Der vorliegende Beitrag beschreibt eine Simulationsumgebung zur Evaluation von umweltorientierten Verkehrsmanagement-Strategien mit einem Anwendungsfall zur Ermittlung der Schadstoffemissionen bei unterschiedlichen Flottenzusammensetzungen. Die Methodik verknüpft mikroskopische Verkehrsflusssimulationen mit fahrzeugspezifischen Emissions- und Ausbreitungsberechnungen. Die aktuelle Datenbasis umfasst hochaufgelöste Verkehrsdaten von vier deutschen Großstädten. Im Anwendungsfall werden die verkehrsbedingten Treibhausgas (CO₂) und Schadstoffemissionen (NO_x, PM₁₀) einer stufenweise erneuerten Fahrzeugflotte in einer innerstädtischen Hauptverkehrsstraße untersucht.

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

1 Methodik Evaluationsframework

Die Bauhaus-Universität Weimar ist an Forschungsvorhaben zu umweltbezogenen Verkehrsmaßnahmen beteiligt. Aktuell werden im Rahmen der Forschungsinitiative mFUND des Bundesministeriums für Verkehr und digitale Infrastruktur (BMVI) Projekte zur Mobilität 4.0 gefördert. Im Verbundvorhaben „school“ (Strategiewechsel durch Open Data orientierte Lösungen) werden in den Städten Frankfurt a.M., Dortmund und Kassel neue Verkehrsmanagement-Strategien entwickelt, erprobt und bewertet. Die Bauhaus-Universität Weimar evaluiert die Maßnahmen und ermittelt insbesondere deren Wirksamkeit auf Verkehrsablauf und Luftqualität. Dafür wird eine Simulationsumgebung zur Abbildung der komplexen Wirkungskette Fahrzeug, Fahrverhalten, Verkehrsablauf, Emissionen, Klima und Immissionen genutzt.

Der Verkehrsablauf wird mittels mikroskopischer Verkehrsflusssimulationen nachgebildet. Dafür wird „PTV VISSIM“ genutzt. Zur Kalibrierung und Validierung der simulierten Verkehrsabläufe stehen hochaufgelöste Verkehrsdaten (Schleifenzählungen und real geschaltete Lichtsignalprogramme) zur Verfügung. Die Daten werden kontinuierlich in die school-Cloud übertragen und stehen für Analysen und für Berechnungen von Szenarien zur Verfügung. Ebenso werden hier kontinuierlich Daten zu Klima und Umwelt erfasst. Die Kalibrierung des Verkehrsmodells erfolgt durch Anpassungen von Fahrverhalten, Abbiegebeziehungen und nicht detektierter Querverkehrsströme. Die Validierung kann somit sehr realitätsnah durch den Vergleich von Zeitreihen gemessener und simulierter Verkehrsstärken durchgeführt werden.

Für die Berechnung der Emissionen wird das Abgas-Emissionsmodell „Versit+“ mit dem Berechnungstool „TNO EnViVer“ genutzt. Es beruht auf Messungen mit rund 2.800 unterschiedlichen Fahrzeugen in spezifischen Fahrsituationen [1]. Die nachfolgend dargestellten Ergebnisse basieren auf diesen Berechnungen und den in Versit+ bzw. EnViVer hinterlegten Algorithmen und Daten.

Aktuell wird das Evaluationsframework um ein Modul zur Schadstoffausbreitung und zur Berechnung der Immissionen ergänzt. Dazu wird derzeit das Ausbreitungsmodell „Lohmeyer Prokas-Online“ eingebunden. Kalibrierung und Validierung werden dann durch einen Vergleich der simulierten Immissionen mit den gemessenen Werten der Luftmessstationen des Umweltbundesamtes bzw. der Bundesländer erfolgen. Zusätzlich wird aktuell geprüft, wie die mobilen Luftmesssysteme „AQMesh“ von Environmental Instruments Ltd. [2] eingebunden werden können, um weitere reale Messwerte zur Stützung der Simulationen zu erhalten. Mit der dann vorliegenden Datenbasis und den Simulationswerkzeugen können zum einen real umgesetzte Verkehrsmanagement-Strategien abgebildet und bewertet werden. Ferner können weitere Strategien vor der realen Umsetzung umfassend geplant und optimiert werden.

