Mobilfunkdaten im Verkehrswesen
Teil I: Beobachtung von Ortsveränderungen Teil II: Anwendungen von Mobilfunktrajektorien
Autoren / Authors:
Johannes Schlaich 1 Thomas Otterstätter 2 Markus Friedrich 2 Immisch Katrin 2 Prokop Jehlicka 2 Thomas Otterstätter 2
Verfasseranschrift 1: PTV AG
Email: johannes.schlaich@ptv.de
Verfasseranschrift 2: Lehrstuhl für Verkehrsplanung und Verkehrsleittechnik Email: vorname.nachname@isv.uni-stuttgart.de
Veröffentlicht in / Published in:
Schlaich, J., Friedrich, M., Immisch K., Jehlicka, P., Otterstätter, T. (2011):
Mobilfunkdaten im Verkehrswesen, Straßenverkehrstechnik Heft 2, S. 65-74;
Heft 3, S. 152-158, Kirschbaum Verlag Bonn.
Universität Stuttgart
Institut für Straßen- und Verkehrswesen
Lehrstuhl für Verkehrsplanung und Verkehrsleittechnik
www.isv/uni-stuttgart.de/vuv/
Mobilfunkdaten im Verkehrswesen
Teil I: Beobachtung von Ortsveränderungen Teil II: Anwendungen von Mobilfunktrajektorien
Mobile Phone Data in Transportation
Part I: Observation of Trips
Part II: Applications of Mobile Phone Trajectories
Dr.-Ing. Johannes Schlaich MBA (USQ) 1 Dipl.-Ing. Thomas Otterstätter 2
Prof. Dr.-Ing. Markus Friedrich 2
Verfasseranschrift 1: PTV AG Stumpfstr. 1 76131 Karlsruhe
Telefon: 0721-9651-7533
Email: johannes.schlaich@ptv.de
vormals: Universität Stuttgart - Lehrstuhl für Verkehrsplanung und Verkehrsleittechnik
Verfasseranschrift 2: Universität Stuttgart
Lehrstuhl für Verkehrsplanung und Verkehrsleittechnik Pfaffenwaldring 7
70569 Stuttgart
Telefon: 0711-685-82480
Email: vorname.nachname@isv.uni-stuttgart.de
Kurzfassung
Mobilfunkgeräte sind in den letzten Jahren zum ständigen Begleiter der meisten Menschen in Deutschland und in der ganzen Welt geworden. Da es für den Betrieb eines Mobilfunknetzes notwendig ist, selbst von Mobilfunkgeräten im Standby-Modus
weltweit zeigt auf, wo und in welcher Weise ansonsten Mobilfunkdaten eingesetzt werden.
Dieser erste Teil der Veröffentlichung enthält neben der Literaturübersicht eine Beschreibung des Mobilfunknetzes und der nutzbaren Protokolldaten und erläutert ein Verfahren zur Generierung von Trajektorien aus diesen Daten. Der zweite Teil der Veröffentlichung wird mehrere verkehrsplanerische Anwendungen dieser Trajektorien enthalten.
Abstract
Most people in Germany and worldwide carry at least one mobile device with them. For the handling of calls, short messages and data transfers, the mobile network needs to know the rough current location of each mobile device, even of those in standby mode.
Thus, floating phone data (FPD) from the mobile network may serve as a data source for traffic engineers and transportation planners. This publication, which consists of two parts, summarises the results of the Department for Transportation Planning and Traffic Engineering at the University of Stuttgart in the project Do-iT, which was funded by the German Federal Ministry of Economics and Technology. In addition, an overview about relevant literature shows the current state of the art of the usage of floating phone data worldwide.
This first part of the publication contains the literature review, a description of the system architecture and the available protocol data in mobile phone networks.
Furthermore, a method for the generation of trajectories using mobile phone data is presented. The second part of the publication will show several applications of these trajectories in the field of transportation planning.
Keywords: Mobilfunkdaten, Trajektorien, Verkehrsdatenquelle
1 Einleitung
Die Erfassung von Verkehrsdaten ist eine wesentliche Grundlage für die Planung und den Betrieb von Verkehrsanlagen. Die Hauptquelle für die Verkehrslageerfassung sind heutzutage stationäre Detektoren (z.B. Induktionsschleifen), die Belegungsgrad, Verkehrsstärke oder Geschwindigkeit an ausgewählten Stellen im Verkehrsnetz erfassen. Bei diesen Detektorarten ist eine Fahrzeugwiedererkennung an mehreren Messstellen und damit z.B. die Fahrzeitermittlung auf Streckenabschnitten nur sehr eingeschränkt möglich. Eine solche Wiedererkennung ist mit automatischen Kennzeichenerfassungsgeräten (ANPR) zuverlässig und über große Entfernungen möglich (vgl. Friedrich et al., 2009). Einer umfassenden Nutzung dieser Technologie stehen aktuell aber hohe Investitionskosten und Datenschutzprobleme entgegen.
Darüber hinaus können auch mit ANPR-Systemen keine vollständigen Trajektorien, also zeitlich-räumliche Fahrtverläufe von Verkehrsteilnehmern, generiert werden, da nicht kontinuierlich, sondern nur lokal an ausgewählten Querschnitten gemessen wird.
Um diese Lücke in der Verkehrsdatenerfassung zu schließen, werden vermehrt mobile, im Verkehr mitfließende Detektoren eingesetzt. Diese mobilen Detektoren sind häufig in das Navigationssystem von Fahrzeugen integriert und senden meistens ereignisorientiert sogenannte Floating Car Daten (FCD) an eine Zentrale. Um FCD zu erfassen, muss jedoch eine ausreichend große Fahrzeugflotte ausgestattet werden, was wie bei ANPR mit relativ hohen Kosten verbunden ist. Die Nutzung von Mobilfunkdaten (Floating Phone Daten, FPD) erfordert keine zusätzlichen straßen- oder fahrzeugseitigen Detektoren, da alle Mobilfunkgeräte des jeweiligen Mobilfunkinfrastrukturbetreibers direkt als mobile Detektoren verwendet werden können.
Im Forschungsprojekt „Do-iT“ (Datenoptimierung für integrierte Telematik) konnten die Nutzungsmöglichkeiten der Datenquelle Mobilfunkdaten umfassend mit realen Daten untersucht werden. Das Forschungsprojekt wurde vom Bundesministerium für Wirtschaft und Technologie gefördert und gemeinsam mit den Projektpartnern DDG (Gesellschaft für Verkehrsdaten), Stadt Karlsruhe, Landeshauptstadt Stuttgart, Innenministerium Baden-Württemberg und Universität Stuttgart (Institut für Anwendungen der Geodäsie im Bauwesen; Lehrstuhl für Verkehrsplanung und Verkehrsleittechnik) bearbeitet. Diese zweiteilige Veröffentlichung gibt einen allgemeinen Überblick über die Nutzungsmöglichkeiten von Mobilfunkdaten im Verkehr und stellt Forschungsergebnisse des Lehrstuhls für Verkehrsplanung und Verkehrsleittechnik vor. Der erste Teil der Veröffentlichung beantwortet die folgenden Fragestellungen:
Systemarchitektur von Mobilfunknetzen:
LAC-basierte Trajektoriengenerierung:
Wie lassen sich von allen, auch den nicht telefonierenden Mobilfunkteilnehmern Trajektorien generieren?
Im zweiten Teil der Veröffentlichung wird dann dargestellt, wie man Mobilfunkdaten nutzen kann, um die Routenwahl zu analysieren, Quelle-Ziel-Matrizen zu generieren und die Angebotsqualität zu erfassen.
2 Systemarchitektur von Mobilfunknetzen
In Deutschland wird der Großteil des Mobilfunkverkehrs über GSM-Netze abgewickelt.
GSM steht dabei für Global System for Mobile Communications (früher: Groupe Spécial Mobile) und ist eine detailliert spezifizierte Technologie (Mouly und Pautet, 1992), auf die ca. 80 % der weltweiten Mobilfunkkommunikation aufbaut (GSMWorld, 2009). Der für die mobile Kommunikation zuständige Teil eines GSM-Netzes besteht vereinfacht dargestellt aus den folgenden Komponenten (vgl. Abbildung 1):
Mobile Stations (MS) bzw. Mobilfunkgeräte. Dazu gehören neben Mobilfunktele- fonen auch andere Geräte mit eingebauten SIM-Karten wie z. B. On-Board-Units des deutschen Lkw-Mautsystems.
Base Transceiver Station (BTS): Eine BTS besteht meistens aus drei Sektor- antennen mit einem Strahlwinkel von jeweils 120°, seltener aus zwei oder vier Antennen.
Base Station Controller (BSC): Ein BSC verwaltet mehrere BTS. Daten zwischen der BTS und dem BSC werden über eine spezielle Schnittstelle, das sogenannte Abis-Interface, übertragen.
