Analyse Studien Telematik, Apps und IKT

Datenbasierte Verkehrsplanung: Vom Papier-Erhebungsbogen zu Big Data

Die Nutzung von Computermodellen im Verkehrsbereich hat eine lange Tradition. Einer der ersten großen Einsätze der Rechentechnik erfolgte im Rahmen der Chicago Area Transportation Study aus dem Jahr 19601, welche den städtischen Verkehr und die jeweilige Bodennutzung über ein Computermodell miteinander in Beziehung setzte und für das Zieljahr 1980 modellierte: das Modell basierte dabei auf der räumlichen Untergliederung der Stadt und einer detaillierten Karte des Verkehrsnetzes und verband erstmals klassische Bodennutzungsmodelle, Verkehrserzeugungsmodelle, Verkehrsmittelwahlmodelle und erste Ansätze eines Routenwahlmodells.

Bis in die siebziger Jahre wurden die auf Großrechnern berechneten Modelle und Algorithmen zunächst weiter verfeinert und umfassten nicht mehr nur einige wenige Verkehrszellen, sondern modellierten bereits mehrere hundert dieser theoretischen Raumeinheiten. In der Verkehrsplanung wird ein größeres Gebiet – wie beispielsweise eine Stadt oder eine Region – in mehrere gleichwertige Verkehrszellen aufgeteilt. Durch die fest definierten Grenzen lassen sich der Binnenverkehr innerhalb der jeweiligen Verkehrszelle, der Durchgangsverkehr durch die Verkehrszelle, der Quellverkehr aus der Verkehrszelle, der Zielverkehr in die Verkehrszelle und der gebrochene Durchgangsverkehr (Durchgangsverkehr mit einem kleinen untergeordneten Zwischenstopp innerhalb der Verkehrszelle) abgrenzen, berechnen und modellieren. Durch die feinere Untergliederung des Raumes konnten Verkehrsströme innerhalb der Stadt besser berechnet werden. Zudem fokussierten sich die Modelle nicht mehr ausschließlich auf die Verkehrsstromanalyse, sondern in zunehmenden Maße auch auf die Modellierung von Emissionen, Lärm, Fahrleistung und des Energiebedarfs. Die Anwendung entsprechender computergestützter Berechnungen wurde durch die zunehmende Verbreitung des PC in den achtziger Jahren einfacher, jedoch blieb die Erhebung und Eingabe der benötigten Daten weiterhin mühsam.2

Die Gewinnung detaillierter und verlässlicher Verkehrsdaten konnte auch in den Folgejahren nicht mit den Verbesserungen in der Datenverarbeitung und Datenaufbereitung (3D-Modellierung, GIS, usw.) mithalten. Dabei liefern bessere Messdaten bessere Eingangsdaten für die Modellierung und beeinflussen damit maßgeblich die Qualität der Modellergebnisse. Messdaten in hoher Güte sind daher für eine realitätsnahe und aussagekräftige Modellierung von enormer Wichtigkeit.

In Deutschland basiert die Generierung von Verkehrsinformationen noch stark auf stationären Daten (siehe nächster Abschnitt), während in den USA und Großbritannien verwiegend Flottenfahrzeuge und Taxis als Datenlieferanten unter Zuhilfenahme entsprechender Plausibilisierungsalgorithmen genutzt werden. Diese haben den Vorteil, dass sie nahezu den ganzen Tag hinweg kontinuierlich im Straßennetz zirkulieren und hohe Kilometerleistungen erbringen.3

Stationäre Detektoren

Im Straßennetz sind zwar mittlerweile eine Vielzahl an stationären Detektoren installiert, welche wichtige Verkehrskenngrößen wie Verkehrsstärke, Geschwindigkeit, Zeitlücken, Stau, Belegungszeit und Dichte erfassen. Diese unterscheiden sich jedoch stark in der Art der Erfassung, der Genauigkeit und den Auswertemöglichkeiten. Eine umfassende Erfassung mit lokalen Detektoren, welche auch Informationen über das nachrangige Straßennetz liefern könnten, ist in weiten Teilen des Verkehrsnetzes auch heute noch nicht gegeben. Hinzu kommt, dass diese Art der Sensorik keinerlei Information über die Quelle und das Ziel sowie die Route einer Ortsveränderung erheben kann.

