Aktivitätenpläne sind eine wichtige Inputgröße für Multi-Agenten-Verkehrsnachfragemodelle. Das dargestellte Aktivitätenwahlmodell ist Bestandteil des mobiToppVerkehrsnachfragemodells und erzeugt synthetische Aktivitätenpläne für den Zeitraum einer Woche basierend auf Erhebungsdaten des Deutschen Mobilitätspanels. Durch die Verwendung dieser Daten können Modelle leichter auf neue Planungsräume übertragen und Auswirkungen auf die Aktivitätenwahl besser abgebildet werden. Der vorliegende Beitrag zeigt die Entwicklung des Modells zur Generierung von Aktivitätenplänen sowie dessen beispielhafte Anwendung auf eine Modellierung des Großraums Stuttgart. Ein besonderer Schwerpunkt des Modells liegt in der Modellierung der Woche und der damit verbundenen Stabilität und Variabilität im Verkehrsverhalten.

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

1 Einleitung

Aktivitätenbasierte, und oftmals gleichzeitig agentenbasierte Verkehrsnachfragemodelle ermöglichen die mikroskopische Simulation von Verkehrsnachfrage und damit die Evaluierung von persönlichem Entscheidungsund Verkehrsverhalten. Sie bieten die Möglichkeit, stellvertretend für jede Person im Planungsraum einen Agenten mit Eigenschaften wie Alter, Geschlecht, Haushaltskontext, Verkehrsmittelbesitz und -verfügbarkeit, Budgets etc. zu modellieren. Die Aktivitäten-, Zielund Verkehrsmittelwahl im Zeitverlauf erfolgt individuell für jeden Agenten und ermöglicht somit intersowie vor allem intra-personelle Analysen. Ein wichtiger Input für diese Modelle sind Aktivitätenpläne. Personen (=Agenten in der Simulation) folgen diesen Plänen, passen diese an und wählen Ziele und Verkehrsmittel für Wege, die sich aus den geplanten Aktivitäten ergeben.

Derartige Aktivitätenpläne können dabei in der Regel durch zwei Methoden generiert werden. Die erste Möglichkeit ist die direkte Übernahme von Aktivitätenplänen aus einer Erhebung (z.B. Haushaltserhebung). Diese wird i.d.R. in der zu planenden Modellregion durchgeführt und die Ergebnisse werden in der Modellierung verarbeitet. Dies bietet den Vorteil konsistenter und realistischer Aktivitätenpläne. Jedoch bietet diese Methode keine nachträgliche Einflussnahme auf die Aktivitätenpläne, bspw. bei der Implementierung von Planungsmaßnahmen im Verkehrsmodell. Die zweite Möglichkeit der Generierung von Aktivitätenplänen ist deren synthetische Modellierung. Die Pläne werden mit Hilfe eines Modells synthetisch für Agenten erzeugt. Vorteil dieser Methode ist die leichte Anpassbarkeit auf andere Planungsregionen. Schätzt man das Modell auf Repräsentativdaten für bpsw. die deutsche Bevölkerung sind diese Daten unabhängig von regionaleren Planungsräumen und das Modell damit sensitiv bezüglich verschiedener Variablen wie Alterszusammensetzung, Erwerbstätigkeit, Geschlecht, Raumtyp, Haushaltskontexte, … Für neue Planungsräume können so Aktivitätenpläne erstellt werden ohne dass es hierzu einer weiteren Erhebung im Planungsraum bedarf.

Während im Multi-Agenten-Modell mobiTopp, welches am Institut für Verkehrswesen des Karlsruher Instituts für Technologie entwickelt wurde, die Aktivitäten bisher aus Mobilitätserhebungen entnommen und nur mit wenig Anpassungen auf die Agenten übertragen wurden, wird in diesem Beitrag ein neues Modul zur synthetischen Aktivitätenwahl der Agenten im Verlauf einer Woche beschrieben (actiTopp). Mit diesem Modul ist es möglich, die Auswirkungen von veränderten Rahmenbedingungen oder neuen Mobilitätsdienstleistungen (z. B. Informationen, die veränderte Aktivitätsdauern zur Folge haben) in der Simulation abzubilden. Zudem ermöglicht die synthetische Generierung der Aktivitätenpläne, wie vorhergehend beschrieben, eine leichtere Übertragbarkeit des Modells auf neue Planungsräume.

Der hier vorliegende Beitrag ist wie folgt strukturiert: Zunächst geben wir einen Überblick über das mobiTopp Modell im Gesamten. Kapitel 3 behandelt das neue Aktivitätenwahlmodul actiTopp und beginnt mit einem Überblick über den aktuellen Stand der Forschung hinsichtlich aktivitätenbasierter Verkehrsnachfragemodelle mit Fokus auf der Aktivitätenerzeugung. Folgend werden die Datenquellen des Modells, die Struktur der Modellierung und im Speziellen die Modellierung der Stabilität im Verkehrsverhalten beschrieben. Das Kapitel schließt mit der Beschreibung ausgewählter Modellergebnisse. Zuletzt werden eine Zusammenfassung sowie die weiteren Forschungsideen in Bezug auf den Ansatz dargestellt.

2 Das Multi-Agenten-Modell mobiTopp

mobiTopp [1, 2] ist ein mikroskopisches Verkehrsnachfragemodell und basiert auf dem Ansatz der Multi-Agenten Modellierung [3]. Jede Person wird durch einen Agenten abgebildet, der ein Aktivitätenprogramm (bestehend aus beispielsweise Arbeit, Einkaufen, Freizeit, …) hat, welches im Verlauf der Modellierungsdauer durchgeführt wird. Für die Durchführung der Aktivitäten werden Wege absolviert, deren Ziele und Verkehrsmittel im Verlauf der Simulation gewählt werden.

