ~Zielort.Längengrad,
+                 blur = 20, max = 1,
+                 radius = 10, intensity = 2,
+                 gradient = heat.colors(10)) %>%
+      addMarkers(lng = filtered_data()$Zielort.Längengrad, lat = filtered_data()$Zielort.Breitengrad,
+                 popup = paste("Zieladresse:", filtered_data()$Zieladresse)
+                 #icon = makeIcon(iconUrl = "http://leafletjs.com/examples/custom-icons/leaf-red.png")
+      )# %>%
+    #addCircleMarkers(
+    #  lng = filtered_data()$Zielort.Längengrad, lat = filtered_data()$Zielort.Breitengrad,
+    #  popup = paste("Zieladresse:", filtered_data()$Zieladresse),
+    #  #label = ~ address,
+    #  fillColor = "goldenrod",
+    #  fillOpacity = 0.1,
+    #  stroke = F
+    #)
+  })
+  # Karte für Start der Fahrten
+  output$lineMap <- renderLeaflet({
+    leaflet() %>%
+      addTiles() %>%
+      addControl(html = '<div style="text-align:center;"><h3>Verbindungen</h3></div>',
+                 position = "topleft") %>%
+      #addMarkers(data = filtered_data(),
+      #           lng = ~Start.Längengrad, lat = ~Start.Breitengrad,
+      #           popup = ~paste("Startadresse:", Startadresse),
+      #           icon = makeIcon(iconUrl = "http://leafletjs.com/examples/custom-icons/leaf-red.png")) %>%
+      #addMarkers(data = filtered_data(),
+      #           lng = ~Zielort.Längengrad, lat = ~Zielort.Breitengrad,
+      #           popup = ~paste("Zieladresse:", Zieladresse),
+      #           icon = makeIcon(iconUrl = "http://leafletjs.com/examples/custom-icons/leaf-green.png")) %>%
+      addProviderTiles("CartoDB.Positron") %>%
+      addPolylines(data = filtered_data(),
+                   lng = c(filtered_data()$Start.Längengrad, filtered_data()$Zielort.Längengrad),
+                   lat = c(filtered_data()$Start.Breitengrad, filtered_data()$Zielort.Breitengrad),
+                   color = "blue", # Farbe der Linie
+                   weight = ~Anzahl.der.Fahrgäste)     # Breite der Linie
+  })
+
+  output$rideRequestsOverTime <- renderPlotly({
+    gg <- ggplot(filtered_requests(), aes(x = date, fill = `Status.der.Fahrtanfrage`)) +
+      #geom_area(stat = "count") +
+      geom_bar() +
+      labs(title = "Anzahl der Fahrtanfragen pro Tag",
+           subtitle="für obige Filterauswahl",
+           x = "Datum",
+           y = "Anzahl der Fahrtanfragen") +
+      theme_minimal() + 
+      theme(legend.position = "top", legend.justification = "center",
+            plot.title = element_text(size = 14, face = "bold", hjust = 0.5), 
+            plot.subtitle = element_text(size = 16, hjust = 0.5)
+            ) +
+      scale_x_date(date_breaks = "1 week", date_labels = "%d.%m.")
+    
+    ggplotly(gg)
+  })
+  
+
+  
+  # Plot für ride requests und total passengers pro Woche
+  output$rideRequestsRelativeOverTime <- renderPlotly({
+    gg <- ggplot(filtered_requests(), aes(x = date, fill = `Status.der.Fahrtanfrage`)) +
+      geom_bar(position = "fill") +  # Gestapelte Balken mit normierten Werten
+      labs(title = "Anteil der Fahrtanfragen pro Tag nach Status",
+           subtitle = "für obige Filterauswahl",
+           x = "Datum",
+           y = "Anteil") +
+      theme_minimal() + 
+      theme(legend.position = "top", legend.justification = "center",
+            plot.title = element_text(size = 14, face = "bold", hjust = 0.5), 
+            plot.subtitle = element_text(size = 16, hjust = 0.5)) + 
+      scale_x_date(date_breaks = "1 week", date_labels = "%d.%m.") +
+      geom_hline(yintercept = 0.05, linetype = "dashed", color = "red", alpha = 0.45) # Referenzlinie hinzufügen
+    
+    
+    ggplotly(gg)
+  })
+  
+  # Plot für ride requests und total passengers pro Woche
+  output$pooledRides <- renderPlotly({
+    gg <- ggplot(filtered_data(), aes(x = date, fill = `Geteilte.Fahrt`)) +
+      geom_bar() +
+      labs(title = "Anzahl geteilter Fahrten",
+           subtitle = "für obige Filterauswahl",
+           x = "Datum",
+           y = "Anteil") +
+      theme_minimal() + 
+      theme(legend.position = "top", legend.justification = "center",
+            plot.title = element_text(size = 14, face = "bold", hjust = 0.5), 
+            plot.subtitle = element_text(size = 16, hjust = 0.5)) + 
+      scale_x_date(date_breaks = "1 week", date_labels = "%d.%m.")