Als Detektoren werden im Straßenbereich vor allem Induktivschleifen, Infrarotdetektoren und Radardetektoren eingesetzt.4 “Die in der Praxis am weitesten verbreiteten Detektortypen sind die Induktivschleifen und Passiv-Infrarotdetektoren. […] Ein Induktivschleifendetektor besteht aus einer in die Fahrbahn verlegten Drahtschleife, die von einem Wechselstrom durchflossen wird. Dadurch entsteht im Bereich der Leiterschleife ein magnetisches Wechselfeld. Die Induktivität der Leiterschleife wird durch die Metallmasse eines vorbeifahrenden Fahrzeugs verändert.”5 Der Wahrnehmungsbereich entspricht in etwa der Schleifenfläche. Eine Auswerteeinheit registriert die Veränderung der Induktivität. Dafür muss die Empfindlichkeit der Auswerteeinrichtung so hoch eingestellt sein, dass Fahrzeuge sicher erkannt werden, wobei eine zu starke Empfindlichkeit die Auftrittswahrscheinlichkeit von Störgrößen erhöhen kann.6

Je nach Bauform erfassen Induktivschleifen Verkehrsdaten unterschiedlichen Umfangs und Detaillierungsgrads. Einzelschleifen, welche vorrangig im Innerortsbereich zur Steuerung von Lichtsignalanlagen7 und als strategische Detektoren im Verkehrsmanagement zum Einsatz kommen, können nur eingeschränkt Informationen über den Verkehr liefern (z.B. Belegung, Verkehrsstärke, Zeitlücken, etc.). Im Außerortsbereich kommen meistens Doppelschleifen zum Einsatz, die aus zwei hintereinander in Fahrtrichtung angeordneten Schleifen bestehen. Mit dieser Detektorart lassen sich Geschwindigkeiten präzise ermitteln, Fahrzeugtypen unterscheiden und die Fahrtrichtung erkennen.8

Radardetektor und Passiv-Infrarotdetektoren erkennen Pkw, Lkw und Fahrräder anhand des Echos einer elektromagnetischen Welle bzw. der von Körper oder Motor abgestrahlten Wärme. Beide Sensoren werden außerorts vorrangig zur lokalen Störungserkennung und innerorts zur Grünzeitanforderung und Grünzeitverlängerung im Rahmen der Lichtsignalsteuerung angewendet. Beide Detektorarten können im Allgemeinen die Verkehrsstärke, Zeitlücken, die Belegung, die lokale Geschwindigkeit und die Fahrzeugklasse ermitteln.9

Stationäre Erfassungseinrichtungen haben neben einer ungleich verteilten Ausstattung im Straßennetz das grundsätzliche Problem, dass nur ein kleiner räumlicher Ausschnitt des gesamten Verkehrsgeschehens erfasst werden kann. Zudem fehlen Informationen über die Quelle und das Ziel sowie die Route einer Ortsveränderung, welche im Rahmen einer Stromerhebung erhoben werden und für eine kontinuierliche Netzplanung und -optimierung notwendig sind.

Grundlegender Ablauf der Verkehrsplanung Verkehrsnachfragemodell Verkehrsangebotsmodell
Grundlegender Ablauf der Verkehrsmodellierung, aus: Schiller, C. (2014): Einführung in die Verkehrsnachfragemodellierung, Foliensammlung zur Vorlesung im Modul BIW 2-07 „Verkehrsplanung“ (und andere), Technische Universität Dresden

Verkehrsnachfragedaten werden heute fast ohne Ausnahme mit Verkehrsnachfragemodellen (Aktivitätenwahl, Zielwahl, Moduswahl, Routenwahl) berechnet, die basierend auf Daten der Raum- und Siedlungsstruktur, des Verkehrsverhaltens und des Verkehrsnetzes Ortsveränderungen von Personen und Fahrzeugen mit entsprechenden Unsicherheiten nachbilden. Auf Basis dieser Daten werden Prognosen angefertigt, welche die Verkehrs- und Infrastrukturplanung maßgeblich beeinflussen.

Quelle-Ziel-Matrix, OD-Matrix, origin destinantion matrix Verkehrsplanung Straßenverkehrsplanung Ortsveränderungen
Quelle-Ziel-Matrix fur einen Planungsraum

Grundlegendes Element der Verkehrsmodellierung ist die Quelle-Ziel-Matrix (englisch: Origin-Destination-Matrix oder OD-Matrix), welche alle Verkehrsbeziehungen fij zwischen den Quellen i und Zielen j darstellt. Die Summe aller Spaltensummen Zj und aller Zeilensummen Qi entspricht der Gesamtanzahl aller Fahrten im Planungsraum Fij.

Die Quelle-Ziel-Matrix für einen Planungsraum kann entweder durch Modellrechnungen oder empirische (Strom-)Erhebungen ermittelt werden. Insbesondere letzteres ist jedoch kosten- und zeitintensiv, da umfassende Haushaltsbefragungen über das Verkehrsverhalten in Verbindung mit umfassenden sozio-ökonomischen Analysen oder Kennzeichenerfassungen mit einem hohen Personal- und Zeitbedarf einhergehen und einer intensiven Vorbereitung, Durchführung, Aufbereitung und Analyse bedürfen. Stromerhebungen werden daher nur einmalig oder mit großen zeitlichen Abständen (meist fünf Jahre oder mehr) durchgeführt.