Mobile Switching Center (MSC): Ein MSC ist eine Mobile Vermittlungsstelle, die für mehrere BSC zuständig ist. Der Datenaustausch zwischen BSC und MSC erfolgt über das sogenannte A-Interface.
BSC BSC
BSC A-Interface MSC
Abis-Interface BTS
BTS
BTS
BTS
BTS BTS
Network Probes Abis-Interface
Network Probes A-Interface MS
Abbildung 1: Vereinfachte Systemarchitektur eines Mobilfunknetzes (Quelle: Do-iT, 2008).
Mehrere Funkzellen werden zu einer Location Area zusammengefasst. Im Netz von T-Mobile Deutschland sind dies üblicherweise ca. 30-40 Funkzellen eines BSC. Nach der GSM-Spezifikation ist es aber auch möglich, dass eine BSC mehrere Location Areas verwaltet bzw. dass Location Areas BSC-, aber nicht MSC-übergreifend sind.
Die Reichweite eines Senders ist technisch bedingt auf 35 km begrenzt. In der Praxis ist die Ausdehnung einer Funkzelle, insbesondere innerstädtisch, deutlich geringer.
Aus dem sogenannten Best-Server-Plot, der für jeden geografischen Ort die jeweils stärkste Funkzelle darstellt, ergeben sich für das T-Mobile Netz im Untersuchungsgebiet Funkzellenflächen von weniger als einem Quadratkilometer innerhalb von größeren Städten bis hin zu ca. 40 km² in den Naturparks. Die Größe einer durchschnittlichen Location Area liegt bei 269 km². Diese Location Areas können verschiedene Formen annehmen und sind nicht immer zusammenhängend. Dadurch ergeben sich entlang der in Abbildung 2 dargestellten Bundesautobahnen im Projektnetz des Untersuchungsgebietes durchschnittlich ca. alle 8 km Wechsel zwischen zwei Location Areas.
Abbildung 2: Location Areas und Verkehrsnetz im Untersuchungsgebiet.
Der Aufenthaltsort eines eingeschalteten Mobilfunkgerätes ohne aktive Verbindung ist netzseitig nur auf der Ebene von Location Areas bekannt. Erst bei einem Verbindungsaufbau wird die aktive Funkzelle (Serving Cell) ermittelt, über die dann die weitere Kommunikation läuft. Dieses zweistufige Vorgehen minimiert den Aufwand an Protokolldaten im Netz sowie den Energieverbrauch im Endgerät.
Die Protokolldaten im Mobilfunknetz können mit sogenannten Network Probes erfasst werden. Dabei handelt es sich um spezielle Rechner, die den Datenverkehr zwischen BTS und BSC (Abis-Interface) oder BSC und MSC (A-Interface) protokollieren.
Art und Umfang der Protokolldaten variieren, je nachdem ob ein Mobiltelefon lediglich im Netz eingebucht ist (Standby-Mode) oder ob gerade eine aktive Gesprächs- oder Datenverbindung besteht (Dedicated-Mode).
Am A-Interface werden im Standby-Mode Wechsel zwischen zwei Location Areas erfasst (Location Area Update). Darüber hinaus gibt es regelmäßige Updates im
Updates wird die aktuelle Funkzelle aufgezeichnet. Darüber hinaus werden am A- Interface im Dedicated-Mode Wechsel zwischen Funkzellen (Handover) aufgezeichnet. Tabelle 1 zeigt den Umfang der A-Daten.
Am Abis-Interface sind deutlich mehr Daten verfügbar. Dazu gehört u.a. der TA- Wert (Timing Advance), der eine Abschätzung der Entfernung zum Funkmast erlaubt. Darüber hinaus gibt es umfangreiche Network Measurement Reports, die alle 480ms Signalstärken zur aktuell verwendeten und bis zu sechs benachbarten Funkzellen enthalten. Weitere, je nach Mobilfunkinfrastruktur auswertbare Informationen (z.B. AOA; Angle of Arrival) sind in Sayed et al. (2005) beschrieben.
Name Beispiel Beschreibung
UsrID 12345 Tagesgültige UsrID eines Mobilfunkteilnehmers
t.s 1207914695 Unixzeit (vergangene Sekunden seit dem 1. Januar 1970 GMT)
t.m 65 Millisekunden seit „t.s“
type 2 0 = Location Area Update (LUP)
1...n-1 = Handover
Nmax = 1024 = Gesprächsende
cLAC 98765 Location Area Code der aktuellen Funkzelle cCID 43210 Cell ID der aktuellen Funkzelle
pLAC 12345 Location Area Code der vorherigen Funkzelle pCID 65432 Cell ID der vorherigen Funkzelle
Tabelle 1: Vollständige Beschreibung der A-Daten (Quelle: T-Mobile Deutschland).
3 Literaturübersicht
Bereits seit über zehn Jahren wird der Einsatz von Mobilfunkgeräten als mobile Detektoren im Verkehrswesen erforscht. Die dabei entwickelten Verfahren lassen sich grundsätzlich dahingehend unterscheiden, ob die Mobilfunkgeräte speziell ausgestattet werden oder nicht.
Dabei haben sich Verfahren mit besonderer Ausstattung von Mobilfunkgeräten, also mit spezieller software- oder hardwareseitiger Ausrüstung der Mobilfunkgeräte, nicht durchgesetzt, da die spezielle Ausrüstung der Mobilfunkgeräte flächendeckend nicht praktikabel ist. Zudem begünstigen die teilweise serienmäßige GPS-Ausstattung von modernen Mobilfunktelefonen sowie die mittlerweile kostengünstigere Datenübertragung über das Mobilfunknetz die Alternative direkt auf die deutlich genauere GPS-Ortung zurückzugreifen. Dies fällt aber als eine Variante von Floating Car Daten (FCD) nicht unter die Nutzung von Mobilfunkdaten, da das Mobilfunkgerät
erfasst werden. Daher ist es bei Einhaltung entsprechender Datenschutzvorgaben möglich, alle Mobilfunkteilnehmer von einem oder mehreren Mobilfunkinfrastrukturbetreibern zu beobachten. Die in bisherigen Forschungsarbeiten und Projekten verwendeten Systeme lassen sich zusätzlich nach der Art der ausgewerteten Daten wie folgt unterscheiden:
Bei ausschließlicher Nutzung der A-Daten vom A-Interface ist die Ortungsgenauigkeit durch die Größe der Funkzelle vorgegeben. Von Mobilfunkgeräten im Standby-Mode liegen die Funkzelleninformationen allerdings nicht kontinuierlich vor, sondern nur bei Location Area Updates bzw. Periodic Location Updates. Dabei muss unterschieden werden, ob nur die ohnehin zum Betrieb des Mobilfunknetzes nötigen Daten verwendet werden, oder ob mit der Durchführung von zusätzlichen Periodic Location Updates die Anzahl der Ortungspunkte erhöht wird. Letzteres ist aus Gründen der Belastung für das Mobilfunknetz und für den Akku des Endgerätes nur für ausgewählte Probanden machbar.
Bei zusätzlicher Verwendung der Abis-Daten sind höhere Ortungsgenauigkeiten möglich. Die Federal Communications Commission (FCC) in den USA fordert eine Genauigkeit von 100 m in 67 % aller 911-Notrufe, von denen viele von unbewegten Mobilfunkgeräten ausgehen. Sayed et al. (2005) beschreiben Möglichkeiten zur Auswertung der Measurement Reports, mit denen die Anforderungen der FCC unter bestimmten Umständen erreicht werden können. Es ist allerdings zu beachten, dass der tatsächlich auswertbare Umfang der Measurement Reports von den verwendeten Network Probes und der jeweiligen Mobilfunkinfrastruktur abhängt.
Zudem ist es durch die Erkennung bestimmter Muster möglich verkehrsrelevante Informationen zu gewinnen. So kann z.B. ein deutlich erhöhtes Aufkommen ausgehender Gespräche auf einen Stau in diesem Gebiet hindeuten, da die Verkehrsteilnehmer in diesem Fall zum Mobiltelefon greifen und den Gesprächspartner über eine verspätete Ankunft informieren (Traffic Online, 2008).
Im Folgenden werden zuerst einige Verfahren zur Verkehrslageerfassung mit Mobil- funkdaten vorgestellt und anschließend weitere Anwendungen von Mobilfunkdaten im Verkehrswesen kurz erläutert. In der englischsprachigen Literatur finden sich darüber hinausgehende umfassende Übersichten von Projekten mit Angaben weiterer Literaturquellen (Qiu et al., 2007; Caceres et al., 2008; Borzacchiello et al., 2010).
