Zusammenfassung
Die in diesem Kapitel vorgestellte Methodik bietet einen aus mehreren Komponenten bestehenden, integrierten Rahmen zur Verbesserung der Effizienz städtischer Verkehrsmanagementsysteme. Durch die Kombination von räumlicher und topologischer Analyse, kontextueller Anreicherung und intelligenter Datenrekonstruktion geht der Ansatz wichtige Herausforderungen der städtischen Verkehrsüberwachung effektiv an.
Seine erfolgreiche Umsetzung sowohl im europäischen als auch im asiatischen Kontext zeigt seine globale Relevanz und Anpassungsfähigkeit, während seine modulare Struktur eine unabhängige Entwicklung seiner Komponenten und eine flexible Integration in verschiedene städtische Umgebungen ermöglicht.
Die räumliche Wirkungsanalyse von Detektoren, die topologische Datenverbreitung und die kontextuelle Datenintegration bilden zusammen ein robustes Instrumentarium für ein modernes, datengesteuertes städtisches Verkehrsmanagement.
Einleitung
Die Effizienz des städtischen Verkehrsmanagements hängt grundlegend von der richtigen Interpretation der von Verkehrszählgeräten gesammelten Daten ab. Die genaue räumliche Platzierung von Detektoren und die Bestimmung ihres Erfassungsbereichs sind für die genaue Interpretation der Daten von entscheidender Bedeutung, wie die Untersuchungen von Vanajakshi und Rilett (2007)¹ belegen. In diesem Abschnitt wird eine fortschrittliche Methodik vorgestellt, die die räumlichen Einschränkungen der traditionellen Verkehrszählung überwindet.
Um den Erfassungsbereich von Verkehrszählungsdetektoren zu analysieren, muss bestimmt werden, über welche Straßenabschnitte ein bestimmtes Gerät Informationen liefert. Dieses Problem ähnelt zwar den von Budapest Közút verwendeten Abbiege- und Geschwindigkeitskontrollsystemen, erfordert jedoch einen wesentlich fortgeschritteneren methodischen Ansatz (Tettamanti, 2014).
Unsere Analyse basiert auf einem komplexen räumlichen Integrationsprozess, bei dem wir die räumliche Position der Detektoren mit einer graphbasierten Darstellung des Verkehrsnetzes vergleichen. Wang et al. (2021)³ wandten einen ähnlichen Ansatz zur Optimierung des Verkehrsmanagementsystems von Shanghai an und bestätigten damit die internationale Anwendbarkeit der Methode. Unser Verfahren verbindet die territoriale Geometrie der Detektoren mit der Liniengeometrie des Straßennetzes, um ein umfassendes räumlich-semantisches Datenmodell zu erstellen.
Der erste Schritt in diesem Prozess besteht darin, zu ermitteln, mit welchem Straßenabschnitt ein bestimmter Detektor am direktesten verbunden ist. Dies wird nicht nur anhand der Entfernung, sondern auch anhand der Messrichtung des Detektors bestimmt. Das Wesentliche der Methode besteht darin, die Fahrtrichtung der vom Detektor gezählten Fahrzeuge zu erkennen und diese dann mit der Ausrichtung der umgebenden Straßenabschnitte zu vergleichen. Wenn die Richtung eines Straßenabschnitts innerhalb eines Bereichs von ±30 Grad relativ zur Messrichtung des Detektors liegt, betrachten wir ihn als potenziell relevant.
Diese richtungsbasierte Filterung ist besonders wichtig an komplexen Kreuzungen, an denen sich mehrere Straßenabschnitte innerhalb einer bestimmten Entfernung (z. B. innerhalb von 13 Metern) befinden können. Die Berücksichtigung der Ausrichtung hilft, fehlerhafte Zuordnungen zu vermeiden und verbessert die Zuverlässigkeit der Methode erheblich. Ähnliche Ansätze werden in anderen städtischen Verkehrssystemen in Europa verwendet, wo eine präzise räumliche Zuordnung ebenfalls als wichtig erachtet wird.