Als Alternative zu aufwändigen Erhebungen lässt sich die Quelle-Ziel-Matrix eines Planungsraums auch unter Berücksichtigung von Zusatzbedingungen schätzen. Basis für die Schätzung sind in der Regel Verkehrszählungen über einen Zeitraum von einer oder mehrerer Stunden für statische Modelle oder Verkehrszählungen in festen Zeitintervallen (Zeitreihe) für dynamische Modelle über einen gewissen Zeitraum. Die notwendigen Daten werden in vergleichsweisen kostengünstigen Querschnittserhebungen erhoben und beziehen sich häufig auf die maßgebliche Spitzenstunde oder einen Tag (durchschnittliche tägliche Verkehrsstärke, kurz DTV).

Die Matrixschätzung kann über mehrere verschiedene Modelle erfolgen: Das Informations-Minimierungs-Modell (IM-Modell), das Entropiemodell (EM-Modell), das verbesserte Informations-Minimierungs-Modell (VIM-Modell), das Modell der Kleinsten Quadrate (LSE-Modell), das Modell der verallgemeinerten Kleinsten Quadrate (GLS-Modell) und den Path-Flow-Estimator (PFE). Ob ein Modell geeignet ist, entscheidet sich im Wesentlichen anhand der Qualität der verfügbaren Daten. Für weitere Informationen zur Matrixschätzung siehe WANG 200810.

Fahrzeug- und Mobilfunkdaten

Daten, welche an stationären Sensoren erhoben werden, können den Verkehrsablauf nur punktuell und somit eingeschränkt beschreiben. Für Abschnitte, welche nicht von Detektoren erfasst werden, müssen teils aufwändige Modellierungen durchgeführt werden. Hinzu kommt: die Ergebnisqualität kann je nach Datenqualität und Modellgüte stark schwanken.

In Deutschland sind insbesondere Bundesautobahnen mit stationären Detektoren versehen, während das nachgeordnete Netz mit Bundes-, Landes- und kommunalen Straßen äußerst lückenhaft erfasst wird. Fahrzeuge wie Insassen sind heutzutage jedoch mit Technik ausgestattet, die eine kostengünstige und flächendeckende Erfassung vielfältiger Informationen ermöglicht. Zum einen können Fahrzeuge selbst entsprechende Daten generieren bzw. erfassen, zum anderen können über mitgeführte Geräte wie beispielsweise Mobilfunkgeräte ebenfalls Informationen gesammelt werden.

Floating Car Data (FCD)

Floating Car Data (FCD) werden kontinuierlich durch im Straßennetz verkehrende Fahrzeuge generiert und bilden den individuellen Fahrtverlaufs des Einzelfahrzeugs ab. Entsprechende Fahrzeuge verfügen über einen GPS-Empfänger zur Positionsbestimmung, verarbeiten im Anschluss die im Fahrzeug erhobenen Messdaten zum Beispiel zu Streckengeschwindigkeiten und senden diese über eine Mobilfunkanlage (GSM-, UMTS- oder LTE-basierend) in regelmäßigem Abstand an die FCD-Zentrale. Dort können die gesammelten FCD-Datensätze zu einem größeren Verkehrslagebild aggregiert und diese aktuellen Verkehrsinformationen für das Verkehrsmanagement genutzt werden.

Die durch FCD erfassbaren Parameter Position und Geschwindigkeit sind für eine umfassende Abbildung der aktuellen Verkehrs- und Witterungslage jedoch nicht ausreichend. Aus diesem Grund wurde der FCD-Ansatz zur erweiterten fahrzeuggenerierten Verkehrsdatenerfassung – der Extended Floating Car Data (XFCD) – weiterentwickelt. Für XFCD werden die auf den Fahrzeugdatenbussen vorliegenden Daten ausgelesen und aufbereitet. Anhand von Schaltzuständen wie Abblend-, Fern- und Nebellicht, ESP (Elektronisches Stabilitätsprogramm), Außenthermometer, Bremse, Regensensor, Scheibenwischer, Warnblinker und anderen fahrzeuggenerierten Informationen lassen sich Rückschlüsse auf den Straßenzustand (Glätte, Staueinfahrten, Stauausfahrten, Staudurchfahrtsgeschwindigkeiten / Stauqualitäten, Niederschläge und Aquaplanung, Nebel, etc.) ziehen. Diese Informationen können plausibilisiert und anschließend als Straßenzustandsinformation an weitere Verkehrsteilnehmer weitergegeben werden.11

Die Bedeutung von FCD bzw. XFCD dürfte in Zukunft weiterhin zunehmen. Insbesondere die Car-to-X-Kommunikation, d.h. die Kommunikation und Weitergabe von Informationen zwischen Fahrzeugen, von Fahrzeug an Infrastruktur und Infrastruktur an Fahrzeug, dürfte die Ausrüstung von Fahrzeugen mit entsprechenden Sensoren und Kommunikationseinrichtungen befördern. Zwar basiert die Car-to-X-Kommunikation zu großen Teilen auf drahtlosen Nahfunkverbindung (heute i.d.R. WLAN-Standard 802.11p), die Daten können jedoch auch lokal aggregiert und mit einer entsprechenden Veredelungsstufe gesammelt an eine entsprechende Zentrale gesendet werden.

