Schätzung der Parameter des Routenwahlverhaltens (AP5) 10

4.1 Grundlagen 105

4.1.1 Nutzenfunktion 105

4.1.2 Entscheidungsmodell (Logit-Modell) 106

4.1.3 Maximum-Likelihood-Schätzung 107

4.1.4 Verkehrsmeldungen 110

4.1.5 Wechselwegweisungen im Untersuchungsbiet 113

4.2 Routenwahlanalysen in der BAB-Netzmasche mit ANPR-Messungen 117

4.2.1 Datenaufbereitung für Routenwahlanalysen 117

4.2.2 Stichprobenbeschreibung 119

4.2.3 Untersuchung einzelner Einflussgrößen mittels linearer Regression 121 4.2.4 Entwicklung des Basismodells der Routenwahl 124

4.2.5 Einfluss der tatsächlichen Fahrzeit 130

4.2.6 Einfluss der Lage von Störungsmeldungen 133

4.3 Routenwahlanalysen in der BAB-Netzmasche mit Mobilfunktrajektorien 134

4.3.1 Datenaufbereitung für Routenwahlanalysen 135

4.3.2 Stichprobenbeschreibung 138

4.3.3 Basismodell der Routenwahl in der BAB-Netzmasche 140

4.3.4 Einfluss der Fahrzeugklasse (Lkw-Pkw) 142

4.3.5 Einfluss der untersuchten Relation 144

4.3.6 Einfluss der typischen, tageszeitabhängigen Fahrzeit 145 4.3.7 Prüfung der Aufnahmefähigkeit des Verkehrsteilnehmers 149

Inhalt

4.4 Routenwahlanalysen in der NBA Stuttgart mit Mobilfunktrajektorien 152

4.4.1 Stichprobenbeschreibung 152

4.4.2 Basismodell der Routenwahl in der NBA Stuttgart 154 4.4.3 Weitere Analysen der Routenwahl in der NBA Stuttgart 156

4.5 Zusammenfassung und Bewertung 157

4.5.1 BAB-Netzmasche 157

4.5.2 Netzbeeinflussungsanlage Stuttgart 161

4.5.3 Beurteilung der Wirksamkeit von dynamischen Routenempfehlungen 162 4.5.4 Beurteilung von FPD-Trajektorien zur Analyse der Routenwahl 165 5 Generierung von Quelle-Ziel-Matrizen (AP6) 166

5.1 Durchführung von Clusterverfahren 167

5.1.1 Vorklassifizierung 167

5.1.2 Abstandsfunktion 168

5.1.3 Clusterung von Netzganglinien 176

5.1.4 Ergebnisse 183

5.2 Hochrechnung von Quelle-Ziel-Matrizen 199

5.2.1 QZ-Matrizen (Kfz) aus Korrektur von QZ-Matrizen (FPD) 199 5.2.2 QZ-Matrizen (Kfz) aus Hochrechnung von Trajektorien 201

5.2.3 Langzeitergebnisse 231

6 Tagesprognose (AP7-B) 239

6.1 Ansätze für die Tagesprognose 239

6.1.1 Verkehrszustände aus historischen Ganglinien 239 6.1.2 Verkehrszustände aus einer statischen Umlegung 240 6.1.3 Verkehrszustände aus einer statischen Umlegung mit Rückstau 241 6.1.4 Verkehrszustände aus einer dynamischen Umlegung 241

6.2 Umsetzung der Tagesprognose 242

6.2.1 Verwendete Software 242

6.2.2 Widerstände bei der Routenwahl 242

6.2.3 Ermittlung der belastungsabhängigen Fahrzeit bei freier Strecke 243 6.2.4 Ermittlung der belastungsabhängigen Fahrzeit bei Baustellen 245

6.2.5 Verwaltung von Baustellen 247

Inhalt

6.2.6 Ableitung des LOS 248

6.2.7 Netzkalibrierung 249

6.3 Ergebnisse 249

6.3.1 Bewertung der Ergebnisse 249

6.3.2 Ergebnisse der Zustandsprognose aus historischen Ganglinien 254 6.3.3 Ergebnisse der Zustandsprognose aus statischem Umlegungsverfahren 255 6.3.4 Ergebnisse aus statischen Verfahren mit Rückstauberechnung 262