3.1 Mobilfunkdaten zur Verkehrslageerfassung
Die Ergebnisse erfolgreicher Projekte zeigen, dass es möglich ist, ohne besondere Ausstattung der Mobilfunkgeräte die Verkehrslage im übergeordneten Straßennetz zu erfassen. Dabei werden für längere Streckenabschnitte bessere Ergebnisse erreicht
sowie ein bereits am Markt erhältliches Produkt bestätigen, dass Mobilfunkdaten einen hohen Wert für die flächendeckende Verkehrslageerfassung und teilweise auch für niedrigere Straßenkategorien haben:
Schwieger et al. (2007) zeigen, dass bei ausreichend langen Gesprächen eine innerstädtische Ortung mit Daten vom Abis-Interface möglich ist. Dabei werden zunächst unabhängig vom Verkehrsnetz aus den Measurement Reports Ortungspunkte erzeugt und anschließend auf die wahrscheinlichste Route im Verkehrsnetz gematcht. Es ist allerdings festzuhalten, dass bei der Anwendung dieses Verfahrens in Karlsruhe nur geringe Fallzahlen erreicht werden konnten, da nur wenige Verkehrsteilnehmer ausreichend lange Telefonate führen (s.a. Beetz et al., 2010).
Im Projekt Traffic Online (2008) werden Muster in den Measurement Reports und aus den Handover-Informationen (Abis-Daten) manuell bestimmten Streckenabschnitten zugeordnet. Damit können nach den Ergebnissen eines Praxistests in Berlin vor allem auf Strecken mit hoher Verkehrsbelastung und hohen Geschwindigkeiten (insbesondere Autobahnen) die tatsächlichen Geschwindigkeiten ermittelt werden.
Das Verfahren von Wörner (2008) basiert auf Daten vom A-Interface und ermöglicht die Verkehrslageerfassung auf Autobahnen und ausgewählten Bundesstraßen.
Dabei werden vor allem Folgen von Location Area Updates in bestimmten Funkzellen einzelnen Streckenabschnitten zugeordnet. Mobilfunkgeräte, die aufgrund von Abschattungen etc. andere Funkzellen für das Location Area Update nutzen, werden nicht weiter verwendet. Trotzdem reicht die Datenmenge bei weitem aus, um für Pkw und Lkw getrennte Fahrzeiten auf einzelnen, wenige Kilometer langen Streckenabschnitten zu ermitteln.
Öffentlich weniger dokumentiert ist das auf der Anwendung RoDIN24 basierende Produkt HDTrafficTM von TomTom N.V., das neben Floating Car Daten auch Mobil- funkdaten zur Verkehrslageerfassung verwendet (Cohn, 2009).
Somit sind grundsätzlich sowohl A-Daten als auch Abis-Daten potentielle Datenquellen für die Verkehrslageerfassung:
Der Vorteil der A-Daten ist eine sehr große Anzahl mobiler Detektoren, da durch die Location Area Updates auch Mobilfunkgeräte im Standby-Mode als Detektor dienen.
Die Nutzbarkeit der A-Daten für das übergeordnete Straßennetz nach dem Verfahren nach Wörner (2008) konnte in den Online-Feldtests im Rahmen des Projektes Do-iT nachgewiesen werden.
Die Abis-Daten bieten die theoretische Möglichkeit, auch die wichtigen Straßen des
erbracht. Die Ergebnisse zeigen allerdings nicht deutlich, für welche Straßenkategorien dies erreicht wird.
3.2 Mobilfunkdaten in weiteren verkehrlichen Anwendungen
Neben der Nutzung von Mobilfunkdaten zur Verkehrslageerfassung gibt es weitere Projekte, die Mobilfunkdaten im Verkehrswesen verwenden. Ausgewählte Projekte sind im Folgenden kurz beschrieben:
White und Wells (2002) nutzen die Daten, die von einem Provider zur Abrechnung von Mobilfunkgesprächen gespeichert werden, zur Erzeugung von Quelle-Ziel- Matrizen. Dabei werden die Funkzellen zu Beginn und am Ende eines Gespräches der Quelle und dem Ziel einer Fahrt zugeordnet. Fahrten bzw. Fahrtabschnitte ohne Gespräch können somit nicht erfasst werden.
Caceres et al. (2007) präsentieren ein Verfahren, das basierend auf Mobilfunkdaten die automatische Erzeugung von Quelle-Ziel-Matrizen ermöglichen soll. Eine Validierung der Ergebnisse, die stark von der Korrektheit der getroffenen Annahmen über die Anzahl der aktiven Mobilfunkgeräte je Fahrzeug abhängt, steht noch aus.
Ahas et al. (2007) analysieren für ausgewählte Probanden die Ortungsinformationen aus regelmäßigen, aktiv durchgeführten Ortungen (Periodic Location Updates) und generieren daraus Bewegungsmuster der Probanden.
Einen ähnlichen Ansatz verfolgen Böhm et al. (2008) im Projekt Ring&Ride, bei dem ein automatisches Ticketing von Nah- und Fernverkehrsfahrten im ÖV auf Basis von aktiver Funkzellenortung erfolgen soll. Die Ortung erfolgt zu Beginn und am Ende der Fahrt bei einem Anruf des Kunden sowie während der Fahrt mit Periodic Location Updates. Zwischenergebnisse zeigen, dass damit im Nahverkehr 41 % und im Fernverkehr 89 % korrekte Routen ermittelt werden können (Bley, 2008).
In einer weiteren Untersuchung von Ahas et al. (2008) werden 9,2 Millionen Anrufe von ausländischen Mobilfunkteilnehmern in Estland ausgewertet, um die zeitliche und räumliche Verteilung der Touristen im Land zu analysieren.
Gur et al. (2009) beschreiben ein abgeschlossenes Projekt in Israel, bei dem Mobil- funkdaten für die Erstellung des Nachfragemodells des nationalen Verkehrsmodells verwendet werden. Dafür wurden 16 Wochen lang jeweils 10.000 Mobilfunkteil- nehmer eines Mobilfunknetzbetreibers zufällig ausgewählt und aus den Daten automatisiert Quellen und Ziele von Fahrten identifiziert. Die Fahrten gehen anschließend zusammen mit demographischen Daten und Ergebnissen aus Tele- fonbefragungen in eine modellbasierte Ermittlung von Quelle-Ziel-Matrizen ein.
Anwendungen, die am Lehrstuhl für Verkehrsplanung und Verkehrsleittechnik der Universität Stuttgart im Rahmen der Projektes Do-iT durchgeführt worden sind, werden
Routenwahl, die Erzeugung von Quelle-Ziel-Matrizen und das Monitoring der Angebotsqualität in Verkehrsnetzen.
4 LAC-basierte Trajektoriengenerierung
Für viele verkehrsplanerische Anwendungen ist es im Gegensatz zur Verkehrslageerfassung, bei der die Kenntnis über Fahrzeiten auf Fahrtabschnitten ausreichend ist, notwendig, dass mindestens Quelle und Ziel, besser aber der gesamte Fahrtverlauf eines Verkehrsteilnehmers zur Verfügung stehen. Daher bietet sich hier ein Verfahren zur Generierung von Trajektorien an, das auf Basis der Location Area Codes (LAC) die Mobilfunkdaten auswertet, da Location Area Updates, also die Wechsel von einer Location Area in eine andere Location Area, auch von Mobilfunkgeräten im Standby-Modus in den A-Daten aufgezeichnet werden.
Im Folgenden wird ein Verfahren zur LAC-basierten Trajektoriengenerierung dargestellt, das in Schlaich (2009) vollständig beschrieben ist. Das in Abbildung 3 schematisch dargestellte Verfahren basiert im Wesentlichen darauf, A-Daten-LAC- Folgen aus Mobilfunkdaten mit aus dem Straßen- und Schienennetz ermittelten Netz- LAC-Folgen zu vergleichen und bei Übereinstimmung den Mobilfunkteilnehmer einer oder im Falle von Mehrdeutigkeit, mehreren Routen im Verkehrsnetz zuzuordnen.
Eine LAC-Folge ist dabei eine Aneinanderreihung von Location Area Codes, die von einem Mobilfunkgerät während einer Fahrt verwendet werden. Zur Vereinfachung der Darstellung und datentechnischen Verarbeitung wird im Folgenden statt eines fünfstelligen Location Area Codes ein Buchstabe oder ein Zeichen verwendet. Dadurch können LAC-Folgen als Zeichenfolge (z.B. „ABC#T“) dargestellt werden. Wie bereits oben erwähnt, werden dabei die folgenden zwei Arten von LAC-Folgen unterschieden:
A-Daten-LAC-Folgen sind in den A-Daten aufgezeichnete LAC-Folgen der Mobilfunkteilnehmer.
Netz-LAC-Folgen werden aus Routen im Straßen- und Schienenverkehrsnetz erzeugt.