Der Modellierungszeitraum in mobiTopp beträgt eine Woche. Weltweit werden zwar zahlreiche unterschiedliche aktivitätenbasierte Verkehrsnachfragemodelle verwendet, Ansätze, die über einen Tag hinaus gehen sind jedoch selten. Durch die Modellierung der Woche wird explizit die Stabilität und Variabilität im Mobilitätsverhalten abgebildet und erlaubt so weitergehende Verhaltensanalysen [1]. Innerhalb des Simulationsprozesses entscheidet jeder Agent auf Basis seines Wochenaktivitätenplans und unter Berücksichtigung des Haushaltskontexts, welche Ziele und welche Verkehrsmittel er für die jeweilige Aktivität wählt. Fahrzeuge sind entweder einem Haushalt oder einem Carsharinganbieter zugeordnet. Die zeitliche Auflösung der Modellierung ist minutengenau für eine gesamte Woche und die räumliche Auflösung straßenfein innerhalb von Verkehrszellen.

mobiTopp besteht aus zwei Modellteilen. Zum einen aus dem Long-Term-Modell, in welchem die Bevölkerungssynthese zur Erzeugung der Agenten inklusive der Aktivitätenpläne durchgeführt wird sowie weitere – langfristige – Charakteristika wie beispielsweise Wohnund Arbeitsort, Pkw-, ÖV-Zeitkartenbesitz oder Carsharing-Mitgliedschaft bestimmt werden. Zum anderen beinhaltet mobiTopp ein Short-Term-Modell, in welchem die Simulation der Modellwoche bestehend aus Wegen mit Zielund Verkehrsmittelwahl für jeden Agenten durchgeführt wird.

In der Bevölkerungssynthese werden die Agenten für die Planungsregion so innerhalb der Verkehrszellen verteilt, dass die Personen und Haushalte hinsichtlich ihrer Soziodemografie auf Zellenebene die Realität widerspiegeln. Einer der grundlegenden Schritte dabei ist die Zuordnung der Aktivitätenpläne der Agenten. Bisher werden diese aus einer Mobilitätsbefragung entnommen. Hierfür werden während der Bevölkerungssynthese des Modells die Aktivitätenpläne passender Haushalte aus der Befragung entsprechend einiger Charakteristika ausgewählt [1]. Da die Aktivitätenpläne daher aus der Befragung fest vorgeben sind und nicht im Modell selbst generiert werden, ist es schwierig, Veränderungen in der Aktivitätenwahl abzuschätzen bzw. abzubilden. Hierzu wird im Folgenden das neue Modul actiTopp vorgestellt, welches eine synthetische Generierung von Aktivitätenplänen im Rahmen des mobiTopp Modells durchführt.

Weitere Informationen zum mobiTopp Modell im Allgemeinen, deren Anwendung auf den Planungsraum Region Stuttgart sowie zu aktuellen Modellentwicklungen im Bereich Carsharing und Elektrofahrzeuge können der Literatur entnommen werden [1, 2, 4 bis 7].

3 Aktivitätenwahlmodul actiTopp

Im folgenden Abschnitt wird das neu entwickelte Aktivitätenwahlmodul actiTopp beschrieben. Einleitend mit einer Beschreibung des aktuellen Stands der Forschung werden die genutzten Datenquellen zur Schätzung des Modells sowie deren Struktur beschrieben. Das Kapitel schließt mit einer Darstellung einiger Modellergebnisse bzw. Validierungsgrößen.

3.1 Stand der Forschung

Das Konzept der aktivitätenbasierten und mikroskopischen Verkehrsnachfragemodellierung hat sich in den letzten Jahrzehnten zu einem wichtigen Ansatz für Verkehrsplaner entwickelt. Aktivitätenbasierte Modelle haben sich von wegebasierten Ansätzen über Touren und deren Verknüpfung zu Plänen, vorwiegend für die Periode eines Tages, entwickelt [8]. Heutzutage besteht der Stand der Forschung aus Aktivitätenplänen, die innerhalb des Haushalts mit anderen Mitgliedern koordiniert sind, gemeinsame Aktivitäten abbilden und von anderen Modellstufen beeinflusst werden, bspw. Ergebnisse aus land-use Modellen (siehe beispielsweise [9]). Da Modelle für den Zeitraum einer Woche, wie in mobiTopp angewendet, selten sind, stellen wir zunächst einen generellen Überblick der Aktivitätengenerierungsprozesse in Verkehrsnachfragemodellen dar und gehen danach detaillierter auf Wochenansätze ein.

Generell können zwei Gruppen von Aktivitätenerzeugungsansätzen unterschieden werden. Die erste Gruppe der Ansätze nutzt unterschiedliche Techniken wie Regressionen (Logit/Probit Modelle) oder Hazard-Modelle. Aktivitätenpläne werden auf Basis persönlicher Informationen (bspw. soziodemografische Daten, Verfügbarkeit von Mobilitätsoptionen oder Informationen bezüglich Wohn-/ Arbeitsort) erzeugt. Diese Gruppe von Ansätzen basiert auf dem Theorem der Nutzenmaximierung, welches ursprünglich aus dem Bereich der Konsumentenwahltheorie der Volkswirtschaftslehre stammt. Das Theorem besagt, dass Personen ihre Entscheidungen zur Durchführung von Wegen so treffen, dass der Nutzen der damit verbundenen Aktivitäten am Ziel maximiert wird. Diese Ansätze werden daher auch nutzenbasierte ökonometrische Modellansätze genannt. Ein wichtiger Ansatz dieser Gruppe wurde von Bowman entwickelt [10, 11]. Die Hauptidee des Ansatzes von Bowman wurde vielfach in Modellen für verschiedene Planungsorganisationen in den USA verwendet, bspw. in Portland, San Francisco oder Sacramento [9]. Ein Teil des simMobility Modells [12] basiert ebenfalls auf dem Ansatz von Bowman. Andere Ansätze in dieser Gruppe sind unter anderem CEMDAP [13, 14] oder CT-RAMP [15].

