A Data Driven Approach for Estimating Traffic Demand of Different Transportation Modes

Um einen umfassenden Überblick zum verkehrlichen Infrastrukturbedarf zu erhalten, ist es unabdingbar das Verkehrsverhalten zu analysieren und insbesondere die Verkehrsnachfrage genau abzuschätzen. Für viele verkehrsbezogene Anwendungen, sowohl im Planungs- als auch im Steuerungsbereich, ist die Verkehrsnachfrage, dargestellt durch Quelle-Ziel-Matrizen (auch O-D-Matrizen (origin-destination)), eine wichtige Grundlage.
Die Ansätze zur Nachfrageschätzung beziehen sich meist auf einzelne Verkehrsmittel. Die konventionellen Modelle nutzen abschnittsbezogene Verkehrszählungen und Daten aus Verkehrserhebungen. Solche Erhebungen sind jedoch mit hohen Kosten und großem Aufwand verbunden. Die vorhandenen Modelle zur multimodalen Nachfrageschätzung wurden für die Schätzung der Nachfrage verschiedener Güterverkehrsträger oder öffentlicher Verkehrsmittel entwickelt. Diese Modelle nutzen umfangreiche Datenquellen, wie z.B. aus Chipkarten von Nutzerinnen und Nutzern öffentlicher Verkehrssysteme. Soweit bekannt, gibt es kein Modell, das eine multimodale Verkehrsnachfrageschätzung für Individualverkehr ermöglicht. Das Kernproblem liegt hierbei in der Bereitstellung einer zuverlässigen Datengrundlage für ein solches Modell.
Mobile GPS-fähige Geräte ermöglichen eine automatische Erfassung von "Floating Data". Floating Data bestehen aus Fahrtenaufzeichnungen (z.B. Kraftfahrzeugen Floating Car Data (FCD) und Smartphones Floating Smartphone Data (FSD)) vieler aktiver Geräten, bei denen die Geopositionierung des Gerätes mit Zeitstempeln dokumentiert ist. Diese Datenquelle kann die benötigte Datengrundlage bereitstellen und eine Alternative zu teuren Erhebungsmethoden darstellen. Vor diesem Hintergrund liegt das Ziel dieser Arbeit liegt darin, ein geeignetes Modell für die Abschätzung der multimodalen Verkehrsnachfrage des motorisierten Individualverkehrs sowie von Radfahrern und Fußgängern zu entwickeln, dass die neue Datenquelle der Floating Data in Verbindung mit Querschnittszählungen nutzt. Um dieses Ziel zu erreichen, wurde die Forschungsarbeit in drei Hauptteile unterteilt.
Ziel des ersten Teils war es, das Potenzial von FCD auszunutzen, um den Prozess der Nachfrageschätzung der Fahrzeuge in Bezug auf Ergebnisqualität und Rechenzeitanforderungen zu verbessern. Dies geschah durch die Verbesserung der Eingabedaten des Informationsminimierungsmodells (IM) mit Hilfe von FCD. Das Ergebnis dieses verbesserten Modells wurde analysiert und mit dem herkömmlichen zweistufigen Modell zur Nachfrageschätzung verglichen. Die Vorteile der Verwendung von FCD im verbesserten Modell waren signifikant, was die Grundlage des zweiten Teils bildete.
Da FCD lediglich Informationen zum Kraftfahrzeugverkehr beinhalten, wurde für die multimodale Nachfrageschätzung im zweiten Teil der Arbeit die Datengrundlage auf FSD erweitert. Jedoch liegt der größte Nachteil von FSD darin, dass sie keine Informationen über das genutzte Verkehrsmittel liefern können, wenn sie komplett automatisch erhoben wurden. Die vorgeschlagenen Modelle in der Literatur zur Lösung dieses Problems beruhen jedoch auf Algorithmen des überwachten maschinellen Lernens (ML), welche gelabelte Daten für das Training benötigen, die nicht immer zur Verfügung stehen. Ziel des zweiten Teils war es demnach, eine alternative Lösung zur Erkennung von Verkehrsmitteln aus ungelabelten Daten zu untersuchen. Das erfolgte durch einen Vergleich der Genauigkeit von unüberwachten und überwachten ML-Algorithmen mit unterschiedlichen Eingabeattributen. zwei unüberwachte Algorithmen erwiesen sich als ausreichend genau, wenn ein zuverlässiges Eingabeattribut verwendet wurde.
Ziel des letzten Forschungsschrittes war es, zu untersuchen, ob das im ersten Teil entwickelte Modell in der Lage ist, multimodale OD-Matrizen unter Verwendung der im zweiten Teil entwickelten Methode zur Verkehrsmittelzuordnung von FSD mit ausreichender Genauigkeit zu schätzen. Die größte Herausforderung bestanden darin, Ground-Truth-Daten sowie Verkehrszählungen für alle drei Verkehrsmittel zu erhalten. Aufgrund dessen wurde eine Kampagne zur Verkehrsüberwachung gestartet, um die erforderlichen Daten mit Videodetektionen zu erheben. Diese Daten wurden für eine Feldstudie verwendet. Darüber hinaus wurde eine Sensitivitätsanalyse mit synthetischen Daten durchgeführt, um die Entwicklung der Schätzgenauigkeit durch eine Erhöhung der FSD-Penetrationsrate in einer Simulationsumgebung widerzuspiegeln. In der Feldstudie führte eine durchschnittliche FSD-Penetrationsrate von 13% zu einer guten Nachfrageschätzung mit einem durchschnittlichen Korrelationskoeffizienten von 92%. Dieses Ergebnis entspricht der Sensitivitätsanalyse aus der Simulationsstudie, welches zeigt, dass eine durchschnittliche FSD-Penetrationsrate von 13% zu einer Nachfrageschätzung mit einem durchschnittlichen Korrelationskoeffizienten zwischen 93% und 96% führen soll. Für die künftige Arbeit empfehlen wir, das Modell so weiterzuentwickeln, dass es sich nur auf die FSD als Datenquelle stützt, so dass die Notwendigkeit von Verkehrszählungen nicht mehr gegeben ist.