Heute werden vorrangig Taxiflotten mit entsprechender FCD-Technologie ausgestattet. Taxis haben eine etwa 15 mal höhere Fahrleistung als Privat-Pkw und eignen sich somit besonders gut für eine flächendeckende 24-Stunden-Erhebung im Straßennetz (zur Rolle von Taxis zur Datenerhebung siehe auch “Welche Rolle spielen Taxis für den ÖPNV?“). Anbieter wie Waze (mittlerweile von Google übernommen) nutzen Ortsinformationen, die über die App auf Smartphones erfasst werden, zur Verkehrsflussermittlung und zur Aktualisierung des Kartenmaterials, welches von dem Routenplaner genutzt wird.

Floating Car Data haben jedoch den Nachteil, dass sie ebenso wie Floating Phone Data nur den Fahrtverlauf eines Einzelfahrzeugs repräsentieren. Nur auf Basis dieser individuellen Daten können keine korrekten kollektiven Verkehrskenngrößen ermittelt werden. Daher ist eine Fusion mit stationären Daten in vielen Fällen unabdingbar und dürfte erst bei einer vollständigen Ausstattung aller Fahrzeuge verzichtbar werden.

Floating Phone Data (kurz FPD, manchmal auch Cellular Floating Vehicle Data)

Floating Phone Data (FPD) basiert auf den Ansatz, dass sich ein im Fahrzeuginnenraum mitgeführtes Mobilfunkgerät während der Fahrt in verschiedenen Mobilfunkzellen entlang der Fahrstrecke ein- bzw. ausbucht. Auf Basis von Handover Events, der Aufenthalts- und Wechselzeiten von Mobilfunknutzern, und der Anzahl der aktuell in einer Funkzelle angemeldeten Mobiltelefone, lassen sich Rückschlüsse über die derzeitige Verkehrslage ziehen.

Im Regelfall erfasst der Netzbetreiber die Bewegungsdaten über meist ohnehin vorhandene Monitoringsysteme, anonymisiert sie und leitet sie dann an einen Verkehrslagedienst weiter. In Deutschland werden die Handy-Bewegungsdaten von Vodafone unter dem Namen “HD Traffic” von TomTom vermarktet, Telefónica Germany (O2) liefert Daten an INRIX PrecisionTraffic.

Floating Car Observer (FCO)

Der Floating Car Observer (FCO) ist ein Fahrzeug, welches neben der eigenen FCD auch Verkehrskenngrößen durch die Beobachtung der Fahrzeugumgebung, insbesondere des Gegenverkehrs, ermittelt. Eine automatische Erfassung des Gegenverkehrs könnte mit Hilfe eines Laser-Sensors, durch Ultraschall-Messungen und Messsysteme mit Infrarotkameras durchgeführt werden. Das System ist für alle Arten von Zweirichtungsfahrbahnen geeignet, egal ob es sich um kommunale, Landes- oder Bundesstraßen handelt. Voraussetzung ist, dass die Beobachtbarkeit des Gegenverkehrs gewährleistet ist.12

“Der FCO stellt eine gute Ergänzung zur stationären Verkehrsdatenerfassung dar und die Daten können aufgrund ihrer kollektiven Eigenschaften unproblematisch mit den lokalen Daten in bestehenden Verkehrssteuerungssystemen fusioniert werden. Dies ist ein entscheidender Vorteil gegenüber den FCD, die in der Regel aufgrund ihres individuellen Charakters über mit Unsicherheiten verbundene Fusionsalgorithmen in die auf stationären Daten beruhenden Verkehrssteuerungssysteme integriert werden müssen. Zudem bedeutet die gleichzeitige Ermittlung von Informationen über beide Fahrtrichtungen eine deutliche Effizienzsteigerung gegenüber herkömmlichen FCD. Weitere Vorteile des FCO gegenüber FCD, […] sind

  • die vergleichsweise schnellere Meldung von Verkehrsstörungen, da Staus nicht erst durchfahren werden, sondern nur auf der Gegenfahrbahn passiert werden müssen, um erkannt zu werden und
  • die Möglichkeit einer recht präzisen Prognose der Entwicklung von Staupositionen, da der Zufluss auf ein Stauende durch die Beobachtung ermittelt werden kann.”13

Fortschritte in der Datenverarbeitung

Neben neuen Erhebungsmethoden hat die Speicherung und Verarbeitung großer Datenmengen zu überschaubaren Kosten in den letzten Jahren große Fortschritte gemacht.

Insbesondere das freie in Java geschriebene Framework Hadoop zur Datenverarbeitung auf sehr hoch skalierenden Parallel-Clustern hat die Kosten für die Speicherung und Verarbeitung von Daten stark sinken lassen. Im Vergleich zu traditionellen Speicher- und DataWarehousing-Lösungen ist Hadoop pro Terabyte circa 20x günstiger (Stand: Ende 2014).14 Kernbestandteile sind das offene Hadoop Distributed File System (HDFS), welches die verteilte Speicherung sehr großer Datenmengen auf den Dateisystemen mehrerer Rechner ermöglicht und die Open-Source-Software MapReduce zur Parallel-Verarbeitung von Daten. Mit MapReduce lassen sich große Mengen von strukturierten und unstrukturierten Daten parallel auf einem Cluster von Tausenden von Maschinen automatisch, sequentiell und vollständig verarbeiten (Batch Processing – Stapelverarbeitung).