Die Ansätze der zweiten Gruppe werden als regelbasierte Prozessmodelle bezeichnet. Der Fokus liegt hier vor allem auf der Implementierung von Verschiebeund Ordnungsprozessen der Aktivitäten. Hierzu werden mit dem Ziel der Abbildung des persönlichen Entscheidungsverhaltens Regeln implementiert. Im Unterschied zum ersten Ansatz generieren diese nicht wirklich Aktivitätenpläne, sondern erfordern eine Menge an Aktivitäten als Input von exogenen Datenquellen und ordnen diese Aktivitäten entsprechend der implementierten Regeln. Beispielhafte Modellansätze sind STARCHILD [16, 17] oder ALBATROSS [18]. Ein umfassenderer Überblick über diese Modellgruppe wurde von Pinjari und Bhat [14] veröffentlicht. Neben diesen zwei Gruppierungen gibt es weitere Ansätze, die verschiedene Aspekte vereinen, bspw. ADAPTS [19] nutzt Hazard-Modelle zur Erzeugung von Aktivitätenplänen und gleichzeitig werden die Pläne auf einer dynamischen Basis unter Nutzung von Umplanungsregeln erzeugt und angepasst.

Die meisten Verkehrsnachfragemodelle simulieren den Zeitraum von einem durchschnittlichen Tag. Für Fragen der Infrastrukturnutzung und im Hinblick auf verfügbare Inputdaten ist das verständlich und nachvollziehbar. Längere Modellierungszeiträume gewinnen in den letzten Jahren jedoch zunehmend an Bedeutung. Sie ermöglichen beispielsweise die Berücksichtigung von Stabilität und Variabilität im Verkehrsverhalten [1] wie auch die Abbildung von unterschiedlicher Verkehrsmittelnutzung oder die Durchführung von unterschiedlichen Aktivitäten in Abhängigkeit vom Wochentag. Limitiert werden längere Modellierungszeiträume oftmals jedoch von der Datenverfügbarkeit. In Deutschland gibt es mit dem Deutschen Mobilitätspanel eine Mobilitätsbefragung, welche für den Zeitraum einer Woche jährlich durchgeführt wird (siehe nächster Abschnitt) sowie die mobiDrive [20] Erhebung, welche für den Zeitraum von 6 Wochen, jedoch einmalig im Jahre 1999 durchgeführt wurde. Ein Verkehrsmodell, welches den Zeitraum einer Woche simuliert ist das mobiTopp Modell (siehe Kapitel 2). Daneben gibt es kaum Modelle, die standardmäßig eine Woche simulieren. Versuche wurden unter anderem mit dem agenten-basierten Verkehrsmodell MATSim [21, 22] wie auch auf Basis der mobiDrive Daten [23] durchgeführt. Das SimMobility Modell enthält ein Teilmodell, dass mehrere Tage umfasst [12], allerdings ist den Autoren bisher kein veröffentlichter Anwendungsfall dafür bekannt.

3.2 Datenquellen

Für den hier dargestellten Modellierungansatz der Aktivitätenwahl werden die Daten des Deutschen Mobilitätspanels (MOP) sowie einer Haushaltserhebung im Raum Stuttgart verwendet. Das MOP erhebt seit 1994 jährlich das Verkehrsverhalten der deutschen Bevölkerung. Jedes Jahr werden 1.000 bis 1.500 Haushalte mit 2.000 bis 2.400 Personen (über 10 Jahren) befragt. Die Erhebungszeitraum im Herbst wird so gewählt, dass darin keine Ferien liegen, um so möglichst gut die Alltagsmobilität abzubilden. Personen werden gebeten, an drei aufeinander folgenden Jahren an der Erhebung teilzunehmen. Jedes Jahr wird 1/3 der Stichprobe ersetzt und neu angeworben (rotierende Panelerhebung), um die Repräsentativität der Erhebung zu gewährleisten. Die Erhebung findet statt im Auftrag des Bundesministeriums für Verkehr und digitale Infrastruktur und wird vom Institut für Verkehrswesen wissenschaftlich begleitet [24, 25]. Teilnehmer füllen für eine Woche ein Wegetagebuch aus und geben für alle Wege Informationen zu Weglängen, genutzten Verkehrsmitteln, Wegezwecken sowie Startzeiten und Wegedauern an. Weiterhin werden von allen Personen soziodemografische Informationen (bspw. Beschäftigungsstatus, Geschlecht, Alter), Verfügbarkeiten von Pkw, Fahrrädern oder ÖV-Zeitkarten sowie Informationen zu Erreichbarkeiten und Zugänglichkeiten (Parkmöglichkeit zu Hause und am Arbeitsplatz, ÖV-Erreichbarkeit) erhoben. Die Teilnehmer geben für jeden Erhebungstag an, ob Besonderheiten wie Krankheit, Urlaub oder Ähnliches auftraten, die das „alltägliche, normale“ Mobilitätsverhalten beeinflussen. Für den actiToppModellansatz wurden die Daten von 2004 bis 2013 des MOP genutzt.

