FGSV-Nr. FGSV 002/116
Ort Stuttgart
Datum 22.03.2017
Titel Verkehrszustandsschätzung mittels vernetzter Floating Car Observer
Autoren Prof. Dr.-Ing. Robert Hoyer, Michael Schäfer
Kategorien HEUREKA
Einleitung

Ein Ansatz zur Ermittlung des Verkehrszustandes ist die Datengewinnung mit Hilfe von mobilen Verkehrsbeobachtern. Neben Daten des Beobachterfahrzeuges können auch Daten aus dem Umfeld dieses Beobachters gewonnen werden. Besonders die Möglichkeit einer mobilen Wiedererkennung von Fahrzeugen anhand individueller Identifikationsmerkmale bietet vielversprechende Potenziale. Dieser neue Ansatz wird in dem folgenden Beitrag vorgestellt und dessen Randbedingungen diskutiert. Weiterhin wird auch die Datengewinnung über eine Programmerweiterung zu einer Simulationssoftware erläutert. Aus den gewonnenen Daten werden mit Hilfe eines neuen Berechnungsverfahrens Reisezeitwerte ermittelt und Evaluationsergebnisse zu einem Untersuchungsnetz erörtert.

PDF
Volltext

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

1 Motivation

Die Schätzung netzweiter Verkehrszustände steht am Anfang einer Reihe von verkehrstechnischen Maßnahmen, mit denen Straßennetzbetreiber zur Vermeidung von partiellen Überlastungen eine optimale Ausnutzung der vorhandenen Straßennetzkapazitäten anstreben. Im Ergebnis dessen können Kraftstoffverbrauch und Emissionen gesenkt und die Verkehrssicherheit verbessert werden. Aber auch Fahrerassistenz- und -informationssysteme sowie das zukünftig automatisierte Fahren zielen auf eine möglichst energieeffiziente Routenwahl und Fahrweise. Beides erfordert möglichst belastbare Informationen zum aktuellen und zukünftigen Verkehrszustand im Straßennetz.

Die klassische Datenerfassung findet infrastrukturseitig lokal an Querschnitten bspw. mittels Induktivschleifen statt. Die Gültigkeit dieser stationär ermittelten Kenngrößen und der daraus abgeleiteten Verkehrszustände ist bei strenger Betrachtung nur am Messquerschnitt selbst gegeben. Störungen im Verkehrsablauf, deren Auswirkungen sich noch nicht bis zu den jeweils stromaufwärtigen Messquerschnitten ausgebreitet haben, bleiben zunächst unentdeckt. Ein Ansatz zur Lösung dieser Problematik ist die Nutzung fahrzeuggenerierter Daten, sogenannter Floating Car Data (FCD). Die gelieferten Positionsmeldungen zu bestimmten Zeitpunkten lassen sich zu Informationen zum jeweils individuellen Fahrtverlauf einzelner Fahrzeuge weiterverarbeiten, aus welchen letztendlich der Verkehrszustand in deren unmittelbarer Umgebung abgeleitet werden kann. Hieraus folgen die Notwendigkeit einer Mindestdurchdringung des Verkehrs mit FCD-liefernden Fahrzeugen und vor allem deren möglichst gleichmäßige Verteilung im Straßennetz. Angaben hierzu sind insbesondere für die Qualitätseinschätzung hinsichtlich der abgeleiteten Verkehrslage wichtig. Die Herausgabe von FCD-Rohdaten zu diesem Zweck ist allerdings unüblich. Für die Wahrnehmung infrastrukturseitiger Verkehrssteuerungs- und Lenkungsaufgaben wird die Nutzung von FCD allenfalls ergänzend zur stationären Erfassung akzeptiert.

Um die Leistungsfähigkeit der mobilen Verkehrsdatenerfassung zu verbessern, wurde in (HOYER 2005, [1]) eine Weiterentwicklung des FCD-Ansatzes vorgeschlagen. Ein sogenannter Floating Car Observer (FCO) kann neben den eigenen Bewegungsdaten (FCD) durch die Beobachtung seines direkten Fahrzeugumfeldes auch diejenigen der Nachbarfahrzeuge ermitteln. Um derartig erfasste Bewegungsdaten bspw. des Gegenverkehrs auch in der etablierten Verkehrstechnik nutzen zu können, befassten sich die Forschungsarbeiten in (KÜHNEL 2012, [2]) mit deren Transformation in die üblichen makroskopischen Verkehrskenngrößen.

Die direkte Erfassung und Interpretation des Fahrzeugumfeldes ist mit den heutigen technischen Möglichkeiten ohne weiteres möglich. Hierfür stehen dedizierte Videokameras, Ultraschallsensoren sowie Lidar- und Radarsensoren zur Verfügung. Ein darüber hinausgehendes Potenzial bietet die geplante Einführung kooperativer Systeme mit den C2X- Kommunikationsstandards IEEE 802.11p bzw. ETSI G5 als dessen europäisches Pendant.

