Zurück Vor

Detailergebnis zu DOK-Nr. 79214

Prädiktive Analyse des Auftretens von Straßenbahnkollisionen für Echtzeitanwendungen (Orig. engl.: Predictive analytics of streetcar bunching occurrence time for real-time applications)

Autoren	A. Aboudina E. Diab A. Shalaby
Sachgebiete	5.3.4 Öffentlicher Personennahverkehr 6.2 Verkehrsberechnungen, Verkehrsmodelle

Transportation Research Record: Journal of the Transportation Research Board Vol. 2675, H. 6, 2021, S. 441-452, 2 B, 5 T, 31 Q. - Online-Ressource: verfügbar unter: http://journals.sagepub.com/home/trr

Bündelungen treten auf, wenn die Fahrzeuge des ÖPNV nicht in der Lage sind, ihre planmäßigen Abfahrtszeiten einzuhalten, was dazu führt, dass zwei oder mehr Fahrzeuge kurz hintereinander an einer Haltestelle ankommen und danach zu dicht aufeinander folgen. Nur sehr wenige Studien haben sich mit der Vorhersage von Bündelungen in Echtzeit beschäftigt, insbesondere bei Straßenbahnen. Die Vorhersage der Zeit bis zum Auftreten von Bündelungen in Echtzeit ermöglicht es den Verkehrsbetrieben, präventive Maßnahmen zu ergreifen, um das Auftreten von Bündelungen zu vermeiden oder deren Auswirkungen zu minimieren. In der Studie wird ein umfassender Literaturüberblick über die jüngste Forschung auf dem Gebiet der Bündelungs- und Echtzeitvorhersagemodelle gegeben. Basierend auf den Erkenntnissen aus der Literaturrecherche wird ein Modell zur Echtzeit-Vorhersage von Straßenbahn-Bündelungen vorgeschlagen. Das Kalman-Filtermodell prognostiziert die Fahrzeit bis zum Auftreten von Bündelungen und wird anhand von automatischen Fahrzeugortungsdaten für eine Straßenbahnlinie (Linie 506 "Carlton" in Toronto, Kanada, mit einer Länge von 15,2 km) getestet und analysiert, die von der Toronto Transit Commission stammen. Die Ergebnisse zeigen, dass das Modell eine gute Vorhersagequalität bietet, da es sich nur auf die Echtzeit-GPS-Daten der Straßenbahnen stützt, was es für den Einsatz in Echtzeit-Vorhersageanwendungen praktisch macht, die Vorhersagegenauigkeit des Modells sich verbessert, wenn sich das Fahrzeug von der Endhaltestelle entfernt und eine Erhöhung der Anzahl der vergangenen Tage, die in die Berechnungen einbezogen werden, über sechs Tage hinaus oder eine Erhöhung der Anzahl der am selben Tag berücksichtigten führenden Fahrten über sieben oder zehn Fahrten hinaus den Vorhersagefehler erhöhen kann.