Neben den Daten des MOP wurden zur Anwendung und Überprüfung der Ergebnisse des auf Basis der MOP-Daten entwickelten Moduls actiTopp, Daten einer Haushaltserhebung im Raum Stuttgart verwendet. In den Jahren 2009 und 2010 wurden insgesamt 5.000 Haushalte eine Woche lang zu ihrem Mobilitätsverhalten befragt [26]. Die Befragung war analog zu der des MOP mit der einzigen Ausnahme, dass die Befragung nicht in aufeinanderfolgenden Jahren wiederholt wurde. Die Stuttgart-Daten wurden somit als Anwendungsbeispiel für das actiTopp Modul genutzt (siehe Bild 1), um die mit dem MOP geschätzten Modellparameter bewerten zu können.

Durch die Verwendung von zwei Datenquellen sind die Daten für die Schätzung komplett von den Daten der Validierung getrennt. Nach einer Datenbereinigung und Transformation (siehe nächster Abschnitt) konnten für die Modellschätzung 17.843 Wochenaktivitätenpläne mit über 450.000 Aktivitäten aus den MOP-Daten genutzt werden. Für die  Modellvalidierung standen 11.436 Wochenaktivitätenpläne aus der Stuttgart-Erhebung zur Verfügung.

3.2.1 Datenaufbereitung

Da Personen im MOP wie auch in der Stuttgart-Erhebung lediglich Wege berichten, müssen die Daten zunächst aufbereitet werden, um die Aktivitäten von Personen abzubilden. Ein berichteter Einkaufsweg von 07.00 Uhr bis 07.15 Uhr und ein anschließender Heimweg von 07.45 Uhr bis 08.00 Uhr resultiert beispielsweise in einer Einkaufsaktivität, startend mit der Ankunft am Ziel des Weges um 07.15 Uhr für eine Dauer von 30 Minuten. Die anschließende Heimaktivität startet entsprechend wiederum um 08.00 Uhr. Für diese Transformation gilt die Annahme, dass Personen ihre Berichtswoche immer zu Hause starten, das heißt die erste Aktivität ist zunächst eine Heimaktivität. Heimaktivitäten werden nicht näher spezifiziert, da diese Informationen nicht in der MOP-Erhebung erfasst werden. Um die Modellgestaltung zu vereinfachen wurden Wegezwecke verallgemeinert, sodass lediglich die Zwecke Zu Hause, Arbeiten, Ausbildung, Freizeit, Einkaufen sowie Service (Jemanden Holen/Bringen) verwendet werden. Der verwendete Modellansatz basiert auf verschiedenen, untergeordneten Teilmodellen, die über Teile des Aktivitätenplans entscheiden (siehe Tabelle 2). Die durch die Modellteile getroffenen Entscheidungen betreffen unterschiedliche Entscheidungslevel von der höchsten Ebene (Entscheidungen, die die Woche bzw. die Person im Gesamten betreffen) bis zur niedrigsten Ebene (Entscheidungen für eine konkrete Aktivität) siehe Tabelle 1.

Tabelle 1: Entscheidungsebenen in der Modellschätzung

3.3 Modellansatz

Im folgenden Abschnitt werden Details des actiTopp Ansatzes dargestellt. Der Ansatz erzeugt Wochenaktivitätenpläne für Personen und erfordert lediglich deren soziodemografische Eigenschaften als Input (siehe Bild 1). Zur Erzeugung der Pläne wird keine weitere Kenntnis über das Verkehrsverhalten der zu modellierenden Personen benötigt, da deren Aktivitätenpläne auf Basis der Parameterschätzungen des MOP modelliert werden. Dies ermöglicht eine flexible Anwendung des Modells auf beliebige Bevölkerungszusammensetzungen – zumindest in Deutschland, da der MOP-Datensatz repräsentativ für die deutsche Bevölkerung ist. Beispielhaft und zur Validierung wurden im vorliegenden Fall die Daten der Stuttgart-Erhebung „nachsimuliert“. Bild 1 stellt einen Überblick über die verschiedenen Datenquellen, die für Schätzung und Validierung genutzt wurden, dar. Folgend wird zunächst der Modellansatz im Allgemeinen und anschließend ein vertiefter Einblick in die Modellteile dargestellt, die sich mit Stabilität im Verkehrsverhalten beschäftigen und über traditionelle Ansätze (Modellierung lediglich eines Tages) hinausgehen. Abschließend werden ausgewählte Ergebnisse der Modellanwendung auf die Stuttgart-Daten gezeigt (siehe Punkte 2-4 in Bild 1).

Bild 1: Datenquellen für den actiTopp Modellansatz

3.3.1 Struktur

Der Modellansatz von actiTopp basiert auf einer stufenweisen Modellierung mit mehreren Teilmodellen. Der Ansatz folgt den grundlegenden Ideen von Bowman [10], die dieser in seiner Dissertation “The Day Activity Schedule Approach” beschrieben hat. Ansatz ist dabei, die Erzeugung eines Aktivitätenplans aufgrund der sehr hohen Freiheitsgrade, der Anzahl möglicher Alternativen und der Komplexität der Entscheidung in mehrere, einfachere Entscheidungen aufzuteilen. Bowman empfehlt eine schrittweise Modellierung auf verschiedenen Entscheidungsebenen, um den Aktivitätenplan zu generieren. Der Modellansatz von actiTopp folgt im Grundsatz diesen Ideen. Im Unterschied zum ursprünglichen Modell von Bowman werden Aktivitätenpläne für eine ganze Woche, jedoch keine Zielund Verkehrsmittelwahl in den Plänen berücksichtigt. Ergebnis des actiTopp Modells ist eine geordnete Liste aller Aktivitäten einer Person im Laufe einer Woche mit Zweck und Dauern der Aktivitäten sowie deren Organisation in Touren mit entsprechenden Startzeiten. Aktivitäten, die zu Hause stattfinden werden nicht näher spezifiziert. Zielund Verkehrsmittel werden nicht modelliert, da diese im weiteren Modellverlauf von mobiTopp bestimmt werden und das Modell als Input für mobiTopp dient.