6.3.5 Ergebnisse aus dynamischen Verfahren 264

6.4 Grenzen der Tagesprognose 264

7 Monitoring der Angebotsqualität 266

7.1 Vorgehen 266

7.2 Kenngrößen der Angebotsqualität 267

7.2.1 Kenngrößen für eine Strecke 268

7.2.2 Aggregierte Kenngrößen 269

7.3 Ermittlung der Kenngrößen der Angebotsqualität aus stationären Detektoren270

7.3.1 Verfügbare Daten 270

7.3.2 Aggregierung von Messdaten zu VPN-Streckendaten 270 7.3.3 Interpolation von nicht versorgten VPN-Strecken 272 7.4 Ermittlung der Kenngrößen der Angebotsqualität aus stationären Detektoren

und Mobilfunkdaten 275

7.4.1 Verfügbare Daten 275

7.4.2 Anpassung der FPD-Geschwindigkeit 275

7.5 Verkehrslagebericht aus RMQ-Daten 278

7.5.1 Tagesbericht 278

7.5.2 Monatsbericht 280

7.5.3 Jahresbericht 282

7.6 Verkehrslagebericht aus RMQ- und Mobilfunkdaten. 284

8 Glossar 288

9 Literatur 295

Inhalt

Kurzfassung

Generierung von Trajektorien aus A-Daten (Kapitel 3)

Für viele verkehrliche Anwendungen ist es wichtig, dass Trajektorien über die gesamte Fahrt eines Verkehrsteilnehmers zur Verfügung stehen. Daher bietet sich ein Verfahren zur Generierung von Trajektorien an, das auf Basis der Location Area Codes (LAC) die Mobilfunkdaten auswertet, da Wechsel von einer Location Area in eine andere Location Area auch von Mobilfunkteilnehmern ohne Gespräch in den A-Daten aufge-zeichnet werden (Location Area Update).

Daher wurde wird ein Verfahren zur LAC-basierten Trajektoriengenerierung entwickelt.

Die folgende Abbildung 1 zeigt den Ablauf des Verfahrens, das im Wesentlichen darauf basiert, A-Daten-LAC-Folgen aus Mobilfunkdaten mit aus dem Straßen- und Schienennetz ermittelten Netz-LAC-Folgen zu vergleichen und bei Übereinstimmung den Mobilfunkteilnehmer einer bzw. bei Mehrdeutigkeit mehreren Routen im Verkehrs-netz zuzuordnen.

Datenbereinigung

• Löschen nicht verwertbarer Datensätze

• Löschen von LAC-Einträgen außerhalb des VPN

• Löschen von Teilnehmern ohne Bewegung

• Gruppieren aufeinander folgender identischer LACs

Fahridentifikation

• 60min – Regel

• Erweiterte 60min – Regel

• Nervositätsregel

Generierung von A-Daten-LAC-Folgen aus A-Daten

Generierung von Netz-LAC-Folgen aus dem Schienen- und Straßennetz

Trajektoriengenerierung

• Start- und Endzeit

• Stützpunkte

• Interpolation

Mobilfunknetz Projektnetz

Abbildung 1: Ablauf der LAC-basierten Generierung von Trajektorien.

Inhalt

Für die Generierung von A-Daten-LAC-Folgen ist es nach der Datenbereinigung notwendig, einzelne Fahrten aus den Daten der Mobilfunkteilnehmer, die bis zu 24 Stunden am Stück aufgezeichnet werden, zu identifizieren und herauszuschneiden.

Ergebnis sind einzelne LAC-Folgen, die bei einer Umwandlung der Location Area Codes in Zeichen als Zeichenfolge (z.B. „ABFREH“) dargestellt werden können.

Für die Netz-LAC-Folgen aus dem Straßen- und Schienennetz werden zunächst über ein Mehrwege-Suchverfahren alle sinnvollen Wege zwischen allen Location Areas gesucht. Anschließend werden den Strecken und Knoten im Verkehrsnetz die jeweils nächste Location Area zugeordnet, so dass auch hier die LAC-Folgen als Zeichenfolge dargestellt werden können.

