Eine der Aufgaben innerhalb des von der Europäischen Kommission kofinanzierten Projektes „iTETRIS“ war die Betrachtung der ökologischen Auswirkungen von Verkehrsmanagementmaßnahmen. Um diese Aufgabe erfüllen zu können wurde die innerhalb dieses Projektes benutzte Verkehrsflusssimulation SUMO um ein Modell der Schadstoffemission und des Kraftstoffverbrauchs erweitert. Mit Hilfe der so erhaltenen Anwendung wurden Versuche durchgeführt, die die Abhängigkeit zwischen konventionellen Kenngrößen des Verkehrsmanagements und den neu errechenbaren ökologischen Kenngrößen aufdecken sollten. Innerhalb dieses Berichts werden neben dem Emissionsmodell die Ergebnisse dieser Untersuchungen vorgestellt, wobei ein starker Zusammenhang zwischen konventionellen und ökologischen Kenngrößen festgestellt wird.

Der Fachvortrag zur Veranstaltung ist im Volltext verfügbar. Das PDF enthält alle Bilder und Formeln.

1 Einführung

Neben konventionell verwendeten Kenngrößen, wie durchschnittliche Geschwindigkeit, Rückstaulänge oder Verlustzeit, spielen bei der Bewertung des Verkehrsablaufes die ökologischen Auswirkungen von Verkehr eine immer größere Rolle. Die Reduktion von Schadstoffen und des Kraftstoffverbrauchs werden somit zunehmend auch zum Arbeitsthema des Verkehrsmanagements. Dieses fand innerhalb des Projektes „iTETRIS“ ([1], [2]) der Europäischen Kommission eine hohe Beachtung. Die Aufgabe des Projektes bestand in der Entwicklung einer open-source Simulationsumgebung, die die Simulation von großflächigen, auf dem Informationsaustausch zwischen Fahrzeugen und zwischen Fahrzeugen und der Infrastruktur basierenden Verkehrsmanagementalgorithmen erlaubt. Die zunehmende Bedeutung der Betrachtung von Schadstoffen wurde im Rahmen dieses Projektes insofern berücksichtigt, als dass die für die Simulation des Straßenverkehrs ausgewählte Simulation SUMO ([3], [4], [5]) um ein Modell der Schadstoffemissionen erweitert wurde. Zudem wurden bei der innerhalb des Projektes abschließend durchgeführten Beurteilung der implementierten Maßnahmen die durch die Erweiterung der Simulation erhältlichen Metriken zu ökologischen Auswirkungen benutzt.

Im Rahmen des Projektes wurde die Verfügbarkeit eines eingebetteten Emissionsmodells ebenfalls herangezogen, um zu klären, ob ökologische Kenngrößen sich prinzipiell für den Einsatz als zu optimierende Kenngrößen eignen. Im Nachfolgenden werden zwei diesem nachgehende Untersuchungen zu Fragestellungen des Verkehrsmanagements vorgestellt: a) welche Auswirkungen hat die Verwendung ökologischer Kenngrößen bei der Routensuche auf die Routenwahl und b) welchen Zusammenhang gibt es zwischen konventionellen und ökologischen Kenngrößen bei unterschiedlichen Freigabezeiten einer Lichtsignalanlage.

Der Bericht ist wie folgt gegliedert: Zunächst wird das hergeleitete Emissionsmodell vorgestellt. Danach werden die beiden Fragestellungen einzeln behandelt. Der Bericht schließt mit einer Zusammenfassung.