Tabelle 2 zeigt nachfolgend die Modellstruktur von actiTopp inkl. der Ausführungsreihenfolge.

Tabelle 2: Hierarchie und Informationen zu den einzelnen Modellschritten

Ebenso wie im ursprünglichen Modell von Bowman werden in actiTopp für den Modellansatz vorwiegend logistische Regressionsmodelle genutzt. Um eine höhere Genauigkeit zu erreichen werden die Regressionen mit gewichteten Zufallsziehungen (bspw. um eine minutengenaue Aktivitätsdauer innerhalb einer Dauerkategorie zu ermitteln, die durch die logistische Regression bestimmt wird) kombiniert.

Die Modellstufen sind über vertikale Abhängigkeiten miteinander verbunden („downward vertical integrity“ siehe hierzu Vovsha et al. [27]). In jedem Modellschritt werden die Ergebnisse der vorherigen Stufe (weiter oben in der Hierarchie) als gegeben angenommen. Der Hauptaktivitätstyp einer Tour (S4) ist beispielsweise von der Anzahl der Touren an diesem Tag abhängig (siehe S3). Eine umgekehrte vertikale Abhängigkeit (bspw. von Modellstufe S4 zu Modellstufe S3) ist aufgrund der sehr komplexen Nested-Strukturen und der vielen Entscheidungsebenen im Modell noch nicht berücksichtigt. Die Integration eines „Lernprozesses“ wie von Vovsha et al. [27] beschrieben, wird für kommende Modellversionen geprüft. Horizontale Abhängigkeiten sind zum Teil im Modell berücksichtigt. Einige Teilmodelle berücksichtigen haushaltsspezifische Variablen, bspw. erhöhen Kinder im Haushalt die Wahrscheinlichkeit, Service-Aktivitäten (Holen und Bringen) im Laufe der Woche durchzuführen. Es besteht jedoch noch keine explizite Koordinierung der Aktivitäten zwischen Haushaltsmitgliedern im Modell.

3.3.2 Modellierung von Stabilität im Verkehrsverhalten

Im folgenden Abschnitt werden die Modellteile detaillierter beschrieben, die sich mit der expliziten Abbildung der Wochenaspekte beschäftigen. Die Modellierung einer Woche bedarf einer höheren Komplexität, da die Aneinanderreihung von sieben Tagespläne keine ausreichend guten Ergebnisse ergeben. Es gibt Elemente im Aktivitätenplan, die von Tag zu Tag sehr ähnlich sind (bspw. Verlassen des Wohnorts am Morgen oder tägliche Arbeitszeiten). Andere wiederum treten nicht täglich und ggf. nur an speziellen Wochentagen auf (bspw. Freizeitoder Einkaufsaktivitäten). Dies erfordert damit eine höhere Komplexität bei der Modellierung von Wochenaktivitätenplänen, um persönliches und individuelles Verhalten abzubilden. In den meisten Modellschritten wird beispielsweise der Wochentag als signifikante Einflussgröße im Logit-Modell berücksichtigt. Damit können Unterschiede bei den Aktivitäten zwischen Wochentagen berücksichtigt werden (bspw. mehr Freizeitaktivitäten am Wochenende).

Verdeutlicht wird die notwendige Koordination zwischen den Aktivitätenplänen der einzelnen Tage am Beispiel der Modellierung von Aktivitätsdauern (Modellschritt S8 – siehe Tabelle 2). Für den Wochenansatz müssen im Besonderen die Dauern für Arbeitsund Ausbildungsaktivitäten zwischen den Tagen koordiniert werden. Angenommen, dass eine Person in der Woche an 5 Tagen arbeiten geht, wird sie die tägliche Arbeitsdauer meistens mehr oder weniger gleichmäßig auf diese 5 Tage aufteilen, bspw. täglich ca. 8 Stunden in Deutschland.

Bild 2 zeigt die Verteilung der Spannweite täglicher Arbeitszeiten zwischen Tagen für die Stuttgart-Daten (grüne Balken). Beispiel: Ein Wert von 30 Minuten zeigt an, dass die tägliche Arbeitszeit im Verlaufe der Woche um maximal 30 Minuten schwankt (Spannweite) – vergleicht man alle Arbeitstage der Person in der Woche. Im Beispiel könnte die Person also von Mo-Do jeweils 8 Stunden und freitags 7,5 Stunden arbeiten, wodurch sich die Schwankung von 30 Minuten ergibt.

Bild 2: Stabilität der täglichen Zeit für Arbeitsaktivitäten (Modellergebnis und StuttgartBeispiel)

In Bild 2 wird ersichtlich, dass es eine gewisse Stabilität der Arbeitszeiten im Wochenverlauf gibt, die in der Modellierung berücksichtigt werden sollte. Ebenfalls werden in der Abbildung die Ergebnisse der Modellierung dargestellt (blaue Balken). Unser Modell ermöglicht eine Berücksichtigung der Stabilität in gewissen Maßen. Die erste Kategorie wird durch die Modellierung unterschätzt wodurch sich eine leichte Überschätzung der nachfolgenden Kategorien ergibt. Ohne die nachfolgend beschriebenen Koordinierungsmaßnahmen ergibt sich jedoch ein wesentlich schlechteres Bild und die durchschnittliche Abweichung liegt bei im Bereich 180-299 Minuten und damit weit von der Verteilung der Erhebung entfernt (siehe hellgraue Balken – unkoordiniert und grüne Balken im Vergeich).