Beispiel: Nutzung von Mobilfunkdaten zur Generierung einer OD-Matrix in Boston und Rio de Janeiro

Wissenschaftler des Massachusetts Institute of Technology (MIT) und der Weltbank haben auf Basis von Mobilfunkdaten und der Bevölkerungsdichte Quelle-Ziel-Matrizen für die Metropolen Boston und Rio de Janeiro erstellt sowie die Zahl der Verkehrsbeziehungen fij zwischen den Quellen i und Zielen j bestimmt15. In Abhängigkeit von Fahrtenhäufigkeit und Tageszeit ließen sich Verkehrszellen mit den Schwerpunkten “Wohnen”, “Arbeit” oder “Sonstiges” ermitteln. Aus einzelnen aufeinanderfolgenden Aufenthalten mit unterschiedlichen Aufenthaltslängen ließen sich Wegeketten wie bspw. “Wohnen – Arbeit – Wohnen” generieren bzw. Arbeitsmodelle wie “Homeoffice” erkennen.

Passive Daten bieten nicht die Informationsdichte wie beispielsweise Befragungen. So lassen sich Fragen nach der Motivation für eine Ortsveränderung sowie nach der Modus- und Routenwahl nur eingeschränkt beantworten. Jedoch ermöglicht die Verarbeitung von passiv erhobenen Daten die Generierung von Quelle-Ziel-Matrizen zu einem Bruchteil der bisherigen Kosten.

In Boston wurden acht Milliarden Mobilfunkaktivitäten von zwei Millionen Einzelnutzern über einen Zeitraum von zwei Monaten analysiert, in Rio de Janeiro 1,046 Milliarden Mobilfunkaktivitäten von 2,8 Millionen Einzelnutzern über fünf Monate. Jeder Datensatz umfasst eine anonymisierte Nutzer-ID, eine geografische Angabe (Länge- und Breitengrad) und die Art der Mobilfunkaktivität (Anruf, SMS, usw.).

eingangsdaten-o-d-matrix-boston-rio-de-janeiro-handydaten

In Rio de Janeiro wurden die Mobilfunkaktivitäten 1421 Mobilfunkmasten zugeordnet (in Rio de Janeiro erfolgt die Verkehrsplanung mit 730 Verkehrszellen), in Boston ermittelte der Serviceanbieter AirSage die Koordinaten mittels eines Standard-Triangulationsalgorithmus mit einer Genauigkeit von 200 bis 300 Metern.

AirSage Ablauf Location call data
Verarbeitungsschema von Mobilfunkdaten durch AirSage. AirSage verarbeitet jeden Tag rund 15 Milliarden Positionsdaten von Mobilfunkgeräten. – Grafik: AirSage

In einem ersten Schritt werden auf Basis der Mobilfunkdaten die Aufenthalte hinsichtlich Zeit, Aufenthaltsdauer sowie Häufigkeit des Aufenthalts und der Mobilfunkaktivitäten analysiert. Über mehrere Tage hinweg ergibt sich eine Aufstellung von Orten, an denen ein Nutzer sein Mobilfunkgerät nutzt. Diese lassen sich anhand der individuellen Nutzungszeit in “Wohnort”, “Arbeitsplatz” und “Sonstiges” einteilen. Ausreißer sowie “Bewegungen”, welche durch das Springen zwischen mehreren Funkzellen datenseitig, aber nicht real, entstehen, lassen sich durch eine mehrtägige Betrachtung eliminieren.

Mehrfache Aufenthalte an einem Ort an Werktagen zwischen 19 Uhr und 8 Uhr und ganztägig am Wochenende werden einem Nutzer als “Wohnort” zugeschrieben. Nutzer mit zu geringer Aktivität in diesen Stunden werden aus der Analyse herausgefiltert. Als Arbeitsplatz wird jener Ort bezeichnet, an dem sich der Nutzer an Werktagen am zweithäufigsten aufhalten. Nutzer mit zu geringer Aktivität werden ebenfalls herausgefiltert. In Rio de Janeiro konnten von ursprünglich 2,8 Millionen Einzelnutzern letztendlich Datensätze von 500.000 Mobilfunknutzern genutzt werden. In Boston reduzierte sich die Zahl der betrachteten Nutzer von zwei Millionen auf 300.000. Im Vergleich zu Stromerhebungen, welche häufig eine Stichprobengröße n = 10.000 – 30.000 aufweisen, ist die Summe der betrachteten Merkmalsträger auch nach Streichung weiterhin bedeutend größer.