Über ein dreistufiges Verfahren werden dann für die A-Daten-LAC-Folgen passende Netz-LAC-Folgen gesucht:

1. Direkter Stringvergleich:

Im ersten Schritt wird geprüft, ob es eine direkte Übereinstimmung zwischen einer beobachteten A-Daten-LAC-Folge und einer Netz-LAC-Folge gibt.

2. ABAB-Regel:

Die ABAB-Regel berücksichtigt, dass Mobilfunkteilnehmer aufgrund von Abschattungen o.ä. gelegentlich zwischen Location Areas hin- und herwechseln.

Die ABAB-Regel kürzt die A-Daten-LAC-Folgen aus den Mobilfunkdaten um diese mehrfachen Wechsel und vergleicht die daraus entstehenden LAC-Folgen wiede-rum direkt mit den Netz-LAC-Folgen aus dem Straßen- oder Schienennetz.

3. Stringähnlichkeitsvergleich:

Durch Abschattungen sowie Ungenauigkeiten bei der Berechnung der LAC-Folgen werden etliche LAC-Folgen trotz eindeutiger Bewegung nicht in den ersten beiden Schritten als Fahrt identifiziert. Daher erfolgt im letzten Schritt ein Stringähnlich-keitsvergleich, der sehr ähnliche LAC-Folgen identifiziert und somit eine Routen-generierung ermöglicht.

Tabelle 1 zeigt die Anzahl der identifizierten Fahrten in den drei Schritten. Insgesamt werden an einem durchschnittlichen Werktag ungefähr 500.000 Fahrten identifiziert, von denen ca. 420.000 im Straßennetz und 80.000 Schienennetz verlaufen.

Beschreibung Identifizierte Fahrten Anteil identifzierter Fahrten Straße Schiene Gesamt je Schritt kumuliert

Direkter Stringvergleich 210.000 37.000 247.000 39,9% 39,9%

„ABAB“-Regel 73.000 7.000 80.000 13,0% 52,9%

Stringähnlichkeitsvergleich 137.000 38.000 175.000 28,3% 81,2%

Gesamt 420.000 82.000 502.000

Tabelle 1: Statistik für das Matching der LAC-Folgen (23. Juni 2008).

Inhalt

Einige, vor allem kurze, LAC-Folgen repräsentieren sowohl Fahrten im Straßen- als auch Schienennetz. Diese werden genauso wie mehrdeutige Routen innerhalb einer Location Area durch verschiedene Aufteilungsverfahren auf die möglichen Routen verteilt. Die Abbildung 2 zeigt die endgültigen Belastungen im Projektnetz für den 23.

Juni 2008.

Abbildung 2: Belastungen aus FPD-Trajektorien im Projektnetz.

Abschließend zeigt Abbildung 3 die Fahrzeiten zwischen Stuttgart und Walldorf (über Karlsruhe), die eine Aufteilung der Fahrzeuge in die Fahrzeugklassen Pkw und Lkw ermöglichen. Diese zeigt wie auch weitere detaillierte Analysen im Kapitel 3, dass das Verfahren für Anwendungen auf den Autobahnen im Untersuchungsgebiet sehr gute Trajektorien generiert.

Inhalt

Abbildung 3: Fahrzeiten zwischen Stuttgart und Walldorf (über Karlsruhe) und Aufteilung in die Fahrzeugklassen Pkw und Lkw.

Schätzung der Parameter des Routenwahlverhaltens (Kapitel 4)

Mit den FPD-Trajektorien können Untersuchungen zum Routenwahlverhalten in der BAB-Netzmasche (Autobahnen A5/A6/A8/A81) und im Bereich der Netzbeein-flussungsanlage Stuttgart (Autobahn A81 und Bundesstraßen B10/27/295) durchge-führt werden. Dabei wird mit Maximum-Likelihood-Schätzungen untersucht, welche Kenngrößen (Verkehrsmeldungen, Wechselwegweisung etc.) die Routenwahl über-haupt beeinflussen und, wenn ja, welche Gewichtung die einzelnen Kenngrößen haben. Abbildung 4 zeigt die Untersuchungsgebiete sowie die Lage der dynamischen Wegweiser mit integrierten Stauinformationen (dWiSta).