2 Ansatz der vernetzten FCO

Der vorliegende Beitrag beschreibt die Weiterentwicklung des FCO-Ansatzes. Neben der Möglichkeit einer Erkennung benachbarter Fahrzeuge wird nun auch eine Wiedererkennung von Fahrzeugen anhand eindeutiger Identifizierungsmerkmale betrachtet. Die Arbeitshypothese lautet, dass bislang nur bei der stationären Erfassung eingesetzte Technologien zur Wiedererkennung von Fahrzeugen wie beispielsweise die automatische Kennzeichenerfassung (APNR) oder die Erkennung von Bluetooth-Signaturen grundsätzlich auch in der mobilen Erfassung eingesetzt werden können. Ein Verfahren zur Reisezeitermittlung auf der Basis stationär erfasster Bluetooth-Signaturen mittels preiswerter Mobiltelefone wurde bspw. in (HOYER et al. 2011, [3]) vorgestellt. Versuche zur Bestimmung von Fahrtrajektorien mittels mobiler Bluetooth-Scanner wurden später in (GURCZIK et al. 2014, [4]) beschrieben. Neben dem Einsatz von etablierten stationären Erfassungstechnologien zur Erkennung und Wiedererkennung von Fahrzeugen können in Zukunft auch Nachrichten aus der C2X-Kommunikation kooperativer Systeme zur eindeutigen Identifikation von Fahrzeugen herangezogen werden.

Bild 1 zeigt den beschriebenen Ansatz im Zeit-Weg-Diagramm. Dargestellt sind die Fahrlinien zweier FCO (dicke Linien) und die Fahrlinien weiterer Fahrzeuge im Gegenverkehr sowie auf dem eigenen Fahrstreifen. Der graue Bereich um die Fahrlinie des FCO herum symbolisiert den Erkennungsbereich. Jeder Schnittpunkt der Grenzen des Erkennungsbereiches mit den Fahrlinien der anderen Fahrzeuge markiert eine potenzielle Erfassung. Je nachdem, welche Technologie zur Identifizierung verwendet wird, kann die Anzahl der Erkennungen und Wiedererkennungen sehr unterschiedlich ausfallen. Wird beispielsweise eine Kennzeichenerfassungstechnologie verwendet, ist es prinzipiell möglich, jedes Fahrzeug mit einem Kennzeichen zu erfassen. Das Fahrzeug muss hierzu allerdings in den Sichtbereich des FCO gelangen. Dies kann durch eine Vorbeifahrt oder als unmittelbarer Vorgänger bzw. Nachfolger auf dem gleichen oder dem Nachbarfahrstreifen der Fall sein. Geschieht die Identifizierung hingegen mit Hilfe der Bluetooth-Erkennung, können nur Bluetooth- Schnittstellen im Sichtbarkeitsmodus erkannt werden. Zudem ergibt sich als weitere Einschränkung bei der Bluetooth-Detektion, dass nicht in jedem Fahrzeug eine erkennbare Schnittstelle vorhanden ist. Auch kann es vorkommen, dass mehrere Bluetooth-Einheiten (Freisprecheinrichtung, Bluetooth-Mobiltelefon, Laptop usw.) in einem Fahrzeug erkannt werden. Erste Ergebnisse zu Feldtests auf ausgewählten Strecken in Berlin mit Hilfe von mobilen Bluetooth-Scannern sind in (vgl. RUPPE et al. 2012, [5]) dokumentiert. Eine weitere Möglichkeit zur Identifizierung ergibt sich mit der kommenden Einführung der standardisierten Fahrzeugkommunikation. Die hierbei zyklisch ausgesendeten Funktelegramme, sogenannte Cooperative Awareness Messages (CAM), enthalten unter anderem eine einzigartige Kennung, welche im hier beschriebenen Ansatz als Merkmal zur Identifizierung verwendet werden könnte. Da dieser Standard speziell für kooperative Fahrzeugkommunikation untereinander sowie mit der Infrastruktur ausgelegt wurde, ist mit einer hohen und zudem annähernd fehlerfreien Erkennung zu rechnen. Findet eine Erkennung nach den beschriebenen Erkennungsansätzen statt, so kann das festgestellte Identifizierungsmerkmal mit der Position des FCO als Datensatz zur weiteren Verarbeitung bereitgestellt werden. Darüber hinaus könnte eine Kombination der verwendeten mobilen Erkennungsverfahren zu einer weiteren Verbesserung der Datenbasis führen.