2 Anwendungsfall

Mit der Simulationsumgebung werden in diesem Anwendungsfall die verkehrsbedingten Treibhausgas-(CO2) und Schadstoffemissionen (NOx, PM10) unterschiedlicher Pkw Flottenzusammensetzungen untersucht. Als Untersuchungsbereich dient ein innerstädtischer Teilabschnitt der Friedberger Landstraße in Frankfurt am Main. Die innerstädtische Hauptverkehrsstraße besitzt auf zwei getrennten Richtungsfahrbahnen durchgängig jeweils mindestens 2 Fahrstreifen. Der ca. 600 m lange Untersuchungsabschnitt liegt auf Höhe einer Luftmessstation und erstreckt sich über vier Knotenpunkte mit Lichtsignalanlagen (Abbildung 1). Die Signalprogramme werden überwiegend mit VISSIM nachmodelliert bzw. gemäß den Richtlinien für Lichtsignalanlagen (RiLSA) [3] berechnet.

Die Fahrzeugzusammensetzung der Ausgangssituation entspricht dem Flottenmix im Jahr 2017 im Zulassungsbezirk Frankfurt a.M. gemäß der Zulassungsstatistik des Kraftfahrtbundesamtes [4]. Die Fahrzeugflotte ist nach Antriebsarten Benzin und Diesel sowie Schadstoffklassen (EURO-Normen) gegliedert. In den simulierten Szenarien wird die Fahrzeugflotte sukzessive erneuert, wobei die Pkw Anteile älterer Schadstoffklassen stufenweise durch neuere Fahrzeuge ersetzt werden. Der in den Szenarien simulierte Flottenmix entspricht damit nicht exakt der realen Flottenzusammensetzung. Für die weiteren Untersuchungen sind dazu Erhebungen geplant. Es werden folgende vier Szenarien unterschieden:

1. Alte Dieselfahrzeuge werden stufenweise durch neue Dieselfahrzeuge mit Abgasnorm EURO 6 ersetzt. Die Anzahl und Verteilung der Benzinfahrzeuge bleiben unverändert.
2. Alte Dieselfahrzeuge werden stufenweise durch neue Dieselfahrzeuge mit Abgasnorm EURO 6 ersetzt und alte Benzinfahrzeuge werden in gleicher Weise durch neue Benzinfahrzeuge mit Abgasnorm EURO 6 ersetzt.
3. Alte Dieselfahrzeuge werden stufenweise durch neue Benzinfahrzeuge mit Abgasnorm EURO 6 ersetzt. Die Anzahl und Verteilung der alten Benzinfahrzeuge bleiben erhalten.
4. Das vierte Szenario untersucht mögliche Anwendungen vergleichbar mit den Ansätzen eines Fahrverbotes für alte Fahrzeuge. In der ersten Stufe werden alte Dieselfahrzeuge der Schadstoffklassen 1, 2, 3 und 4 sowie Benzinfahrzeuge der Schadstoffklassen 1 und 2 durch neue Fahrzeuge der Schadstoffklasse 6 ersetzt. In der zweiten Stufe werden zusätzlich Dieselfahrzeuge der Schadstoffklasse 5 durch neue Fahrzeuge der Schadstoffklasse 6 ersetzt. Die Aufteilung auf Benzin und Diesel erfolgt jeweils gemäß dem Verhältnis der Neuzulassungen im Jahr 2018 im Zulassungsbezirk Frankfurt a.M. [5].

Tabelle 1 zeigt die Aufteilungen nach Antriebsarbeit und Schadstoffklasse aller simulierten Fälle.

Tabelle 1: Untersuchte Szenarien, Fahrzeugflotte nach Antriebsart und Schadstoffklasse.