Inhalt

Abbildung 4: Untersuchungsgebiete für die Routenwahl (links: BAB-Netzmasche;

rechts: NBA Stuttgart)

In der BAB-Netzmasche können über eine Millionen Fahrten auf den beiden Diagona-len Stuttgart ↔ Walldorf und Heilbronn ↔ Karlsruhe analysiert werden. Für den Bereich der NBA Stuttgart können ca. 350.000 Fahrzeuge des Durchgangsverkehrs analysiert werden.

Für die BAB-Netzmasche ergeben sich statistisch abgesicherte Ergebnisse bei den Maximum-Likelihood-Schätzungen. Die Ergebnisse der Schätzungen können mit Hilfe des Logit-Modells grafisch dargestellt werden, so dass für jeden Zustand die zu erwartende Aufteilung abgelesen werden kann. So kann aus Abbildung 5 zum Beispiel abgelesen werden, dass bei 5 km mehr Stau über Heilbronn als über Karlsruhe bei inaktiver Wechselwegweisung (WWW) ca. 78 % des Durchgangsverkehrs die Route über Karlsruhe wählen. Eine aktive Wechselwegweisung bewirkt einen zusätzlichen Anteil von 6 %, was einen Befolgungsgrad von ca. 29 % bedeutet. Bei einer auf das Autobahndreieck Leonberg (bei Stuttgart) zufließenden Verkehrsstärke von z.B. 6.000 Fahrzeugen in einer Stunde ergibt sich daraus bei einem mittleren Anteil des Durch-gangsverkehrs von ca. 12 % einen Anzahl von ca. 50 Fahrzeugen pro Stunde, die durch die Wechselwegweisung umgelenkt werden.

Inhalt

Abbildung 5: Grafische Darstellung des Basismodells der Routenwahl für die Richtung Stuttgart  Walldorf.

Weitere ausgewählte Ergebnisse der Routenwahlschätzungen sind:

• Pkw und Lkw zeigen ein vergleichbares Routenwahlverhalten. Dabei tendieren Lkw etwas stärker zur kürzeren Route, während Pkw etwas stärker auf Verkehrsmeldun-gen und die Wechselwegweisung reagieren.

• Die Verkehrsteilnehmer bewerten Verkehrsmeldungen, die sie früher auf ihrer Route erreichen, höher als Meldungen auf einem späteren Abschnitt ihrer Route. Bei einer Unterteilung in zwei Abschnitte der ca. 100 km langen Alternativen werden die Verkehrsmeldungen des ersten Abschnittes fast doppelt so hoch bewertet wie die des zweiten Abschnitts.

• Die Verkehrsteilnehmer, die der Routenempfehlung der Wechselwegweisung folgen, tun dies unabhängig von der Anzeige der Staulänge bzw. des Stauortes.

Dies bedeutet allerdings nicht, dass die zusätzlichen Anzeigen keine Wirkung haben. Dies konnte nicht untersucht werden, da die zusätzlichen Anzeigen zu allen Routenempfehlungen gegeben worden sind.

Für die NBA Stuttgart ergeben sich bei den Maximum-Likelihood-Schätzungen weniger statistisch gesicherte Ergebnisse. Dies ist unter anderem auf die seltene Schaltung der NBA zurückzuführen, die dazu führt, dass z.B. in Stadteinwärtsrichtung nur 545 Fahr-zeuge während einer Schaltung der NBA erfasst wurden. Abbildung 6 zeigt die Routen-wahl für die beiden Richtungen in Abhängigkeit der Schaltungen der NBA mit Angabe der jeweiligen Fallzahl unter den Säulen:

Inhalt

Abbildung 6: Routenwahlverhalten im Bereich der NBA Stuttgart.

