Im Rahmen des durch den österreichischen Klima- und Energiefonds (KLIEN), durch das Bundesministerium für Verkehr, Innovation und Technologie (BMVIT) sowie durch das Land Salzburg finanzierten Projekts „FCD Modellregion Salzburg“ zeichnet eine im Verkehr mitschwimmende Flotte Floating-Car-Data (FCD) sowie extended FCD (xFCD) auf und überträgt diese an einen zentralen FCD-Server. Im Gegensatz zu vergleichbaren Testfeldern wird eine diversifizierte Flotte in einem weitläufigen und hinsichtlich räumlicher Strukturen heterogenen Gebiet eingesetzt. Der vorliegende Beitrag befasst sich mit der Analyse der Netzbefahrungen unterschiedlicher FCD-Flotten zur Generierung von Verkehrsinformationen in verschiedenen Raumstrukturtypen der Modellregion Salzburg. Außerdem wird der aus xFCD generierte und auf Segmente bezogene Kraftstoffverbauch hinsichtlich seiner Verwendung für eine Bewertung der Energieeffizienz evaluiert. Die Datengrundlage bildet eine historische Datenbasis von Segmentbefahrungen von Mai 2013 bis September 2013. Die Auswertungen zeigen die flottentypischen Unterschiede hinsichtlich des räumlichzeitlichen Schwerpunkts von Befahrungen und somit der Generierung von Verkehrsdaten. Für die Verwendung von xFCD-Verbrauchswerten für historische Datenanalysen wird ein geforderter segmentspezifischer Strichprobenumfang je Betrachtungsintervall definiert. Die finalen Ergebnisse der Datenanalysen in der FCD Modellregion Salzburg werden auf Grundlage einer umfangreicheren Datenbasis und Flottenausstattung im Juli 2014 vorliegen.

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

1. Einführung

Vor dem Hintergrund eines zunehmend hohen Verkehrsaufkommens in Städten und deren Umland besteht die Notwendigkeit einer effizienten Nutzung der vorhandenen Verkehrsinfrastruktur. Ziel eines dynamischen Verkehrsmanagements ist eine zeitliche, räumliche und modale Verlagerungen von Fahrten entsprechend freier Kapazitäten im Verkehrsnetz zu erreichen. Grundlage für die Aktivierung verkehrlicher Maßnahmen ist die qualitätsgesicherte Erfassung von Verkehrszuständen. Eine Methode zur Erfassung flächendeckender Verkehrsdaten stellt der Ansatz der Floating-Car-Data (FCD) dar, bei dem Bewegungsdaten direkt aus am Verkehr teilnehmenden Fahrzeugen übertragen werden. Durch die Integration von fahrzeugseitiger Sensorik (z.B. Verbrauchswerte, Temperatur, Schweibenwischeraktivität) können zusätzliche Betriebsdaten aus dem Fahrzeug-Datenbus ausgelesen und prozessiert werden, um eine verbesserte situationsbezogene Abbildung des Verkehrsgeschehens zu ermöglichen. Diese Erfassungsmethode wird Extended Floating-Car-Data (xFCD) genannt.

Im Rahmen des durch den österreichischen Klimaund Energiefonds sowie durch das Land Salzburg finanzierten Projektes „FCD-Modellregion Salzburg“ wird der Einsatz und Nutzen von FCD für die Verkehrslageberechnung, Verkehrsmodellierung sowie zur Verkehrssteuerung evaluiert. Dafür generiert eine mit Onboard-Units ausgestattete diversifizierte Flotte seit Mai 2013 im Testgebiet der Modellregion im Bundesland Salzburg GPS-Positionssowie Fahrzeugsensorikdaten.

2. Motivation und Ziele

Durch die fortschreitende Verbreitung von Geräten mit GPS-Technologie (z.B. Smartphones), eine verbesserte Genauigkeit der Positionsbestimmung und gesunkene Kommunikationskosten hat sich der Einsatz von FCD in unterschiedlichen Kontexten bereits etabliert. Häufig wird die FCD-Anwendung zur Verkehrsanalyse, Verkehrssteuerung, Verkehrssicherheit sowie in Telematikapplikationen wie beispielsweise Routingdiensten verwendet (BISHOP 2005, S. 259, [1]; HUBER et al. 2001, S. 2, [2]; JESKE 2012, S. 1, [3]; KRAMPE 2006, S. 32, [4]; LINAUER 2005, S. 18, [5]; OBERAUER et al. 2011, S. 339, [6]). Konkrete Beispiele für Anwendungen von FCD sind das vom Deutschen Zentrum für Luftund Raumfahrt (DLR) initiierte Taxi-FCD-System (GÜHNEMANN et al. 2004, S. 2, [7]) oder der schwedische FCD-Feldtest OPTIS (BISHOP 2005, S. 261 [1]). Auch große Anbieter von Telematikdiensten wie TomTom1 oder INRIX2 erfassen FCD und integrieren diese in Ihre Dienste bzw. bieten die generierten Daten für Dritte an (DE BOER et al. 2012, S. 3, [8]).

Bisherige wissenschaftlich fokussierte FCD-Feldtests wurden jedoch hauptsächlich in Ballungsräumen durchgeführt (BISHOP 2005, S. 261 [1]). Daraus resultiert ein Mangel an Ergebnissen zum Einsatz von FCD in über Stadtgebiete hinausreichende semi-urbane, funktionale Verflechtungsräume und ländliche Gebiete. In der FCD-Modellregion Salzburg wurde daher das Bundesland Salzburg als Testfeld definiert. Hierdurch können neue Erkenntnisse des Einsatzes von FC-Daten in unterschiedlichen Raumstrukturtypen gewonnen werden.

Ebenso werden zur Datengenerierung in der Regel homogene Fahrzeugflotten wie beispielsweise Taxis eingesetzt (KÖRNER 2011, S. 381 [9], GÜHNEMANN et al., 2004, S. 2 [7]). Daher existieren kaum Ergebnisse zum Potential unterschiedlicher Flottentypen zur Generierung von Verkehrsdaten. Aus diesem Grund wird in der FCD-Modellregion eine heterogene Flotte eingebunden, wodurch flottenspezifische räumlich-zeitliche Bewegungsmuster identifiziert und deren Potentiale zur Datengenerierung evaluiert werden können.

