Detailergebnis zu DOK-Nr. 60578
Beurteilung von Verkehrsdynamik-Modellen mit Methoden des "Maschinen-Lernens" (Orig. engl.: Estimation of traffic dynamics models with machine-learning methods)
| Autoren |
H.N. Koutsopoulos C. Antoniou |
|---|---|
| Sachgebiete |
6.2 Verkehrsberechnungen, Verkehrsmodelle |
Washington, D.C.: Transportation Research Board (TRB), 2006 (Transportation Research Record (TRB) H. 1965) S. 103-111, 5 B, 2 T, 35 Q
Systeme zur dynamischen Verkehrsumlegung basieren i. d. R. auf mesoskopischen Modellen für Geschwindigkeits-Dichte-Beziehungen. Deren Nachteil ist jedoch, dass sie die Beziehungen für länger andauernde stabile/stationäre Zustände von z. B. mindestens 15 min beschreiben, während die Simulationsmodelle in den dynamischen Umlegungssystemen in Sekundenschritten arbeiten. Da sich aber die Verkehrsverhältnisse auf den Straßen (z. B. infolge von Unfällen) kurzfristig erheblich ändern können, gibt es zahlreiche Ansätze für dynamische Updates oder Online-Kalibrierung, die kurz aufgezählt werden. Die Autoren stellen einen neuen Ansatz des "Maschinen-Lernens" vor, und zwar den Ansatz der lokalen gewichteten Regression und eine Methode, bei der Cluster-Bildung und lokale Regressionen kombiniert werden. Auf der Basis von Detektordaten eines Straßennetzes in Irvine, Kalifornien, wird gezeigt, dass mit diesen Methoden die Genauigkeit der Schätzungen für die Geschwindigkeiten deutlich verbessert werden kann.