Bild 1: FCO-Ansatz im Zeit-Weg-Diagramm

Da der hier beschriebene Ansatz auf der Wiedererkennung von Fahrzeugen in Verbindung mit Positionsmeldungen des erkennenden FCO basiert, ist das mehrmalige Erkennen eines Fahrzeugs durch einen oder mehrere FCO eine unabdingbare Voraussetzung. Bei der Wiedererkennung auf dem eigenen Fahrstreifen kann ein einzelner FCO durch mehrmaliges Erkennen eines im Erfassungsbereich voraus- oder nachfahrenden Fahrzeugs eine entsprechende Fahrtrajektorie erzeugen. Die Erfassung dieses Wiedererkennungsfalls ähnelt der FCD-Erfassung. Im Gegensatz zur Datenermittlung der FCD-Methode steht bei der FCO- Erfassung neben dem Datensatz des „Floating Cars“ noch der Datensatz des erkannten Fahrzeugs zur Auswertung bereit. Dargestellt wird dieser Fall in Bild 1 durch die Fahrlinien der Fahrzeuge entlang der FCO-Fahrlinien. Solange sich eine Fahrzeugfahrlinie im Erkennungsbereich des FCO befindet, kann auch eine Datenermittlung erfolgen. Für den Fall einer Wiedererkennung im Gegenverkehr müssen hingegen mindestens zwei FCO einen Streckenabschnitt durchfahren, um ein erkennbares Fahrzeug im Gegenverkehr zu identifizieren2. Idealerweise geschieht dies einmal am Anfang und einmal am Ende eines Streckenabschnittes. Vergleichbar mit der stationären Erfassung an zwei festen Querschnitten kann anhand der hinzugefügten Zeitstempel eine Reisezeit errechnet werden. Symbolisiert wird dieser Wiedererkennungsfall durch die gestrichelten Linien in Bild 1. Das erwartete Nutzenpotenzial erhöht sich weiter mit der Anzahl der FCO sowie der Anzahl an erkennbaren Fahrzeugen im Straßennetz.

Welche Stichprobengröße gemessen am Gesamtverkehr notwendig ist, damit die Betrachtung einer Verkehrskenngröße wie etwa der Reisezeit einer bestimmten statistischen Sicherheit genügt, kann mit Hilfe einer Stichprobenschätzung ermittelt werden. Mit Hilfe der Gleichung (1) lässt sich bei einem gegebenen Schätzfehler der notwendige Stichprobenumfang, unter Verwendung eines Korrekturfaktors für eine endliche Grundgesamtheit, berechnen.

Formel (1) siehe PDF.

Zu beachten ist jedoch, dass die Berechnung eines Stichprobenumfangs durch verschiedene Faktoren beeinflusst wird. Ein wichtiger Faktor bei der Abschätzung des Stichprobenumfangs ist der Variationskoeffizient der Kenngröße. Er errechnet sich mit dem Mittelwert sowie der Standardabweichung der Grundgesamtheit nach Gleichung (2).

Formel (2) siehe PDF.

Je nach Verkehrssituation unterliegt der Variationskoeffizient unterschiedlichen Ausprägungen. Liegt ein annähernd gleiches Geschwindigkeitsniveau vor, wie beispielsweise beim Kolonnenverkehr, so ist er niedriger als bei einer stark schwankenden Geschwindigkeitssituation. Ein weiterer wichtiger Einflussfaktor ist die Verkehrsstärke auf dem betrachteten Streckenabschnitt. Dabei ist anzunehmen, dass mit steigendem Verkehrsaufkommen auch der Anteil an erkennbaren Fahrzeugen wachsen wird. Neben dem Anteil an erkennbaren Fahrzeugen hat die Verkehrsstärke noch einen Einfluss auf die Verkehrssituation und damit auch auf den Variationskoeffizienten. Wird unterstellt, dass sich die Geschwindigkeiten aller Fahrzeuge angleichen, je weiter sich der Wert der Verkehrsstärke der Kapazitätsgrenze eines Streckensegments annähert, umso niedriger wird folglich der Variationskoeffizient ausfallen.

Einen ersten Überblick über die berechneten Stichprobenumfänge bei einem Konfidenzniveau von 90 % und einem Schätzfehler von 10 % liefert Tabelle 1. Hierbei liegt die Annahme zugrunde, dass sich bei niedrigen Verkehrsstärken (freier Verkehrsfluss) größere Varianzen der betrachteten Kenngröße einstellen als bei hohen Verkehrsstärken (gebundener Verkehr).

Tabelle: 1 Stichprobenumfänge für verschiedene Verkehrsstärken und Variationskoeffizienten nach Gleichung (1)