Einen weiteren Aspekt des Projekts stellt die Generierung und Auswertung von xFCD dar. Zu den Potenzialen von xFCD gibt es bereits seit Ende der 1990er Jahre Forschungsaktivitäten. (HUBER 2001, [10]; BREITENBERGER et al. 2004, [11]). Dabei wird der Einsatz von xFCD vor allem für lokale Gefahrenwarnungen, z.B. bei Nässe oder Glätte auf der Fahrbahn oder Sichtbehinderungen durch Nebel oder für die Generierung straßengenauer Wetterinformationen, angeführt. Die Forschungen zu xFCD wurden bisher jedoch kaum über Potentialanalysen hinaus weitergeführt. Daraus resultiert ein Mangel an wissenschaftlich motivierten und unabhängigen Arbeiten zur systematischen Integration von xFCD zur weiteren Plausibilisierung bestehender bzw. zur Generierung neuartiger Verkehrsinformationen im Rahmen eines FCD-Testgebietes. Ein Ziel im Projekt FCDModellregion Salzburg ist es daher aufzuzeigen, wie auf der Grundlage von historischen Datenanalysen verkehrliche Informationen aus der Fahrzeugelektronik registrierten Messwerten gewonnen werden können. Dadurch soll auch der konkrete Nutzen von xFCD, etwa für die Verkehrssteuerung, aufgezeigt werden.

Weitere Ziele der FCD-Modellregion umfassen die Evaluierung unterschiedlicher Technologien zur GPS-Datenerfassung (Onboard-Units, Plug-In GPS, Smartphones) mit verschiedenen Aufnahmeintervallen (von 1 bis 60 Sekunden), die Implementierung von Anonymisierungsmaßnahmen zur vollständigen Übereinstimmung mit EUDatenschutzrichtlinien, historische Verkehrsqualitätsanalysen sowie eine abschließende Wirtschaftlichkeitsbetrachtung. Aufbauend auf den Erkenntnissen dieses Projektes werden Handlungsempfehlungen für den Einsatz von FCD in Österreich gegeben.

In diesem Beitrag werden die im Rahmen der FCD-Modellregion durchgeführten Analysen zur Bewertung flottenspezifischer Potentiale zur Datengenerierung im strukturell  heterogenen Testfeld der FCD-Modellregion Salzburg sowie vorläufige Ergebnisse auf der Grundlage einer historischen Datenbasis von Mai 2013 bis September 2013 beschrieben (vgl. Kapitel 4). Des Weiteren wird der aus xFCD generierte und auf Segmente bezogene Kraftstoffverbrauch hinsichtlich der Verwendung für eine Bewertung der Energieeffizienz evaluiert (vgl. Kapitel 5). Die für die Analysen erforderlichen Datengrundlagen werden im folgenden Kapitel 3 beschrieben.

3. Datengrundlagen

3.1 Testfeld der FCD-Modellregion Salzburg

Die FCD-Modellregion ist im Bundesland Salzburg in Österreich lokalisiert und erstreckt sich über unterschiedliche nach dem Salzburger Landesentwicklungsplan (LOVREK 2006, S. 3 ff., [12]) definierte räumliche Strukturtypen (vgl. Bild 1). Neben dem verdichteten Stadtund Umlandbereich der Landeshauptstadt Salzburg wird zwischen dem Salzburger Zentralraum, welcher siedlungsstukturell, funktionell und verkehrsmäßig eng mit den Orten Salzburg und Hallein verflochten ist, den jeweiligen Stadtund Umlandbereichen der Bezirkshauptstädte Zell am See und St. Johann im Pongau sowie dem ländlichen Raum im Bundesland Salzburg differenziert. Als räumliche Referenz für die Verkehrslagedarstellung und die historischen Datenanalysen wird ein strategischer Ausschnitt des digitalen österreichischen Verkehrsgraphen GIP3 eingesetzt. Das Netz erstreckt sich dabei über alle Strukturräume des Bundeslandes Salzburgs und umfasst verschiedene Straßenklassen, wobei insgesamt etwa 150 km Autobahn, 1150 km Landesstraßen sowie 250 km untergeordnete Landesstraßen und lokale Straßen vorhanden sind.

Bild 1: Testfeld der FCD-Modellregion mit dem strategischen Straßengraphen und Strukturräumen (eigene Darstellung)

3.2 Flottenzusammensetzung

In der FCD-Modellregion Salzburg werden mit Jahresende 2013 von ca. 550 Fahrzeugen mittels On-Board-Units und Plug-In GPS-Geräten FC-Daten generiert. Der Feldversuch läuft noch bis mindestens Ende 2014 und soll auf ca. 1.000 Fahrzeuge erweitert werden. Tabelle 1 zeigt die bis Dezember 2013 ausgestatteten Flotten, die jeweilige Fahrzeuganzahl sowie die bislang aufgezeichneten Kilometerleistungen. Die angebundenen Flotten wurden bewusst so ausgewählt, dass verschiedene Flottentypen in der Modellregion repräsentiert sind. Die diversifizierten Flotten umfassen Dienstfahrzeuge aus den Bereichen der mobilen Hauskrankenpflege und Firmenwagen, Privatfahrzeuge, Einsatzfahrzeuge der Pannenhilfe und des Ambulanzdienstes sowie den ÖPNV, der durch eine städtische Busflotte und Taxis eingebunden ist. Darüber hinaus ist geplant, weitere Flotten anzubinden.

Tabelle 1: Flotten in der FCD-Modellregion im Betrachtungszeitraum Mai bis September 2013; Quelle: Salzburg Research Forschungsgesellschaft

3.3 Datengenerierung und -struktur

Von den Fahrzeugen werden in regelmäßigen Abständen (wenn möglich im Sekundenintervall, jedoch zumindest alle 60 Sekunden) GPSund teilweise Sensordaten erfasst. Bild 2 zeigt beispielhaft eine Sequenz von GPS-Punkten, die die Einzelpositionen einer Fahrt repräsentiert. Die Aufzeichnung erfolgt dabei in einer Übertragungsrate von 1 Hz, wodurch ein Messwert pro Sekunde registriert wird.