2 Beschreibung des Emissionsmodells

In dem Projekt "iTETRIS" wurden die ökologische Auswirkungen von Verkehrsmanagementmaßnahmen untersucht. Für diese Betrachtung wurde es notwendig ein Emissionsmodell zu implementieren, welches folgende Anforderungen erfüllt:

- es soll in der Lage sein, den Kraftstoffverbrauch sowie den Ausstoß der gewünschten Schadstoffe zu berechnen,

- es soll möglichst einfach gehalten sein, sowohl um den für die Definition der Fahrzeugpopulation notwendigen, zusätzlichen Aufwand bei der Konfiguration zu minimieren, als auch um die Rechenzeit und die Komplexität des Simulationsmodells gering zu halten,

- es soll kontinuierlich über die Geschwindigkeit und die Beschleunigung eines simulierten Fahrzeugs sein,

- es soll die aktuelle Fahrzeugpopulation weitest möglich abdecken können,

- es soll vollständig, inklusive aller für seine Umsetzung notwendiger Parameter beschrieben sein.

Als wichtigste zu berechnende Schadstoffe wurden CO, CO2, PMx, HC sowie NOx bestimmt, eine Begründung hierfür findet sich in [6]. Für die Implementierung des Emissionsmodells sollte auf ein bereits verfügbares Modell zurückgegriffen werden.

Im Nachfolgenden werden zunächst die zur Wahl des umzusetzenden Modells durchgeführten Schritte vorgestellt. Anschließend wird die Umformulierung der als Grundlage für das Modell gewählten HBEFA-Datenbank in ein kontinuierliches Modell sowie dessen Einbettung in die Simulation SUMO beschrieben.

2.1 Auswahl eines Emissionsmodells

Zur Auswahl eines für die Einbettung in SUMO geeigneten Modells wurde zunächst eine Recherche existierender Emissionsmodelle durchgeführt. Die hierbei betrachteten Modelle sind in Tabelle 1 aufgelistet. Nicht frei verfügbare Modelle, sowie Modelle, die sich nicht in ein mikroskopisches Modell umformulieren lassen, wie z.B. PHEM ([7], [8]), wurden bei der Auswertung außer Acht gelassen.

Tabelle 1: Betrachtete Modelle für Schadstoffemission und Kraftstoffverbrauch

Im nächsten Schritt wurden die vom jeweiligen Modell benötigten Parameter und die durch das Modell berechenbaren Emissionsgrößen bestimmt und mit den in der Simulation verfügbaren Werten bzw. den als Ergebnis erwünschten Ausgaben verglichen. Tabelle 2 stellt das Ergebnis dieses Vergleiches dar.

Die endgültige Wahl fiel auf die Generierung eines Modells aus den Daten der HBEFA- Datenbank. Im Vergleich zu den anderen drei Kandidaten, „INTEGRATION Extension“, „COPERT III“ und „EMIT“, die in SUMO bereits vorhandene Größen benutzen und die gewünschten Ausgabegrößen errechnen, beinhaltet diese die größte Auflösung unterschiedlicher Fahrzeugarten. Zudem bietet HBEFA die Möglichkeit, über die in ihr enthaltenen Informationen zur Abhängigkeit zwischen der Schadstoffemission bzw. des Kraftstoffverbrauchs eines Fahrzeugs und der Steigung der befahrenen Straße, die Fahrzeugbeschleunigung in die Berechnung der Schadstoffemissionen einfließen zu lassen. Diese Eigenschaft ist für eine Evaluation von Verkehrsmanagementmaßnahmen durch mikroskopische Simulationen wichtig, da beispielsweise Anfahrvorgänge die Menge emittierter Schadstoffe stark erhöhen.

Tabelle 2: Anwendbarkeit der Modelle

2.2 Ableitung eines kontinuierlichen Modells aus der HBEFA-Datenbank

Das Handbuch der Emissionsfaktoren (HBEFA) beinhaltet Informationen über den Schadstoffausstoß verschiedener Fahrzeug- und Emissionsklassen in Form von Datenbanktabellen. Die erste Version, „HBEFA 1.1“, wurde im Dezember 1995 veröffentlicht, die zweite, „HBEFA 1.2“, im Januar 1999. Die hier vorgestellten Arbeiten basieren auf der Version 2.1 vom Februar 2004. Seit Januar 2010 kann die neue Version 3.1 bestellt werden.