Aufenthalte an anderen Orten wurden als “Sonstiges” eingeteilt, da für eine genauere Einteilung bspw. in “Bildung”, “Einkaufen”, usw. die Daten nicht fein genug waren. Im Anschluss wurden erste Trajektorien errechnet. Um auf Basis der Mobilfunkdaten einzelner Nutzer Aussagen für einzelne Verkehrszellen mit der spezifischen Einwohnerzahl treffen zu können, müssen die Ergebnisse hochgerechnet werden. Hierfür wurde die Einwohnerzahl durch die Zahl der Bewohner auf Basis der Mobilfunkdaten dividiert und ein Expansionsfaktor ermittelt. Die Ergebnisse wurden einschließlich Stufe Zwei des klassischen Vier-Stufen-Modell der Verkehrsprognose (engl. “four-stage transport model” bestehend aus Verkehrserzeugung, Verkehrsverteilung (Verkehrszielwahl), Verkehrsmittelwahl (Verkehrsaufteilung) und Verkehrsumlegung (Verkehrswegewahl)) weiterverarbeitet. Die Ergebnisse wurden mit dem 2006-2010 Census Transportation Planning Products (CTPP)16 für Boston und dem für Rio de Janeiro17 verglichen, um die Güte der Modellierung bestimmen zu können:verkehrsplanung-klassisch-mobilfunkdaten-boston-rio-de-janeiro

Im Ergebnis konnte eine starke Korrelation für die Wegebeziehung Wohnen – Arbeit und innerhalb einer Verkehrszelle festgestellt werden, wenn die Stichprobengröße ausreichend groß ist. Jedoch ist die Zahl der durchgeführten Ortsveränderungen im Mobilfunkdaten-basierten Modell insgesamt und auch relationsfein höher als im konventionellen Modell. Dieses Ergebnis soll im Rahmen weiterer Untersuchungen verbessert werden. Ebenfalls soll die Modellierung schrittweise um die Verkehrsmittelwahl (Verkehrsaufteilung) und Verkehrsumlegung (Verkehrswegewahl) zum vollständigen Vier-Stufen-Modell weiterentwickelt werden.

Korrelation Ergebnisse
Verteilung nach Wegezeck und Tageszeit für Boston und Rio de Janeiro

Eine auf Mobilfunkdaten basierende Verkehrsmodellierung wird die konventionellen Verfahren in absehbarer Zukunft nicht ersetzen können. Nichtsdestotrotz können CDR bereits heute wertvolle Informationen zu geringen Kosten liefern und die Qualität von Verkehrserhebungen substantiell verbessern. Dies gilt insbesondere für jene Gegenden mit einer hohen Mobilfunkpenetration und einem geringen Bestand an qualitativ hochwertigen Verkehrsdaten oder nicht vorhandenen Erhebungstechnik. Aber auch in Ländern mit einer langen Verkehrsplanungshistorie kann die Nutzung von Mobilfunkdaten Erhebungszeiträume verdichten und kurz- und mittelfristige Trends aufzeigen helfen.

Licht und Schatten

Ein verstärkter Einsatz von nutzergenerierten Daten in der Verkehrsplanung sollte frühzeitig Gegenstand von Diskussionen sein. Einem großen Nutzen stehen auch Risiken gegenüber, die vor allem im Bereich des Datenschutzes und der Privatsphäre zu finden sind. Zwar werden meistens große anonymisierte Datensätze verwendet, aber auch diese können unter gewissen Umständen die Identifikation einzelner Fahrzeuge (Beispiel: Bikesharing London) oder einzelner Taxifahrten ermöglichen. Darüber hinaus sind auch Metadaten personenbezogene Daten und können staatlicher oder privatwirtschaftlicher Überwachung dienen (siehe “Metadaten: Wie dein unschuldiges Smartphone fast dein ganzes Leben an den Geheimdienst übermittelt” bei Netzpolitik.org und de Montjoye YA, Radaelli L, Singh VK, Pentland AS. Identity and privacy. Unique in the shopping mall: on the reidentifiability of credit card metadata 18)

Fazit

Datenbasierte Verkehrsplanung ist ein weiterer Entwicklungsschritt in der Verkehrsplanung und wird in Zukunft noch weiter an Bedeutung gewinnen. Insbesondere in Verbindung mit der rechnergestützten Modellierung von Emissionen und Lärm, der computergestützten Abwicklung von dynamischen Park- und Straßenbenutzungsgebühren sowie Navigations- und Routing-Lösungen wird die datenbasierte Verkehrsplanung ihr vollen Potenzial ausschöpfen können.