Bild 2: Beispiel für eine fahrzeuggenerierte Sequenz von GPS Punkten mit 1 Hz Rate in der FCD-Modellregion Salzburg; Hintergrundkarte: Google Satellite

Die aus den Fahrzeugen generierten Punktdaten werden an einen zentralen FCD-Server gesendet und anonymisiert gespeichert. Zur Verkehrslageermittlung ist eine Zuordnung der Daten zu befahrenen Strecken notwendig. Dazu werden die fortlaufend übertragenen Einzelpositionen und Messwerte in einem Map-Matching-Prozess auf Segmente eines digitalen strategischen Straßengraphs referenziert. Die resultierenden Segmentbefahrungen von Einzelfahrzeugen werden in die Analysedatenbank gespeichert und stellen die grundlegende Dateneinheit für die historischen Datenanalysen dar. Bild 3 zeigt die während einer Segmentbefahrung aufgezeichneten Parameter (FCD und xFCD). Die als FCD angeführten Parameter sind bei jeder Segmentbefahrung durchgängig angehängt, die aus der Fahrzeugsensorik generierten Daten (xFCD) sind getrennt gespeichert und können einer Segmentbefahrung bei Vorhandensein über den Fahrten-ID Schlüssel zugeordnet werden.

Über die Segment-ID werden die nach Flotten differenzierten Befahrungen auf Grundlage des Straßengraphens verortet. In zeitlicher Dimension ist über die beiden entsprechenden Parameter Start und Ende einer Segmentbefahrung mit Datum und Uhrzeit gespeichert. Die xFCD-Parameter werden in der Modellregion in kleinerem Umfang und je nach ausgestattetem Fahrzeugtyp in unterschiedlicher Ausprägung aufgezeichnet, auf die Segmentbefahrungen bezogen werden potenziell Daten zum Kraftstoffverbrauch [µl], Motordrehrate [U/min], Außentemperatur [Grad Celsius], Scheibenwischeraktivität mit Intervallstärke [-] und Nutzung der Nebelschlussleuchte (an/aus) [-] übergeben. Weitere durch die xFCD-Onboard-Units registrierten Messwerte beinhalten Fernund Abblendlicht, Richtungsindikator [Grad], Geschwindigkeit [km/h] sowie Bremsund Warnlichter (an/aus) [-]. Parameter, die sich auf Straßensegmente abbilden lassen, sind ebenfalls auf die Straßensegmente referenziert.

Basierend auf den FCD und xFCD-Parametern werden weitere Attribute abgeleitet, die unter dem Begriff Merkmalskategorien zusammengefasst sind. Diese umfassen Tagesklassen (Werktag, Samstag, Sonntag, Feiertag), tageszeitliche 15- und 30-Minuten Intervalle, Verkehrszeiten (Hauptverkehrszeit morgens/abends, Nebenverkehrszeit, Schwachverkehrszeit, Nachtverkehrszeit), Netzklassen (basierend auf der Straßenklassifizierung der GIP), Raumklassen (entsprechend dem Salzburger Landesentwicklungskonzept), Flottenklasse (Dienstflotte, Privatflotte, Einsatzflotte, ÖPNV) und Regenereignisse (indiziert durch xFCD-Wischeraktivität).

Bild 3: Datenstruktur und generelle Prozessierungsschritte der FC- / xFC-Daten

4. Räumlich-zeitliche Netzabdeckung

Ein Ziel der FCD-Modellregion liegt in der Evaluierung des Nutzens unterschiedlicher Flottentypen (Dienstfahrzeuge, Privatfahrzeuge, Einsatzfahrzeuge, ÖPNV) zur Datengenerierung im strategischen Netz sowie in unterschiedlichen Raumstrukturtypen (Stadtu. Umlandgebiete, funktionaler Zentralraum, ländlicher Raum). Daraus ergeben sich folgende konkrete Fragestellungen:

•    Wie gut eignen sich die unterschiedlichen Flotten zur FCD-Generierung bei räumlichzeitlich differenzierter Betrachtung?

•    Wie stark ähneln sich Segmentbefahrungen der unterschiedlichen Flotten in räumlich-zeitlicher Dimension und welche Anforderungen ergeben sich daraus für die Flottenzusammensetzung?

•    Wie gut ist die segmentbezogene Abdeckung des strategischen Straßengraphens hinsichtlich räumlich-zeitlich differenzierter Qualitätsanforderungen und wo bestehen Detektionsdefizite?

Die Auswertungen wurden auf Grundlage der historischen Datenbasis von Segmentbefahrungen von Mai 2013 bis September 2013 durchgeführt.

4.1 Flottenspezifische FCD-Erfassung

Die heterogene Flottenzusammensetzung ermöglicht es, unterschiedliche Flottentypen hinsichtlich ihrer räumlich-zeitlichen Aufnahmeaktivität zu untersuchen und miteinander zu vergleichen.

In Bild 4 ist die relative Befahrungszeit jeder Flotte in den drei Raumstrukturtypen Stadt Salzburg (urbanes bis semi-urbanes Gebiet), Zentralraum Salzburg (funktionaler Verflechtungsraum um die Stadt Salzburg) und ländlicher Raum (mit Ausnahme von Autobahnabschnitten) dargestellt. Wie zu erwarten liegt der Schwerpunkt der Befahrungen für die meisten Flottentypen im städtischen Raum. Die Ausnahmen bilden die mobile Hauskrankenpflege sowie die regionale Taxiflotte, die etwa 45 bzw. 55% aller Fahrten auf Strecken durchführen, die dem ländlichen Raum zugeordnet werden. Im Beobachtungszeitraum waren Fahrzeuge der Pannenhilfe nur am städtischen Stützpunkt ausgestattet, woraus sich eine Fokussierung der Befahrungsaktivität auf den städtischen Raum ergibt. Die Firmenwagen und Privatfahrzeuge haben mit 35 bzw. 29% den größten Anteil an Fahrten im Zentralraum Salzburg durchgeführt, was ein Indiz für vermehrte Pendlerfahrten zwischen Stadt und Umland sein kann.