In Stadtauswärtsrichtung wirkt eine Empfehlung der NBA in kleinerem Umfang auf beide Alternativrouten B27 und B295. In Stadteinwärtsrichtung dagegen erhöht die Routenempfehlung der NBA den Anteil der Route über die B295 deutlich. Aus den Werten ergeben sich bei Vernachlässigung der B27 Befolgungsgrade von 2,7 % (stadtauswärts) bzw. 17,3 % (stadteinwärts). Ein Einfluss der Staumeldungen kann nicht festgestellt werden. Die detaillierte Verfahrensbeschreibung und die Ergebnisse sind im Kapitel 4.

Generierung von Quelle-Ziel-Matrizen (Kapitel 5)

In Kapitel 5 werden Methodik und Ergebnisse zur Erzeugung von typischen Quelle-Ziel-Matrizen aus Mobilfunktrajektorien beschrieben. Die Methodik gliedert sich dabei zunächst in die folgenden beiden parallel laufenden Prozesse:

• Erzeugen von Clustern typischer Tage (z.B. Mo-Do, So/Feiertag, usw.) aus den Ähnlichkeiten der Ganglinien an Richtungsmessquerschnitten (RMQ).

• Tagesweises Hochrechnen der vorab erzeugten Mobilfunktrajektorien an den Zähl-daten der jeweiligen RMQs.

• Zusammenfassen der hochgerechneten Mobilfunktrajektorien eines Clusters zu einem typischen Tag.

Abbildung 7 zeigt das Ergebnis der Clusterung, wenn eine Klassifizierung in die drei Gruppen Montag bis Freitag während bzw. außerhalb der Schulferien und Samstag, Sonntag und Feiertage durchgeführt wird. Die Höhe der Balken gibt die Anzahl der Tage in dem jeweiligen Cluster wieder und die Farbe repräsentiert den Wochentag. Die Abbildung zeigt deutlich, dass die Freitage (grün) in den Werktagsgruppen eine

Inhalt

Sonderstellung einnehmen und Samstag und Sonntag eine Trennung in der dritten Gruppe erfahren. Die weiteren Cluster mit sehr wenigen Tagen repräsentieren entwe-der besonentwe-dere Tage wie Heiligabend oentwe-der Ostermontag oentwe-der sind Ausreißer aufgrund besonderer Ereignisse (z.B. Unwetter, Streik im Öffentlichen Verkehr).

Werktag Ferien (1)

Werktag Schule (2)

Samstag, Sonn- und Feiertag (3)

Abbildung 7: Clusterverteilung.

Die Belastungen der aus den Mobilfunkdaten erzeugten Trajektorien, die eine Stich-probe aller Kfz-Fahrten darstellen, werden mit einem dynamischen Hochrechnungs-verfahren, das die räumlich/zeitliche Fortbewegung im Straßennetz berücksichtigt, hochgerechnet. Die Sollwerte des Verfahrens sind dabei die von den RMQs gezählten Verkehrsstärken, die in einer Qualität reproduziert werden können, die von anderen Verfahren bisher nicht erreicht wird. Abbildung 8 zeigt den Verlauf der Verkehrsstärken an einer Strecke im Projektnetz. Dabei ist die von einem RMQ gezählte Sollbelastung in rot, die Belastung der Mobilfunktrajektorien vor der Hochrechnung in schwarz und die Belastung der hochgerechneten Mobilfunktrajektorien in blau dargestellt.

Zu beachten ist, dass aufgrund der Mindestfahrtweite von Mobilfunktrajektorien nur RMQs auf Bundesautobahnen (BAB) verwendet werden und der Anspruch auf eine hohe Qualität des Ergebnisses auch nur auf BAB besteht.

Inhalt

Abbildung 8: Verkehrsstärke von RMQ, Mobilfunktrajektorien und hochgerech-neten Mobilfunktrajektorien am 19. September 2008 an der A81 von Stuttgart nach Heilbronn.