Datenbereinigung
Fahrtidentifikation
Matching von LAC-Folgen
Fahrtaufteilung
Generierung von Netz-LAC-Folgen aus dem Schienen- und Straßennetz
Trajektoriengenerierung
Mobilfunknetz Projektnetz
Mobilfunkdaten
Abbildung 3: Ablauf der LAC-basierten Generierung von Trajektorien.
4.1 Generierung von A-Daten-LAC-Folgen Datenbereinigung
Zu Beginn der Datenverarbeitung werden die A-Daten in vier Schritten um fehlerhafte und nicht benötigte Datensätze bereinigt:
1. Fehlerhafte Datensätze (z.B. fehlender Zeitstempel) werden gelöscht.
2. Datensätze, deren Funkzellen nicht innerhalb des Untersuchungsgebietes liegen, werden gelöscht. Dabei wird unterschieden, ob ein Mobilfunkgerät aufgrund von Signalabschattungen o.ä. nur kurz aus dem Untersuchungsgebiet heraus wechselt oder ob der Untersuchungsbereich für einen längeren Zeitraum verlassen wird. Im letzteren Fall werden die Daten eines Mobilfunkteilnehmers in zwei Fahrten aufgeteilt.
3. Alle Mobilfunkteilnehmer mit weniger als drei unterschiedlichen Location Areas werden gelöscht, da mindestens drei unterschiedliche Location Areas notwendig sind, um eine Trajektorie zu generieren.
4. Aufeinanderfolgende Datensätze eines Mobilfunkteilnehmers mit identischer Location Area (Handover bzw. mehrere SMS innerhalb einer Location Area)
werden gelöscht, da diese keine relevanten zusätzlichen Informationen für die hier präsentierte Methode zur Trajektoriengenerierung enthalten.
Durch diese vier Schritte wird die Anzahl der Datensätze von ungefähr 40 Millionen Datensätzen, die an einem normalen Werktag im Untersuchungsgebiet (vgl. Abbildung 2) anfallen, auf ungefähr fünf Millionen Datensätze von knapp 700.000 Mobilfunknutzern reduziert. Wesentlichen Anteil hat dabei Schritt 3, der Mobilfunkteilnehmer mit keiner oder nur kurzen Fahrten löscht.
Fahrtidentifikation
Mobilfunkteilnehmer machen im Laufe eines Tages keine, eine oder mehrere Fahrten im Straßen- und/oder Schienennetz. Mit den folgenden drei Regeln werden die Datensätze eines Mobilfunkteilnehmers im mehrere Fahrten aufgeteilt oder gelöscht:
60 min-Regel
Erweiterte 60 min-Regel
Nervositätsregel
1. 60 min-Regel
Ein Mobilfunkteilnehmer, der sich deutlich länger in einer Location Area aufhält, als die direkte Durchfahrt unter Berücksichtigung von Stauereignissen dauert, hat in der jeweiligen Location Area einen potentiellen Fahrtbeginn bzw. ein Fahrtende. Unter Berücksichtigung der Größe der Location Areas wird eine Grenze, ab der eine Fahrt aufgeteilt wird, auf 60 Minuten festgelegt.
Die Anwendung der 60 min-Regel wird anhand eines Beispiels in Abbildung 4 verdeutlicht. In linken Bereich sind die ursprünglichen Einträge für den Mobilfunkteilnehmer mit der UsrID 306394488 dargestellt. Dieser hat in der Location Area 29453 eine Aufenthaltsdauer von ca. 1,5 Stunden. Daher wird die UsrID an dieser Stelle aufgeteilt. Die erste Fahrt behält die alte UsrID 306394488 und geht von Zeile 1 bis 4. Für den zweiten Teil wird eine neue UsrID (hier: 309496459) generiert und der Eintrag der Location Area 29453 als neue Zeile für die zweite Fahrt hinzugefügt. Der neu hinzugefügten Location Area wird eine Aufenthaltsdauer von einer Minute zugeordnet. Dies entspricht dem häufigsten Wert einer Aufenthaltsdauer in einer Location Area. Daraus ergeben sich die zwei Fahrten, von Pforzheim nach Karlsruhe (blau) und zurück (grün), die im unteren Teil der Abbildung 4 dargestellt sind.
Vor Anwendung der 60 min-Regel Nach Anwendung der 60 min-Regel
Zeile UsrID Uhrzeit cLAC Zeile UsrID Uhrzeit cLAC
1 306394488 14:12:44 30724 1 306394488 14:12:44 30724
2 306394488 14:38:18 30726 2 306394488 14:38:18 30726
3 306394488 14:43:16 29454 3 306394488 14:43:16 29454
4 306394488 14:49:19 29453 4 306394488 14:49:19 29453
1 309496459 16:31:07 29453
5 306394488 16:32:07 29454 2 309496459 16:32:07 29454
6 306394488 16:52:25 30726 3 309496459 16:52:25 30726
7 306394488 16:57:58 30724 4 309496459 16:57:58 30724
Abbildung 4: Aufteilung der UsrID 306394488 aufgrund der 60 min-Regel in Zeile 5.
2. Erweiterte 60 min-Regel
Es ist eine Besonderheit des Mobilfunknetzes, dass Mobilfunkteilnehmer, die sich z.B.
im Grenzbereich mehrerer Cell-IDs befinden, in kurzen zeitlichen Abständen zwischen diesen Cell-IDs und damit u. U. LACs wechseln. Damit entstehen Einträge in den A- Daten, ohne dass eine tatsächliche Bewegung stattfindet. Um einen Wechsel zwischen verschiedenen LACs ohne tatsächliche Bewegung zu erkennen, wird die zuvor eingeführte 60 min-Regel erweitert.
Falls die folgenden zwei Bedingungen gelten, wird davon ausgegangen, dass es sich um zwei Fahrten handelt, die dann analog zur 60 min-Regel aufgeteilt werden:
Anzahl unterschiedlicher LACs zwischen der mehrfach besuchten LAC ≤ 2.
Zeitraum zwischen dem erstem Eintritt und dem letztem Austritt der mehrfach besuchten LAC ≥ 60 min.
Sowohl bei der 60 min- als auch bei der erweiterten 60 min-Regel gilt, dass die resultierenden Fahrten mindestens 3 unterschiedliche LACs beinhalten müssen, um nicht gelöscht zu werden.
3. Nervositätsregel
Wie bereits erwähnt, ist es im Mobilfunknetz üblich, dass Mobilfunkteilnehmer zwischen verschiedenen Cell-IDs bzw. LACs wechseln, ohne dass eine Bewegung stattfindet. So gibt es Mobilfunkteilnehmer mit mehr als 100 LAC-Wechseln zwischen nur zwei oder drei verschiedenen Location Areas, die alle im Grenzbereich dieser zwei oder drei Location Areas stattgefunden haben. Um solche Teilnehmer zu erkennen, wird ein Nervositätsfaktor für jede Fahrt berechnet:
AnzLACWechsel Nervositätsfaktor
AnzVerschiedeneLACs
Mobilfunkteilnehmer, die die folgenden zwei Bedingungen erfüllen, werden gelöscht:
Nervositätsfaktor > 2
AnzVerschiedeneLACs = 3
4.2 Generierung von Netz-Daten-LAC-Folgen
Jede A-Daten-LAC-Folge benötigt eine passende Netz-LAC-Folge, damit sie einer Route im Verkehrsnetz zugeordnet werden kann. Um mögliche Routen im Straßen- und Schienennetz zu finden, wird für jede Quelle-Ziel-Relation zwischen zwei Location Areas ein Mehrwegsuchverfahren durchgeführt. Dafür wird wie bei einer Kurzwegsuche in einem ersten Schritt für jeden Knoten k eine Nachfolgeliste erstellt, die alle Knoten enthält, die direkt von k aus erreicht werden können. Anschließend wird für jede Quelle ein Routenbaum aufgespannt (vgl. Friedrich, 1994). Dabei werden an jeden betrachteten Knoten alle nachfolgenden Knoten angehängt. Im Gegensatz zum Routenbaum einer Kurzwegsuche, der jeden Knoten nur einmal enthält, kann der Routenbaum bei diesem Mehrwegesuchverfahren jeden Knoten mehrfach enthalten.
Beim Aufspannen des Routenbaums wird für jeden Knoten n der Widerstand wakt(n) von der Quelle bis zum aktuellen Knoten als Summe der Fahrzeiten t0 im unbelasteten Netz berechnet. Dieser Widerstand darf einen maximalen Widerstand, der sich aus dem minimalen Widerstand wmin(n) zwischen der Quelle und dem aktuellen Knoten sowie den Parametern c und f ergibt, nicht überschreiten:
c f ) n ( w ) n ( w ) n (
wakt max min mit
wakt(n) Widerstand von der Quelle bis zum aktuellen Knoten n
wmax(n) Maximal zulässiger Widerstand von der Quelle bis zum aktuellen Knoten n wmin(n) Widerstand des kürzesten Weges von der Quelle bis zum aktuellen
Knoten n
c, f Toleranzparameter (konstant oder als Funktion des Widerstands)
Ziel des Mehrwegsuchverfahrens ist es, alle relevanten Routen zwischen zwei Location Areas zu finden, die Gesamtanzahl der Routen aber trotzdem auf ein sinnvolles Maß zu beschränken. So sind z.B. sich nur sehr wenig im städtischen Netz unterscheidende Routen vernachlässigbar. Um dieses Ziel zu erreichen, werden die folgenden Schritte durchgeführt:
Das Verkehrsmodell im Straßennetz wird soweit reduziert, dass nur noch die Strecken zwischen TMC-Locations (Traffic Message Channel) enthalten sind.