  1. Black, A. (1990): The Chicago Area Transportation Study: A Case Study of Rational Planning, In: Journal of Planning Education and Research 10(1): S. 27–37.
  2. Ingram, Gregory K. (2012): The Evolution of Computer-Based Planning Tools, In: Lincoln Institute of land policy (Hrsg.): Land Lines April 2012, S. 1 – https://www.lincolninst.edu/pubs/dl/2019_1343_President_Report.pdf
  3. vgl. Belzner, H.; Lange, T.; Matschke, I. (2010): Verkehrsinformationen ohne weiße Flecken, In: ATZ – Automobiltechnische Zeitschrift, Ausgabe 07-08/2010, 112. Jahrgang, S. 510-515
  4. vgl. Schnabel, W.; Lohse, D. (2011): Grundlagen der Straßenverkehrstechnik und der Verkehrsplanung. Band 1 Verkehrstechnik, 3. Auflage, Beuth-Verlag, Berlin, 2011, S. 331
  5. Kühnel, C., (2012): Verkehrsdatenerfassung mittels Floating Car Observer auf zweistreifigen Landstraßen, Schriftenreihe des Instituts für Verkehrswesen der Universität Kassel, Heft 23, S. 35
  6. vgl. ebd.
  7. An dieser Stelle sei angemerkt, dass diese Daten nicht immer an zentraler Stelle auflaufen und oftmals nur mit dem lokalen Steuersystem am Knotenpunkt verbunden sind.
  8. vgl. Kühnel, C. (2012): Verkehrsdatenerfassung mittels Floating Car Observer auf zweistreifigen Landstraßen, Schriftenreihe des Instituts für Verkehrswesen der Universität Kassel, Heft 23, S. 37
  9. vgl. Kühnel, C. (2012): Verkehrsdatenerfassung mittels Floating Car Observer auf zweistreifigen Landstraßen, Schriftenreihe des Instituts für Verkehrswesen der Universität Kassel, Heft 23, S. 40f.
  10. Yun-Pang Wang: Optimierung der Quelle-Ziel-Matrixschätzung hinsichtlich Redundanzstörung sich verändernder Verkehrszustände, Diss. Hannover 2008, S. 15 ff. Verfügbar unter: http://d-nb.info/989032191/34
  11. vgl. Breitenberger, Susanne; Grüber, Bernhard; Neuherz, Martina (1004): Extended Floating Car Data – Potenziale für die Verkehrsinformation und notwendige Durchdringungsraten, BMW Group, In: Forschungsgesellschaft für Strassen- und Verkehrswesen (FGSV) (Hrsg.): Straßenverkehrstechnik, 48 (10), 522-531, Online im Internet: http://www.bmwgroup.com/e/0_0_www_bmwgroup_com/forschung_entwicklung/mobilitaet_verkehr/verkehrsforschung/ExtendedFloatingCarData_Paper_d.pdf
  12. vgl. Kühnel, C., (2012): Verkehrsdatenerfassung mittels Floating Car Observer auf zweistreifigen Landstraßen, Schriftenreihe des Instituts für Verkehrswesen der Universität Kassel, Heft 23, S. 62
  13. vgl. Kühnel, C., (2012): Verkehrsdatenerfassung mittels Floating Car Observer auf zweistreifigen Landstraßen, Schriftenreihe des Instituts für Verkehrswesen der Universität Kassel, Heft 23, S. 161
  14. BITKOM Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e. V (Hrsg.): Big-Data-Technologien – Wissen für Entscheider, Berlin 2014, S. 36, Online im Internet: http://www.bitkom.org/files/documents/BITKOM_Leitfaden_Big-Data-Technologien-Wissen_fuer_Entscheider_Febr_2014.pdf
  15. Çolak, Serdar; Alexander, Lauren; Alvim, Bernardo; Mehndiretta, Shomik; Gonzales, Marta (2014): Analyzing Cell Phone Location Data for Urban Travel: Current Methods, Limitations and Opportunities, TRB 2015 Annual Meeting, Online im Internet: http://blogs.worldbank.org/transport/files/2014_trb_cdr_boston_rio.pdf
  16. U.S. Department of Transportation Federal Highway Administration. CTPP 2006-2010 Census Tract Flows. http://www.fhwa.dot.gov/planning/census issues/ctpp/dataproducts/2006-2010 tract flows/index.cfm.
  17. Strategic Plan Rio de Janeiro 2013 – 2016, www.conselhodacidade.com/v3/Book_StrategicPlanRio20132016/content/Strategic_Plan_Rio_City_Government_2013_2016.pdf
  18. de Montjoye YA, Radaelli L, Singh VK, Pentland AS. Identity and privacy. Unique in the shopping mall: on the reidentifiability of credit card metadata. Science. 2015 Jan 30;347(6221):536-9. doi: 10.1126/science.1256297.
Anonymous

Randelhoff Martin

Herausgeber und Gründer von Zukunft Mobilität, arbeitet im Hauptjob im ARGUS studio/ in Hamburg. Zuvor war er Verkehrswissenschaftler an der Technischen Universität Dortmund.
Ist interessiert an innovativen Konzepten zum Lösen der Herausforderungen von morgen insbesondere in den Bereichen urbane Mobilität, Verkehr im ländlichen Raum und nachhaltige Verkehrskonzepte.