Bild 4: Anteil der Befahrungszeiten nach Flotten in unterschiedlichen Raumstrukturtypen

Auch in der zeitlichen Verlagerung von Segmentbefahrungen können Unterschiede zwischen den Flottentypen identifiziert werden. Für ausgewählte Flotten ist der tageszeitliche Verlauf der durchschnittlichen Kilometerleistung je Fahrzeug an Werktagen im September 2013 in Bild 5 dargestellt. Die Firmenwagen weisen dabei deutliche Morgenund Abendspitzen der Befahrungsaktivität auf, was auf ein Mittschwimmen dieser Flotte in typischen Berufsverkehrsströmen hindeutet. Die Aufnahmeaktivität der mobilen Pflege wird durch typische Arbeitsabläufe mit zeitlich festgelegten Phasen der Betreuung determiniert, und weist die höchste Aufnahmeaktivität um 7 Uhr sowie eine weitere kleinere Spitze um die Mittagszeit auf. Ambulanzen haben die höchste Kilometerleistung von 9 bis 13 Uhr, zur verkehrlichen Abendspitze ab 17 Uhr ist die Befahrungsaktivität deutlich geringer. Eine Abendspitze weisen hingegen die Stadtbusse auf. Die Nachtphasen werden bei den dargestellten Flottentypen fast ausschließlich und in geringem Maße von Ambulanzen befahren.

Bild 5: Tageszeitlicher Verlauf der durchschnittlichen Kilometerleistung je Fz/Flotte an Werktagen im Sept. 2013

Die zeitliche Verteilung von Segmentbefahrungen ist anhand des Anteils von Befahrungen in 3-stündigen Zeitklassen von 6 bis 21 Uhr nochmals in Bild 6 dargestellt. Die Flotte der mobilen Pflege eignet sich demnach besonders gut für die Datenaufnahmen zwischen 6 und 12 Uhr, mit über 50% in diesem Zeitraum getätigten Segmentbefahrungen. Fahrzeuge der Pannenhilfe schwimmen nur in geringem Ausmaß im Frühund Abendverkehr mit und weisen dafür hohe, gleichmäßige Aufnahmeaktivität während typischen Geschäftszeiten zwischen 9 und 18 Uhr auf. Wie bereits zuvor dargestellt detektieren die ausgestatteten Firmenwagen vor allem die Morgenund Abendstunden besonders intensiv. Taxis generieren nahezu die Hälfte der Befahrungsdaten nach 15 Uhr aber im Vergleich zu anderen Flotten mit besonders intensiver Aufnahmeaktivität nach 18 Uhr.

Bild 6: Relative Befahrungszeit von Flottentypen in unterschiedlichen Zeitklassen

4.2 Ähnlichkeit flottenspezifischer Segmentbefahrungen

Um zu evaluieren, wie stark sich die Segmentbefahrungen der unterschiedlichen Flotten in räumlich-zeitlicher Dimension ähneln, wird ein Ähnlichkeitsmaß für jedes Flottenpaar errechnet. Als räumliche Referenz dient dabei die Segment-ID einer Befahrung, in zeitlicher Dimension wird ein Intervall mit einer Ausdehnung von 30 Minuten jeweils vor und nach dem Endzeitpunkt einer Segmentbefahrung angenommen. Für jedes Detektionsereignis einer Flotte wird für die weiteren Flotten überprüft, ob im gegebenen Zeitintervall und am betreffenden Segment ebenfalls eine Detektion vorliegt. Dementsprechend werden den verglichenen Flotten binäre Hilfsvariablen (1 für überschneidende Segmentbefahrung; 0 für keine überschneidende Segmentbefahrung) zugeteilt. Da das Vorhandensein überschneidender Detektionen eine höhere Aussagekraft für die Beurteilung der Ähnlichkeitsmuster haben soll als das Nichtvorhandensein, wird als Ähnlichkeitsmaß der Jaccard-Koeffizient verwendet (PFEFFERER 1996, S. 74, [13]):

Formel siehe PDF.

Als Datengrundlage wurde eine vollständige Woche im September 2013 zur Berechnung des Ähnlichkeitsmaßes herangezogen. Tabelle 2 zeigt die Ähnlichkeitsmatrix flottenspezifischer Segmentbefahrungen über das gesamte strategische Netz der Modellregion. Je näher der Wert bei 100 liegt, desto größer ist die Überschneidung von Segmentbefahrungen und desto ähnlicher sind die räumlich-zeitlichen Bewegungsmuster zwischen den Flotten.

Tabelle 2: Ähnlichkeitsmatrix detektierter segmentspez. Intervalle unterschiedl. Flotten

Die in der Modellregion ausgestatteten Taxis weisen eine besonders niedrige Übereinstimmung von Bewegungsmustern mit anderen Flottentypen auf. Dies ist vor allem auf eine verstärkte Detektion während Abendund Nachtzeiten zurückzuführen, in denen von anderen Flotten wenige oder keine Befahrungen durchgeführt werden. Bei der Flotte der mobilen Pflege führt vor allem die verstärkte Durchführung von Befahrungen im ländlichen Raum zu niedrigeren Übereinstimmungen mit anderen Flotten. Dementsprechend stellen vor allem die Taxis und die mobile Pflege eine wichtige Komponente in der Flottenzusammensetzung dar, da diese besonders viele Segmente bzw. Zeitintervalle detektieren die von anderen Flotten nicht erfasst werden. Die höchsten Übereinstimmungen weisen generell Ambulanzen und Stadtbusse auf. Diese haben den Schwerpunkt der Aufnahmeaktivität zu stark detektierten Tageszeiten und im städtischen Raum, wodurch es im Vergleich zu häufigen Überschneidungen von Segmentbefahrungen kommt.

4.3 Segmentspezifische Abdeckungsqualität

Neben der Betrachtung flottenspezifischer Kriterien der Netzabdeckung wird in der Modellregion auch jedes Segment des strategischen digitalen Straßengraphens hinsichtlich der durch die Gesamtflotte registrierten Netzabdeckungsqualität betrachtet. Unter dem Begriff „Netzabdeckungsqualität“ wird in diesem Kontext beschrieben, wie vollständig das Verkehrsgeschehen am Segment durch die historische FC-Datenbasis abgebildet wurde.

In bisherigen Arbeiten wurden bei der Auswertung historischer FC-Daten meist einheitliche zeitliche Aggregationsintervalle verwendet, die sich in der Regel zwischen 5 und 30 Minuten bewegen (KRAMPE 2006, S. 83, [4]; Linauer 2005, S. 153, [5]). Andere Ansätze verwenden flexible Zeitintervalle, die beispielsweise je nach Verkehrsaufkommen (EGLESE et al. 2006, S. 3508 ff., [14]) oder je Tageszeit (FLEISCHMANN et al. 2004, S. 160 ff., [15]) unterschiedliche Ausdehnungen aufweisen.