Verkehrsflusssimulation

Die Simulation umfasst einen Tagesumlauf (24 h) des realen Verkehrsablaufs und bildet gemessene und in 15 Minuten-Auflösung aggregierte Verkehrsstärken ab. Als Datengrundlage dient die Verkehrsstärke von Zählschleifen an den LSA-gesteuerten Knotenpunkten „Friedberger Landstraße 2 (FL2)“ und „Friedberger Landstraße 5 (FL5)“ an einem durchschnittlichen Werktag. Es werden 15 Läufe mit unterschiedlichen Startzufallszahlen simuliert. Ergebnisse der Simulation sind fahrzeugspezifische Trajektorien, die Kenngrößen wie Reisezeit, Standzeit, Verlustzeit, Anzahl der Halte sowie Geschwindigkeit und Geschwindigkeitsänderungen im Sekundentakt protokollieren.

Abbildung 1: Simulationsabschnitt im Untersuchungsgebiet Friedberger Landstraße Frankfurt a.M.. Darstellung in PTV VISSIM

Validierung der Verkehrssimulation

Zur Validierung werden die gemittelten Verkehrsstärken der Simulationen an den Messquerschnitten FL2 und FL5 mit Zählwerten der Schleifenzählungen FL2 und FL5 verglichen. Die Messquerschnitte liegen auf der Richtungsfahrbahn der Hauptverkehrsachse. Der Vergleich erfolgt über den 24 h-Simulationslauf mit einer Auflösung von Fzg./15 min. Die Tagesganglinien werden nach folgenden Fehlermaßen untersucht:

1. RMSE (root men square error): Quantifiziert die generelle Performance und gibt den mittleren quadratischen Fehler an.
2. RMSPE (root mean square percent error): Prozentuale Angabe des RMSE und beschreibt die Fehlergröße relativ zum Mittelwert [6].
3. Mittlerer Fehler ME (mean error): Indikator für systematische Über- und Unterschätzungen.
4. MPE (mean percent error): Zeigt den ME als mittleren prozentualen Fehler [7].
5. R (Regression): Untersucht die Stärke des Zusammenhanges zwischen der simulierten und beobachteten Zeitreihe und wird als Bestimmtheitsmaß R dargestellt [8].
6. U (Theil’sche Ungleichheitskoeffizient): Liefert Informationen über die Anpassungsgüte der Zeitreihen [8].
• Der Verzerrungsanteil UM zeigt systematische Über- und Unterschätzungen an.
• Der Nicht-Effizienz-Anteil Us zeigt systematische Unterschiede in der Varianz der simulierten und beobachteten Werte an.
• Der Kovarianzanteil UC beschreibt das Fehlen eines linearen Zusammenhanges zwischen den Zeitreihen, er bewertet unsystematische Fehler.

Emissionsberechnungen

Die Emissionen (CO2, NOx, PM10) werden fahrzeugspezifisch entsprechend der Trajektorien berechnet. Die Menge der emittierten Schadstoffe berechnet sich durch die jeweiligen Fahrzeugzusammensetzungen (Tabelle 1) und wird als schadstoffspezifische Gesamtemissionen [g] und Emission pro Strecke [g / km] ausgegeben.

Ergebnisse und Diskussion Performance der Verkehrssimulation

In der Performance-Untersuchung werden die simulierten und gemessenen
Verkehrsstärken an den Zählstellen verglichen (Abbildung 2, Abbildung 3). Tabelle 2 listet die ermittelten Fehlermaße auf. Der RMSPE erreicht an FL2 13,7 % und an FL5 7,4 %. Diese Ergebnisse lassen auf eine gute Performance der Simulation schließen, das heißt die Realität wird mit hoher Genauigkeit abgebildet [6].

Abbildung 2: Tagesganglinie gemessener und simulierter Verkehrsstärken an Messquerschnitt FL 2 vom 19.04.2017

Der MPE zeigt bei FL2 mit 1,2 % eine sehr gute und bei FL5 mit 5,3 % eine gute Übereinstimmung zwischen gemessenen und berechneten Werten [9]. Auch die Bestimmtheitsmaße RFL2 = 0,997 und RFL5 = 0,995 mit p-values je 2,2*10-16, Abbildung 4 und Abbildung 5 lassen auf einen sehr starken Zusammenhang der Zeitreihen schließen [8].