Die beschriebene Kenngrößenabschätzung nach Gleichung (1) wurde in (OFFERMANN 2001, [6]) zur Ermittlung einer FCD-Ausstattungsrate mit Reisegeschwindigkeiten in Anlehnung an (KELLERER 1963, [7]) durchgeführt. Da bei dieser Schätzung die Verkehrskenngröße Reisegeschwindigkeit aus Einzelfahrzeuggeschwindigkeiten basierend auf FCD-Bewegungsprofilen ermittelt wurde, konnte direkt auf den notwendigen FCD-Anteil geschlossen werden. Da bei großen Varianzen (ν ≥ 1,0), die für Reisegeschwindigkeiten nach (GÖSSEL 2005, [8]) typischerweise im Stadtverkehr vorkommen, hohe Stichprobenumfänge für eine statistisch sichere Aussage notwendig sind, erhöht sich in der Folge auch die erforderliche Ausstattungsrate. Bei einer Vergrößerung des Konfidenzniveaus steigt der Wert der Ausstattungsrate ebenso. Da FCD-Ausstattungsraten von 50 % (Zeile 1 der Tabelle 1) und höher unter realen Bedingungen äußerst selten sind, ist laut (OFFERMANN 2001, [6]) eine rein auf FCD basierende Verkehrszustandsanalyse problematisch. FCD wären daher nur ergänzend zur lokalen Verkehrsdatenerfassung einzusetzen. Da bei dem hier vorgestellten FCO-Ansatz neben den eigenen Fahrzeugdaten auch noch Fahrzeugdaten aus dem Umfeld mit einbezogen werden, kann die FCO- Ausstattungsrate nicht direkt aus dem errechneten Stichprobenumfang geschlussfolgert werden. Dadurch, dass ein oder mehrere FCO auch Kenngrößen der erkennbaren Fahrzeuge im Umfeld ermitteln können, sind bei gleichen Bedingungen, ganz im Gegensatz zur FCD- Erfassung, geringere Ausstattungsraten an FCO erforderlich. Dieser Vorteil der FCO- Datenerhebung soll mit einem kleinen Gedankenbeispiel verdeutlicht werden. Unter Annahme der idealen Voraussetzung, dass jeder FCO neben der eigenen Reisezeit noch die Reisezeit nur eines erkennbaren Fahrzeugs mit ermittelt, würde sich der in Tabelle 1 errechnete Stichprobenumfang halbieren. Für die gleiche statistisch gesicherte Aussage sind demnach genau halb so viele FCO erforderlich.

3 Datengenerierung

Da sich bislang, mit Ausnahme einiger weniger Versuchsfahrzeuge, keine FCO mit entsprechenden Sensoren zur Erkennung und Wiedererkennung in einem realen Umfeld bewegen, wird für die Methodenentwicklung und zur Generierung einer Datenbasis eine mikroskopische Verkehrssimulation auf der Basis von VISSIM verwendet. Die Verwendung eines Simulators hat u. a. den Vorteil, dass Simulationen unter Verwendung derselben Parameter jederzeit wiederholbar und deren Ergebnisse reproduzierbar sind. Dieser Vorteil erleichtert eine Fehlersuche bei der Methodenentwicklung. Durch eine beliebige Veränderung der Simulationsparameter kann zudem eine große Bandbreite an unterschiedlichen Szenarien abgebildet werden. Dabei lassen sich auch solche Szenarien simulieren, auf deren zufälliges Eintreten im realen Verkehrsgeschehen womöglich lange gewartet werden muss. Die funktionale Nachbildung verschiedener Sensorsysteme zur Erfassung der FCO-Umgebung erfolgte durch ein eigens entwickeltes Softwaremodul. Mit Hilfe dieser Erweiterung können in einem simulierten Verkehrsablauf Erkennungen und Wiedererkennungen von Fahrzeugen im näheren Umfeld eines FCO erfasst werden. Bild 2 zeigt das Ablaufdiagramm der Software- Erweiterung zur Generierung einer Datenbasis. Neben der Steuerung der Simulation liefert das Erweiterungsmodul gemäß den Überlegungen des beschriebenen Ansatzes Positionsdaten und Identifikationsmerkmale aller erkannten Fahrzeuge. Vor der Durchführung einer Simulation können über eine entsprechende Auswahl die Bedingungen für eine Erkennung festgelegt werden. Sollen beispielsweise Bluetooth-Module mit unterschiedlichen Leistungsklassen simuliert werden, wird dies über einen angepassten Erfassungsradius berücksichtigt. Weiterhin existieren Eingabemöglichkeiten für die Erkennungs- und Ausstattungsraten unter Bezugnahme auf eine ausgewählte Sensortechnologie. Nach dem Start der Simulation wird zu jedem Zeitschritt überprüft, ob sich ein FCO im Streckennetz befindet und ob sich ein erkennbares Fahrzeug in dessen Nähe aufhält. Bei einer Erkennung werden die Positionsdaten zusammen mit einem Zeitstempel in eine Datenbank geschrieben und stehen zur weiteren Auswertung zur Verfügung.