Zur Beurteilung der segmentspezifischen Detektionshäufigkeit der untersuchten Datenbasis der Segmentbefahrungen werden in der FCD-Modellregion ebenfalls unterschiedliche zeitliche Aggregationsintervalle gebildet. Es wird angenommen, dass die Gültigkeit einer Segmentbefahrung in Abhängigkeit der Varianz der gefahrenen Durchschnittsgeschwindigkeit in einem Betrachtungszeitraum ausgedehnt oder verkürzt werden kann bzw. muss, um das Verkehrsgeschehen am Segment akkurat abzubilden. Dementsprechend werden je Segment im Tagesverlauf unterschiedlich lange Zeitintervalle definiert. Diese werden hinsichtlich ihrer Abdeckung durch Segmentbefahrungen evaluiert, woraus je Segment ein durchschnittlicher Anteil detektierter Zeitintervalle errechnet wird.

Als Datengrundlage für die Berechnung der Varianzen gefahrener Geschwindigkeiten werden Detektordaten über 4 Monate des Landes Salzburgs aus 134 (davon 64 im Gebiet der Stadt Salzburg) stationären straßenseitigen Detektoren verwendet. Dazu wird zunächst aus den Befahrungen auf einem Wegsegment und im Zeitintervall die mittlere Geschwindigkeit für alle Zeitintervall-Wegsegment-Kombinationen berechnet:

Formel siehe PDF.

Zur Bestimmung der Anforderungsintervalle auf einem Segment j werden Varianzen aus den mittleren Geschwindigkeiten für verschiedenen konsekutiven 15-Minuten Intervallen (Indexmenge) berechnet:

Formel siehe PDF.

Beginnend mit einer ersten Indexmenge werden sukzessive weitere konsekutive 15-Minutenintervalle hinzugefügt. Sobald die Varianz einen vordefinierten Grenzwert übersteigt, wird mit der aktuellen Indexmenge „geschnitten“ und eine neue Indexmenge beginnt mit dem nächsten konsekutiven Zeitintervall. Der Algorithmus endet mit dem letzten Zeitintervall.

Bleibt die Varianz unter einem definierten Schwellenwert von 0.8, so werden die betreffenden Intervalle zusammengezogen. Die Aggregierung konsekutiver Intervalle erfolgt so lange, bis die Varianz den Schwellenwert übersteigt. In diesem Fall wird die Aggregierung abgeschlossen und die Intervallbildung startet erneut ab dem betroffenen 15-MinutenIntervall. Beispielhaft ist das Ergebnis dieser Zeitintervallbildung am Standort B155 – Münchner Bundesstraße stadteinwärts dargestellt, der einen stark befahrenen Streckenabschnitt mit vor allem in den Hauptverkehrszeiten morgens und abends regelmäßig auftretenden Beeinträchtigungen des Verkehrsflusses repräsentiert. Als Verlaufslinie ist die Varianz der mittleren Geschwindigkeit in km/h zwischen konsekutiven 15minütigen Zeitintervallen dargestellt. Bei hoher Varianz werden Zeitintervalle nur gering oder nicht ausgedehnt. In den Nachtphasen werden hingegen sehr weite Intervalle gebildet, da sich die Varianzen der Geschwindigkeiten hier auf einem niedrigen Niveau befinden. Geschwindigkeiten die über den segmentspezifischen Referenzgeschwindigkeiten liegen werden mit diesen gleichgesetzt, um den Einfluss überhöhter Geschwindigkeiten aus der Varianzberechnung auszuschließen.

Bild 7: Darstellung der Zeitintervallbildung in Abhängigkeit der Varianz der mittl. Geschwindigkeiten

Je nach gemessenen Geschwindigkeiten am Detektorstandort ergibt sich für die betroffenen Segmente eine unterschiedliche Anzahl von Anforderungsintervallen.

Die segmentspezifischen Anforderungen führen in den untersuchten Abschnitten dazu, dass je nach Geschwindigkeitsvarianzen zwischen 3 und 37 tageszeitliche Intervalle definiert werden. Im Mittel werden für die Segmente der Detektorstandorte 13 Anforderungsintervalle je Aufnahmetag definiert, was einer Intervalldauer von knapp unter 2 Stunden entspricht. Für jene Segmente im strategischen Straßengraphen ohne zugeordnetem Detektor werden anhand von Raumu. Straßennetzcharakteristika durchschnittliche Anforderungsintervalle zugeordnet.

Für jedes Segment wird anhand der geforderten segmentspezifischen Anforderungsintervalle überprüft, wie groß der mittlere tägliche Anteil detektierter Intervalle in einem Betrachtungszeitraum war. Nachfolgend sind in Bild 8 die Ergebnisse für Segmentbefahrungen aus einer Woche im September 2013 kategorisiert dargestellt. Für die FCD-Modellregion ergibt sich dabei ein differenziertes Bild. Die im Vorfeld als Abschnitte von besonderem verkehrlichen Interesse identifizierten Fokusstrecken weisen trotz überdurchschnittlich hoher Anforderungsintervalle (im Mittel 21 Intervalle pro Tag) mit täglich rund 37% detektierter Anforderungsintervalle die im Vergleich beste Abdeckung auf. Die niedrigste Abdeckung ergibt sich im Straßennetz des ländlichen Raums, obwohl hier durchschnittlich nur 5 Anforderungsintervalle gefordert sind. Dies ist vor allem darauf zurückzuführen, dass zahlreiche Strecken im ländlichen Raum von den im Untersuchungszeitraum angebundenen Flotten nur in sehr geringem Maße oder gar nicht befahren werden. Im Stadtu. Umlandgebiet der Landeshauptstadt Salzburg werden zwar insgesamt die meisten Segmentbefahrungen durchgeführt. Durch die größere Anzahl von Strecken abseits von Hauptverkehrsachsen in diesem Raumtyp sowie varianzbedingte höhere Anforderungsintervalle wird die durchschnittliche Netzabdeckung schlechter bewertet als in den Stadtu. Umlandräumen von Zell am See und St. Johann.