Abbildung 9 zeigt den Verlauf aggregierter Eingangsgrößen und die Ergebnisse der 68 hochgerechneten Tage, wobei die Sommerferien in Baden-Württemberg gelb hervor-gehoben sind. Die schwarzen Kreuze repräsentieren die Summe der Belastungen aller eingegangen Mobilfunktrajektorien und die blauen Kreuze entsprechend dazu die Summe der Belastungen der hochgerechneten Trajektorien.

Für die Mobilfunktrajektorien vor und nach der Hochrechnung ist deutlich ein 7-Tageszyklus mit steigenden Belastungen von Montag bis Freitag und schwächerem Wochenendverkehr zu erkennen. Ferner geht die Summe aller Fahrten während der Sommerferien leicht zurück. Tiefergehende Analysen wie die Fahrtweitenverteilung oder aus anderen Untersuchungen bekanntes Routenwahlverhalten weisen ebenfalls plausible Ergebnisse auf.

Inhalt

Abbildung 9: Anzahl Detektoren, Summe der FPD und hochgerechneten Fahrten.

Die hochgerechneten Trajektorien werden anschließend zu den aus der Clusterung erzeugten Tagesgruppen über eine einfache Mittelwertbildung zusammengefasst.

Tabelle 2 listet die Cluster auf, die von den 68 hochgerechneten Tagen versorgt werden. Das letzte Cluster ist nur der Vollständigkeit halber aufgeführt, da in den 68 zur Verfügung stehenden Tagen mit dem 3. Oktober nur ein einziges Mal ein Feiertag auf einen Donnerstag oder Freitag fällt.

Beschreibung Anzahl enthaltener Tage Anzahl Fahrten

Montag bis Donnerstag (Schule) 16 984.000

Freitag (Schule) 3 1.092.000

Montag bis Donnerstag (Ferien) 22 909.000

Freitag (Ferien) 4 978.000

Samstag 11 745.000

Sonntag oder Feiertag an einem Montag 11 714.000

Sonstige Feiertage 1 681.000

Tabelle 2: Erzeugte typische Verkehrstage.

Aus diesen auf diese Weise erzeugten typischen Trajektorien können durch zeitschei-benbasiertes Aufsummieren beliebig feine Quelle-Ziel-Matrizen erzeugt werden. Für die üblichen Planungszwecke sind stundenfeine Matrizen, die auch zur Durchführung der im Folgenden beschriebenen Tagesprognose verwendet werden, allerdings voll-kommen ausreichend.

Inhalt

Durchführung von Tagesprognosen (Kapitel 6)

Kapitel 6 beschreibt das Verfahren für die Tagesprognose. Ziel einer Tagesprognose ist es, den Verkehrszustand im Untersuchungsnetz für einen in der Zukunft liegenden Kalendertag stundenfein zu prognostizieren. Dabei werden die typische zeitabhängige Verkehrsnachfrage für den Kalendertag und bekannte Kapazitätsreduzierungen durch Baustellen beim Verkehrsangebot berücksichtigt:

• Verkehrsangebot: Als Grundlage für die Tagesprognose wird das auf TMC-Knoten basierende Projektnetz verwendet. In diesem Netz ist jede Strecke mit der zulässi-gen Geschwindigkeit und einer Stundenkapazität attributiert. Am Kalendertag vorhandene Baustellen werden über eine Reduktion der Kapazität und der Geschwindigkeit berücksichtigt.

• Verkehrsnachfrage: Als Nachfragedaten werden die Quelle-Ziel-Matrizen verwendet, die nach dem im vorherigen Abschnitt vorgestellten Verfahren geclustert worden sind. Diese Matrizen bestehen aus 24 stundenfeinen Teilmatrizen. Quellen und Ziele sind TMC-Locations. Damit entspricht die Verkehrsnachfrage einem Erwartungswert der Verkehrsbelastung, mit dem an ähnlichen Tagen wie dem Prognosetag zu rechnen ist.

Die Berechnung der Tagesprognose erfolgt in drei Schritten. Zunächst wird für den zu prognostizierende Tag das Cluster bestimmt, zu dem er gehört. Daraus ergibt sich die für dieses Cluster typische Verkehrsnachfrage.

Im zweiten Schritt wird diese Verkehrsnachfrage auf das verwendete Netz umgelegt.