Bild 2: Ablauf der Datenermittlung

4 Methode zur Ermittlung des Verkehrszustandes

4.1 Netzmodell

Das hier vorgestellte Berechnungsverfahren zur Ermittlung des Verkehrszustandes soll mobile Daten basierend auf einer Erkennung und Wiedererkennung von Fahrzeugen nutzen. Für eine klassische Verkehrszustandsabschätzung, welche stationäre Daten von bestimmten Querschnitten verwendet, müssten diese mobilen Daten idealerweise ebenfalls vom Anfang und vom Ende der betrachteten Strecke stammen. Durch die mobile Erkennung und Wiedererkennung ist jedoch damit zu rechnen, dass die Daten über die gesamte Streckeverteilt anfallen. Somit kann es vorkommen, dass der Datenursprung eben nicht direkt am Eingangs- und Ausgangsquerschnitt zu finden ist. Um dennoch mit Hilfe dieser Daten eine Verkehrszustandsermittlung durchführen zu können, wurde ein neues Berechnungsverfahren entwickelt. Grundlage des Verfahrens ist ein Netzmodell, welches das großräumige Streckennetz in kleine Strecken- und Knotenzellen zerlegt. Die Länge bzw. Größe einer einzelnen Zelle kann dabei je nach Aufgaben- oder Fragestellung variieren. Unter der Annahme, dass möglichst kurze Abschnitte zu einer genaueren Verkehrszustandsermittlung führen, kann für die Länge einer Streckenzelle beispielsweise die Fahrzeuglänge gewählt werden. Bild 3 zeigt das Modell eines Streckenzuges mit den entsprechenden Segmentierungen.

Bild 3: Netzmodell mit segmentierten Strecken und Knotenpunkten

Bei der Zerlegung des realen Streckennetzes wird grundsätzlich zwischen Strecken- und Knotenzellen unterschieden. Jede Streckenzelle besitzt hierbei die gleiche vordefinierte Länge. Da im Bereich eines Knotenpunktes hingegen besondere Bedingungen wie bspw. nahe beieinander liegende Abbiegefahrstreifen oder Wartezeiten im Aufstellbereich an einer LSA vorliegen, werden hier andere Längen der Zellen vorgeschlagen. Für die Berechnung der Knotenzellenlängen werden zunächst die sich ergebenden Zeitverluste (Fahrzeit, mittlere Wartezeit, Verlustzeit aus Beschleunigungsvorgängen usw.) für die jeweilige Fahrtrichtung aufsummiert und der Gesamtzeitwert mit der Geschwindigkeit zu einer fiktiven Länge der Knotenzelle nach Gleichung (2) umgerechnet.

Formel (2) siehe PDF.

Die sich so ergebende Länge kann dabei um ein vielfaches größer sein als die real ermittelte Länge beispielsweise eines Abbiegevorgangs. Diese gesonderte Betrachtung ergab sich u. a. aus folgender Überlegung: Da Daten im Aufstellbereich zwar richtungsbezogen, aber nicht fahrstreifenfein ermittelt werden, könnten diese das Berechnungsergebnis für einen Streckenabschnitt verfälschen. So würden wartende Fahrzeuge auf dem Abbiegestreifen trotz eines freien Verkehrsflusses auf dem geradeaus führenden Fahrstreifen zu einem nicht repräsentativen Ergebnis führen.

4.2 Berechnungsschritte zur Verkehrslageermittlung

Basierend auf diesem Netzmodell erfolgt die Ermittlung des Verkehrszustandes in mehreren Berechnungsschritten. Voraussetzung bei der Berechnung ist das Erkennen und Wiedererkennen von ein und demselben Fahrzeug an verschiedenen Positionen im Streckennetz. Die sich durch die Erkennung und Wiedererkennung ergebende Strecke wird folgend als Wiedererkennungsstrecke bezeichnet. Je nach Länge besteht die Wiedererkennungsstrecke aus mehreren Strecken und Knotenzellen. Im ersten Schritt der Berechnung wird für die Wiedererkennungsstrecke ein sogenannter Widerstandswert ermittelt. Mit den Zeitstempeln der Erkennungen und Wiedererkennungen ergibt sich der Widerstandswert zu:

Formel (3) siehe PDF.

In einem nächsten Schritt wird der Widerstandswert auf alle Strecken- bzw. Knotenzellen der Wiedererkennungstrecke aufgeteilt, so dass jeder Zelle ein Einzelwert zugeordnet ist. Da sich die Verkehrszustandsermittlung aber auf eine Vielzahl von Erkennungen von verschiedenen Fahrzeugen an unterschiedlichen Punkten beziehen soll, müssen diese Daten ebenso eingebunden werden. Unter Verwendung eines Glättungsverfahrens werden die errechneten Einzelwerte zu einem aggregierten Gesamtwert zusammengefasst. Zusammen mit der Zellenlänge ergibt sich aus dem Gesamtwert eine Reisezeit pro Zelle, welche dann wiederum aufsummiert auf einen Streckenabschnitt zur Abschätzung des Verkehrszustandes herangezogen wird. Der geglättete Gesamtwert einer Zelle zur Ermittlung des Verkehrszustandes errechnet sich folgendermaßen:

Formel (4) siehe PDF.

