Detailergebnis zu DOK-Nr. 76792
Geschwindigkeitsabschätzung einzelner Lkw aus fortschrittlichen einzelnen Induktivschleifen (Orig. engl.: Individual truck speed estimation from advanced single inductive loops)
| Autoren |
Y. Li A.Y.C. Tok S.G. Ritchie |
|---|---|
| Sachgebiete |
5.21 Straßengüterverkehr 6.2 Verkehrsberechnungen, Verkehrsmodelle |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2673, H. 5, 2019, S. 272-284, 16 B, 3 T, 29 Q. - Online-Ressource: Verfügbar unter: http://journals.sagepub.com/home/trr
Lkw sind ein wesentliches Element im Güterverkehr, da sie 73 % der Frachttonnage aller Verkehrsträger in den USA transportieren. Sie sind jedoch auch mit schwerwiegenden negativen Auswirkungen auf die Überlastung der Straßen, die Sicherheit und die Luftverschmutzung verbunden. Die Lkw-Geschwindigkeit nach Aufbautypen wurde als Indikator für die Verkehrsbedingungen und die Emissionen auf der Straße betrachtet. Obwohl die Schätzung von Fahrzeuggeschwindigkeiten seit Jahrzehnten erforscht wird, gibt es eine Lücke bei der Schätzung von Lkw-Geschwindigkeiten, insbesondere auf der Ebene der einzelnen Fahrzeuge. Die große Vielfalt an Fahrzeuglängen, die mit Lkw verbunden sind, macht es besonders schwierig, die Lkw-Geschwindigkeit aus den Daten herkömmlicher Induktivschleifen-Detektoren zu schätzen. In dem Beitrag wird ein neues Geschwindigkeitsschätzungsmodell vorgestellt, das detaillierte Fahrzeugsignaturdaten von einzelnen Induktionsschleifensensoren verwendet, die mit fortschrittlichen Detektoren ausgestattet sind, um genaue Lkw-Geschwindigkeitsschätzungen zu liefern. Dieses Modell verwendet neue induktive Signaturmerkmale, die eine starke Korrelation mit der Lkw-Geschwindigkeit aufweisen. Ein modifizierter K-Means-Algorithmus zur Merkmalsgewichtung wurde verwendet, um fahrzeuglängenbezogene Merkmale in 16 spezifische Gruppen zu gruppieren. Innerhalb jedes Clusters wurden dann individuelle Regressionsmodelle für die Fahrzeuggeschwindigkeit entwickelt. Schließlich wurde ein mehrschichtiges Perceptron-Neuronalnetzmodell verwendet, um einzelne Schleifensignaturen den vorher festgelegten geschwindigkeitsbezogenen Clustern zuzuordnen. Das neue Modell lieferte vielversprechende Schätzergebnisse sowohl für einen Lkw-fokussierten Datensatz als auch für einen allgemeinen Verkehrsdatensatz.