+    
+    
+    ggplotly(gg)
+  })
+  
+  'Passagiere am Tag'
+  output$totalPassengersOverTime <- renderPlotly({
+   #gg <- ggplot(grouped_data(), aes(x = date, y = TotalPassengers, fill = `Status.der.Fahrtanfrage`)) +
+  #  geom_bar(stat = "identity") +  # Stacked Bar mit TotalPassengers
+  #  labs(title = "Anzahl der Fahrgäste pro Tag",
+  #       subtitle = "für obige Filterauswahl",
+  #       x = "Datum",
+  #       y = "Anzahl") +
+  #  theme_minimal() +
+  #  scale_fill_manual(values = c("Fahrtanfragen" = "red", "Completed" = "blue")) +  # Legende anpassen
+  #  theme(legend.position = "right", legend.justification = "top",
+  #        plot.title = element_text(size = 14, face = "bold", hjust = 0.5),
+  #        plot.subtitle = element_text(size = 16, hjust = 0.5)) + 
+  #   scale_x_date(date_breaks = "1 week", date_labels = "%d.%m.")
+   
+
+   gg <- ggplot(grouped_data(), aes(x = date, y = TotalPassengers, fill = `Status.der.Fahrtanfrage`)) +
+     geom_bar(stat = "identity") +  # Stacked Bar mit TotalPassengers
+     labs(title = "Anzahl der Fahrgäste pro Tag",
+          subtitle = "für obige Filterauswahl",
+          x = "Datum",
+          y = "Anzahl") +
+     theme_minimal() +
+     scale_fill_manual(values = c("Fahrtanfragen" = "red", "Completed" = "blue")) +  # Legende anpassen
+     theme(legend.position = "right", legend.justification = "top",
+           plot.title = element_text(size = 14, face = "bold", hjust = 0.5),
+           plot.subtitle = element_text(size = 16, hjust = 0.5)) + 
+     scale_x_date(date_breaks = "1 week", date_labels = "%d.%m.")
+
+    ggplotly(gg)
+  })
+
+
+  # Plot für ride requests und total passengers pro Woche
+  output$passengersWeekly <- renderPlotly({
+    gg <- ggplot(grouped_data_weekly(), aes(x = factor(week))) +
+      geom_bar(aes(y = TotalPassengers, fill = "Fahrgäste"), stat = "identity", position = "dodge", width = 0.9) +
+      labs(title = "Anzahl der Fahrgäste pro Woche",
+           x = "Woche",
+           y = "Anzahl") +
+      scale_fill_manual(values = c("Fahrgäste" = "green"),
+                        name = "Legende",
+                        labels = c( "Fahrgäste")) +
+      theme_minimal() +
+      theme(legend.position = "top", legend.justification = "center",
+            plot.title = element_text(size = 14, face = "bold", hjust = 0.5))
+
+    ggplotly(gg)
+  })
+
+
+
+  output$passengerCountDistribution <- renderPlotly({
+    gg <- ggplot(passengerCount(), aes(x = as.factor(date), y = Frequency, fill = as.factor( Anzahl.der.Fahrgäste ))) +
+      geom_bar(stat = "identity") +
+      geom_line(data = avg_passengerCount(), aes(x = as.factor(date), y = avg, group = 1), color = "black", size = 1.5) + # Linie für den Durchschnitt hinzufügen
+      labs(title = "Verteilung der Gruppengröße",
+           x = "Datum",
+           y = "Häufigkeit",
+           fill = "Anzahl der Fahrgäste") +
+      theme_minimal() +
+      theme(axis.text.x = element_text(angle = 45, hjust = 1),
+            plot.title = element_text(size = 14, face = "bold", hjust = 0.5),
+            legend.position = "bottom"
+      )
+    
+    ggplotly(gg)
+  })
+  
+
+  # Beispiel: Line Plot für durchschnittliche Distanzen pro Tag
+  output$distances_walking <- renderPlotly({
+    gg <- ggplot() +
+      geom_line(data = distances_einstieg_data(), aes(x = date, y = mean_distance_einstieg, color = "Einstieg"), linetype = "solid") +
+      geom_line(data = distances_ausstieg_data(), aes(x = date, y = mean_distance_ausstieg, color = "Ausstieg"), linetype = "dashed") +