Abbildung 2 zeigt das sich daraus ergebende Streckennetz aus 1.128 gerichteten Strecken.
Die Toleranzparameter werden in Abhängigkeit des aktuellen Widerstands gewählt.
Bei kleinen Werten (z.B. weniger als 15 min) werden strengere Werte angesetzt als bei längeren Routen, um unnötige Routen, die sich nur innerhalb der ersten Location Area unterscheiden, zu vermeiden.
Beim Aufspannen der Routenbaums wird beim Hinzufügen eines Knotens nicht nur der Widerstand von der Wurzel der Routenbaums bis zu dem jeweiligen Knoten geprüft, sondern auch der hintere Teil der Route. Dies verhindert unnötige Umwege am Ende der Route, die am Anfang nicht zugelassen wären.
Für das Untersuchungsgebiet in Abbildung 2 mit 41 Location Areas ergeben sich im Straßennetz ca. 260.000 Routen, also durchschnittlich 155 Routen pro Quelle-Ziel- Relation. Im Schienennetz sind es mit insgesamt rund 11.000 Routen deutlich weniger.
Durch Verschneiden der LAC-Flächen mit den Strecken und Knoten des Netzmodells kann jeder Strecke und jedem Knoten eine Location Area zugeordnet werden.
Anschließend wird aus einer Route im Netzmodell eine Netz-LAC-Folge generiert (vgl.
Abbildung 5). Dabei werden die einzelnen LACs aneinander gereiht, wobei direkt aufeinander folgende identische LACs weggelassen werden..
Von Zelle
1. Knoten 2. Knoten 3. Knoten ... n-1.
Knoten
n. Knoten Nach Zelle
Netz 101 1 2 3 ... 9 10 102
Von Zelle
1. Strecke 2. Strecke ... ... n. Strecke Nach Zelle
Von Knoten
Mitte Von Knoten
Mitte Von Knoten
Mitte Von Knoten
Mitte Von Knoten
Mitte Nach.
Knoten
Netz 101 11 12 ... ... 19 102
LAC A A B B C ... ... ... ... D E E D
Resultierende Netz-LAC-Folge: A B C ... D E D
Abbildung 5: Umwandlung einer Netz-Route in eine Netz-LAC-Folge.
4.3 Matching von LAC-Folgen
Ergebnis der vorherigen Schritte sind ungefähr 600.000 beobachtete potentielle Fahrten, die durch A-Daten-LAC-Folgen beschrieben werden, und ca. 270.000 Routen im Verkehrsnetz, die durch Netz-LAC-Folgen beschrieben werden. In einem dreistufigen Verfahren werden nun für die A-Daten-LAC-Folgen passende Netz-LAC- Folgen gesucht.
Direkter Stringvergleich
Im ersten Schritt wird für alle A-Daten-LAC-Folgen nach einer vollständig übereinstimmenden Netz-LAC-Folge gesucht. Falls diese existiert, wird die A-Daten- LAC-Folge als identifiziert bewertet und in den folgenden Schritten nicht weiter berücksichtigt.
Beispiel ist die LAC-Folge „CABABABD“, die einige Male zwischen den LACs A und B wechselt, wobei die erweiterte 60 min-Regel aber aufgrund der kurzen Gesamtauf- enthaltsdauer in den LACs A und B nicht greift. Um solche LAC-Folgen zu vereinfachen und besser mit Vergleichsdaten matchen zu können, wird das Auftreten von „ABAB“ zu „A B“ reduziert. Die folgende Tabelle 2 zeigt den Vereinfachungs- prozess für das bereits genannte Beispiel „CABABABD“.
Aktuelle LAC-Folge Beschreibung
CABABABD Erkennen des ersten Auftretens „ABAB“
CA BABD Löschen der mittleren zwei LACs „BA“
CA BABD Erkennen des zweiten Auftretens „ABAB“
CA BD Löschen der mittleren zwei LACs „BA“, Ende der Bearbeitung
Tabelle 2: Zweifache Anwendung der ABAB-Regel.
Die mit der der ABAB-Regel gekürzten Strings werden einem erneuten direkten Stringvergleich zugeführt. Alle A-Daten-LAC-Folgen, die in diesem Schritt nicht identifiziert worden sind, werden in dem folgenden Schritt in der ggf. gekürzten Version weiter verarbeitet.
Stringähnlichkeitsvergleich
Es gibt eine Vielzahl von Ursachen, warum sich A-Daten-LAC-Folgen in den vorigen zwei Schritten keiner LAC-Folge aus dem IV- bzw. ÖV-Netz zuordnen lassen. Diese Ursachen lassen sich in zwei Kategorien unterteilen:
1. A-Daten-LAC-Folge entspricht einer einzelnen Fahrt, es gibt aber keine passende Netz-LAC-Folge.
2. A-Daten-LAC-Folge entspricht keiner einzelnen Fahrt bzw. entspricht mehr als einer Fahrt.
Für LAC-Folgen der Kategorie 1 soll die bestmöglich passende LAC-Folge ermittelt werden, für die LAC-Folgen der Kategorie 2 soll dagegen keine LAC-Folge gefunden werden. Tabelle 3 fasst einige Gründe für das Auftreten in beiden Kategorien zusammen:
Nr. Beschreibung Beispiel-LAC-Folge aus...
Kategorie 1: A-Daten-LAC-Folge entspricht einer Fahrt im IV- oder ÖV-Netz
... A-Daten ... Routenbaum
1 Anmeldung eines Mobilfunkteilnehmers an der nicht-nächsten LAC (z. B. aufgrund Überlastung im Mobilfunknetz, Abschattung etc.), ebenso fehlende Anmeldung an einer nächsten LAC.
ABCDXDF ABCD F
Mobilfunkteilnehmer wechselt vorübergehend in
„X“, obwohl dies nicht die nächste LAC ist.
2 Unschärfe bei der Generierung der Netz-LAC- Folgen aus dem Projektnetz.
ABCDEDF ABCDE F
Kurzer Rückwechsel in „D“ fehlt im Routenbaum, wenn der Wechsel zwischen Knoten und Streckenmitte erfolgt.
3 Mobilfunkteilnehmer befährt Strecken, die nicht im Projektnetz enthalten sind (z. B.
untergeordnetes Straßennetz) und zu neuen LAC-Folgen führen.
---
Kategorie 2: A-Daten-LAC-Folge ist keine einzelne Fahrt
Beispiel-LAC-Folge aus...
... A-Daten ... Routenbaum 4 Mobilfunkteilnehmer nutzt IV und ÖV auf einer
Quelle-Ziel-Relation.
ABCDEFGH ABCD (IV) &
DEFGH (ÖV) Multimodale Fahrt wird nicht erkannt.
5 Unzureichende Fahrtidentifikation, z. B.
fehlende Aufteilung von zwei verschiedenen Fahrten.
ABCDEDCB ABCDE und EDCB Ziel in „E“ wurde nicht erkannt, Gesamtfahrt nicht in Routenbaum vorhanden (zu umwegig).
Tabelle 3: Ursachen für das Nicht-Wiederfinden von LAC-Folgen aus A-Daten in Netz-LAC-Folgen aus dem Routenbaumgenerator.
Wie an den Beispielen der Kategorie 1 zu erkennen ist, folgen die Abweichungen gewissen Regeln (z. B. „ABA“ statt „A“). Für eine erfolgreiche Zuordnung einer A-Daten-LAC-Folge zu der wahrscheinlichsten Netz-LAC-Folge wird deshalb ein Stringähnlichkeitsvergleich angewendet, der auf dem aus der Biologie bekannten Needleman-Wunsch-Algorithmus (Needleman und Wunsch, 1970) basiert. Dieser Algorithmus gibt positive Bewertungen für Übereinstimmungen („match“) und negative Bewertungen für Lücken („gap“).
Der Algorithmus wird so angepasst, dass auch die Besonderheiten des Mobilfunknetzes berücksichtigt werden. Dabei wird nicht nur die Ähnlichkeit der LAC- Folgen betrachtet, sondern auch die Struktur der A-Daten-LAC-Folgen. So wird z.B. ein Auftreten von „ABA“ ohne Entsprechung in der Netz-LAC-Folge nicht so negativ wie eine andere beliebige Nicht-Übereinstimmung bewertet.