Das Verfahren der exponentiellen Glättung kommt auch deshalb zum Einsatz, weil aufgrund der Zufälligkeit der Fahrzeugbegegnungen mitunter nur wenige Werte für eine arithmetische Mittelwertbildung zur Verfügung stehen. Die Wahl des Glättungsparameters beeinflusst die Gewichtung zwischen gerade gemessenen und bereits geglätteten Werten und reduziert damit die Wirkung von Ausreißern. In den ersten Untersuchungen wurde zunächst ein Glättungsparameter von a = 0,3 gewählt.

5 Erste Untersuchungsergebnisse

In einer ersten Analyse wurden der beschriebene Ansatz sowie das zugehörige Berechnungsverfahren zunächst in einem fiktiven Untersuchungsnetz evaluiert. Das Simulationsnetz wurde so konzipiert, dass es bezüglich seiner Ausmaße einem innerstädtischen Straßennetz ähnlich ist. Es besteht aus 9 Knotenpunkten, deren Achsenschnittpunkte jeweils 500 m voneinander entfernt sind. Alle Knotenpunkte sind durch Strecken miteinander verbunden, von denen je 12 in horizontaler und vertikaler Richtung angelegt wurden. Bild 4 zeigt das Streckennetz mit den Bezeichnungen der jeweiligen Strecken und Knotenpunkte.

Während der Simulationsversuche wurde der Verkehrsablauf an jedem Knotenpunk durch eine festzeitgesteuerte Lichtsignalanlage geregelt. An jeder Zufahrt im Untersuchungsnetz lag eine Gesamtverkehrsstärke von 600 Fz/h an. Vor dem Start der Simulationsversuche wurde aus dem Untersuchungsnetz ein Netzmodell (vgl. Abschnitt 4.1) erstellt. Jede Streckenzelle besaß hierbei eine Länge von 5 m. Da zu Beginn der Berechnungen noch kein Wert für den Widerstand der Zellen vorlag, wurde ein Startwert, der sich aus dem Reziproken der zulässigen Höchstgeschwindigkeit ergab, zugrunde gelegt. Die zulässige Höchstgeschwindigkeit wurde mit angenommen, so dass sich der Standardwert des Widerstandes nach Gleichung (5) ergab.

Formel (5) siehe PDF.

Bild 4: Schematische Darstellung des idealisierten Untersuchungsnetzes

Die nachfolgend vorgestellten Ergebnisse ergaben sich aus der Simulation eines Szenarios mit verschiedenen Störsituationen. Die Störsituationen wurden auf den Strecken H12, H22 und H32 im Simulationsmodell eingebracht. In Tabelle 2 sind die Positionen und die jeweilige Charakterisierung der Störfälle aufgelistet. Alle Störfälle wurden im Zeitintervall von 1.000 s bis 1.600 s simuliert.

Tabelle 2: Übersicht der simulierten Störfälle im Untersuchungsnetz

Im Szenario betrug der Fahrzeuganteil mit FCO-Ausstattung 10 %, und der Anteil an erkennbaren Fahrzeugen belief sich auf 20 %. Die Simulationszeit wurde auf 4.000 s festgelegt, wobei 400 s als Vorlaufzeit und 3.600 s als reine Simulationszeit vorgesehen waren. Die Erfassung der Daten (vgl. Abschnitt 3) erfolgte im Zeitintervall von 400 s bis
4.000 s. Als weitere Randbedingungen wurden die Abbiegeanteile an den Knotenpunkten festgelegt. Von allen ankommenden Fahrzeugen bogen je 15 % nach links und rechts ab. Die restlichen 70 % aller ankommenden Fahrzeuge fuhren geradeaus. Diese Aufteilung wurde für alle Knotenpunktzufahrten im Untersuchungsnetz festgelegt.
Bild 5 zeigt das Ergebnis der Verkehrszustandsermittlung im Untersuchungsnetz in Form einer Reisezeiten-Heatmap. Basierend auf den in Abschnitt 4.2 beschriebenen Berechnungsschritten wurde pro Minute ein Widerstandswert für eine Zelle des Streckenzuges ermittelt. Aus dem Widerstandswert und der Zellenlänge ergab sich ferner eine Reisezeit pro Streckenzelle. Die letztendliche Reisezeit der gesamten Strecke pro Minute errechnete sich aus der Summe der Einzelzellenreisezeiten nach Gleichung (6).

Formel (6) siehe PDF.

Jeder Berechnungsumlauf in Bild 5 betrachtet ein Zeitfenster von 60 Sekunden. Die Ermittlung der Reisezeiten pro Berechnungsumlauf und Strecke begann nach Ablauf der Vorlaufzeit, also nach 400 s.

In der Reisezeiten-Heatmap (vgl. Bild 5) wurde der Beginn des Störfalls Nr.1 im Umlauf 16 erfasst. Die in Tabelle 1 aufgelisteten Störfälle werden über die Verkehrszustandsermittlung eindeutig erkannt. In der Simulation sind in diesem Umlauf ca. 1.360 Sekunden vergangen. Zum eigentlichen Beginn des Störfalls und bis zum Erkennen des Störfalls im Reisezeitverlauf ergaben sich somit 360 Sekunden.