HBEFA wurde ursprünglich im Auftrag der Umweltbundesämter von Deutschland, der Schweiz und Österreichs erstellt und deckt gesetzliche Schadstoffklassen beginnend mit Fahrzeugen ab 1980 bis zu heutigen Fahrzeugen der Euro-5-Norm ab. In Version 2.1 erlaubt die Datenbank die folgenden Unterscheidungen bei der Bestimmung von Emissionsfaktoren:

- nach Straßentyp, z.B. für Autobahnen oder Hauptstraßen

- nach Geschwindigkeitsklassen, wie Stop-and-Go oder freiem Fluss

- nach Kaltstartemissionen, Emissionen bei operationaler Temperatur sowie Verdünstung

- nach Kraftstofftyp, wie Diesel, Benzin sowie Gas

- nach Fahrzeugkategorie, unterschieden in PKW, leichte und schwere Lieferfahrzeuge, Busse, sowie Motorräder. Zusätzlich werden diese nach Hubraum sowie Euro-Norm unterschieden

- nach Schadstoffen: CO, HC, NOx, Partikel, sowie verschiedene HC-Komponenten (CH4, NMHC, Benzol, Toluol, Xylol), Kraftstoffverbrauch (Benzin/Diesel), CO2, NH3 und N2O

- nach Steigung von -6 % bis +6 % in Schritten von 2 %

Um das Modell innerhalb einer mikroskopischen, kontinuierlichen Simulation einsetzen zu können, wurden zunächst für jede abgebildete Fahrzeugklasse und jeden Schadstoff die Werte für unterschiedliche Geschwindigkeiten und Steigungen ausgelesen. An die so erhaltenen Werte der Emission eines bestimmten Schadstoffs für eine bestimmte Fahrzeugklasse in Abhängigkeit von der Geschwindigkeit und der Beschleunigung wurde die folgende Funktion gefittet:
 
Formel (1) siehe PDF.
 
Diese ist eine vereinfachte Form der Formel für die Berechnung der für die Fahrt aufzuwenden Kraft (siehe [26]):

Formel (2) siehe PDF.

HBEFA weist über 130 Emissionsklassen für jeden einzelnen Schadstoff auf, welche bei der Anwendung des Modells auf ein bestimmtes Szenario für die Bildung der Fahrzeugpopulation beachtet werden müssten. Daher wurden in einem nachfolgenden Schritt ähnliche Fahrzeug- und Emissionsklassen durch Clusterung zusammengefasst, um den Aufwand beim Aufsetzen der Fahrzeugzusammensetzung eines Simulationsszenarios zu reduzieren. Diese Bildung von Clustern ähnlicher Schadstoffemissionen wurde mit Hilfe einer Implementierung des Algorithmus von Hartigan und Wong ([27]) innerhalb des Statistikpakets „R“ ([28]) durchgeführt.

Umgesetzt wurden zwei Varianten mit sieben bzw. 14 Fahrzeugklassen für PKWs sowie drei Varianten mit drei, sechs bzw. 12 Klassen für LKW. Durch die Umsetzung mehrerer Cluster kann der Nutzer bei der Erstellung einer konkreten Simulation zwischen dem Aufwand und dem durch die Clusterung zustande gekommenen Fehlern abwägen.

Die Einbettung des Modells in der Simulation SUMO erlaubt die Ausgabe der emittierten Schadstoffe sowie des Kraftstoffverbrauchs aggregiert über alle Fahrzeuge einer Spur oder einer Straße und/oder über die gesamte Fahrt eines Fahrzeugs. Bei den Aggregationen über alle Fahrzeuge einer Spur / einer Straße können zudem die Aggregationsintervalle vorgegeben werden. Zusätzlich ist die von SUMO bereitgestellte Socket-Schnittstelle zur Interaktion während der Laufzeit erweitert worden und erlaubt nun die Abfrage der Emissionswerte eines Fahrzeugs oder die Summe der Emissionen auf einer Spur / Straße, jeweils für den letzten Simulationszeitschritt.