Schritt S8 zur Modellierung der Aktivitätsdauern besteht wiederum aus verschiedenen Teilmodellen. Die Teilmodelle Schritt S8 A-C bestimmen die Dauer der Hauptaktivität von Touren und nachgelagert wird in Schritt S8 D-E über die Dauern der vorund nachgelagerten Aktivitäten entschieden. Im Folgenden werden die Schritte S8 A-C erklärt und in welcher Form Verhaltensstabilität berücksichtigt wurde. Um über die genaue Aktivitätsdauer zu entscheiden wird zunächst die mittlere Dauer für jede Aktivität definiert. Diese mittlere Dauer basiert auf dem Wochenzeitbudget, welches in Schritt S7 definiert wird und ergibt sich wie folgt:

Formel siehe PDF.

Berücksichtigt man erneut das Beispiel einer erwerbstätigen Person mit einem Arbeitszeitbudget von 40 Stunden (2400 Minuten) an 5 Tagen und 2 Arbeitsaktivitäten am betrachteten Tag (Tag 1), ergibt sich die mittlere Zeit für eine Arbeitsaktivität an diesem Tag als:

Formel siehe PDF.

Um Verhaltensstabilität im Modell abzubilden wird zwischen Maßnahmen in der Parameterschätzung für das Modell und Anpassungen, die bei der Anwendung des Modells berücksichtigt werden, unterschieden. Bei der Schätzung der Modellparameter nutzen wir das Konzept der mittleren Aktivitätsdauer als Einflussparameter im Logit-Modell. Um den Einfluss dieser mittleren Aktivitätsdauer im Modell zu verdeutlichen, zeigt Tabelle 3 die Ergebnisse des Wald-Test für die Integration in das logistische Regressionsmodell. Die Tabelle zeigt die Resultate der Parameterschätzung von Schritt S8B (kategorisierte Aktivitätsdauer für die Hauptaktivität einer Tour). Alle berücksichtigten Variablen sind binär. Da im Modell insgesamt 35 Parameter mit jeweils 14 Alternativen berücksichtigen werden, wird aus Platzgründen auf die Darstellung aller Schätzwerte verzichtet und nur die allgemeinen Effekte der Wald-Tests dargestellt. Das dargestellte Logitmodell hat ein Mc-Fadden-R²-Gütemaß von 0,33418 und basiert auf einer Grundgesamtheit von 182.973 Aktivitäten. Die mittlere Aktivitätszeit spielt eine wichtige Rolle bei der Schätzung, da diese in 10 Variablen in der Modellierung in signifikanten Umfang berücksichtigt werden konnte.

Tabelle 3: Ergebnisse der Modellschätzung für Schritt S8B – kategorisierte Dauer

Bei der Anwendung des Modells werden verschiedene Schritte durchgeführt, um die Stabilität der Aktivitätsdauern zu erhöhen. Bild 3 illustriert die Bestimmung der Dauer der Hauptaktivität einer Tour (Schritt S8 A-C). Auch hier kommt das Konzept der mittleren Aktivitätsdauer zur Anwendung. Zur Vereinfachung wird hier das gleiche Beispiel verwendet wie oben bereits dargestellt.

Bild 3: Beschreibung der Modellschritt S8A-C –Dauer von Hauptaktivitäten

Bild 3 stellt den Entscheidungsprozess für die Aktivitätsdauer dar. Schritt S8 A bestimmt zunächst mit Hilfe eines binären Logitmodells, ob die zu modellierende Aktivitätsdauer in der Zeitkategorie der mittleren Aktivitätsdauer (im Beispiel Kategorie 7) oder den beiden angrenzenden Zeitkategorien liegt (6 und 8). Das Ergebnis dieses Schritts beeinflusst wiederum die zur Verfügung stehenden Auswahlalternativen in Schritt S8 B. Bei positiven Ergebnis in Schritt S8 A stehen danach nur drei Zeitkategorien zur Verfügung (im Beispielfall dann entsprechend die Zeitkategorien 6-8). Zusätzlich erhält die Zeitkategorie der mittleren Aktivitätsdauer einen Nutzenbonus von 10%. Dies dient dazu, die Stabilität bei der Modellierung von Aktivitätsdauern weiter zu erhöhen. In Schritt S8 C wird anschließend unter Nutzung der Häufigkeitsverteilung von Aktivitäten innerhalb der gewählten Zeitkategorie über eine Zufallszahl die minutengenaue Aktivitätsdauer bestimmt. Der gewählte Wert bekommt ebenfalls einen Bonus in der Häufigkeitsverteilung, um die Chance zu erhöhen, dass dieser Wert bei einer weiteren Aktivität dieses Typs in der gleichen Zeitkategorie erneut gewählt wird. Die Schritte S8 D und E sind sehr ähnlich zu den Schritten S8 B und C. Hier wird über die Dauern von vorund nachgelagerten Aktivitäten entschieden. Im Unterschied wird hier jedoch auf eine Limitierung auf 3 Alternativen verzichtet.

Neben Modellschritt S8 gibt es weitere Aspekte in der Modellierung, wo explizit die Stabilität im Verkehrsverhalten berücksichtigt wird. Schritt S2 integriert beispielsweise die Ergebnisse von Schritt S1, um eine ausreichend gute Abbildung bspw. Von Arbeitstagen zu erreichen. Des Weiteren werden auch die Startzeiten von Touren mit einigen speziellen Maßnahmen zur Wahrung der Stabilität zwischen Wochentagen modelliert. Modellschritt S9 bestimmt eine gewünschte Startzeit (bspw. der „normale“ Arbeitsoder Schulbeginn). Diese Ergebnisse werden anschließend in Schritt S10 bei der Modellierung der Startzeiten der Touren benutzt.