Bild 5: Reisezeiten-Heatmap für alle Strecken im Untersuchungsnetz

Diese Differenz ist auf mehrere Umstände zurückzuführen. Einerseits muss sich ein Rückstau zunächst an der Störstelle entwickeln und sich dessen Auswirkung im Verkehrsgeschehen niederschlagen. Andererseits ist es erforderlich, dass sich der entwickelte Rückstau bis auf den Streckenabschnitt ausbreitet, damit er bei der Berechnung der Widerstandswerte für diesen Streckenabschnitt berücksichtigt werden kann. Auch ist es letztendlich noch erforderlich, dass der Stau durch ein FCO-Trägerfahrzeug nach dem in Abschnitt 2 beschriebenen Ansatz erfasst wird. Je nach Verkehrsstärke kann der Prozess der Störfallerkennung für diese Situation eine längere oder kürzere Zeitspanne in Anspruch nehmen. Im Umlauf 17 erhöhte sich die Reisezeit auf dem Streckenabschnitt H12 infolge der Überstauung des rechten Abbiegestreifens. In Bild 5 lässt sich diese Erhöhung durch eine Änderung in der Grauwertskala erkennen. Je höher sich der Wert der Reisezeit entwickelt, umso dunkler wird das Grauwertschema. Für den Störfall Nr.1 wird zum Umlauf 31 der Maximalwert der Reisezeit erreicht. Auf die Simulationszeit umgerechnet ergab sich dieser Wert ungefähr zur Sekunde 2.260. Die eigentliche Störsituation ist zu dieser Simulationszeit zwar schon vorüber, die Auswirkungen des Rückstaus sind aber noch erfassbar. Ein Blick auf die Animation der Fahrzeugbewegungen während der Simulation zeigte, dass eine vollständige Auflösung der Stausituation zu diesem Zeitpunkt noch nicht gegeben war. Dies könnte mit der höheren Verkehrsdichte, welche nach der eigentlichen Störung immer noch vorlag, erklärt werden. Die Berechnungen der Verkehrszustandsermittlung waren daher nachvollziehbar und auch plausibel. Ab dem Umlauf 33 verringert sich die Reisezeit wieder, erkennbar durch eine Aufhellung im Grauwertschema, und hat ab dem Umlauf 39 ein annähernd normales Niveau erreicht. Ab diesem Zeitpunkt kann daher angenommen werden, dass die Auswirkungen des Störfalls Nr. 1 vorüber sind.

Für den Störfall Nr. 2 lassen sich die ersten Reisezeitveränderungen ab dem Umlauf 14 (Simulationssekunde 1.240) in der Heatmap erkennen. Im Gegensatz zum Störfall Nr. 1 schlagen sich die Auswirkungen somit schneller im Reisezeitverlauf nieder. Dieser Unterschied könnte sich durch die abrupte lokale Verringerung der Geschwindigkeit auf dem Streckenabschnitt erklären lassen. Ab dem Beginn der Störsituation zur Sekunde 1.000 befinden sich die Fahrzeuge quasi im Stillstand. Unter idealen Bedingungen sollten die ersten Reisezeiten somit nach zwei bzw. drei weiteren Umläufen vorliegen. Die unmittelbare Erkennung des Störfalls Nr. 2 zeigt die Zuverlässigkeit des beschriebenen Verfahrens. Die Reisezeiten infolge der Sperrung nehmen immer weiter zu und erreichen ihren Höhepunkt zum Umlauf 25. Ab dem Umlauf 26 sinken die Reisezeiten wieder ab, erreichen allerdings bis zum Simulationsende nicht wieder das Niveau des ungestörten Zustandes. Mitunter könnte hier das Anfangsniveau durch die Anpassung des Glättungsparameters schneller erreicht werden. Durch den Störfall Nr. 2 lassen sich auch die Reisezeiterhöhungen der Strecken H21_A, V12_A und V13_B erklären. Der Rückstau breitete sich in diesen Fällen über den Knotenpunkt K4 hinaus aus und führte zu den erkennbaren Veränderungen im Grauwertschema. Die hohen Reisezeitwerte auf den Strecken H21_A und V12_A halten dabei bis zum Simulationsende an. Die Auswirkungen des Störfalls Nr. 2 sollten sich also in Form von Staus oder stockendem Verkehrsgeschehen in der Simulation zeigen. Beobachtungen während der Simulation bestätigten diese Vermutung.

Der Störfall Nr. 3 kann ebenfalls in der Reisezeiten-Heatmap erkannt werden. Die Veränderungen der Reisezeit fallen jedoch nicht so hoch aus wie bei den anderen Störfällen. Die ersten Erhöhungen zeigen sich zum Umlauf 10. Die Simulationszeit zu diesem Umlauf betrug ca. 1.000 s, sodass die Störsituation demzufolge unmittelbar erkannt wurde. Die Veränderungen des Grauwertschemas halten bis zum Umlauf 27 an und normalisieren sich im Anschluss wieder. In diesem Störfall wurde allein ein verringertes Geschwindigkeitsniveau simuliert, dennoch konnten Veränderungen durch das vorgestellte Berechnungsverfahren wahrgenommen werden. Dieser Störfall verdeutlicht, dass selbst geringe Änderungen im Reisezeitverlauf in der Berechnung sensibel wahrgenommen werden.