+      labs(title = "Durchschnittliche Laufdistanzen",
+           subtitle="für obige Filterauswahl",
+           x = "Datum",
+           y = "Durchschn. Distanz") +
+      theme_minimal() + 
+      theme(legend.position = "top", legend.justification = "center",
+            plot.title = element_text(size = 14, face = "bold", hjust = 0.5), 
+            plot.subtitle = element_text(size = 16, hjust = 0.5))
+    
+    ggplotly(gg)
+  })
+  
+  # Plot TravelStats mit getrennten Y-Achsen
+  output$travelStats <- renderPlotly({
+    fig <- plot_ly()
+    
+    # Linie für die Durchschnittliche zurückgelegte Entfernung
+    fig <- fig %>% 
+      add_trace(
+        x = traveled_distances_data()$date,
+        y = traveled_distances_data()$mean_traveled_distance,
+        name = "Durchschnittliche Distanz",
+        type = "scatter",
+        mode = "lines",
+        yaxis = "y1"
+      )
+    
+    # Linie für die Durchschnittliche Reisezeit
+    fig <- fig %>% 
+      add_trace(
+        x = traveled_time_data()$date,
+        y = traveled_time_data()$mean_traveled_time,
+        name = "Durchschnittliche Zeit",
+        type = "scatter",
+        mode = "lines",
+        yaxis = "y2"
+      )
+    
+    # Layout-Anpassungen
+    fig <- fig %>% 
+      layout(
+        title = list(
+          text = "Durchschnittliche Distanz und Zeit",
+          font = list(size = 14, color = "black", family = "Arial", weight = "bold"),
+          x = 0.5  # Zentriert den Titel
+        ),
+        xaxis = list(title = "Datum"),
+        yaxis = list(title = "Durchschnittliche Distanz", side = "left"),
+        yaxis2 = list(title = "Durchschnittliche Zeit", overlaying = "y", side = "right")#,
+        #plot.subtitle = list(
+        #  text = "Ihr Untertitel hier",
+        #  font = list(size = 16, color = "grey", family = "Arial"),
+        #  x = 0.5  # Zentriert den Untertitel
+        #)
+      )
+    
+    fig
+  })
+  
+  ####################################################################
+  ## Kundenzufriedenheit Reiter Plots
+  ####################################################################
+  
+  
+  # Berechnung des Durchschnitts von 'Fahrtbewertung..1.5.' exklusive 'NA' für jede Woche
+  customerRatingAvg <- reactive({
+    filtered_data() %>%
+      mutate(Rating = Fahrtbewertung..1.5.) %>% 
+      #filter(!is.na(Rating)) %>%
+      group_by(week = lubridate::week(time)) %>%
+      summarise(avg_rating = mean(Rating, na.rm = TRUE))
+  })
+  
+  ratingsPerWeek <- reactive({
+    filtered_data() %>%
+      mutate(week = lubridate::week(time)) %>%
+      group_by(week, `Fahrtbewertung..1.5.`) %>%
+      summarise(frequency = n())
+  })
+  
+  # Plot für die Kundenzufriedenheit
+  output$customerRating <- renderPlotly({
+  
+    
+    avg_plot <- ggplot(customerRatingAvg(), aes(x = week, y = avg_rating)) +
+      geom_line(color = "green") +
+      labs(title = "Durchschnittliche Fahrtbewertung pro Woche",
+           x = "Woche",
+           y = "Durchschnittliche Bewertung",
+           color = "Bewertung") +
+      theme_minimal() + 
+      theme(legend.position = "top", legend.justification = "center",
+            plot.title = element_text(size = 14, face = "bold", hjust = 0.5))
+    
+  #  subplot(ggplotly(frequencies), ggplotly(avg_plot), nrows = 2)
+    ggplotly(avg_plot)
+  })
+  
+  output$ratingFrequencies <- renderPlotly({
+    frequencies <- ggplot(ratingsPerWeek(), aes(x = week, y = frequency, fill = factor(`Fahrtbewertung..1.5.`))) +
