Zurück Vor

Detailergebnis zu DOK-Nr. 66132

Untersuchung des Werts von Verkehrsflussdaten für die Vorhersage von Busreisezeiten (Orig. engl.: Exploring the value of traffic flow data in bus travel time prediction)

Autoren	G. Currie E. Mazloumi S. Moridpour
Sachgebiete	5.3.4 Öffentlicher Personennahverkehr 5.15 Verkehrsablauf (Verkehrsfluss, Leistungsfähigkeit, Bemessung) 6.2 Verkehrsberechnungen, Verkehrsmodelle

Journal of Transportation Engineering 138 (2012) Nr. 4, S. 436-446, 8 B, 6 T, zahlr. Q

Die genaue Vorhersage (Schätzung) von Reisezeiten im Öffentlichen Verkehr (ÖV) hätte eine positive Wirkung auf eine Vielzahl von Applikationen für den Betreiber wie auch für den Nutzer. Die Reisezeit wird von vielen Faktoren, wie zum Beispiel des Verkehrsflusses oder der Nachfrage, beeinflusst. Diese Faktoren müssen bei der Schätzung berücksichtigt werden. Bisher erarbeitete Vorhersagemodelle berücksichtigen Variable des reellen Verkehrsflusses nicht. In der vorgestellten Studie wurden Neuronale Modelle (ANN) entwickelt, welche auf der Basis einer breiten Palette von Eingangsvariablen (inklusive Verkehrsflussdaten auf einer Busroute in Melbourne, Australien) Busreisezeiten schätzen können. Zur Bewältigung des beeinträchtigenden ANN-Effekts der Bestimmung des Effekts jeder Input-Variable auf die unabhängige Variable wurde eine Regressionsanalyse adaptiert, um die wichtigen Variablen für die Schätzung zu bestimmen. In der Studie wurde der Wert, den die Verkehrsflussdaten auf die Vorhersagegenauigkeit haben, untersucht. Verglichen mit Modellen, welche auf Fahrplänen beruhen, sind die vorgestellten ANN besser. Dies legt den Schluss nahe, dass Verkehrsflussdaten (Grad der Sättigung, wie hier verwendet) auf der Basis von Zeitvariablen gut geschätzt werden können. Das lässt aber auch den Schluss zu, das dort, wo Verkehrsflussdaten nicht gut erhoben werden können, eine Schätzung auf der Basis historischer Daten sehr gut verwendet werden kann. Sind eher unstabile Verhältnisse zu erwarten, zum Beispiel plötzliche Anstiege von Verkehrsmengen, dann haben die ANN sehr gute Eigenschaften.