Bei vollständiger Übereinstimmung von zwei LAC-Folgen ergibt der Stringähnlichkeitsvergleich eine Ähnlichkeit von 100 %. Stark voneinander
Bearbeitung auch eine Fahrt aus einer A-Daten-LAC-Folge generiert. Umfangreiche Analysen haben hier 60 % als eine sinnvolle Grenze ergeben.
Abbildung 6 verdeutlicht diesen Prozess für eine A-Daten-LAC-Folge. Oben ist die in den A-Daten beobachtete LAC-Folge und unten sind drei von 271.000 Routen im Straßen- und Schienennetz dargestellt. Davon haben die beiden linken Routen, die sich nur bei Heilbronn leicht unterscheiden, dieselbe Netz-LAC-Folge, die die höchste Ähnlichkeit (80 %) aller Netz-LAC-Folgen zur A-Daten-LAC-Folge hat.
A-Daten-LAC-Folge: „zqnlnjlstscbdhif“
Routen im Projektnetz und resultierende Netz-LAC-Folgen
„zmqnlnjlscbdhif“
Ähnlichkeit: 80 %
„zmqnlnjlscbdhif“
Ähnlichkeit: 80 %
„bcs“
Ähnlichkeit: -105 % 271,000 weiteren Routen
Ähnlichkeiten < 80 % Abbildung 6: Ergebnisse des Stringähnlichkeitsvergleichs.
A-Daten-LAC-Folge: z qnlnjlstscbdhif (Länge: 15) Netz-LAC-Folge: zmqnlnjls cbdhif (Länge: 16)
Match + +++++++ ++++++ 14,0 Punkte Gap - - -2,0 Punkte Fall aba o 0,4 Punkte
Ähnlichkeit = Punkte / (0,5 * Gesamtlänge)
= (14,0 – 2,0 + 0,4) / (0,5 * (15 + 16)) = 0,800 = 80,0 %
Aufgrund der längeren Übereinstimmungen der beiden LAC-Folgen und der Anwendung des Falls aba (hier ... „sts“ ...) ergibt sich eine hohe Ähnlichkeit von 80 %.
Beschreibung Identifizierte Fahrten Anteil identifizierter 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 4: Statistik für das Matching der LAC-Folgen im Untersuchungsgebiet (23.
Juni 2008).
Tabelle 4 zeigt für einen normalen Werktag 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.
4.4 Fahrtaufteilung und Trajektoriengenerierung
Einige LAC-Folgen repräsentieren sowohl Fahrten im Straßen- als auch im Schienennetz. Diese werden genauso wie mehrdeutige Routen innerhalb einer Location Area durch verschiedene Aufteilungsverfahren auf die möglichen Routen verteilt. Dies betrifft vor allem kurze, innerstädtische Routen bzw. Routenabschnitte.
Aus den nun bekannten Fahrtverläufen werden abschließend mit Hilfe der Start- und Endzeit sowie bei längeren Trajektorien mit Hilfe von Zwischenzeiten Überfahrtszeiten für jeden Knoten berechnet.
4.5 Ergebnisse
Für einen normalen Werktag werden ungefähr 420.000 Trajektorien im Straßennetz des Untersuchungsgebiets erzeugt (vgl. Tabelle 4). In Abbildung 7 sind die daraus resultierenden Belastungen für den 23. Juni 2008 dargestellt. Dabei können die folgenden Feststellungen für die Autobahnen im Untersuchungsgebiet gemacht werden:
Die Belastungen liegen in etwa bei 40-50% der Belastungen von stationären Detektoren (es werden nur T-Mobile-Geräte erfasst).
Die Durchgangsverkehrsanteile liegen im Bereich von Untersuchungen mit automatischen Kennzeichenerfassungsgeräten (Schlaich & Friedrich, 2008).
Die Fahrtweitenverteilung zeigt deutlich längere Fahrtweiten als Mobilitätsuntersuchungen (MID, 2002), da kurze Fahrten verfahrensbedingt nicht erfasst werden.
Die Reisezeiten zeigen realistische Werte.
Für die Bundes- und Landstraßen muss im Einzelfall ermittelt werden, ob die Genauigkeit der Trajektorien für die jeweilige Auswertung ausreichend ist. In einigen Fällen kann es dabei hilfreich sein, neben der Location Area auch die Funkzelle (vgl.
Tabelle 1) auszuwerten. Dabei muss allerdings berücksichtigt werden, dass die aktuelle Funkzelle nicht immer der nach theoretischen Berechnungen zuständigen Funkzelle entspricht (vgl. auch Gur et al., 2009).
Abbildung 7: Belastungen aus FPD-Trajektorien im Projektnetz.
Abbildung 8 zeigt die Fahrzeiten von Stuttgart über Karlsruhe nach Walldorf (ca.
90 km). Ein einfacher, auf dem gleitenden Mittel der Fahrzeiten basierender Algorithmus erlaubt eine ungefähre Unterscheidung von Pkw und Lkw (bzw.
langsamen Pkw). Der hohe Lkw-Anteil ist u.a. auf das T-Mobile-GSM-Modul in den onboard-units von Toll Collect zurückzuführen.
Die Fahrzeit im freien Verkehr beträgt 45 Minuten für Pkw (120 km/h) und 65 Minuten für Lkw (83 km/h). Gegen 10 Uhr morgens gibt es einen Stau, der zu Fahrzeitverlängerungen für Pkw und Lkw führt.
Abbildung 8: Fahrzeiten zwischen Stuttgart und Walldorf (über Karlsruhe) und Aufteilung in die Fahrzeugklassen Pkw und Lkw.
5 Zusammenfassung und Ausblick (Teil I)
Das Potential von Mobilfunkdaten zur kontinuierlichen Beobachtung von Ortsveränderungen wird bei Betrachtung der im normalen Betrieb eines Mobilfunknetzes anfallenden Daten deutlich. Konsequenterweise beschäftigen sich viele Forscher und kommerzielle Anbieter mit der Erschließung dieser Datenquelle.
Allerdings stellt der kontinuierliche Zugang zu den Daten in vielen Fällen eine große Hürde dar, da sowohl technische als auch administrative Hemmnisse überwunden werden müssen. Einige Projekte müssen daher mit simulierten Daten oder mit Daten sehr kurzer Zeiträume arbeiten. Dagegen standen im Projekt Do-iT dank der sehr guten Zusammenarbeit der Projektpartner und der Unterstützung von T-Mobile Deutschland Mobilfunkdaten über mehrere Monate zur Verfügung.
Die in diesem Artikel präsentierte LAC-basierte Generierung von Trajektorien hat sich über einen Auswertezeitraum von ungefähr 90 Tagen als sehr robust und zuverlässig erwiesen. So waren auch bei kleineren Änderungen der Mobilfunkinfrastruktur keine
durchfahren haben muss. Daraus ergibt sich, dass die daraus gewonnenen Trajektorien die Lücke in der kontinuierlichen Erfassung des Verkehrsverhaltens von Fahrten erst ab einer Länge von ca. 20 km schließen können. Dabei ist festzuhalten, dass die Qualität langer Trajektorien höher ist als die von kurzen Trajektorien.
Weitere Einschränkungen ergeben sich, wenn nur die Daten eines Mobilfunkbetreibers erfasst werden, da sich daraus eine Schiefe in der Stichprobe ergeben kann, wenn zum Beispiel ein Mobilfunkbetreiber vor allem bei jungen Menschen beliebt ist. Darüber hinaus muss bei allen Auswertungen berücksichtigt werden, dass Mobilfunktrajektorien Trajektorien einer SIM-Karte sind. In einem Fahrzeug können keine, eine oder auch mehrere SIM-Karten mitgeführt werden.
Trotz der Einschränkungen ermöglichen Trajektorien aus Mobilfunkdaten Analysen des tatsächlich realisierten Routenwahlverhaltens, die Hochrechnung der Trajektorien zu Quelle-Ziel-Matrizen sowie ein kontinuierliches Monitoring der Angebotsqualität. Diese Anwendungen werden im zweiten Teil dieser Veröffentlichung beschrieben.
Literatur (Teil I)
Ahas, R., Aasa, A., Silm, S., Aunap, R., Kalle, H., Mark, Ü. (2007), Mobile positioning in space-time behaviour studies: Social Positioning Method experiments in Estonia, Cartography and Geographic Information Science, vol. 34, issue 4, S. 259-273.
Ahas, R. Aasa, A., Roose, A., Mark, Ü., Silm, S. (2008), Evaluating passive mobile positioning data for tourism surveys: An Estonian case study. Tourism Management, vol. 29, issue 3, S. 469-486.