Bild 8: Darstellung der segmentspezifischen Netzabdeckungsqualität durch die FC-Datenbasis

5. xFCD zur Bewertung der Energieeffizienz von Straßensegmenten

Wie bereits in Kapitel 2 angeführt, werden im xFCD-Ansatz weitere fahrzeugbezogene Daten registriert, die in ihrer Ausprägung von der eingesetzten Erfassungstechnologie sowie von Automarke und Fahrzeugtyp abhängig sind. Generell kann zwischen folgenden Datenklassen unterschieden werden (HUBER 2001, S. 4, [2]):

•    Dynamische Fahrzeugdaten: Beinhalten etwa Daten zu Geschwindigkeit, Lichtsignalen, Scheibenwischeraktivität, Regensensoren oder Informationen aus einem Bordcomputer.

•    Daten aus Fahrerassistenzsystemen: Werte aus dem Tempomaten, ABS/DSC oder Sichtweitesensoren.

•    Daten aus Navigationssystemen: Bei verfügbaren Schnittstellen können Informationen zu Routenverlauf, Straßenklassen oder Infrastruktur abgefragt werden.

In der FCD-Modellregion werden dynamische Fahrzeugdaten aus der Fahrzeugelektronik ausgelesen, prozessiert und den Segmentbefahrungen zugeordnet (vgl. Kapitel 3), woraus sich potentielle weitergehende Aussagen generieren lassen.

Die energieeffiziente Durchführung von Fahrten gewinnt auf Grund ökonomischer sowie ökologischer Aspekte zunehmend an Bedeutung, wofür derzeit jedoch nur eingeschränkte Datengrundlagen zur Verfügung stehen (SMIT et al., 2010, S. 2943 [16]). Vor diesem Hintergrund wurde in der FCD-Modellregion ein Anwendungsbereich von xFCD in der Beurteilung der Energieeffizienz von Streckenabschnitten identifiziert. Der potentielle Nutzen liegt u.a. darin, VerkehrsplanerInnen ein Kriterium zur Bewertung der Verbrauchsintensität und der daraus ableitbaren Emissionsbelastung am Straßensegment bereit zu stellen oder eine verbesserte Datengrundlage für kostenbzw. ökologiebezogene Routingabfragen von Navigationsdiensten zu schaffen.

Die Grundlage für derartige Anwendungen stellt die gesicherte Qualität aufgezeichneter xFCD-Parameter dar. Die generierten Messwerte wurden aus diesem Grund im Rahmen von Referenzfahrten evaluiert, die entsprechenden Ergebnisse werden im folgenden Kapitel angeführt.

5.2 Beispiel einer xFC-Daten Erfassung

Ziel einer ersten xFCD-Analyse war es, die Plausibilität der übertragenen Kennwerte zu überprüfen, um darauf aufbauend eine Methodik zu entwickeln, die eine Bewertung der Energieeffizienz einzelner Netzabschnitte ermöglicht. Die eigentlichen Datenauswertungen und Projektergebnisse werden laufend bis zum Ende des Modellversuchs im Juni 2014 erarbeitet. Vollständige Ergebnisse werden erst nach Abschluss des Projekts vorliegen.

Neben der fortdauernden Übertragung von xFC-Daten ausgewählter Fahrzeuge wurden gezielt Referenzfahrten durchgeführt, bei denen nach einem festgelegten Ablauf alle Funktionen der xFC-Datenübertragung der eingebauten Onboard-Units überprüft wurden. Während der Messfahrten wurden alle Interaktionen des Fahrers, die einen Fahrzeugsensor aktivierten (z.B. Bremse, Blinker, Scheibenwischer) als auch der Verbrauch und die Außentemperatur (Anzeige im Fahrzeugdisplay), mit dem exakten Zeitpunkt in einem Programm protokolliert. Durch einen Abgleich der protokollierten Zeitpunkte mit den aus GPS-Tracks der Onboard-Units hinterlegten Positionen und GPS-Zeiten konnten Referenzaufzeichnungen den Messwerten aus xFCD-Sensoren sehr gut gegenübergestellt werden. Als Ergebnis kann festgehalten werden, dass eine hohe zeitliche Übereinstimmung zwischen Referenzaufzeichnungen der beobachteten Aktivitäten und den übermittelten xFC-Daten aus dem Fahrzeug besteht. Auf diesen Aspekt soll an dieser Stelle nicht vertiefend eingegangen werden. Vielmehr stehen die eigentlichen Erkenntnisse zur Verwendung der xFC-Daten im Fokus.

Bild 9 zeigt exemplarisch die über den CAN-Bus übertragenen xFCD-Kennwerte an einer Position. In diesem Beispiel wird fortlaufend neben der Position und der Uhrzeit auch die Geschwindigkeit, der Verbrauch und die Motordrehzahl übertragen. Darauf aufbauend zeigt Bild 10 das Verlaufsdiagramm der Sequenz übertragener Kennwerte einer Fahrt mit Motordrehrate (rot), Geschwindigkeit (grün) und Verbrauch (blau) gegenüber der Zeit. Hier wurde ein typisches Bewegungsmuster einer städtischen Fahrt mit der Abfolge Beschleunigung – Abbremsen – Stillstand – Abfahrt / Beschleunigen aus Stillstand mit den übertragenen xFCD-Kennwerten gegenübergestellt. In der Beschleunigungsphase steigt die Motordrehrate, der Verbrauch und die Geschwindigkeit. Während des Abbremsens wird kein Kraftstoff verbraucht, Motordrehzahl und Geschwindigkeit nehmen ab.

Bild 9: Beispiel xFCD; Übermittlung des Benzin-verbrauchs, Motordrehzahl und Geschwindigkeit

Bild 10: 1- minütige xFCD-Fahrt in Salzburg mit unterschiedlichen Verkehrssituationen sowie den übermittelten Kennwerten der Bordelektronik

Bild 11 verdeutlich den Zusammenhang zwischen eingelegtem Getriebegang, Motordrehrate, Geschwindigkeit und Verbrauch. Die Abszisse des Diagramms stellt den Geschwindigkeitsverlauf in km/h dar, während auf der Ordinate die Motordrehrate in U/min aufgetragen ist. Bei steigender Geschwindigkeit steigt auch die Motordrehrate proportional. Dabei ist auch deutlich der Einfluss der Gangschaltung erkennbar. Je niedriger der eingelegte Gang, desto steiler ist der Anstieg der Motordrehrate bei zunehmender Geschwindigkeit. Die Streuung entsteht während des Schaltvorgangs. Der Verbrauch in l/h ist als Farbskala dargestellt, von blau für niedrige und rot für hohe Messwerte. Bei OttoMotoren ist in Abhängigkeit des effektiven Mitteldrucks bei steigender Motordrehrate auch eine Steigerung des Benzinverbrauchs zu erwarten (VAN BASSHUYSEN et al. 2002, S. 22, [17]). Aus den im Rahmen der Referenzfahrten generierten Messwerten ist dieser Zusammenhang ebenfalls erkennbar. Es lässt sich eine Tendenz zu höheren Verbrauchswerten bei steigender Motordrehrate erkennen. Der Rangkorrelationskoeffizient nach Spearman zeigt eine positive lineare Korrelation zwischen Kraftstoffverbrauch und Motordrehrate.