+      geom_bar(stat = "identity") +
+      labs(title = "Häufigkeit der Fahrtbewertungen pro Woche",
+           x = "Woche",
+           y = "Häufigkeit",
+           fill = "Bewertung") +
+      theme_minimal() + 
+      theme(legend.position = "top", legend.justification = "center",
+            plot.title = element_text(size = 14, face = "bold", hjust = 0.5))
+    
+    ggplotly(frequencies)
+    
+    
+  })
+  
+  ####################################################################
+  ## Service Level Reiter Plots
+  ####################################################################
+  # Line plot for 'Fahrzeug ID' per 'date'
+  output$vehiclesOverTime <- renderPlotly({
+    dailyServiceHours <- dailyServiceHours()
+
+    #Finde den Index des maximalen, minimalen und Medianwerts des Moving_Average_h
+    max_val <- max(dailyServiceHours$Moving_Average_h, na.rm = TRUE)
+    max_date <- dailyServiceHours$Tag[which.max(dailyServiceHours$Moving_Average_h)]
+    min_val <- min(dailyServiceHours$Moving_Average_h, na.rm = TRUE)
+    min_date <- dailyServiceHours$Tag[which.min(dailyServiceHours$Moving_Average_h)]
+    median_val <- median(dailyServiceHours$Moving_Average_h, na.rm = TRUE)
+    median_date <- dailyServiceHours$Tag[which(dailyServiceHours$Moving_Average_h == median_val)]
+
+    fig <- plot_ly()
+
+    # Balken für Nachfrage / Passgiere pro Tag
+    fig <- fig %>%
+      add_trace(
+        x = grouped_data()$date,
+        y = grouped_data()$TotalPassengers,
+        name = "Passagiere pro Tag",
+        type = "scatter",
+        mode = "markers",
+        yaxis = "y2",
+        marker = list(color = "blue", opacity = 0.5)
+      )
+    
+      # Linie für die Durchschnittliche Fahrzeugverfügbarkeit
+      fig <- fig %>%
+        add_trace(
+          x = dailyServiceHours$Tag,
+          y = dailyServiceHours$Mittl_Fahrzeugverfuegbarkeit_h,
+          name = "Mittlere Fahrzeugverfuegbarkeit pro Tag",
+          type = "scatter",
+          mode = "markers",
+          yaxis = "y1",
+          marker = list(color = "black")
+        )
+
+      # Linie für den gleitenden 7-Tages-Schnitt der mittleren Fahrzeugverfügbarkeit
+      fig <- fig %>%
+        add_trace(
+          x = dailyServiceHours$Tag,
+          y = dailyServiceHours$Moving_Average_h,
+          name = "7-Tages-Schnitt gleitend",
+          type = "scatter",
+          mode = "lines",
+          line = list(color = "gray", dash = "dash"),
+          yaxis = "y1"
+        )
+
+      # Labels für Minimum, Median und Maximum
+      fig <- fig %>%
+        add_annotations(
+          x = c(min_date, median_date, max_date),  # X-Positionen der Labels
+          y = c(min_val, median_val, max_val),     # Y-Positionen der Labels
+          text = c("Minimum", "Median", "Maximum"),  # Text der Labels
+          showarrow = TRUE,  # Pfeil zeigen
+          arrowhead = 4,     # Pfeilart
+          ax = 20,           # Pfeilrichtung
+          ay = -30,           # Pfeilrichtung
+          font = list(color = "gray")  # Farbe des Texts
+        )
+
+      # Layout-Anpassungen
+      fig <- fig %>%
+        layout(
+          title = list(
+            text = "Mittlere Anzahl verfügbarer Fahrzeuge pro Tag",
+            font = list(size = 14, color = "black", family = "Arial", weight = "bold"),
+            x = 0.5  # Zentriert den Titel
+          ),
+          xaxis = list(title = "Datum"),
+          yaxis = list(title = "Mittlere Fahrzeugverfuegbarkeit pro Tag", side = "left"),
