Detailergebnis zu DOK-Nr. 76487
Schätzung des Verkehrsaufkommens auf ländlichen Knotenpunkten an Nebenstraßen mit Stoppzeichen durch das Deep Learning (Orig. engl.: Estimating traffic volume on minor roads at rural-stop-controlled Intersections using deep learning)
| Autoren |
M.H. Tawfeek K. El-Basyouny |
|---|---|
| Sachgebiete |
5.11 Knotenpunkte 6.2 Verkehrsberechnungen, Verkehrsmodelle 6.3 Verkehrssicherheit (Unfälle) |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2673, H. 4, 2019, S. 108-116, 3 B, 4 T, 34 Q. - Online-Ressource: Verfügbar unter: http://journals.sagepub.com/home/trr
Sicherheitsleistungsfunktionen (SpFs) sind Regressionsmodelle, die verwendet werden, um die erwartete Anzahl von Kollisionen in Abhängigkeit von verschiedenen Verkehrs- und geometrischen Merkmalen vorherzusagen. Eine der integralen Komponenten bei der Entwicklung von SPFs ist die Verfügbarkeit genauer Expositionsfaktoren, das heißt des jährlichen durchschnittlichen täglichen Verkehrs (Average Amount of Daily Traffic, AADT). Werte für den AADT sind jedoch nicht oft für Nebenstraßen an ländlichen Knotenpunkten verfügbar. Die Studie zielt darauf ab, ein robustes AADT-Schätzmodell unter Verwendung eines sogenannten "Tiefen neuronalen Netzwerks“ zu entwickeln. Insgesamt 1 350 ländliche vierarmige Knotenpunkte mit Stoppzeichen aus der Provinz Alberta, Kanada, wurden verwendet, um das neuronale Netz zu trainieren. Die Ergebnisse des "Deep Neural Network“-Modells wurden mit der traditionellen Schätzmethode verglichen, die lineare Regression verwendet. Die Ergebnisse zeigten, dass das "Tiefe neuronale Netzwerkmodell“ die Schätzung der AADT von Nebenstraßen im Vergleich zur traditionellen Methode um 35 % verbesserte. Darüber hinaus führten SPF die mit linearer Regression entwickelt wurden, zu Modellen mit statistisch unbedeutenden AADTs auf Nebenstraßen. Umgekehrt bot die SPF, die mit dem neuronalen Netzwerk entwickelt wurde, eine bessere Anpassung an die Daten, wobei sowohl AADTs auf Neben- als auch Hauptstraßen statistisch signifikante Variablen waren. Die Ergebnisse zeigten, dass das vorgeschlagene Modell die Vorhersagekraft des SPF erhöhen und damit den Entscheidungsprozess verbessern könnte, da SPF in allen Teilen des Sicherheitsmanagementprozesses verwendet werden.