Beetz, A., Czommer, R., Laufer, R. Schwieger, V. (2010), Qualitätsbewertung Map- Matching gestützter Positionsbestimmungsverfahren auf Abis und A-Ebene (AP4.6) sowie Evaluierung der Positionsbestimmung durch höherwertige Ortungsverfahren (AP10.3) (Anlage zum Abschlussbericht des Projektes Do-iT), im Erscheinen.
Böhm, A., Murtz, B., Sommer, C., Wermuth, M. (2008), Location-based ticketing in public transport, in: Welfens, P., Wlther-Klaus, E. (Hrsg.), Digital Excellence, S. 67-76, Springer Verlag, Berlin/Heidelberg.
Bley, O. (2008), Ring&Ride - Ortungsbasiertes Handy-Ticketing, Vortrag beim Forum
„CeBIT in Motion” am 08.03.2008, CeBIT 2008, Hannover.
Borzacchiello, M.T., Steenbruggen, J., Nijkamp, P., Scholten, H.J. (2010), Use of Data from Mobile Phone Networks for Transportation Applications, TRB 89th Annual Meeting Compendium of Papers DVD-ROM, Transportation Research Board of the National Academies, Washington, D.C., 2010.
Caceres, N., Wideberg, J.P., Benitez, F.G. (2008), Review of traffic data estimations extracted from cellular networks, Intelligent Transport Systems, vol. 2, Issue 1, S.
179-192.
Cayford, R., Guthrie, K. (2010), Characteristics of Cell Phone Probe Technologies and Field Testing of a Very High Volume Probe System, TRB 89th Annual Meeting Compendium of Papers, Transportation Research Board of the National Academies, Washington, D.C., USA.
Cohn, N. (2009), Real-time Traffic Information and Navigation: An Operational System, TRB 88th Annual Meeting Compendium of Papers, Transportation Research Board of the National Academies, Washington, D.C., USA.
Do-iT (2008), Nutzung von Mobilfunkdaten für das Verkehrsmanagement - das Projekt Do-iT, Beilage Nr. 5 zur Straßenverkehrstechnik, Projektträger Mobilität und Verkehr, Bauen und Wohnen (TÜV Rheinland Group).
Friedrich, M., Jehlicka, P., Schlaich, J. (2009), Erfassung von Verkehrsdaten mit automatischen Kennzeichenerfassungssystemen, Straßenverkehrstechnik, Heft 12 S.
789-795, Kirschbaum Verlag, Köln.
Gur, Y., Bekhor, S., Solomon, C., Kheifits, L. (2009), Use of massive cell phone data to obtain inter-city person trip tables for nationwide transportation planning in Israel, TRB 88th Annual Meeting Compendium of Papers, Transportation Research Board of the National Academies, Washington, D.C., USA.
GSM World (2009), Market Data Summary, online verfügbar unter www.gsmworld.com/newsroom/market-data/market_data_summary.htm,
Qiu, Z., Jin, J., Cheng, P., Ran, B. (2007), State of the art and practice: cellular probe technology applied in advanced traveler information systems, CD-ROM, TRB 86th Annual Meeting Compendium of Papers, Transportation Research Board of the National Academies, Washington, D.C., USA.
Sayed, A.H., Tarighat, A., Khajehnouri, N. (2005), Network-based wireless location, IEEE Signal Processing Magazine, vol. 22, issue 4, S. 24-40.
Schlaich, J. (2009), Nutzung von Mobilfunkdaten für die Analyse der Routenwahl, Dissertation am Lehrstuhl für Verkehrsplanung und Verkehrsleittechnik an der Universität Stuttgart, online verfügbar unter http://elib.uni- stuttgart.de/opus/volltexte/2010/5102/).
Schlaich, J., Friedrich, M. (2008), Staumeldungen und Routenwahl in Autobahnnetzen – Teil 2: Routenwahl in Autobahnnetzen, Straßenverkehrstechnik, Heft 11, S. 706-712, Kirschbaum Verlag, Köln.
Schwieger, V., Ramm, K., Czommer, R., Möhlenbrink, W. (2007), Mobile Phone Positioning for Traffic State Acquisition, Journal of Applied Geodesy, vol. 1, issue 3, S.
125-135.
Traffic Online (2008), Online Verkehrsdatenerfassung über Mobilfunknetze (Verbundprojektabschlussbericht), online verfügbar unter http://edok01.tib.uni- hannover.de/edoks/e01fb08/578627280.pdf, heruntergeladen am 05.05.2010.
White, J., Wells, I. (2002), Extracting origin destination information from mobile phone data, Proceedings of the 11th International Conference on Road Transport Information and Control, London, Großbritannien.
Wörner, A. (2008), Verfahren und Vorrichtungen zur Generierung von Verkehrsinformation und ihrer Lokalisierung innerhalb eines räumlichen Bereichs, Offenlegungsschrift DE 10 2007 013 220 A1, Deutsche Patent- und Markenamt, München.
Teil II der Veröffentlichung
Mobilfunkdaten im Verkehrswesen
Teil I: Beobachtung von Ortsveränderungen Teil II: Anwendungen von Mobilfunktrajektorien
Mobile Phone Data in Transportation
Part I: Observation of Trips
Part II: Applications of Mobile Phone Trajectories
Dr.-Ing. Johannes Schlaich MBA (USQ) 1Prof. Dr.-Ing. Markus Friedrich 2 Dipl.-Ing. Katrin Immisch 2 Dipl.-Ing. Prokop Jehlicka 2 Dipl.-Ing. Thomas Otterstätter 2
Verfasseranschrift 1: PTV AG Stumpfstr. 1 76131 Karlsruhe
Telefon: 0721-9651-7533
Email: johannes.schlaich@ptv.de
vormals: Universität Stuttgart - Lehrstuhl für Verkehrsplanung und Verkehrsleittechnik
Verfasseranschrift 2: Universität Stuttgart
Lehrstuhl für Verkehrsplanung und Verkehrsleittechnik Pfaffenwaldring 7
70569 Stuttgart
Telefon: 0711-685-82480
Email: vorname.nachname@isv.uni-stuttgart.de
Kurzfassung
als Datenquelle für verkehrstechnische und verkehrsplanerische Anwendungen an.
Diese zweiteilige Veröffentlichung fasst die Ergebnisse des Lehrstuhls für Verkehrsplanung und Verkehrsleittechnik an der Universität Stuttgart aus dem vom Bundesministerium für Wirtschaft und Technologie geförderten Forschungsprojekt Do-iT zusammen. Eine Literaturübersicht über andere Projekte in Deutschland und weltweit zeigt auf, wo und in welcher Weise ansonsten Mobilfunkdaten eingesetzt werden.
Der bereits veröffentlichte erste Teil der Veröffentlichung enthält neben der Literaturübersicht eine Beschreibung des Mobilfunknetzes und der nutzbaren Protokolldaten und erläutert ein Verfahren zur Generierung von Trajektorien aus diesen Daten. Dieser zweite Teil der Veröffentlichung enthält mehrere verkehrsplanerische Anwendungen dieser Trajektorien
Abstract
Most people in Germany and worldwide carry at least one mobile device with them. For the handling of calls, short messages and data transfers, the mobile network needs to know the rough current location of each mobile device, even of those in standby mode.
Thus, floating phone data (FPD) from the mobile network may serve as a data source for traffic engineers and transportation planners. This publication, which consists of two parts, summarises the results of the Department for Transportation Planning and Traffic Engineering at the University of Stuttgart in the project Do-iT, which was funded by the German Federal Ministry of Economics and Technology. In addition, an overview about relevant literature shows the current state of the art of the usage of floating phone data worldwide.
The first part of the publication, which is already published, contains the literature review, a description of the system architecture and the available protocol data in mobile phone networks. Furthermore, a method for the generation of trajectories using mobile phone data is presented. This second part of the publication shows several applications of these trajectories in the field of transportation planning.
Keywords: Mobilfunkdaten, Routenwahl, Angebotsqualität, Tagesprognose, Quelle- Zielmatrizen
6 Einleitung (Teil II)
Wie im ersten Teil der Veröffentlichung dargestellt, lassen sich aus Mobilfunkdaten (bzw. Floating Phone Daten) Trajektorien einzelner Verkehrsteilnehmer im Verkehrsnetz erzeugen. Die dort vorgestellte Methode wurde im Rahmen des Projektes Do-iT über einen Zeitraum von knapp drei Monaten eingesetzt. Dabei konnten für das Untersuchungsgebiet zwischen Walldorf, Karlsruhe, Stuttgart und Heilbronn (vgl. Abbildung 9) an einem normalen Werktag ungefähr eine halbe Million Trajektorien erzeugt werden, von denen ca. 80 % im Straßennetz und 20% im Schienennetz verlaufen.
Diese Mobilfunk- bzw. FPD-Trajektorien haben folgende Vorteile, die in dieser Kombination von keiner anderen Datenquelle erreicht werden:
Kontinuierliche Erfassung über einen langen Zeitraum.