3.4 Modellergebnisse / Validierung

Zur Validierung des auf den MOP-Daten geschätzten Modells wurden die Daten der StuttgartErhebung von 2009/2010 verwendet (siehe Beschreibung im Abschnitt Daten). In diesem Abschnitt zeigen wir ausgewählte Ergebnisse der Anwendung des Modells auf diese Stichprobe mit 11.436 Personen (siehe hierzu auch Teil 4 in Bild 1). Neben der dargestellten Validierung des Gesamtmodells anhand des Outputs (siehe Tabelle 4) wird zudem jeder Modellschritt einzeln validiert, um die Güte der Schätzung und den Modellstand zu prüfen. Dafür werden unter anderem zweiseitige Kolmogorov-Smirnoff Tests genutzt, auf welche hier nicht näher eingegangen wird.

Tabelle 4 zeigt einige statistische Parameter der Modellergebnisse im Vergleich zu den Ergebnissen der Erhebungsdaten. Es ist dabei zu berücksichtigen, dass es sich hierbei nicht um das Ergebnis eines einzelnen Modellschritts handelt, sondern dass sich die betrachteten Werte aus dem Gesamtoutput (d.h. den fertigen Wochenaktivitätenplänen der Personen) ergeben. Die Summe der Dauern der Aktivitäten ist dabei beispielsweise abhängig von der vorher modellierten Anzahl und dem Zweck der modellierten Aktivitäten.

Tabelle 4: Ergebnisse der Modellvalidierung

Bild 4 zeigt im Folgenden die Verteilung der Aktivitätszwecke und vergleicht die Erhebungsdaten mit den Modellergebnissen. Die Erhebungsdaten umfassen dabei 147.897 Aktivitäten, welchen 158.916 modellierte Aktivitäten gegenüberstehen.

Bild 4: Vergleich der Verteilung von Aktivitätszwecken

Aufgrund der Vielzahl der Entscheidungen im Modell und der umfangreichen Abhängigkeiten zwischen den Modellstufen ist es schwierig, umfangreiche Modellergebnisse mit wenigen ausgewählten Indikatoren darzustellen. Aktuell wird an einem Set von Indikatoren gearbeitet, dass Aufschluss über die Qualität möglichst vieler Modellaspekte liefert.

4 Zusammenfassung / Ausblick

Dieser Beitrag beschreibt einen Modellansatz zur Generierung von Wochenaktivitätenplänen (actiTopp) für das Multi-Agenten-Modell mobiTopp. Der Ansatz basiert auf einem nutzenbasierten Konzept und verwendet vorwiegend logistische Regressionsmodelle. Basierend auf der ursprünglichen Idee von Bowman [10] wird der Ansatz auf den Zeitraum einer Woche erweitert und berücksichtigt Stabilität und Variabilität bei der Erzeugung von Aktivitätenplänen. Es werden verschiedene Maßnahmen zur Berücksichtigung dieser Aspekte, sowohl in der Parameterschätzung wie auch in der Modellanwendung beschrieben. Durch die Modellierung der Woche ist es möglich, Wochenzeitbudgets, sowie Unterschiede zwischen Wochentagen hinsichtlich der durchgeführten Aktivitäten zu modellieren und damit intrapersonelle Stabilität und Variabilität im Verkehrsverhalten abzubilden. Dadurch können Aktivitätenpläne angepasst – bspw. Aktivitäten verschoben, hinzufügt oder weggelassen – und so flexiblere Rahmenbedingungen wie flexible Arbeitszeiten oder veränderte Öffnungszeiten von Geschäften abgebildet werden. Der Modellansatz erlaubt es zudem, unter Nutzung der Daten des Deutschen Mobilitätspanels (MOP), Aktivitätenpläne für jede beliebige Bevölkerungszusammensetzung zu erzeugen. Dadurch werden für die Implementierung eines Verkehrsmodells auf einen Planungsraum nicht mehr zwingend planungsraumspezifische Erhebungsdaten vorausgesetzt, da diese synthetisch mit dem beschriebenen Modellansatz erzeugt werden können. Dies ermöglicht eine einfachere Anwendung auf neue Räume und zudem das Einsparen von Erhebungskosten.

In zukünftigen Modellversionen werden verschiedene Aspekte erweitert und überarbeitet. Die Berücksichtigung von Verhaltensstabilität wird weiter verbessert und zudem die horizontale Integrität der Aktivitätenpläne stärker berücksichtigt. Hierzu ist eine explizite Modellierung von gemeinsamen Aktivitäten im Haushalt und eine entsprechende Koordinierung geplant.

5 Acknowledgments

Das Projekt BiE (Bewertung integrierter Elektromobilität), in dessen Rahmen die Modellerweiterung entstanden ist, wird gefördert durch das Bundesministerium für Bildung und Forschung, Förderkennzeichen EM1CLU039.

6 Literatur

[1]  KAGERBAUER, M., MALLIG, N., VORTISCH, P., PFEIFFER, M.: Modellierung von Variabilität und Stabilität des Verkehrsverhaltens im Längsschnitt mit Hilfe der Multi-Agenten-Simulation mobiTopp. Straßenverkehrstechnik 2015 (2015) 6, S. 375–384

[2]  MALLIG, N., KAGERBAUER, M., VORTISCH, P.: mobiTopp – A Modular Agent-based Travel Demand Modelling Framework. Procedia Computer Science 19 (2013), S. 854– 859

[3]  BONABEAU, E.: Agent-based modeling: Methods and techniques for simulating human systems. Proceedings of the National Academy of Sciences (PNAS) 99 (2002) suppl. 3, S. 7280–7287