3 Schadstoffminimierende Routenwahl

Eine relativ neue Fragestellung des Verkehrsmanagement ist der Versuch, Fahrzeugrouten hinsichtlich des Ausstoßes eines bestimmten Schadstoffes oder des Kraftstoffverbrauchs zu optimieren. So wird z.B. in Navigationsgeräten oder -portalen neben der Berechnung der „kürzesten“ oder der „schnellsten“ Route auch die der „sparsamsten“ Route, im Hinblick auf den Schadstoffverbrauch, angeboten. Innerhalb der hier beschriebenen Untersuchung wurden nutzeroptimale Routen berechnet, wobei das Optimierungskriterium der geringste Ausstoß eines bestimmten Schadstoffes, respektive der minimale Kraftstoffverbrauch war. Als Ausgangspunkt wurde der Algorithmus von C. Gawron ([29]) benutzt. Seine Einsatzfähigkeit für das Errechnen eines Nutzeroptimums ist in [29] gezeigt worden. Innerhalb konventioneller Umlegungen nutzt dieser Algorithmus Reisezeiten auf Kanten eines Straßengraphen. Für die hier vorgestellten Untersuchungen wurde der Algorithmus so modifiziert, dass er für die Gewichtung der Kanten im Straßengraphen bzw. für die Gewichtung der Routen andere Größen benutzen kann. Die mögliche Veränderung der Kantengewichte über Zeit wurde hier berücksichtigt.

Bild 1: Straßennetz des Szenarios "ringway"

Für die nachfolgenden Untersuchungen wurde das im Rahmen des Projektes „iTETRIS“ erstellte Szenario „ringway“ benutzt. Das Szenario umfasst den Altstadtring der Stadt Bologna, dargestellt in Bild 1. Die Positionen und Programme der realen Lichtsignalanlagen sind innerhalb der Simulation umgesetzt worden. Aus 22294 Einzelfahrten bestehend, bildet die Nachfrage die zwischen 8:00 und 9:00 Uhr gelegene Spitzenstunde eines normalen Wochentages (Dienstag-Donnerstag) ab. Jede Fahrt wird durch die Abfahrtszeit sowie jeweils die Kante an der das Fahrzeug los fährt und die Kante an der das Fahrzeug ankommen soll spezifiziert.

Um die Eignung der ökologischen Kenngrößen für die Routenwahl zu bewerten, wurden insgesamt sieben verschiedene Umlegungen durchgeführt, jeweils eine über die Schadstoffe CO, CO2, NOx, PMx, HC, den Kraftstoffverbrauch sowie – für den Vergleich – konventionell über die Reisezeit. Zunächst wurde jedes Umlegungsergebnis nach den folgenden Kenngrößen bewertet: Summen der Emissionen aller modellierten Schadstoffe, Summe des Kraftstoffverbrauchs, Summe der Routenlängen, Summe der Reisezeit, Summe der Wartezeit (Sekunden bei denen ein Fahrzeug langsamer als 0,1 m/s gefahren ist), durchschnittliche Geschwindigkeit. Bild 2 zeigt die Ergebnisse dieser Auswertung, wobei in jedem Teildiagramm die Ergebnisse der durchgeführten Umlegungen für jeweils eine dieser Kenngrößen dargestellt werden. Die Ordinatenachse gibt hier stets die Größe wieder, nach der die Kanten während der Umlegung gewichtet worden sind.

Bild 2: Vergleiche zwischen der Benutzung unterschiedlicher Größen für Kantengewichte hinsichtlich der betrachteten Kenngrößen

Zunächst kann festgestellt werden, dass die Benutzung anderer Gewichtungen als der Reisezeit zu qualitativ ähnlichen Ergebnissen führt. Lediglich die Benutzung des Schadstoffes PMx sowie des Kraftstoffverbrauchs für die Berechnung der Güte einer Route heben sich negativ bei der Auswertung ab, insbesondere bei der Betrachtung der Wartezeiten und – damit korrelierend – der Reisezeiten. Eine mögliche Erklärung ist der geringe Ausstoß von PMx beim Halten.