Kontaktaufnahme:

Telefon +49 (0)351 / 41880449 (voicebox)

E-Mail: randelhoff [ät] zukunft-mobilitaet.net

Abonnieren
Benachrichtige mich bei
guest
2 Kommentare
Inline Feedbacks
View all comments
Guido Wolf Reichert
25. Juni 2018 11:26

Kleiner Korrekturhinweis: Die Summe aller Fahrten im Verkehrsgebiet hat keinerlei Indizes für Zonen mehr. Also muss die Summe über alle f_i,j dann F ergeben – nicht F_i,j.

Jetzt abonnieren

4.416Fans
8.046Follower
2.618RSS-Abonnements
990Follower
  

Neue Diskussionsbeiträge

  • Randelhoff MartinNorbert zu News- und Diskussionsfaden März 2024Minderung und Vertragsstrafe im SPNV RLP https://dokumente.landtag.rlp.de/landtag/drucksachen/9066-18.pdf
  • Randelhoff MartinNorbert zu News- und Diskussionsfaden März 2024https://www.hs-geisenheim.de/hochschule/mitteilungen-veranstaltungen-termine/nachrichten/archiv/detail/n/ein-radverkehrsnetz-fuer-die-mobilitaetswende-ohne-kompromisse-geht-es-nicht/ Mehr als 150 Personen nahmen an der hybriden 6. Tagung „Straße und Landschaft“ teil, zu der Hessen Mobil - Straßen- und Verkehrsmanagement, der Landesbetrieb Mobilität Rheinland…
  • Randelhoff MartinRandelhoff Martin zu News- und Diskussionsfaden März 2024An der schwedischen Chalmers tekniska högskola (Technische Hochschule Chalmers) wurde eine neuartige Lkw-Front aus Aluminiumwaben entwickelt, welche den Insassenschutz bei Pkw-Lkw-Kollissionen verbessern soll. In Crashtests konnten Verformungen des Pkw-Innenraums um 30 bis 60 Prozent reduziert werden. - https://news.cision.com/chalmers/r/new-truck-front…
  • Randelhoff MartinRandelhoff Martin zu News- und Diskussionsfaden März 2024Die Details sind sehr beschreibend: "Von einem Planungsfehler wollen die Verantwortlichen allerdings nichts wissen. Der Landkreis als Schulträger sieht sich nicht in der Pflicht, für einen sicheren Schulweg zu sorgen." "Der Großgemeinde Kolkwitz ist das Problem auch seit Jahren bekannt. Allerdings ist hier trotzdem nichts passiert. Im rbb erklärt Bürgermeist…
  • Randelhoff MartinNorbert zu News- und Diskussionsfaden März 2024Bei dem Neubau einer Schule kann man sich darüber Gedanken machen, wie diese erreicht wird. https://www.rbb24.de/panorama/beitrag/2024/03/unsicherer-schulweg-radweg-neue-gesamtschule-spree-neisse.html

Auszeichnungen

Grimme Online Award Preisträger 2012

Zukunft Mobilität hat den Grimme Online Award 2012 in der Kategorie Information erhalten. Ich möchte mich bei all meinen Lesern für die Unterstützung bedanken!

PUNKT Preisträger 2012

Zukunft Mobilität hat den PUNKT 2012 der Deutschen Akademie der Technikwissenschaften (acatech) in der Kategorie "Multimedia" gewonnen.

Logo VDV Verband Deutscher Verkehrsunternehmen

Der Verband Deutscher Verkehrsunternehmen e.V. (VDV) hat mich im Rahmen der VDV-Jahrestagung 2013 in Mainz als “Talent im ÖPNV” des Jahres 2013 ausgezeichnet. Der VDV vertritt rund 600 Unternehmen des Öffentlichen Personennahverkehrs, des Schienenpersonennahverkehrs, des Schienengüterverkehrs, der Personenfernverkehrs sowie Verbund- und Aufgabenträger-Organisationen.

Lizenz

Zukunft Mobilität Creative Commons

Die Inhalte dieses Artikels sind - soweit nicht anders angegeben - unter CC BY-SA 3.0 de lizensiert. Grafiken sind von dieser Lizenz aus Vereinfachungs- und Schutzgründen ausgenommen (Anwendung aufgrund der Verwendung von Grafiken / Bildern mit unterschiedlichen Lizenzen zu kompliziert) außer die CC-Lizenz ist ausdrücklich genannt.

Weitere Informationen

Verfasst von:

Randelhoff Martin

Randelhoff Martin

Herausgeber und Gründer von Zukunft Mobilität, arbeitet im Hauptjob im ARGUS studio/ in Hamburg. Zuvor war er Verkehrswissenschaftler an der Technischen Universität Dortmund.
Ist interessiert an innovativen Konzepten zum Lösen der Herausforderungen von morgen insbesondere in den Bereichen urbane Mobilität, Verkehr im ländlichen Raum und nachhaltige Verkehrskonzepte.

Kontaktaufnahme:

Telefon +49 (0)351 / 41880449 (voicebox)

E-Mail: randelhoff [ät] zukunft-mobilitaet.net