[4]  HEILIG, M., MALLIG, N., SCHRÖDER, O., KAGERBAUER, M., VORTISCH, P.: Multiple-day Agent-based Modeling Approach of Station-based and Free-floating Carsharing. TRB 94th Annual Meeting Compendium of Papers. 2015

[5]  MALLIG, N., HEILIG, M., WEISS, C., CHLOND, B., VORTISCH, P.: Modelling the weekly electricity demand caused by electric cars. Future Generation Computer Systems 64 (2016), S. 140–150

[6]  HILGERT, T., HEILIG, M., KAGERBAUER, M., VORTISCH, P.: Modeling Week Activity Schedules for Travel Demand Models. TRB 96th Annual Meeting Compendium of Papers. 2017

[7]  HEILIG, M., MALLIG, N., HILGERT, T., KAGERBAUER, M., VORTISCH, P.: LargeScale Application of a Combined Destination and Mode Choice Model Estimated with Mixed Stated and Revealed Preference Data. TRB 96th Annual Meeting Compendium of Papers. 2017

[8]  BEN-AKIVA, M., BOWMAN, J. L.: Activity Based Travel Demand Models Systems. In: Lucotte, M. u. Nquyen, S. (Hrsg.): Equilibrium and Advanced Transportation Modeling. 1998

[9]  BRADLEY, M., BOWMAN, J. L.: A Summary of Design Features of Activity-Based Microsimulation Models for U.S. MPOs. White Paper for the Conference on Innovations in Travel Demand Modeling. 2006

[10]  BOWMAN, J. L.: The Day Activity Schedule Approach to Travel Demand Analysis, Massachusetts Institute of Technology Dissertation. USA 1998

[11]  BOWMAN, J., BEN-AKIVA, M.: Activity-based disaggregate travel demand model system with activity schedules. Transportation Research Part A: Policy and Practice 35 (2001) 1, S. 1–28

[12]  ADNAN, M., PEREIRA, F. P., AZEVEDO, C. M. L., BASAK, K., LOVRIC, M., RAVEAU, S., ZHU, Y., FERREIRA, J., ZEGRAS, C., BEN-AKIVA, M.: SimMobility: A Multiscale Integrated Agent-Based Simulation Platform. TRB 95th Annual Meeting Compendium of Papers. 2016

[13]  BHAT, C. R., GUO, J. Y., SRINIVASAN, S., SIVAKUMAR, A.: Comprehensive Econometric Microsimulator for Daily Activity-Travel Patterns. Transportation Research Record (2004) 1894, S. 57–66

[14]  PINJARI, A. R., BHAT, C. R.: Chapter 10. Activity-Based Travel Demand Analysis. In: Palma, A. de, Lindsey, R. u. Quinet, E. (Hrsg.): A Handbook of Transport Economics. Cheltenham: Edward Elgar Publishing 2011

[15]  DAVIDSON, W., VOVSHA, P., FREEDMAN, J., DONNELLY, R.: CT-RAMP family of activity-based models. Proceedings of the 33rd Australasian Transport Research Forum (ATRF). 2010

[16]  RECKER, W. W., MCNALLY, M. G., ROOT, G. S.: A model of complex travel behavior: Part II — An Operational Model. Transportation Research Part A (1986) 4, S. 319–330

[17]  RECKER, W. W., MCNALLY, M. G., ROOT, G. S.: A model of complex travel behavior: Part I — Theoretical development. Transportation Research Part A (1986) 4, S. 307– 318

[18]  ARENTZE, T., HOFMAN, F., VAN MOURIK, H., TIMMERMANS, H.: ALBATROSS: Multiagent, Rule-Based Model of Activity Pattern Decisions. Transportation Research Record (2000) 1706, S. 136–144

[19]  AULD, J., MOHAMMADIAN, A.: Framework for the development of the Agent-based Dynamic Activity Planning and Travel Scheduling (ADAPTS) model. Transportation Letters: The International Journal of Transportation Research 1 (2009) 3, S. 245–255

[20]  AXHAUSEN, K. W., ZIMMERMANN, A., SCHÖNFELDER, S., RINDSFÜSER, G., HAUPT, T.: Observing the rhythms of daily life: A six-week travel diary. Transportation 29 (2002) 2, S. 95–124

[21]  HORNI, A. u. AXHAUSEN, K. W.: MATSim Agent Heterogeneity and a One-Week Scenario, 2012

[22]  ORDONEZ M., S. A., ERATH, A. u. AXHAUSEN, K. W.: Simulating urban transport for a week time horizon. Working paper Future Cities Laboratory, Zurich 2012

[23]  MÄRKI, F.: An Agent-Based Model For Continuous Activity Planning Of Multi-Week Scenarios, ETH, Swiss Federal Institute of Technology Dissertation. Zürich 2014

[24]  WEISS, C., CHLOND, B., HILGERT, T. u. VORTISCH, P.: Deutsches Mobilitätspanel (MOP) Wissenschaftliche Begleitung und Auswertungen Bericht 2014/2015: Alltagsmobilität und Fahrleistung, Karlsruhe 2016

[25]  ZUMKELLER, D., CHLOND, B.: Dynamics of Change: Fifteen-Year German Mobility Panel. TRB 88th Annual Meeting Compendium of Papers. 2009

[26]  HAUTZINGER, H., KAGERBAUER, M., MALLIG, N., PFEIFFER, M. u. ZUMKELLER, D.: Mikromodellierung für die Region Stuttgart Schlussbericht

[27]  VOVSHA, P., BRADLEY, M., BOWMAN, J. L.: Activity-based travel forecasting models in the United States: Progress since 1995 and Prospects for the Future. In: Timmermans, H. J. P. (Hrsg.): Progress in activity-based analysis. Amsterdam, Boston, Oxford: Elsevier 2005, S. 389–414