Um die Ähnlichkeiten der Ergebnisse weiter zu untersuchen, wurde am Beispiel einer Umlegung nach der Reisezeit die Pearson-Korrelation zwischen den verschiedenen Bewertungsgrößen errechnet, dargestellt in Bild 3. Für jedes simulierte Fahrzeug wurden die von ihm emittierten Schadstoffe, sein Kraftstoffverbrauch, die Länge seiner Route, seine Wartezeit, seine Durchschnittsgeschwindigkeit sowie seine Reisezeit jeweils gegeneinander gestellt. Es zeigt sich eine starke Korrelation zwischen den Schadstoffemissionen, die für HC und PMx leicht geringer ausfällt. Dies impliziert, dass die Betrachtung unterschiedlicher Schadstoffe im hohen Grad redundant ist.

Bild 3: Pearson-Korrelation zwischen verschiedenen Messwerten von Fahrzeugrouten

Die naive Annahme, dass die Benutzung der Emissionen eines Schadstoffes für die Routenwahl zu einer Reduktion seines Gesamtausstoßes führt, bestätigt sich nur für den Schadstoff NOx und für die Benutzung der Reisezeit. Die Verringerung des Ausstoßes ist dabei klein, etwa im Bereich der stochastischen Variabilität der Simulation; so ergab beispielsweise die Auswertung verschiedener Umlegungen unter Benutzung der Reisezeit als Kantengewichtung eine Standardabweichung von 20,48 s der durchschnittlichen Reisedauer, während die Standardabweichung dieser Größe zwischen den Umlegungen unter Benutzung verschiedener Kantengewichtungen 14,38 s betrug.

Die Begründung ist hauptsächlich in der Benutzung eines Verfahrens zur Bestimmung eines Nutzergleichgewichts zu finden. Während jeder Fahrer versucht die für ihn beste Route zu benutzen, entstehen Interaktionen zwischen den Routen, die das Erreichen eines Systemoptimums verhindern. Verfahren für das Errechnen eines Systemoptimums, die eine mikroskopische Simulation zur Bestimmung der Kantengewichte benutzen sind zurzeit erst in der Erstellung. Daher kann ein Vergleich zwischen den hier gezeigten Ergebnissen und dem jeweiligen, die gleiche Größe als Kantengewichtung benutzenden, Systemoptimum zurzeit nicht präsentiert werden.

4 Schadstoffausstoß an Lichtsignalanlagen

Die Minimierung von Schadstoffemissionen und Kraftstoffverbrauch findet zunehmend auch im Bereich der Optimierung von Lichtsignalanlagen (LSAs) Interesse. Dies gilt insbesondere für das Themenfeld „Fahrzeug-Infrastruktur-Kommunikation“ wo an Anwendungen wie „green light optimal speed advisory“ (GLOSA), also der optimalen Geschwindigkeitsempfehlung vor Lichtsignalanlagen gearbeitet wird. Die nachfolgend beschriebene Untersuchung sollte klären, inwiefern konventionelle Qualitätskenngrößen mit ökologischen, d.h. Schadstoffemissionen und Kraftstoffverbrauch beschreibenden, zusammenhängen.

Als Szenario wurde ein abstraktes Netz mit einer einzelnen LSA aufgesetzt. In die durch die LSA geregelte Kreuzung mündete eine 10 km lange Straße. Die Straßenlänge wurde so groß gewählt, damit auch bei hohem Rückstau die Emissionsmessung für alle Fahrzeuge möglich ist. Der Fahrzeugzufluss bestand aus 1.000 Fahrzeugen, die im zeitlichen Abstand von 5 Sekunden eingesetzt wurden. Die Umlaufzeit der LSA betrug konstant 120 Sekunden. Zwischen den nachfolgenden Simulationen wurde die Freigabezeit um jeweils eine Sekunde erhöht, beginnend bei einer Dauer von 10 Sekunden, bis zu einer Dauer von 110 Sekunden. Die Übergangssignale gelb und rot-gelb wurden nicht abgebildet. Bild 4 zeigt die Verläufe der Bewertungsgrößen in Abhängigkeit der Freigabezeit.