Analyse der Straßenverbindungen und Erweiterung der Verkehrsdaten
Nach der erfolgreichen Zuordnung der Detektoren zu den entsprechenden Straßenabschnitten besteht der nächste Schritt darin, die Verkehrsdaten zu erweitern, d. h. zu bestimmen, für welche zusätzlichen Straßenabschnitte die Messungen eines Detektors verwendet werden können. Dies ist besonders wichtig in Städten, wo die Detektoren nicht gleichmäßig verteilt sind und das Verkehrsmanagementsystem häufig fehlende Daten extrapolieren muss. Forscher aus verschiedenen Ländern haben ähnliche Probleme festgestellt, da große Gebiete mit nur einer begrenzten Anzahl von Verkehrszählgeräten überwacht werden mussten.
Die Methode besteht darin, die Anordnung der Netzverbindungen zu analysieren. In diesem Schritt werden die Knotenpunkte vor und nach jedem Straßenabschnitt untersucht, wobei besonders auf die Anzahl der mit jedem Knotenpunkt verbundenen Achsen geachtet wird. Wenn beide Enden eines Abschnitts Knotenpunkte haben, die mit zwei Achsen verbunden sind, deutet dies darauf hin, dass der Abschnitt Teil einer durchgehenden Strecke ohne Kreuzungen ist. In diesen Fällen kann davon ausgegangen werden, dass die Verkehrseigenschaften entlang des gesamten Abschnitts ähnlich sind.
Bei der Erweiterung der Daten analysiert der Algorithmus den Erfassungsbereich des Detektors vor und hinter dem zugehörigen Straßenabschnitt. Dieser Vorgang wird fortgesetzt, bis ein Knotenpunkt gefunden wird, an dem die Anzahl der angeschlossenen Achsen zwei übersteigt. Dieser Knotenpunkt stellt die Grenze des Erweiterungsbereichs dar, da der Verkehr an diesen Punkten auseinanderlaufen oder zusammenfließen kann, wodurch sich die Fließeigenschaften ändern.
Zhou und Wu (2019)⁴ verwendeten einen ähnlichen Ansatz zur Entwicklung von städtischen Verkehrsmanagementsystemen. Sie berücksichtigten jedoch zusätzlich die Anzahl der Fahrspuren als weiteren Faktor bei der Festlegung der Erweiterungsgrenzen. Ihre Studie zeigte, dass diese Methode das Verkehrsverhalten in zuvor nicht gemessenen Bereichen genau vorhersagen kann.
Die vorgeschlagene Methodik ermöglicht die Erstellung einer umfassenderen Verkehrsdatenbank, sodass Verkehrsschätzungen für miteinander verbundene Straßenabschnitte auch dort möglich sind, wo keine Detektoren vorhanden sind. Dies erhöht die Effizienz und Zuverlässigkeit von Verkehrsmanagementsystemen. Statische Modelle, die ausschließlich auf Verkehrszähldaten basieren, haben inhärente Einschränkungen, die durch die Integration zusätzlicher Kontextdatenquellen gemildert werden können. Verkehrsmuster hängen stark von der Tageszeit, den Wetterbedingungen und sozialen Faktoren ab. Die Einbeziehung dieser Variablen verbessert die Erklärungs- und Vorhersagekraft des Modells erheblich (Tóth und Csiszár, 2019)⁵.
Integration der zeitlichen Dimension
Bei Einbeziehung des Zeitfaktors wird jedem Datenpunkt ein präziser zeitlicher Kontext zugewiesen, der nicht nur den genauen Tag, die Stunde und die Minute angibt, sondern auch, ob es sich um einen Wochentag, ein Wochenende, einen Feiertag oder einen versetzten Arbeitstag handelt. Dies ist besonders relevant in Ländern, in denen Feiertage und Arbeitstagverschiebungen die Verkehrsmuster erheblich beeinflussen.
Die Studie von Wei (2020)⁶ zum städtischen Verkehr hat gezeigt, dass das Verkehrsverhalten während der Feiertage stark variieren kann, was den starken Einfluss dieser Zeiträume bestätigt. Durch die konsequente Kategorisierung der Verkehrsdaten nach Zeit können verschiedene Zeiträume verglichen und saisonale Trends identifiziert werden.
Integration von Wetterdaten
Das Wetter hat einen bekannten Einfluss auf den Verkehr, sodass die Einbeziehung meteorologischer Daten in das Verkehrsmodell zusätzliche Erkenntnisse liefert. Anhand der Daten der Messstationen des Nationalen Wetterdienstes wird das Stadtgebiet in Voronoi-Polygone unterteilt, wobei jedes Straßensegment der nächstgelegenen Station zugeordnet wird.