Dabei wird das Routenwahlverhalten der Verkehrsteilnehmer nachgebildet. Routen-wahlverfahren verteilen die Verkehrsnachfrage auf die im Netz verfügbaren Routen und ermitteln so Verkehrsstärken für jede Strecke. Um die Routenwahl nachzubilden, wird häufig von einem sogenannten Nutzergleichgewicht (Deterministic User Equilibrium, DUE) ausgegangen. Es ist dann gegeben, wenn sich die Verkehrsteil-nehmer so verteilen, dass die objektiv messbare Fahrtdauer auf allen alternativen Routen gleich ist und jeder Wechsel auf eine andere Route die persönliche Fahrzeit erhöhen würde. Ein deterministisches Nutzergleichgewicht kann im Untersuchungsge-biet zumindest bezogen auf die Fahrzeit nicht beobachtet werden. Deshalb wird für die Tagesprognose ein stochastisches Nutzergleichgewicht (Stochastic User Equilibrium, SUE) verwendet, bei dem die Verkehrsteilnehmer ihre subjektive empfundene Fahrt-dauer optimieren.

Führt man mit den vorliegenden Quelle-Ziel-Matrizen eine Verkehrsumlegung durch, erhält man für jede Strecke Verkehrsstärken. Da die Routenwahl neu berechnet wird, ist es möglich, Auswirkungen von Baustellen, wie beispielsweise Geschwindigkeitsbe-grenzungen und Verringerung der Kapazität, in die Tagesprognose einzubeziehen. Die Routenwahl erfolgt nach den Widerständen, in denen sich die aus den Baustellen resultierenden Behinderungen niederschlagen. Damit wird davon ausgegangen, dass

Inhalt

der Verkehrsteilnehmer über die Behinderung durch die Baustelle auf der entsprechenden Strecke informiert ist und in seine Routenwahl mit einbezieht.

Aus der Gesamtverkehrsstärke der einzelnen Straßenabschnitte wird im dritten Schritt in Abhängigkeit der Kapazität für jede Stunde des Prognosetages die Auslastung berechnet. Daraus wird die zu erwartende Qualitätsstufe des Verkehrsablaufs (Level of Service, LOS) abgeleitet. Der LOS kann als Ergebnis der Tagesprognose wie in Abbildung 10 dem Verkehrsteilnehmer für jeden Streckenabschnitt und jede Stunde eines kommenden Tages angezeigt werden. Tabelle 3 zeigt die dafür verwendete Klassifizierung des LOS, die auf der Auslastung bzw. dem Verhältnis der Fahrzeit takt

im belasteten Netz zur Fahrzeit t₀ im unbelasteten Netz basiert.

Abbildung 10: Level of Service-Darstellung als Ergebnis einer Tagesprognose am 23.06.08 von 7:00 Uhr bis 8:00 Uhr

Qualitätsstufe Auslastung Verhältnis takt/t0

frei < 80% < 1,5

stockend 80% bis 99% 1,5 bis 2,0

gestaut > 99 % > 2,0

Tabelle 3: Ableitung des LOS

Um die Qualität der Tagesprognose abschätzen zu können, wurden Tagesprognosen für 68 Tage berechnet. Die daraus auf den Streckenabschnitten ermittelten Verkehrs-stärken und Auslastungen werden dann mit den tatsächlich an diesem Tag

gemesse-Inhalt

nen Verkehrsbelastungen verglichen. Dies erfolgt für jede Stunde der 68 Testtage.

Abbildung 11 zeigt die Häufigkeit der Abweichung zwischen der in der Tagesprognose vorhergesagten und der tatsächlich eingetretenen Qualitätsstufe.

Abbildung 11: : Anteil der nicht korrekt prognostizierten Qualitätsstufen.

Der durchschnittliche Wert der Abweichung über alle untersuchten Tage liegt bei ca.

3 %. Das bedeutet, dass durchschnittlich je Strecke seltener als einmal am Tag für eine Stunde eine Qualitätsstufe falsch vorhergesagt wird.