Abbildung 3: Tagesganglinie gemessener und simulierter Verkehrsstärken an Messquerschnitt FL 5 vom 19.04.2017

Die Theil’schen Ungleichheitskoeffizienten U und UM sind am Querschnitt FL2 deutlich kleiner als 0,2. Es liegt eine relativ große Übereinstimmung zwischen den Zeitreihen und damit eine hohe Simulationsgüte vor. Am Querschnitt FL5 zeigt UM eine Verzerrung der Zeitreihen auf. Anteile Us und UC lassen auf eine geringe, konstante Unterschätzung schließen.

Tabelle 2: Fehlermaßanalyse gemessener und simulierter Verkehrsstärken an den Messquerschnitten FL2 und FL5 vom 19.04.2017 in der Friedberger Landstraße in Frankfurt am Main

Die Fehleranalyse zeigt eine gute Performance der simulierten Zeitreihen. Für diesen Anwendungsfall stehen jedoch nur für zwei Querschnitte Vergleichsdaten für Kalibrierung und Validierung zur Verfügung. Der Zugriff auf alle Zähldaten der in school betrachteten Streckenabschnitte wird aktuell implementiert. Dies wird die Performance der Simulationen noch weiter verbessern.

Abbildung 4: Regressionsanalyse an FL2   

Abbildung 5: Regressionsanalyse FL5

Emissionsentwicklung der Untersuchungsszenarien

Die Berechnungen zeigen erwartungsgemäß, dass sich die Emissionen beim Austausch alter Fahrzeuge durch Fahrzeuge der Schadstoffklasse EURO 6 generell reduzieren (Tabelle 3). Die Größe der Reduktion ist abhängig vom Anteil an neuen Fahrzeugen:

• Werden alte Pkw durch neue Pkw der gleichen Antriebsart getauscht, reduzieren sich CO2 und PM10 Emissionen am deutlichsten.
• Im Bereich CO2 liegt das Reduktionspotential der betrachteten Szenarien bei maximal 10 % (Szenario 2-5).
• In diesem Szenario wird auch das höchste Reduktionspotential bei PM10 erreicht, hier sinken die Werte auf etwa 70 %.
• Die deutlichste NOx Reduktion wird beim Wechsel alter Diesel Pkw zu neuen Benzin Pkw erreicht. In diesem Szenario reduzieren sich die berechneten Emissionen auf etwa 60 %.
• Die in Szenario 4 berechneten Anwendungsfälle zeigen ein differenziertes Bild. Die CO2 Emissionen ändern sich im Vergleich von Stufe 1 zu Stufe 2 nur geringfügig. Für PM10 liefert Stufe 2 sogar leicht höhere Werte als Stufe 1. Die NOx Emissionen verringern sich in Stufe 1 deutlich und in Stufe 2 noch einmal im gleichen Maß.

Die Ergebnisse beruhen auf hochaufgelösten und kalibrierten Verkehrssimulationen sowie auf Emissionsberechnungen. Damit ist es möglich, den dominierenden Einfluss des Fahrverhaltens auf Emissionen und Immissionen wesentlich genauer zu berücksichtigen als beispielsweise bei Berechnungen mit dem HBEFA.

Die Szenarien der Emissionsberechnung und die Substitution durch neue Fahrzeuge sowie die Verteilung der Antriebsarten und Schadstoffklassen sind jedoch fiktiv und lassen noch keine exakten Rückschlüsse auf die realen Emissionsänderungen zu. Ein geschlossenes Bild zur Wirkung von Maßnahmen des Verkehrsmanagements wird sich ergeben, wenn die Immissionen mit den realen Klima- und Umweltdaten unter Nutzung eines Ausbreitungsmodells einbezogen werden können. Die vorliegenden Ergebnisse dienen als Beispiel der Untersuchungsmöglichkeiten des hier präsentierten Evaluationsframeworks und zeigen die Potentiale des gewählten Ansatzes.

Tabelle 3: Vergleich der Szenarien nach Schadstoffemissionen (CO2, NOx, PM10) und aktueller Flottenzusammensetzung

Zusammenfassung und Diskussion

Das Fallbeispiel zeigt eine Anwendungsmöglichkeit des hier präsentierten Evaluationsframeworks. Durch die Datengrundlage gemessener Verkehrsstärken und geschalteter Signalzeitenprogramme sind validierte mikroskopische Verkehrsflusssimulationen von innerstädtischen Hauptverkehrsstraßen und angrenzenden Zufahrtsstraßen möglich. Mit der beschriebenen Simulation können die Wirkungen unterschiedlicher Fahrzeugflottenzusammensetzungen nach Schadstoffklassen hinsichtlich ihrer Treibhausgas- und Schadstoffemissionen untersucht werden.