+          yaxis2 = list(title = "Passagiere pro Tag",
+                        overlaying = "y",
+                        side = "right",
+                        color = "blue")#,
+          #plot.subtitle = list(
+          #  text = "Ihr Untertitel hier",
+          #  font = list(size = 16, color = "grey", family = "Arial"),
+          #  x = 0.5  # Zentriert den Untertitel
+          #)
+        )
+
+      fig
+    
+  })
+  
+  # Boxplot für die Differenz zwischen 'Angefragte.Einstiegszeit' und 'Tatsächliche.Einstiegszeit'
+  output$einstieg_diff_angefragt <- renderPlotly({
+    gg <- ggplot(timeDifferenceData(), aes(x = as.factor(date), y = einstieg_diff_angefragt)) +
+      geom_boxplot() +
+      stat_summary(fun.y = "mean", geom = "point", shape = 18, size = 1, color = "blue",
+                   aes(label = round(..y.., 2))) + # Runde auf zwei Dezimalstellen
+      labs(title = "Boxplot der Differenz zwischen Angefragte und Tatsächliche Einstiegszeit",
+           subtitle = "Positiv = Verspätung, Negativ = früher",
+           x = "Datum",
+           y = "Zeitdifferenz (Minuten)") +
+      theme_minimal() +
+      theme(axis.text.x = element_text(angle = 45, hjust = 1), # Rotate x-axis labels for better visibility
+            plot.title = element_text(size = 14, face = "bold", hjust = 0.5), 
+            plot.subtitle = element_text(size = 16)
+            ) + 
+      geom_hline(yintercept = 20, linetype = "dashed", color = "red", alpha = 0.35) # Referenzlinie hinzufügen
+    
+    ggplotly(gg)
+  })
+  
+  # Boxplot für die Differenz zwischen 'Angefragte.Einstiegszeit' und 'Tatsächliche.Einstiegszeit'
+  output$einstieg_diff_geplant <- renderPlotly({
+    gg <- ggplot(timeDifferenceData(), aes(x = as.factor(date), y = einstieg_diff_geplant)) +
+      geom_boxplot() +
+      stat_summary(fun.y = "mean", geom = "point", shape = 18, size = 1, color = "blue",
+                   aes(label = round(..y.., 2))) + # Runde auf zwei Dezimalstellen
+      labs(title = "Boxplot der Differenz zwischen ursprünglich geplanter und tatsächlicher Einstiegszeit",
+           subtitle = "Positiv = Verspätung, Negativ = früher",
+           x = "Datum",
+           y = "Zeitdifferenz (Minuten)") +
+      theme_minimal() +
+      theme(axis.text.x = element_text(angle = 45, hjust = 1),   # Rotate x-axis labels for better visibility
+            plot.title = element_text(size = 14, face = "bold", hjust = 0.5), 
+            plot.subtitle = element_text(size = 16)
+            ) + 
+      geom_hline(yintercept = 10, linetype = "dashed", color = "red", alpha = 0.35) # Referenzlinie hinzufügen
+    
+    ggplotly(gg)
+  })
+  
+  #Speed
+  output$speed <- renderPlotly({
+    # Merge der Dataframes basierend auf dem date
+    merged_data <- merge(traveled_distances_data(), traveled_time_data(), by = "date", all = TRUE)
+    
+    # Berechnung des Quotienten
+    merged_data$quotient <- 60 * merged_data$mean_traveled_distance / merged_data$mean_traveled_time
+    
+    # Plot mit dem Quotienten
+    fig <- plot_ly(
+      x = merged_data$date,
+      y = merged_data$quotient,
+      type = "scatter",
+      mode = "lines",
+      name = "Quotient",
+      yaxis = "y"
+    )
+    
+    # Layout-Anpassungen
+    fig <- fig %>% 
+      layout(
+        title = list(
+          text = "Durchschnittlicher Speed mit Pax an Board",
+          font = list(size = 14, color = "black", family = "Arial", weight = "bold"),
+          x = 0.5  # Zentriert den Titel
+        ),
