Detailergebnis zu DOK-Nr. 47823
Prognose von Verkehrsstärken: Vergleich von Modellansätzen (Orig. engl.: Traffic flow forecasting: Comparison of modeling approaches)
| Autoren |
M.J. Demetsky B.L. Smith |
|---|---|
| Sachgebiete |
5.15 Verkehrsablauf (Verkehrsfluss, Leistungsfähigkeit, Bemessung) 6.2 Verkehrsberechnungen, Verkehrsmodelle |
Journal of Transportation Engineering 123 (1997) Nr. 4, S. 261-266, 3 B, 7 T, 12 Q
Die Prognose von Verkehrsstärken für mit Navigationssystemen ausgerüstete Fahrzeuge ist eine der wesentlichen und kritischen Grundvoraussetzungen für eine effektive Wirksamkeit der "Intelligenten Verkehrssysteme" (IST). Insbesondere bei höheren Verkehrsmanagement- und Informationssystemen (ATMIS) ist eine Beschreibung des aktuellen Verkehrsgeschehens und daraus abgeleiteten Verkehrsstrategien zur Zeit unbefriedigend. Informationssysteme bedürfen für eine hohe Wirksamkeit antizipatorischer und speziell auf Verkehrsstärken bezogen prognostischer Eigenschaften. Hierbei ist eine Beschränkung des Prognosezeitraums auf 15 min ausreichend. Untersucht wurden zwei höhere Modellansätze für die Verkehrsstärkenprognose an Autobahnen: Neuronales Netzwerk und nichtparametrische Regression. Diese wurden den klassischen Modellansätzen historischer Durchschnitt und Zeitserien gegenübergestellt. Die nichtparametrische Regression kann man sich als ein dynamisches Clustermodell vorstellen. Dabei werden vergangene Ereignisse, die sich in Merkmalen ähneln, in Gruppen zusammengefaßt. Das aktuelle Ereignis wird einer dieser Gruppen zugeordnet, aus der sich dann die Prognosewerte ableiten lassen. Die Untersuchungen wurden an einer hochbelasteten Autobahn an zwei verschiedenen Standorten durchgeführt. Zur Bestimmung des Einflusses von saisonalen Schwankungen auf die Prognosemodelle wurden die Meßwerte im Sommer und im Herbst erhoben. Die Gesamtbewertung der verschiedenen Prognoseverfahren beruht auf den Einzelkriterien: absoluter Fehler, Verteilung des Fehlers, Leichtigkeit der Modellierung und Übertragbarkeit der Modelle. Aufgrund des nicht normal verteilten Fehlers wurde zur statistischen Sicherung der Ergebnisse der Wilconxon-Rangsummen-Test angewendet. Die nichtparametrische Regression liefert gegenüber den anderen Modellen die besten Prognoseergebnisse. Der Meßfehler ist gut verteilt, und extreme Über- und Unterschätzungen sind ausgeschlossen.