Die Genauigkeit dieses Ansatzes hängt von der Dichte des Stationsnetzes und der Verwendung räumlicher Interpolationstechniken ab. Viele europäische Verkehrsmanagementsysteme verwenden ähnliche Methoden und beziehen zunehmend Daten von mobilen Wettersensoren ein, um die Genauigkeit zu verbessern.
Zu den Wetterdaten gehören in der Regel Niederschlag, Temperatur, Sonnenscheindauer, Bewölkung, Sichtweite, Windgeschwindigkeit und Extremereignisse wie Schnee, Hagel oder Stürme. Solche Parameter sind wertvoll, um abnormale Verkehrsmuster zu identifizieren und die Prognosegenauigkeit zu verbessern.
Integration von sozialen und ereignisbasierten Daten
Lokale oder städtische soziale Ereignisse haben ebenfalls einen erheblichen Einfluss auf das Verkehrsaufkommen. Dazu können wiederkehrende Ereignisse (wie Sportwettkämpfe oder Konzerte) oder einmalige Ereignisse (wie Straßenbauarbeiten, VIP-Besuche oder Demonstrationen) gehören. Informationen über den Ort und den Zeitpunkt solcher Ereignisse verbessern die Erklärungskraft des Verkehrsmodells zusätzlich.
In der internationalen Forschung wurden Datenbanken entwickelt, in denen Art, Ort, Dauer und geschätzte Besucherzahl jeder Veranstaltung erfasst wurden. Die Analyse dieser Daten zeigt, dass mittelgroße Sportveranstaltungen in der Regel den Verkehr in einem Umkreis von 5 km beeinflussen, während große Musikfestivals Bereiche in einem Umkreis von 8 bis 10 km betreffen können.
Ereignisbasierte Daten sind besonders nützlich, um ungewöhnliche Verkehrsmuster zu erklären und zukünftige ereignisbezogene Auswirkungen vorherzusagen. Es gibt verschiedene Modellierungsansätze, um den räumlichen Einfluss geokodierter Veranstaltungen darzustellen, die von einfachen Pufferzonen bis hin zu fortschrittlichen Netzwerkdiffusionsmodellen reichen.
Umgang mit Datenlücken und Verkehrsschätzung auf der Grundlage historischer Daten
Eine große Herausforderung für Verkehrsmanagementsysteme ist der Umgang mit fehlenden Daten, die durch Sensorausfälle oder Kommunikationsfehler verursacht werden. Dies stellt ein ernstes Problem dar, da Entscheidungsunterstützungs- und Verkehrsleitsysteme auf einer kontinuierlichen und zuverlässigen Datenverfügbarkeit beruhen.
Es gibt mehrere Möglichkeiten, mit fehlenden Daten umzugehen, die von grundlegender statistischer Interpolation bis hin zu fortschrittlichen Modellen des maschinellen Lernens reichen. Die in dieser Studie beschriebene Methodik stützt sich auf eine umfassende Kontextdatenbank, die den intelligenten Ersatz fehlender Daten unter Verwendung historischer Informationen ermöglicht.
Klassifizierung von Datenlückentypen
Die Art der Datenlücke bestimmt die am besten geeignete Ersatzmethode. Laut internationaler Literatur lassen sich Datenlücken wie folgt kategorisieren:
- Kurzfristige Datenlücken (weniger als 30 Minuten): Diese werden in der Regel durch Kommunikationsprobleme verursacht und können mit einfachen Interpolationstechniken korrigiert werden.
- Mittelfristige Datenlücken (mehrere Stunden): Diese resultieren häufig aus vorübergehenden Sensorausfällen und erfordern komplexere Methoden, die auch Kontextdaten einbeziehen.
- Langfristige Datenlücken (über 4 Stunden): in der Regel aufgrund schwerwiegender Sensorfehlfunktionen oder Wartungsarbeiten; diese erfordern modellbasierte Rekonstruktionsansätze aus mehreren Quellen.
Auf historischen Daten basierende Ersatzmethodik
Das Grundkonzept der vorgeschlagenen Methodik besteht darin, fehlende Messwerte durch historische Daten zu ersetzen, die den aktuellen Kontextbedingungen am besten entsprechen. Der Algorithmus läuft wie folgt ab:
- Identifizieren Sie die Kontextparameter der Datenlücke – einschließlich Uhrzeit, Tag, Wetter und relevante Ereignisse.