Trajektorien werden im gesamten Untersuchungsgebiet erzeugt.
Quelle, Ziel und Fahrtroute einer Ortsveränderung sowie Fahrzeiten auf Netzabschnitten liegen vor.
Stichprobe des erfassten Verkehrs beträgt ca. 20-40 % (je nach Marktanteil des jeweiligen Mobilfunknetzes).
Demgegenüber steht, dass mit der vorgestellten Methode nur Fahrten ab einer Fahrtweite von ca. 20 km erfasst werden können und zudem – vor allem bei kurzen Fahrten – die Qualität der Trajektorien geringer als bei anderen Datenquellen wie z.B.
FCD (Floating Car Daten) ist.
Die Neuartigkeit von Mobilfunktrajektorien ermöglicht die Durchführung neuer verkehrsplanerischer Verfahren bzw. die Verbesserung bestehender Verfahren. In diesem zweiten Teil der Veröffentlichung werden die folgenden drei Anwendungen beschrieben:
Analyse der Routenwahl:
Für zwei Untersuchungsgebiete wird analysiert, ob und in welchem Umfang Verkehrsteilnehmer auf Staumeldungen im Radio oder auf dynamische Anzeigen reagieren.
Generierung von Quelle-Ziel-Matrizen:
Mit Hilfe der Zählwerte von stationären Detektoren werden die FPD-Trajektorien, die keine Vollerhebung darstellen, zu Quelle-Ziel-Matrizen hochgerechnet. Diese Matrizen können u.a. für Tagesprognosen oder zur Validierung der Zielwahl in
Straßennetzen kontinuierlich zu beobachten. Analysen zeigen, dass so teilweise bessere Ergebnisse als mit stationären Detektoren erreicht werden können.
7 Analyse der Routenwahl
In Deutschland werden seit vielen Jahren große Summen in Verkehrsbeeinflussungs- anlagen investiert. So standen allein im Programm zur Verkehrsbeeinflussung auf Bundesautobahnen (2002-2007) ungefähr 200 Millionen Euro zur Verfügung (BMVBS, 2002). Von diesem Geld ist fast die Hälfte für Wechselwegweisungen, auch Netzbe- einflussungsanlagen genannt, vorgesehen, die die Routenwahl beeinflussen sollen.
Diese Anlagen sollen den Verkehr so auf Alternativrouten verlagern, dass entweder Staus von vornherein verhindert oder Fahrzeuge um den Stau herumgeführt werden.
Um diese Investitionen zu rechtfertigen, sollten Analysen der Wirksamkeit durchgeführt werden. Dies setzt unter anderem voraus, dass der Befolgungsgrad der Verkehrsteil- nehmer, also der Anteil der Fahrzeuge, der sich durch die Routenempfehlung umlenken lässt, bekannt ist. Dieser Befolgungsgrad lässt sich mit den heutigen stationären Detektoren (z. B. Induktionsschleifen) nur sehr eingeschränkt erfassen, da diese keine Fahrzeugwiedererkennung an verschiedenen Stellen im Verkehrsnetz ermöglichen. Erhebungen zur Wirksamkeit basieren daher bislang auf vereinzelten Kennzeichenerhebungen (vgl. Schlaich & Friedrich, 2008), Ableitungen des Befolgungsgrades aus lokalen Zählwerten, Befragungen oder Labortests. Aufgrund des hohen Aufwands dieser Erhebungsmethoden erfolgen diese nur selten und nur für ausgewählte Wechselwegweisungsanlagen.
Mit den FPD-Trajektorien ist es dagegen möglich, das Routenwahlverhalten kontinuierlich zu beobachten. Im Rahmen des Projekts „Do-iT“ ist dies für zwei Untersuchungsgebiete erfolgt (vgl. Schlaich, 2009):
BAB-Netzmasche (Autobahnen A5/A6/A8/A81):
Zwischen Walldorf und Stuttgart verläuft die Standardroute über Heilbronn (A6/A81).
Bei Störungen auf der Standardroute wird die Route über Karlsruhe (A5/A8)) auf dynamischen Wegweisern mit integrierten Stauinformationen (dWiSta) empfohlen.
Zwischen Karlsruhe und Heilbronn gibt es keine dWiSta-Tafeln, hier zeigen die statischen Schilder die Route über Walldorf an (vgl. Abbildung 9 links).
Netzbeeinflussungsanlage Stuttgart (Autobahn A81 und Bundesstraßen B10/27/295):
Die Standardroute verläuft über die B10. Die auf dWiSta-Tafeln empfohlene Ausweichroute ist die B295. Eine weitere Alternative von Stuttgart Richtung Heilbronn bzw. umgekehrt ist die B27, die weder von statischen noch von dynamischen Schildern empfohlen wird (vgl. Abbildung 9 rechts).
Abbildung 9: Untersuchungsgebiete für die Routenwahl (links: BAB-Netzmasche;
rechts: NBA Stuttgart)
Mit Maximum-Likelihood-Schätzungen kann untersucht werden, welche Kenngrößen (Verkehrsmeldungen, Wechselwegweisung etc.) die Routenwahl überhaupt beeinflussen und, wenn ja, welche Gewichtung die einzelnen Kenngrößen haben. Als Eingang für die Schätzungen können in der BAB-Netzmasche in einem Zeitraum von ca. 80 Tagen über eine Million FPD-Trajektorien des Durchgangsverkehrs auf den beiden Diagonalen Stuttgart ↔ Walldorf und Heilbronn ↔ Karlsruhe analysiert werden (vgl. Abbildung 10). Für den Bereich der NBA Stuttgart können ca. 350.000 FPD- Trajektorien analysiert werden.
Für die BAB-Netzmasche ergeben sich statistisch abgesicherte Ergebnisse bei den Maximum-Likelihood-Schätzungen. Die Ergebnisse 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 11 zum Beispiel abgelesen werden, dass bei 5 km mehr gemeldetem 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 einem Befolgungsgrad von ca. 29 % entspricht. Bei einer auf das Autobahndreieck Leonberg (bei Stuttgart) zufließenden Verkehrsstärke von z.B. 6.000 Fahrzeugen in einer Stunde ergeben sich daraus bei einem mittleren Anteil des Durch- gangsverkehrs von ca. 12 % ungefähr 50 Fahrzeuge pro Stunde, die durch die Wechselwegweisung umgelenkt werden.
Der ermittelte Befolgungsgrad liegt im Bereich des in FGSV (2007) angegebenen Wertes von 30 % für eine große Netzmasche (>50km) bei kleinem Umwegfaktor (<1,5) bei Verwendung von dWiSta-Tafeln. Im Fall der BAB-Netzmasche beträgt der Umwegfaktor 0,9 (die Alternativroute ist etwas kürzer), so dass eventuell noch etwas höhere Werte zu erwarten wären.
Abbildung 11: Grafische Darstellung der Routenwahl für die Richtung Stuttgart Walldorf.
Für die NBA Stuttgart ergeben sich bei den Maximum-Likelihood-Schätzungen statistisch weniger gesicherte Ergebnisse. Dies ist unter anderem auf die seltene Schaltung der NBA zurückzuführen, die dazu führt, dass z.B. in Stadteinwärtsrichtung nur 545 Fahrzeuge während einer Schaltung der NBA erfasst wurden. Abbildung 12
zeigt die Routenwahl für die beiden Richtungen in Abhängigkeit der Schaltungen der NBA mit Angabe der jeweiligen Fallzahl unter den Säulen:
Abbildung 12: 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, während der Anteil auf der B27, deren Abfahrt vor den dWiSta-Tafeln liegt, erwartungsgemäß nahezu unverändert bleibt. Aus den Werten ergeben sich, bei Vernachlässigung der B27, Befolgungsgrade von 2,7 % (stadtauswärts) bzw. 17,3 % (stadteinwärts), was unter dem nach FGSV (2007) zu erwartenden Wert von 20 % liegt. Ein Einfluss der Staumeldungen kann nicht festgestellt werden.
8 Generierung von Quelle-Ziel-Matrizen
Die Kenntnis der Verkehrsnachfrage ist für die Planung und den Betrieb des Verkehrsangebotes unabdingbar. Die Nachfrage wird häufig aggregiert in Quelle-Ziel- Matrizen gespeichert, in der jeder Eintrag die Nachfrage zwischen einer Quelle und einem Ziel in einem bestimmten Zeitintervall und mit einem bestimmten Verkehrsmittel enthält. Um eine solche Matrix mit beobachteten Daten mit ausreichender statistischer Sicherheit zu füllen, werden sehr große Stichproben benötigt. Dies ist mit heute üblichen Erhebungstechniken nur mit unverhältnismäßig großem Aufwand möglich, so dass die Verkehrsnachfrage üblicherweise mit Hilfe eines Nachfragemodells (z.B. Vier-