Bild 11: Ausgewertete xFCD-Kennwerte einer Fahrt durch Salzburg; Darstellung des Zusammenhangs Geschwindigkeit (Abszisse), Motordrehzahl (Ordinate), Kraftstoffverbrauch (Farbe) und eingelegtem Gang sowie des Rangkorrelationskoeffizients zwischen Verbrauch und Motordrehrate

5.3 Bewertung der Energieeffizienz von Straßensegmenten auf Grundlage von xFCD

Durch die Referenzierung des aus der Fahrzeugelektronik ausgelesenen Kraftstoffverbrauchs auf Segmentbefahrungen als absoluter Verbrauch in µl bietet sich das Potential der Bewertung von Straßensegmenten hinsichtlich der Energieeffizienz. Diese wird dabei als das Verhältnis von Kraftstoffverbrauch in µl bei Durchfahrung des Segments und der Streckenlänge des Segments in Meter definiert. Beispielhaft ist in Bild 12 der auf Netzsegmente referenzierte Kraftstoffverbrauch in µl/m einer Einzelbefahrung nach 6 mittels Jenks-Algorithmus4 gebildeten Klassen dargestellt. Bei dieser Befahrung wurde auf die Autobahn A1 bei Salzburg West aufgefahren und bei Salzburg Nord abgefahren. In der Phase der Beschleunigung und an der Steigung (rechts vom Pfeil) ist der referenzierte Kraftstoffverbrauch am höchsten, während bei der Autobahnabfahrt die geringsten Werte auftreten.

Bild 12: Beispiel für den auf Netzsegmente referenzierten Kraftstoffverbrauch μl /m aus einer Einzelbefahrung

Der Kraftstoffverbrauch eines Fahrzeugs ist jedoch von einer Mehrzahl von Faktoren abhängig, für die bei der Registrierung der xFCD keine Informationen vorhanden sind, u.a. Gewicht, Luftwiderstand, Fahrzeugelektronik, Reifendruck, Getriebe oder Fahrstil. Absolute Verbrauchswerte aus Einzelfahrten können deshalb nicht verallgemeinert werden.

Um zu prüfen, ob eine Regelmäßigkeit des segmentspezifischen Kraftstoffverbrauchs aus der vorliegenden Datengrundlage von Segmentbefahrungen zu erkennen ist, wird eine Referenzbasis gebildet, wodurch eine Bewertung der Energieeffizienz eines Streckenabschnittes in Abhängigkeit der Tageszeit möglich sein soll. Dazu werden die registrierten Messwerte des Kraftstoffverbrauchs in tageszeitliche Betrachtungsintervalle von 15-Minuten aggregiert. Ab einer Mindestfallzahl von 3 Befahrungen werden für jedes Intervall das arithmetische Mittel und die Standardabweichung mit den für dieses Zeitintervall vorliegenden Werten errechnet.

Die durchschnittliche Grundgesamtheit je Betrachtungsintervall am Segment beträgt in der Referenzbasis 4,7 Messungen. Die mittlere Standardabweichung des Kraftstoffverbrauchs liegt bei 46%. Beispielhaft ist eine Ganglinie des gemittelten Kraftstoffverbrauchs in µl und die entsprechende Standardabweichung auf einem gut detektierten Straßensegment der Modellregion dargestellt (vgl. Bild 13). In diesem konkreten Beispiel eines innerstädtischen Straßensegments beträgt die mittlere Standardabweichung 37% im untersuchten Zeitraum (8:45 – 13:00) bei durchschnittlich 4,6 Messungen je Betrachtungsintervall.

Bild 14: Durchschnittlicher Kraftstoffverbrauch aus xFCD in 15-minütigen Betrachtungsintervallen entlang eines Netzsegments

Die hohe Standardabweichung innerhalb eines segmentbezogenen Betrachtungsintervalls lässt darauf schließen, dass mit der vorliegenden Datengrundlage über die Bildung einer Referenzbasis keine gesicherten Aussagen zur segmentspezifischen Energieeffizienz möglich sind. Daraus ergibt sich die Forderung eines größeren Stichprobenumfangs je Betrachtungsintervall, um einen repräsentativeren Mittelwert des Kraftstoffverbrauchs zu erhalten. Für die Ermittlung des jeweiligen notwendigen Stichprobenumfangs am Segment j im Betrachtungsintervall i wird der Mittelwert von Betrachtungsintervallen mit 3 und mehr Segmentbefahrungen herangezogen:

Formel siehe PDF.

Der Wert t aus der t-Verteilung ergibt sich nach Wahl des Konfidenzniveaus. Dieses wird mit 0,95 (95%-ige Wahrscheinlichkeit) gewählt, woraus sich t = 1,96 ergibt.

Daraus ergibt sich im Durchschnitt für die in 15-minütige Betrachtungsintervalle aggregierten Segmentbefahrungen mit xFCD in der Datenbasis eine minimale geforderte Anzahl von 34.6 Messungen, um die geforderte Genauigkeit zu erfüllen.

Zum jetzigen Zeitpunkt lassen sich daher noch keine validen Aussagen zur Energieeffizienzanalyse von Streckenabschnitten basierend auf xFCD treffen. Mit den bis Juni 2014 einfließenden weiteren Daten sind jedoch weitere Analysen vorgesehen.

6. Fazit und Ausblick

Die vorliegende Arbeit gibt einen Überblick über die im Rahmen der „FCD-Modellregion Salzburg“ durchgeführten Auswertungen zur Netzabdeckung unterschiedlicher Flottentypen in einem strukturell heterogenen FCD-Testfeld sowie zu ersten Evaluierungen des xFCDbasierten Messwerts zum Kraftstoffverbrauch. Die grundlegende Dateneinheit für die historischen Analysen bilden Segmentbefahrungen, die aus anonymisierten GPS-Punktdaten über einen Map-Matching-Prozess erzeugt werden.