Bild 4: Abhängigkeit zwischen der Dauer der Freigabezeit und der durchschnittlichen Emission betrachteter Schadstoffe

Zwei Beobachtungen können gemacht werden: a) alle Kurven entwickeln sich ähnlich, b) es ist ein starker Anstieg der Emissionen für Freigabezeiten unter 60 s zu beobachten. Der Anstieg ist im Wachstum des Rückstaus vor der LSA begründet. Die in Bild 5 gezeigte Kurve für die maximale Aufstelllänge innerhalb eines Simulationslaufs in Abhängigkeit von der Gründauer bestätigt dies.

Bild 5: Abhängigkeit zwischen der Dauer der Freigabezeit und maximaler Aufstelllänge

Nach dem Vergleich des Kurvenverlaufes unterschiedlicher Emissionsgrößen, wird nachfolgend der Zusammenhang zwischen den verschiedenen Emissionsgrößen und der Verlustzeit vor einer Kreuzung betrachtet. Die Verlustzeit ist hierbei definiert als:

Formel (3) siehe PDF.

Wie Bild 6 zeigt, besteht ein starker, meist linearer Zusammenhang zwischen der Verlustzeit und der Menge der emittierten Schadstoffe. Trotz der Zielstellung Emissionen zu minimieren, wäre es daher in dem dargestellten Beispiel ausreichend, die LSA lediglich unter dem Gesichtspunkt der Verlustzeit zu optimieren. Auf die explizite Betrachtung von Schadstoffen könnte daher verzichtet werden, wodurch sich die Komplexität der Steuerungsoptimierung reduzieren lässt.

Bild 6: Abhängigkeit zwischen der Verlustzeit und der durchschnittlichen Emission betrachteter Schadstoffe

Die gleichen Potentiale zeigen sich auch bei der Betrachtung der Abhängigkeit zwischen der Anzahl von Halten und den Emissionen. Der Anfang eines Halts wurde hierbei als der Zeitpunkt ab dem die Geschwindigkeit eines Fahrzeugs unter 0,1 m/s sinkt, angenommen. Die nahezu lineare Abhängigkeit zwischen dieser Kenngröße und den betrachteten Emissionsgrößen wird in Bild 7 dargestellt.

Bild 7: Abhängigkeit zwischen der Verlustzeit und der durchschnittlichen Emission betrachteter Schadstoffe

Zunächst gelten diese Aussagen aufgrund der Annahmen des untersuchten Szenarios nur für Lichtsignalanlagen mit gleichmäßigem Fahrzeugzufluss. Aus diesem Grund sollte in weiterführenden Untersuchungen detaillierter ermittelt werden, unter welchen Randbedingungen sich welche Korrelation zwischen der Verlustzeit und anderen Bewertungsgrößen ergibt. Dabei sollten neben verschiedenen stochastischen Zuflussverteilungen auch die Pulkbildung durch vorgelagerte LSAs in komplexeren Szenarien und weitere Variationen der LSA-Steuerung betrachtet werden.

5 Zusammenfassung

Es wurden Untersuchungen vorgestellt, die die Betrachtung von ökologischen Messwerten wie Schadstoffemission oder Kraftstoffverbrauch zum Gegenstand hatten. Ausgewählt wurden zwei Fragestellungen aus dem Bereich des Verkehrsmanagements, die Wahl von Routen (Navigation) sowie die Performanz von Lichtsignalanlagen. Es zeigte sich, dass die gesonderte Betrachtung von Emissionen bei den ausgewählten Verkehrsmanagementansätzen keinen großen, zusätzlichen Nutzen brachte. Konventionelle, auf der Reisezeit basierende Bewertungen wie Routendauer oder Verlustzeit sowie die Anzahl der Halte scheinen für eine Optimierung daher in vielen Fällen zu genügen, da sie die Schadstoffemissionen ebenfalls verringern.