Die hier gezeigte Simulationsumgebung soll qualitative Wirkungseinschätzungen von Verkehrsmanagementmaßnahmen ermöglichen. Verkehrliche und umweltseitige Wirkungen sollen hinsichtlich Verkehrsqualität, Emissionsmengen und Immissionsausbreitungen untersucht werden. Dies soll Empfehlungen hinsichtlich der Anwendung von Verkehrsmanagementmaßnahmen ermöglichen. Künftig gilt es, die Untersuchungsgebiete und Zeiträume zu vergrößern. Die Anzahl an Simulationsläufen kann erhöht werden, um statistisch robustere Aussagen zu treffen. Die Performance der Verkehrssimulationen kann weiter optimiert werden. Dies kann beispielsweise durch zusätzliche Kalibrierungen und Validierungen mit dem Vergleichen von Reisezeiten geschehen [10]. Eine weitere Methode zum Vergleich realer und simulierter Fahrzeugrouten besteht mit Hilfe von Videoaufnahmen von Drohnen und Verkehrskameras.

Im weiteren Verlauf des Projektes werden die Emissionsberechnungen, die mit dem Versit+-Modell durchgeführt werden, mit Emissionsfaktoren des HBEFA verglichen werden, um die Performance der Emissionsberechnung zu validieren. Künftige Ausbreitungsberechnungen sollen anhand der offiziellen Luftmessstationen zur Bestimmung städtischer verkehrsnaher Belastungen und Hintergrundbelastung kalibriert werden. Ein möglicher zusätzlicher Vergleich mit mobilen Luftmesssystemen soll diese Kalibrierungen weiter optimieren.

Quellen

1. Smit, R., Smokers, R., & Rabé, E. (2007). A new modelling approach for road traffic emissions: VERSIT+. Transportation Research Part D: Transport and Environment, 12, 414–422. https://doi.org/10.1016/j.trd.2007.05.001
2. Environmental Instruments Ltd. AQmesh, The proven small sensor air quality monitoring system. https://www.aqmesh.com/product/ am 25.01.2019
3. FGSV. (2016). Richtlinien für Lichtsignalanlagen (RiLSA): Lichtzeichenanlagen für den Strassenverkehr (Ausgabe 2015). FGSV: Nr. 321 Ausgabe 2015. Köln: FGSV Verlag.
4. Kraftfahrt-Bundesamt (2017). Fahrzeugzulassungen (FZ), Bestand an Kraftfahrzeugen und Kraftfahrzeuganhängern nach Zulassungsbezirken
5. Kraftfahrt-Bundesamt (2018). Neuzulassungsbarometer Personenkraftwagen im Dezember 2018 nach ausgewählten Kraftstoffarten https://www.kba.de/DE/Statistik/Fahrzeuge-/Neuzulassungen/MonatlicheNeuzulassungen/2018/201812_GV1monatlich/201812_nzbarometer/201812_n_barometer.html?nn=653844 am 25.01.2019
6. Cambridge Systematics Inc. (2010). Travel Model Validation and Reasonableness Checking Manual: Publication FHWA-HEP-10-042. Washington, DC.
7. Papula, L. (2017). Mathematische Formelsammlung. Wiesbaden: Springer Fachmedien Wiesbaden.
8. Buisson, C., & Hoogendoorn, S. P. (Eds.). (2015). Traffic Simulation and Data: Validation methods and applications. Boca Raton, FL: CRC Press.
9. FGSV. (2006). Hinweise zur mikroskopischen Verkehrsflusssimulation: Grundlagen und Anwendungen (Ausg. 2006). FGSV: Nr. 388. Köln: FGSV Verl.
10. Jie, L., van Zuylen, H., Chen, Y., Viti, F., & Wilmink, I. (2013). Calibration of a microscopic simulation model for emission calculation. Transportation Research Part C: Emerging Technologies, 31, 172–184. https://doi.org/10.1016/j.trc.2012.04.008