- Suchen Sie in der erweiterten Datenbank nach entsprechenden historischen Daten, die diesen Kontextfaktoren entsprechen.
- Falls erforderlich, werden statistische Korrekturen an den historischen Daten vorgenommen, um sie an aktuelle Trends anzupassen.
- Fehlende Werte werden durch die angepassten Daten ersetzt.
Hagen und sein Team (2022) verwendeten in ihrer Münchner Studie einen ähnlichen Ansatz und verglichen ebenfalls die topologische Ähnlichkeit zwischen Segmenten. Dadurch konnte die Genauigkeit der Datenersetzung im Vergleich zu herkömmlichen Methoden um 8,3 % verbessert werden.
Leistungsbewertung von Ersetzungsmethoden
Die Bewertung der Wirksamkeit von Ersetzungsmethoden ist für die Gewährleistung der Systemzuverlässigkeit von entscheidender Bedeutung. Es wurden kontrollierte Experimente durchgeführt, bei denen bekannte Daten absichtlich entfernt und die rekonstruierten Werte mit den ursprünglichen Beobachtungen verglichen wurden.
Laut internationaler Literatur werden vier Schlüsselkennzahlen zur Leistungsbewertung herangezogen:
- MAE (Mean Absolute Error): die durchschnittliche Größe der absoluten Fehler, die die mittlere Abweichung darstellt.
- RMSE (Root Mean Square Error): die Quadratwurzel der mittleren quadratischen Fehler, die empfindlicher auf große Abweichungen reagiert.
- MAPE (Mean Absolute Percentage Error): Zeigt den relativen Fehler als Prozentsatz des tatsächlichen Werts an.
- DTW (Dynamic Time Warping distance): Misst die Ähnlichkeit zwischen zeitlichen Mustern.
Die Ergebnisse zeigen, dass der kontextbezogene Ansatz einfachere Ersatzmethoden übertrifft, insbesondere bei längeren Datenlücken. Diese Methode zeigt auch eine hohe Robustheit bei außergewöhnlichen Ereignissen (wie großen Sportveranstaltungen oder extremen Wetterbedingungen), bei denen herkömmliche Techniken oft versagen.
Internationale Perspektiven und Anwendungsmöglichkeiten
Die vorgestellte Methodik ist sehr anpassungsfähig: Sie wurde zwar für den Kontext von Budapest entwickelt, ist aber auch international anwendbar. Die Kombination von Netzwerktopologie mit kontextbezogener und historischer Datenintegration kann die Verkehrsmanagementsysteme in großen Ballungsräumen erheblich verbessern.
Anpassung in Paris: EIT-Projekt „Urban Mobility”
In internationalen Forschungsprojekten wurde die Methodik der topologischen Erweiterung für Verkehrsmanagementsysteme in europäischen Großstädten angepasst. Dabei wurden Daten zum Radverkehr unter Berücksichtigung der Straßentypen und der Verfügbarkeit von Radwegen einbezogen.
Bei der Anpassung in Paris wurden auch Ampelphasenpläne integriert, was eine noch präzisere Schätzung des Verkehrsflusses ermöglichte. Das implementierte System reduzierte die Staus während der Pilotphase erheblich.
Anpassung in Singapur: Smart Nation Initiative
Im Rahmen der Smart Nation Initiative Singapurs wurde die Methode zum Ersetzen von Kontextdaten weiterentwickelt und in das elektronische Mautsystem (Electronic Road Pricing, ERP) der Stadt integriert. Die aktualisierte Methodik umfasste auch drei neue Datenquellen:
- GPS-Daten von Taxis, die Echtzeit-Geschwindigkeitsschätzungen liefern;
- Daten von Lesegeräten für öffentliche Verkehrsmittelkarten, die eine Schätzung der Nutzung von Verkehrsmitteln ermöglichen;
- Geotagged-Daten aus sozialen Medien, die für die Erkennung ungeplanter Ereignisse nützlich sind.
Das verbesserte System, das mit diesem erweiterten Datensatz arbeitet, zeigte eine deutlich bessere Leistung als frühere Versionen, insbesondere während der Stoßzeiten und bei außergewöhnlichen Ereignissen.