Diese Aussage sollte durch weitere Auswertungen – ggf. auch durch die Benutzung anderer Emissionsmodelle – validiert und konkretisiert werden. Zudem bietet die Betrachtung von Emissionen andere Anwendungsmöglichkeiten, die im Rahmen der hier vorgestellten Arbeit nicht betrachtet worden sind.

6 Literatur

[1]    LAZARO O.; ROBERT E. (2009). iTETRIS: The Simulation Platform to Valorise Cooperative ITS in Effective Traffic Management. ITS Traffic Technology International Magazine, August/September 2009.

[2]    iTETRIS Konsortium (2010). Internetauftritt des Projektes iTETRIS, http://www.ict- itetris.eu/index.htm, zuletzt besucht am 14.01.2011.

[3]    KRAJZEWICZ, D.; BONERT, M.; WAGNER, P. (2006). The Open Source Traffic Simulation Package SUMO. RoboCup 2006, 14.-20. Juni 2006, Bremen.

[4]    KRAJZEWICZ, D. (2010). Traffic Simulation with SUMO - Simulation of Urban Mobility. Fundamentals of Traffic Simulation International Series in Operations Research and Management Science. Springer, S. 269-294, ISBN 978-1-4419-6141-9, ISSN 0884- 8289.

[5]    Institut für Verkehrssystemtechnik am Deutschen Zentrum für Luft- und Raumfahrt (2002-2010). Internetauftritt der Simulationssoftware SUMO. http://sumo.sf.net, zuletzt besucht am 14.01.2011.

[6]    iTETRIS Konsortium (2009). Deliverable D2.1: Co-operative Traffic Management Strategies. September 2009. Erhältlich über [2].

[7]    ZALLINGER, M.; TATE, J.; HAUSBERGER, S.; GOODMAN, P. (2009). Evaluation of a Coupled Micro-Scopic Traffic Simulator and Instantaneous Emission Model. 7th International Conference on Air Quality - Science and Application 2009, Istanbul, 24.- 27.03.2009.

[8]    ZALLINGER, M.; TATE, J.; HAUSBERGER, S. (2008). An Instantaneous Emission Model for the Passenger Car Fleet. 16th International Conference „Transport and Air Pollution”, VKM Mitteilungen Band 91 (ISBN: 987-3-85125-016-9), Graz, 16.-17.06.2008.

[9]    EISSFELDT, N. (2004) Vehicle-based modelling of traffic. Theory and application to environmental impact modelling. Doktorarbeit, Köln, 2004. http://kups.ub.uni- koeln.de/volltexte/2004/1274/.

[10]    BENMIMOUN, A.; EISSFELDT, N.; GÜHNEMANN, A.; NEUNZIG, D.; WAGNER, P. (2001) Integration von dynamischer Verkehrssimulation und Wirkungsanalyse für die Entwicklung ressourcenschonender Verkehrsmanagement-Strategien. 18. Verkehrswissenschaftliche Tage Dresden "Verkehrs und Mobilität in der Informationsgesellschaft", Dresden, 2001.

[11]    NESAMANI, K. S.; CHU, L. Y.; MCNALLY, R.; JAYAKRISHNAN, R. (2006). Estimation of Vehicular Emissions by Capturing Traffic Variations. Proceedings of 85th Transportation Research Board Annual Meeting, 2006, Beitrag #06-1629.

[12]    TENG, H.; YU, L.; QI, Y. (2001) Analytical Tool for Measuring Emission Impact of Acceleration and Deceleration Lanes. Report No. FHWA/NJ 2001-24, 2001.

[13]    UNECE/EMEP Task Force on Emissions Inventories and Projections. (2007). EMEP/CORINAIR Emission Inventory Guidebook – 2007. European Environment Agency, 2007.

[14]    CAPPIELLO, A.; CHABINI, I.; NAM, E. K.; LUE, A.; ZEID, M. A. (2002). A statistical model of vehicle emissions and fuel consumption. Proceedings of the IEEE 5th International Conference on Intelligent Transportation Systems, 2002.