+        xaxis = list(title = "Datum"),
+        yaxis = list(title = "Speed [km/h]")
+      )
+    
+    fig
+  })
+  
+  
+}
+
+# Shiny-App starten
+shinyApp(ui = ui, server = server)
diff --git a/src/main/R/drtDemandAnalysis/VIA-data/KEXI-try-identify-test-bookings.R b/src/main/R/drtDemandAnalysis/VIA-data/KEXI-try-identify-test-bookings.R
new file mode 100644
index 00000000..1c41c60e
--- /dev/null
+++ b/src/main/R/drtDemandAnalysis/VIA-data/KEXI-try-identify-test-bookings.R
@@ -0,0 +1,274 @@
+# Installieren Sie die benötigten Pakete, wenn noch nicht installiert
+# install.packages(c("shiny", "dplyr", "ggplot2"))
+
+# Laden Sie die Bibliotheken
+library(shiny)
+library(dplyr)
+library(ggplot2)
+library(lubridate)
+library(plotly)
+library(leaflet)
+library(leaflet.extras) # for heatmap
+
+#read data
+
+
+
+testdata <- "D:/svn/shared-svn/projects/KelRide/data/KEXI/Via_data_sample_2023_12_20/Fahrtanfragen-2023-12-20.csv"
+data_feb_14 <- "D:/svn/shared-svn/projects/KelRide/data/KEXI/Via_data_2024_02_14/Fahrtanfragen-2024-02-14.csv"
+data_jan_01_feb_27 <- "D:/svn/shared-svn/projects/KelRide/data/KEXI/Via_data_2024_02_27/Fahrtanfragen-2024-02-27.csv"
+
+
+data <- read.csv2(data_jan_01_feb_27, sep = ";", stringsAsFactors = FALSE, header = TRUE, encoding = "UTF-8")
+
+#Id s for test booking
+testingCustomerIds <- c(1, 43, 649, 3432, 3847, 3887, 12777)
+testingCustomerIds_extended <- c(1, 43, 649, 3432, 3847, 3887, 12777, 673, 4589, 7409, 7477, 9808, 9809, 10718, 13288) #10718 is a real customer #10031 too
+testingCustomerIds_extended <- c(1, 
+                                 43, 
+                                 649, 
+                                 673,
+                                 3432, 
+                                 3847, 
+                                 3887, 
+                                 4589, 
+                                 7409,
+                                 7477,
+                                 9808, 
+                                 9809, 
+                                 8320,
+                                 12777, 
+                                 13288
+)
+
+
+#prepare data
+data <- data %>% 
+  mutate(Erstellungszeit = ymd_hms(Erstellungszeit.der.Fahrtanfrage),
+         Erstellungsdatum = date(Erstellungsdatum.der.Fahrtanfrage),
+         Angefragte.Einstiegszeit = ymd_hms(Angefragte.Einstiegszeit),
+         Angefragte.Ausstiegszeit = ymd_hms(Angefragte.Ausstiegszeit),
+         Tatsächliche.Einstiegszeit = ymd_hms(Tatsächliche.Einstiegszeit),
+         Tatsächliche.Ausstiegszeit = ymd_hms(Tatsächliche.Ausstiegszeit),
+         Ursprünglich.geplante.Einstiegszeit = ymd_hms(Ursprünglich.geplante.Einstiegszeit),
+         Laufdistanz..Einstieg. = as.numeric(Laufdistanz..Einstieg.),
+         Laufdistanz..Ausstieg. = as.numeric(Laufdistanz..Ausstieg.),
+         Fahrtdistanz = as.numeric(Fahrtdistanz),
+         Fahrtdauer = as.numeric(Fahrtdauer),
+         Start.Breitengrad = as.numeric(Start.Breitengrad),
+         Start.Längengrad = as.numeric(Start.Längengrad),
+         Zielort.Breitengrad = as.numeric(Zielort.Breitengrad),
+         Zielort.Längengrad = as.numeric(Zielort.Längengrad),
+         isTestBooking = Fahrgast.ID %in% testingCustomerIds_extended
+  )
+data2 <- data %>% 
+  mutate(Erstellungszeit = ymd_hms(Erstellungszeit.der.Fahrtanfrage),
+         Erstellungsdatum = date(Erstellungsdatum.der.Fahrtanfrage),
+         Angefragte.Einstiegszeit = ymd_hms(Angefragte.Einstiegszeit),
+         Angefragte.Ausstiegszeit = ymd_hms(Angefragte.Ausstiegszeit),