Die zur Datengenerierung eingesetzten Flottentypen weisen unterschiedlich ausgeprägte relative Befahrungshäufigkeiten in verschiedenen Raumstrukturtypen des Bundeslands Salzburgs sowie in tageszeitlicher Hinsicht auf. Besonders stark unterscheiden sich die Fahrzeuge der mobilen Pflege und der Taxiflotten in ihren räumlich-zeitlichen Bewegungsmustern von anderen Flottentypen, während Stadtbusse und Ambulanzen die größten Überschneidungen bei der Datenerfassung aufweisen. Die Betrachtung der Netzabdeckungsqualität wurde auf der Grundlage segmentspezifischer Anforderungsintervalle aus detektorbasierten durchschnittlichen Geschwindigkeitsvarianzen durchgeführt. Dabei zeigt sich, dass der ländliche Raum trotz niedrigerer Anforderungen bzgl. Detektionshäufigkeiten im Vergleich schlechter detektiert wird, jene Strecken, welche von besonderem verkehrlichen Interesse im Testfeld der Modellregion sind, weisen hingegen die beste Abdeckung auf.

In Referenzfahrten wurde evaluiert, inwiefern aufgezeichnete xFCD-Messwerte reale Verkehrssituationen plausibel abbilden. Als ein potentielles Anwendungsfeld von xFCD wurde die Bestimmung der Energieeffizienz von Streckenabschnitten identifiziert. Für die vorliegende Datenbasis an segmentbezogenen Verbrauchskennwerten wurde dafür ein notwendiger Stichprobenumfang von etwa 35 Messungen je 15-minütigem Betrachtungsintervall ermittelt.

Die Arbeiten zur Netzabdeckung in der Modellregion, die Identifikation von Defiziten sowie die Evaluierung des Einsatzes von xFCD für unterschiedliche Anwendungen werden auf Grundlage einer erweiterten, finalen Datenbasis bis Juli 2014 durchgeführt.

Ein zukünftiger Schwerpunkt historischer Datenanalysen bilden Aspekte der Verkehrsqualität. Durch differenzierte Auswertungen, die auf den vielseitigen Parametern aus FCD, xFCD und weiteren Merkmalskategorien basieren, soll ein umfassendes Verkehrslagebild für die Modellregion Salzburg erzeugt werden. Dadurch sollen zahlreiche für die Verkehrssteuerung und das Verkehrsmanagement relevante Fragestellungen auf Basis von empirisch ermittelten Daten bearbeitet werden, die zuvor auf Grund fehlender oder nur aus Verkehrssimulationen erzeugten Datengrundlagen nicht oder nur unzureichend behandelt werden konnten.

7. Literatur

[1]    Bishop, R. (2005): Intelligent Vehicle Technology and Trends. Boston, London: Artech House.

[2]    Huber, W., Lädke, M., Ogger, R. (2001): Extended Floating-Car-Data for the Acquisition of Traffic Information. München: BMW Group.

[3]    Jeske, T. (2012): Floating Car Data from Smartphones: What Google and Waze Know About You and How Hackers Can Control Traffic. Amsterdam: Black Hat Konferenz 2013.

[4]    Krampe, S. (2006): Nutzung von Floating Traveller Data (FTD) für mobile Lotsendienste im Verkehr. Dissertation TU Darmstadt, Fachbereich Bauingenieurwesen und Geodäsie.

[5]    Linauer, M. (2005): Generierung streckenbezogener Verkehrsdaten als Basis für den Einsatz in Verkehrstelematiksystemen. Dissertation Universität Bodenkultur in Wien, Institut für Verkehrswesen.

[6]    Oberauer, C., Stottan, T., Wagner, R. (2011): Requirements of processing extended floating car data in a large scale environment. In: Advanced Microsystems for Automotive Applications. Berlin, Heidelberg: Springer.

[7]    Gühnemann, A., Schäfer, R.P., Thiessenhusen, K.U., Wagner, P. (2004): New Approaches to Traffic Monitoring and Management by Floating Car Data. 10th World Conference on Transport Research: Istanbul.

[8]    De Boer, G., Krootjes, P. (2012): The Quality of Floating-Car-Data Benchmarked. 19th ITS World Congress: Vienna.

[9]    Körner, M. (2011): Nutzungsmöglichkeiten von Floating Car Data zur Verkehrsflussoptimierung. Angewandte Geoinformatik 2011. Wichmann Verlag: Berlin.

[10]    Huber, W. (2001): Fahrzeuggenerierte Daten zur Gewinnung von Verkehrsinformationen. Dissertation TU München, Institut Verkehrswesen.

[11]    Breitenberger, S., Grüber, B., Neuherz, M. (2010): Extended Floating-Car-Data – Potenziale für die Verkehrsinformation und notwendige Durchdringungsraten. München: BMW Group.

[12]    Lovrek, P. (2006): Räumliches Strukturund Funktionsmodell des Salzburger Zentralraumes für ein Sachprogramm “Siedlungsentwicklung und Betriebsstandorte im Salzburger Zentralraum”. Regionalverband Salzburg Stadt und Umgebungsgemeinden: Salzburg.

[13]    Pfefferer, L. (1996): Objektzentrierte Visualisierung mehrdimensionaler Daten als Erweiterung konventioneller Datenbankmodell. München: Herbert Utz Verlag.

[14]    Eglese, R., Maden, W., Slater, A. (2006): A Road Timetable to aid vehicle routing and scheduling. In: Computers & Operations Research 33. Oxford: Pergamon.

[15]    Fleischmann, B., Gietz, M., Gnutzmann, S. (2004): Time-Varying Travel Times in Vehicle Routing. In: Transportation Science 38 Issue 2. Berlin: Informs.

[16]    Smit, R., Ntziachristos, L., Boutler, P. (2010): Validation of road vehicle and traffic emission models – A review and meta-analysis. In: Atmospheric Environment 44. Science Direct Journals.

[17]    Van Basshuysen, R., Schäfer, F. (2002): Handbuch Verbrennungsmotor. Grundlagen, Komponenten, Systeme, Perspektiven. Wiesbanden: GWV.