Abweichungen zwischen Prognose und Realität sind unter anderem mit unvorherge-sehenen Ereignissen wie Unfällen zu begründen. Aufgrund der Unberechenbarkeit dieser Situationen lässt sich deren Einfluss auf den Verkehrsablauf nicht im Voraus in die Tagesprognose einbeziehen.

Monitoring der Angebotsqualität (Kapitel 7)

Die Angebotsqualität in einem Verkehrsnetz beschreibt die Qualität des Verkehrsab-laufs aus der Sicht des Nutzers. Das aus Nutzersicht entscheidende Kriterium ist der Zeitaufwand, der durch unterschiedliche Kenngrößen beschrieben werden kann. Im Folgenden werden die Kenngrößen Geschwindigkeit, Verlustzeit und Fahrzeitindex verwendet, zudem werden Verkehrsleistung und Verkehrszeitaufwand angegeben:

• Geschwindigkeit: mittlere Geschwindigkeit in einem Netzabschnitt [km/h]

• Verlustzeit: Summe der Verlustzeiten [Kfzh] in einem Netzabschnitt

• Fahrzeitindex: Quotient aus der mittleren Fahrzeit und der Soll-Fahrzeit

Inhalt

• Verkehrsleistung: Summe der gefahrenen Strecke aller Fahrzeuge in einem Netzab-schnitt [Kfzkm]

• Verkehrszeitaufwand: Summe der Fahrzeiten aller Fahrzeuge in einem Netzab-schnitt [Kfzh]

Unter Monitoring ist die kontinuierliche Erfassung der Angebotsqualität zu verstehen.

Das Monitoring ermöglicht eine Analyse der Angebotsqualität über einen längeren Zeit-raum. Es ermöglicht Trends zu erkennen und die Wirksamkeit verkehrlicher Maßnah-men zu quantifizieren. Für das Monitoring stehen sowohl Daten aus stationären Detektoren als auch Mobilfunktrajektorien zur Verfügung.

Dabei werden die Kenngrößen mittlere Geschwindigkeit, Fahrzeitindex, mittlerer Verkehrszeitaufwand sowie Verlustzeitaufwand auf einzelnen Streckenzügen sowie im gesamten Untersuchungsgebiet verwendet. Der Fahrzeitindex ist der Quotient aus der mittleren Fahrzeit und der Soll-Fahrzeit. Für einzelne Tage, an denen Messdaten der stationären Detektoren bzw. den FPD-Daten vorliegen, lassen sich die Kenngrößen Fahrzeit und mittlere Geschwindigkeit aus beiden Datenquellen ableiten.

Abbildung 12: Tagesübersicht vom 09.08.2008 mit Verkehrsstörung durch Unfall.

In Abbildung 12 sind die Kenngrößen Verkehrsleistung sowie die Geschwindigkeits-verläufe für beide Datenquellen dargestellt. In diesem Tagesbericht der Angebots-qualität für die A6 von Walldorf nach Heilbronn ist deutlich zu sehen, wie die interpo-lierten Geschwindigkeiten der Zähldaten und die mittleren FPD-Geschwindigkeiten einen ähnlichen Verlauf über den Tag besitzen. Der Geschwindigkeitseinbruch

Inhalt

zwischen 13 und 14 Uhr von über 40 km/h ist sowohl bei den FPD-Geschwindigkeiten als auch bei den Zähldaten stationärer Detektoren zu erkennen, jedoch in unterschied-lich stark ausgeprägter Form. Ein Abgleich mit den Verkehrsmeldungen zeigt, dass die Störung auf einen Unfall zurückzuführen ist, der zu einer Sperrung von zwei

zwischen 13 und 14 Uhr von über 40 km/h ist sowohl bei den FPD-Geschwindigkeiten als auch bei den Zähldaten stationärer Detektoren zu erkennen, jedoch in unterschied-lich stark ausgeprägter Form. Ein Abgleich mit den Verkehrsmeldungen zeigt, dass die Störung auf einen Unfall zurückzuführen ist, der zu einer Sperrung von zwei

Im Dokument Do----iT iT iT iT (Seite 87-110)