+         Tatsächliche.Einstiegszeit = ymd_hms(Tatsächliche.Einstiegszeit),
+         Tatsächliche.Ausstiegszeit = ymd_hms(Tatsächliche.Ausstiegszeit),
+         Ursprünglich.geplante.Einstiegszeit = ymd_hms(Ursprünglich.geplante.Einstiegszeit),
+         Laufdistanz..Einstieg. = as.numeric(Laufdistanz..Einstieg.),
+         Laufdistanz..Ausstieg. = as.numeric(Laufdistanz..Ausstieg.),
+         Fahrtdistanz = as.numeric(Fahrtdistanz),
+         Fahrtdauer = as.numeric(Fahrtdauer),
+         Start.Breitengrad = as.numeric(Start.Breitengrad),
+         Start.Längengrad = as.numeric(Start.Längengrad),
+         Zielort.Breitengrad = as.numeric(Zielort.Breitengrad),
+         Zielort.Längengrad = as.numeric(Zielort.Längengrad),
+         isTestBooking = Fahrgast.ID %in% testingCustomerIds_extended
+  )
+
+
+data_noTests <- data %>% 
+  filter(isTestBooking == FALSE)
+
+data_noTests2 <- data2 %>% 
+  filter(isTestBooking == FALSE)
+
+data_2024 <- data_noTests %>% 
+  filter(Erstellungszeit >= ymd_hms("2024-01-01 00:00:00"))
+
+hist(data_noTests$Anzahl.der.Fahrgäste)
+hist(data_2024$Anzahl.der.Fahrgäste)
+
+plot(data_2024$Erstellungszeit, data_2024$Anzahl.der.Fahrgäste)
+
+gg <- ggplot(data_2024, aes(x = as.factor(Erstellungsdatum), y = Anzahl.der.Fahrgäste)) +
+  geom_boxplot() +
+  stat_summary(fun.y = "mean", geom = "point", shape = 18, size = 1, color = "red",
+               aes(label = round(..y.., 2))) + # Runde auf zwei Dezimalstellen
+  #geom_point(stat = "summary", fun = "mean", shape = 18, size = 3, color = "red") + # Verwende geom_point statt stat_summary
+  labs(title = "Boxplot Fahrgäste",
+       x = "Datum",
+       y = "Fahrgäste") +
+  theme_minimal() +
+  theme(axis.text.x = element_text(angle = 45, hjust = 1), # Rotate x-axis labels for better visibility
+        plot.title = element_text(size = 14, face = "bold", hjust = 0.5), 
+        plot.subtitle = element_text(size = 16)
+  )  
+
+ggplotly(gg)
+
+tt <- data_2024 %>% 
+  filter(!is.na(Anzahl.der.Fahrgäste)) %>%
+  group_by(Erstellungsdatum, Anzahl.der.Fahrgäste) %>%
+  summarise(Frequency = n())
+
+# Barplot erstellen
+gg <- ggplot(tt, aes(x = as.factor(Erstellungsdatum), y = Frequency, fill = as.factor(Anzahl.der.Fahrgäste))) +
+  geom_bar(stat = "identity") +
+  labs(title = "Häufigkeit der Ausprägungen von Anzahl.der.Fahrgäste",
+       x = "Datum",
+       y = "Häufigkeit",
+       fill = "Anzahl der Fahrgäste") +
+  theme_minimal() +
+  theme(axis.text.x = element_text(angle = 45, hjust = 1), 
+        plot.title = element_text(size = 14, face = "bold", hjust = 0.5),
+        legend.position = "bottom"
+  )
+
+gg
+
+# Daten gruppieren und Häufigkeit zählen
+tt <- data_2024 %>% 
+  filter(!is.na(Anzahl.der.Fahrgäste)) %>%
+  group_by(Erstellungsdatum, Anzahl.der.Fahrgäste) %>%
+  summarise(Frequency = n())
+
+# Berechne den Durchschnitt pro Erstellungsdatum
+avg_values <- tt %>%
+  group_by(Erstellungsdatum) %>%
+  summarise(avg = mean(Anzahl.der.Fahrgäste))
+
+# Barplot erstellen
+gg <- ggplot(tt, aes(x = as.factor(Erstellungsdatum), y = Frequency, fill = as.factor(Anzahl.der.Fahrgäste))) +
+  geom_bar(stat = "identity") +
+  geom_line(data = avg_values, aSes(x = as.factor(Erstellungsdatum), y = avg), color = "red", size = 1.5) + # Linie für den Durchschnitt hinzufügen
+  labs(title = "Häufigkeit der Ausprägungen von Anzahl.der.Fahrgäste",
+       x = "Datum",
+       y = "Häufigkeit",
+       fill = "Anzahl der Fahrgäste") +
+  theme_minimal() +