6 Ausblick

Unter Verwendung des vorgestellten Verfahrens eröffnet sich die Möglichkeit, mit Hilfe von mobil gewonnenen Daten eine Verkehrszustandsermittlung durchzuführen. Entsprechend ausgerüstete Fahrzeuge ermitteln neben ihren eigenen Fahrzustandsdaten auch Daten zu Fahrzeugbegegnungen aus der näheren Umgebung. Erste Versuche wurden mit Hilfe einer Simulationsumgebung durchgeführt. Hierbei zeigte sich, dass mittels einer mobilen Beobachtung verschiedene Störfälle zuverlässig erkannt werden. Ob sich diese Sensibilität auch bei komplexeren Netzgeometrien einstellen wird, ist Gegenstand weiterer Untersuchungen. Weitere Forschungen werden sich zudem auf die Aufbereitung und Auswertung von Daten mit Hilfe geeigneter Prognoseverfahren konzentrieren und verschiedene Szenarien auf Basis des vorgestellten Berechnungsverfahrens evaluieren. Auf Basis statistischer Methoden soll weiterhin der Frage nach der Begegnungswahrscheinlichkeit nachgegangen werden. Weiterhin wird untersucht, welcher Mehrwert sich durch den vorgestellten Ansatz gegenüber der konventionellen Erfassung von reinen FCD ergibt. Aus der Überlegung heraus ist zu erwarten, dass durch die zusätzliche Erfassung des Umfeldes eine deutlich geringere Ausstattungsrate für statistisch fundierte Ergebnisse notwendig wäre. Zudem wird erwartet, dass sich die ebenfalls benötigte Prognose vereinfacht bzw. dass sich die Prognosequalität verbessert, weil die FCO-Fahrzeuge der Zukunft dem zu beobachtenden Verkehr entgegenfahren und weil sie im Gegensatz zu FCD zugleich Verkehrsmengen ermitteln.

7 Literatur

[1]    HOYER, R. (2005): Floating Car Observer – an approach to self supply of public transport companies with multimodal traffic data. 20. Verkehrswissenschaftliche Tage, Dresden, 19.-20.09.2005.

[2]    KÜHNEL, C. (2012): Verkehrsdatenerfassung mittels Floating Car Observer auf zweistreifigen Landstraßen. Dissertation Universität Kassel, Fachgebiet Verkehrstechnik, 2012.

[3]    HOYER, R.; LEITZKE, C.; SCHÄFER, M. (2011): Reisezeitbestimmung mittels Bluetooth- Technologie. Peer reviewed Article in Straßenverkehrstechnik 55, Nr. 7, S. 417-426, Kirschbaum Verlag, Bonn, 2011.

[4]    GURCZIK, G., TOUKO TCHEUMADJEU, L.C, LUBER, A., RUPPE, S., JUNGHANS, M. (2014): Floating Ob-server Information Processing on the Basis of Mobile Bluetooth Data. An International Conference on Engineering and Applied Sciences Optimization (OPT-I 2014), Kos Island (Greece), 4.-6.06.2014.

[5]    RUPPE S., JUNGHANS, M., HABERJAHN, M., TROPPENZA, C. (2012): Augmenting the Floating Car Data Approach by Dynamic Indirect Traffic Detection. Transport Research Arena - Europe 2012, Proceedings, Berlin, 2012.

[6]    OFFERMANN, F. (2001): Ein Neuro-Fuzzy-Modell zur Reisegeschwindigkeitsabschätzung auf Richtungsfahrbahnen basierend auf einer Fusion lokaler und fahrzeuggenerierter Verkehrsdaten. Dissertation, Institut für Straßenwesen, Lehrstuhl für Straßenwesen, Erd- und Tunnelbau, Rheinisch-Westfälische Technische Hochschule Aachen, 2001.

[7]    KELLERER, H. (1963): Theorie und Technik des Stichprobenverfahrens: Eine Einführung unter besonderer Berücksichtigung der Anwendung auf soziale und wirtschaftliche Massenerscheinungen. Ausgabe 5, Deutsche Statistische Gesellschaft, Einzelschriften der Deutschen Statistischen Gesellschaft. München, 1963.

[8]    GÖSSEL, F. (2005): Informationsentropische, spektrale und statistische Untersuchungen fahrzeuggenerierter Verkehrsdaten unter besonderer Berücksichtigung der Auswertung und Dimensionierung von FCD-Systemen. Dissertation, Fakultät Verkehrswissenschaften “Friedrich List“, Technische Universität Dresden, 2005.