Herausforderungen und Chancen bei der Anpassung
Bei der Anpassung der Methodik an andere Kontexte können mehrere Herausforderungen auftreten:
- Datenheterogenität: Städte unterscheiden sich in ihren Datenerfassungssystemen und -formaten.
- Unterschiedliche Detektordichte: Die räumliche Auflösung von Sensornetzwerken kann stark variieren.
- Lokale Verkehrskultur: Verhaltensmuster und Verkehrsmittelwahl unterscheiden sich je nach Region.
- Klimatische Bedingungen: Regionale Wetterbedingungen und saisonale Schwankungen wirken sich unterschiedlich auf den Verkehr aus.
Trotz dieser Unterschiede bleiben die Kernprinzipien der Methodik – topologische Analyse, kontextuelle Integration und historischer datengesteuerter Ersatz – universell anwendbar, wenn sie an die lokalen Gegebenheiten angepasst werden.
Zukünftige Forschungsrichtungen und Entwicklungsmöglichkeiten
Integration von Deep-Learning-Methoden
Jüngste Studien haben gezeigt, dass Graph Neural Networks (GNNs) bei der Analyse und Vorhersage der Dynamik von Verkehrsnetzen sehr effektiv sind. GNNs können die räumliche Struktur von Netzwerken einbeziehen, was zu genaueren Vorhersagen für Segmente führt, für die keine direkten Messungen vorliegen.
Modelle, die auf Transformer-Architekturen basieren, sind ebenfalls vielversprechend für die Verarbeitung von räumlich-zeitlichen Verkehrsdaten, insbesondere für die Erfassung langfristiger zeitlicher Abhängigkeiten.
Integration multimodaler Verkehrsdaten
Ein wichtiger Ansatzpunkt für die zukünftige Forschung ist die Integration multimodaler Verkehrsdaten. Durch die Kombination von Informationen aus Fußgänger-, Fahrrad-, öffentlichen Verkehrs- und privaten Fahrzeugnetzen entsteht ein vollständigeres Bild der urbanen Mobilität.
Die Erfassung und Analyse von Daten aus Mikromobilitätsgeräten wie E-Scootern und Leihfahrrädern gewinnt angesichts ihrer wachsenden Bedeutung für städtische Verkehrssysteme zunehmend an Relevanz.
Entwicklung adaptiver Echtzeitsysteme
Die Methodik kann auch für das Echtzeit-Verkehrsmanagement angepasst werden, wo fehlende Daten automatisch und sofort ergänzt werden müssen. Dies erfordert algorithmische Optimierung und eine effiziente Nutzung der Rechenressourcen.
In Echtzeitanwendungen ist es entscheidend, ein optimales Gleichgewicht zwischen Vorhersagelatenz und Genauigkeit zu erreichen. Kurzfristige Vorhersagen (5–15 Minuten) sind in der Regel präziser, während längerfristige Vorhersagen (30–60 Minuten) mehr Möglichkeiten für proaktive Eingriffe bieten.
Literaturhinweise:
¹ Vanajakshi, L. – Rilett, L. R. (2007): Support vector machine technique for the short-term prediction of travel time. Proceedings of the IEEE Intelligent Vehicles Symposium, Istanbul, Turkey, pp. 600–605.
² Tettamanti, T. – Varga, I. (2014): Development of road traffic control by using integrated VISSIM- MATLAB simulation environment. Periodica Polytechnica Civil Engineering, 58(2), pp. 173–184.
³ Chen, C. – Petty, K. – Skabardonis, A. – Varaiya, P. – Jia, Z. (2018): Freeway performance measurement system: mining loop detector data. Transportation Research Record, 1748(1), pp. 96–102.
⁴ Zhou, J. – Wu, F. (2019): Short-term traffic flow prediction based on spatio-temporal analysis. IEEE Transactions on Intelligent Transportation Systems, 20(10), pp. 3893–3902.
⁵ Tóth, Cs. – Csiszár, Cs. (2019): Smart Cities and Mobility as a Service – Optimising transportation efficiency by using mobile applications. Periodica Polytechnica Transportation Engineering, 47(4), pp. 289–295.
⁶ Wei, X. – Ren, Y. – Shen, L. – Shu, T. (2020): Exploring the spatiotemporal pattern of trafficcongestion performance of large cities in China: A real-time data based investigation. Environmental Impact Assessment Review, 95, 106808.
08.01.2026