+  theme(axis.text.x = element_text(angle = 45, hjust = 1), 
+        plot.title = element_text(size = 14, face = "bold", hjust = 0.5),
+        legend.position = "bottom"
+  )
+
+gg
+
+
+# Daten gruppieren und Häufigkeit zählen
+tt <- data_2024 %>% 
+  filter(!is.na(Anzahl.der.Fahrgäste)) %>%
+  group_by(Erstellungsdatum, Anzahl.der.Fahrgäste) %>%
+  summarise(Frequency = n())
+
+# Berechne den Durchschnitt pro Erstellungsdatum
+avg_values <- tt %>%
+  group_by(Erstellungsdatum) %>%
+  summarise(avg = mean(Anzahl.der.Fahrgäste), Anzahl.der.Fahrgäste = 0) # Hier den Durchschnitt direkt berechnen
+
+# Barplot erstellen
+gg <- ggplot(tt, aes(x = as.factor(Erstellungsdatum), y = Frequency, fill = as.factor(Anzahl.der.Fahrgäste))) +
+  geom_bar(stat = "identity") +
+  geom_line(data = avg_values, aes(x = as.factor(Erstellungsdatum), y = avg), color = "red", size = 1.5) + # Linie für den Durchschnitt hinzufügen
+  labs(title = "Häufigkeit der Ausprägungen von Anzahl.der.Fahrgäste",
+       x = "Datum",
+       y = "Häufigkeit",
+       fill = "Anzahl der Fahrgäste") +
+  theme_minimal() +
+  theme(axis.text.x = element_text(angle = 45, hjust = 1), 
+        plot.title = element_text(size = 14, face = "bold", hjust = 0.5),
+        legend.position = "bottom"
+  )
+
+gg
+
+
+# Daten gruppieren und Häufigkeit zählen
+tt <- data_2024 %>% 
+  filter(!is.na(Anzahl.der.Fahrgäste)) %>%
+  group_by(Erstellungsdatum, Anzahl.der.Fahrgäste) %>%
+  summarise(Frequency = n())
+
+# Berechne den Durchschnitt pro Erstellungsdatum
+avg_values <- tt %>%
+  group_by(Erstellungsdatum) %>%
+  summarise(avg = mean(Anzahl.der.Fahrgäste), Anzahl.der.Fahrgäste = "avg")
+
+#tt <- tt %>%
+#  arrange(desc(Anzahl.der.Fahrgäste))
+
+
+# Barplot erstellen
+gg <- ggplot(tt, aes(x = as.factor(Erstellungsdatum), y = Frequency, fill = as.factor( Anzahl.der.Fahrgäste ))) +
+  geom_bar(stat = "identity") +
+  geom_line(data = avg_values, aes(x = as.factor(Erstellungsdatum), y = avg, group = 1), color = "black", size = 1.5) + # Linie für den Durchschnitt hinzufügen
+  labs(title = "Häufigkeit der Ausprägungen von Anzahl.der.Fahrgäste",
+       x = "Datum",
+       y = "Häufigkeit",
+       fill = "Anzahl der Fahrgäste") +
+  theme_minimal() +
+  theme(axis.text.x = element_text(angle = 45, hjust = 1), 
+        plot.title = element_text(size = 14, face = "bold", hjust = 0.5),
+        legend.position = "bottom"
+  )
+
+ggplotly(gg)
+  
+
+
+test <- data_2024 %>% 
+  filter(Erstellungszeit >= ymd_hms("2024-01-23 00:00:00"), Erstellungszeit <= ymd_hms("2024-01-23 23:59:59"))
+
+test
+
+test2 <- data_noTests %>% 
+  filter(Anzahl.der.Fahrgäste == 6)
+
+
+ggplot(test2, aes(x = as.factor(Fahrgast.ID))) +
+  geom_bar(fill = "skyblue") +
+  labs(title = "Wie oft mit 6 Fahrgästen gebucht wurde",
+       x = "Fahrgast.ID",
+       y = "Häufigkeit") +
+  theme_minimal()
+
+
+tt <- test2 %>% 
+  group_by(Fahrgast.ID) %>% 
+  tally()
+
+ggplot(tt, aes(x = Fahrgast.ID)) +
+  geom_bar(fill = "skyblue") +
+  labs(title = "Wie oft mit 6 Fahrgästen gebucht wurde",
+       x = "Fahrgast.ID",
+       y = "Häufigkeit") +
+  theme_minimal()
+
+
+
+zzz <- data_noTests2 %>% 
+  group_by(Fahrgast.ID) %>% 
+  tally()
+
+z <- zzz %>% 
+  filter(n > 1)
+
+g <- ggplot(data_noTests2, aes(x = as.factor(Fahrgast.ID))) +
+  geom_bar(fill = "skyblue") +
+  labs(title = "Wie oft von wem gebucht wurde",
+       x = "Fahrgast.ID",
+       y = "Häufigkeit") +
+  theme_minimal()
+
+
+ggplotly(g)
+
+
+personTest <- data_noTests2 %>% 
+  filter(Fahrgast.ID == 12828)
+
+