[15]    RAKHA, H.; AHN, K.; TRANI, A. (2004). Development of VT-Micro Model for Estimating Hot Stabilized Light Duty Vehicle and Truck Emissions. Transportation Research Part D: Transport and Environment, Volume 9, Number 1, January 2004, S. 49-74(26), Elsevier.

[16]    YUE, H. (2008). Mesoscopic Fuel Consumption and Emission Modelling. Doktorarbeit, Blacksburg, Virginia, 2008.

[17]    PÄSTER, P. (?). Ask-Pablo page on vehicular emissions. http://www.triplepundit.com/pages/askpablo-well-to-wheel-efficie-002461.php, Nicht mehr verfügbar am 14.1.2011, zuletzt besucht: Dezember 2008.

[18]    DAT. (2008). Leitfaden zu Kraftstoffverbrauch und CO2-Emissionen. Ausgabe, 3. Quartal, 2008. http://www.dat.de/leitfaden/LeitfadenCO2.pdf, aktuelle Ausgabe 2011 verfügbar, zuletzt besucht am 14.01.2011.

[19]    INFRAS. (2010). Handbuch der Emissionsfaktoren. http://www.hbefa.net/, zuletzt besucht am 14.01.2011.

[20]    AKCELIK, R.; BESLEY, M. (2003). Operating cost, fuel consumption, and emission models in aaSIDRA and aaMotion. Proceedings of the 25th Conference of Australian Institutes of Transport Research (CAITR), Adelaide, December 3-5, 2003.

[21]    OH, J.-S., CORTES, C. E. JAYAKRISHNAN, R.; LEE, D.-H. (1999) Microscopic Simulation with Large-Network Path Dynamics for Advanced Traffic Management and Information Systems. CTSS Working Paper Series, Working Paper #UCI-ITS-TS-WP-99- 12 (formerly UCI-ITS-WP-99-16), 1999, http://www.its.uci.edu/its/publications/ctss.html, zuletzt besucht am 14.01.2011.

[22]    SILVA, C. M., GONÇALVESA, G. A., FARIASA, T. L., MENDES-LOPESA, J. M. C. (2006). A tank-to-wheel analysis tool for energy and emissions studies in road vehicles. Science of The Total Environment, Volume 367, Issue 1, 15. August 2006, Seiten 441- 447.

[23]    LIU, H.; HE, K.; LENTS, J. M. WANG, Q. (2008). Methodology for Developing Microemission Model Based on On-Board Heavy-Duty Truck Tests in China. Proceedings of the 87th Transportation Research Board Annual Meeting, 2008.

[24]    WU, P.; NIEMEIER, D.; BAI, S.; EISINGER, D. (2007) CT-EMFAC: A COMPUTER MODEL TO ESTIMATE TRANSPORTATION PROJECT EMISSIONS. http://aqp.engr.ucdavis.edu/, zuletzt besucht am 14.01.2011.

[25]    BAI, S.; CHIU, Y.-C.; NIEMEIER, D. (2008). Using Dynamic Assignment to Improve Regional Mobile Emissions Estimation. Proceedings of the 87th Transportation Research Board Annual Meeting, 2008.

[26]    TREIBER, M.; KESTING, A.; THIEMANN, C. (2008). How Much does Traffic Congestion Increase Fuel Consumption and Emissions? Applying a Fuel Consumption Model to the NGSIM Trajectory Data. Presentation No. 08-2715 at the Annual Meeting of the Transportation Research Board, January 13-17, 2008, Washington, DC.

[27]    HARTIGAN, J. A.; WANG, M. A. (1979). A K-means clustering algorithm. Applied Statistics 28, 100–10, 1979.

[28]    R Projekt; Internetauftritt der Software „R“. http://www.r-project.org/, zuletzt besucht am 14.01.2011.

[29]    GAWRON, C. (1998). Simulation-based traffic assignment – computing user equilibria in large street networks. Doktroarbeit, Universität zu Köln, 1998.