h1

h2

h3

h4

h5
h6
http://join2-wiki.gsi.de/foswiki/pub/Main/Artwork/join2_logo100x88.png

Kurzfristprognosen von Verkehrszuständen auf Basis von Verfahren der Mustererkennung und von dynamischen Routensuch- und Umlegungsverfahren = Short-Term Prediction of Traffic States Based on Methods of Pattern Recognition and Dynamic Traffic Assignment



Verantwortlichkeitsangabevorgelegt von Stefan von der Ruhren

ImpressumAachen : Publikationsserver der RWTH Aachen University 2006

Umfang185 S. : graph. Darst., Kt.


Aachen, Techn. Hochsch., Diss., 2006

Prüfungsjahr: 2006. - Publikationsjahr: 2007


Genehmigende Fakultät
Fak03

Hauptberichter/Gutachter


Tag der mündlichen Prüfung/Habilitation
2006-07-31

Online
URN: urn:nbn:de:hbz:82-opus-17837
URL: https://publications.rwth-aachen.de/record/61654/files/Ruhren_Stefan_von_der.pdf

Einrichtungen

  1. Lehrstuhl und Institut für Stadtbauwesen und Stadtverkehr (313310)

Inhaltliche Beschreibung (Schlagwörter)
Ingenieurwissenschaften (frei) ; Verkehrsmodell (frei) ; Verkehrstechnik (frei) ; Mustererkennung (frei) ; Verkehrsleitsystem (frei) ; Verkehrsmanagement (frei) ; Kurzfristprognose (frei) ; dynamische Routensuche und Umlegung (frei) ; traffic model (frei) ; pattern recognition (frei) ; traffic management (frei) ; short term prediction (frei) ; dynamic traffic assignment (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Vor dem Hintergrund steigender Verkehrsbelastungen vor allem in Ballungsräumen und bedingt durch knapper werdende finanzielle Ressourcen sowie gestiegene Sensibilität gegenüber Netzneubau- oder -ausbaumaßnahmen gewinnen Konzepte zur effizienten Nutzung der vorhandenen Verkehrsinfrastrukturen zunehmend an Bedeutung. Dies erfordert ein effizientes Verkehrsmanagement mit einer vorausschauenden Verkehrssteuerung sowie eine entsprechende Bereitstellung von Informationen für die Nutzer. Hierzu werden Systeme zur Überwachung und zur Prognose von Verkehrszuständen, welche vorausschauende und flächendeckende Informationen über Verkehrszustände bereitstellen, benötigt. In der Praxis können Verkehrszustände in städtischen Räumen auf Grund der begrenzten Dichte von Detektionseinrichtungen nur auf einer Untermenge der Netzelemente identifiziert werden, für den überwiegenden Teil der Netzelemente müssen die Verkehrszustände geschätzt werden. Somit ist für eine netzweite Prognose neben der zeitlichen Extrapolation (Prognose) auch eine räumliche Extrapolation erforderlich. Eine Analyse der verfügbaren Ansätze und Verfahren zur netzweiten Verkehrsprognose zeigt, dass allgemeingültige Verfahren zur Lösung der beiden Teilprobleme räumlicher und zeitlicher Extrapolation von lokal gemessenen Verkehrszuständen im Echtzeitkontext für umfangreiche städtische Netze bislang noch nicht verfügbar sind. Durch Einbindung von Verkehrsumlegungs- und Verkehrsflusssimulationsmodellen können Verkehrszustände unter Nutzung von historischen und aktuell gemessenen Daten geschätzt werden. Aufgrund der Möglichkeit, ausgehend von lokalen Beobachtungen mit Hilfe von Umlegungs- oder Simulationsmodellen netzweit Verkehrszustände abschätzen zu können, erscheint die Gruppe dieser Verfahrensansätze für eine flächendeckende Prognose besonders geeignet. In dieser Arbeit wird ein Konzept für ein Prognosesystem entwickelt, welches auf einer iterierten dynamischen Umlegungsanpassung als Werkzeug zur netzweiten Rekonstruktion aktueller Verkehrszustände und zur Prognose zukünftiger Verkehrszustände basiert. Die Iteration von dynamischer makroskopischer Routensuche und Umlegung einerseits sowie die Anpassung der zu Grunde liegenden Verkehrsnachfrageinformation anhand gemessener Verkehrsstärken durch ein Matrixkorrekturverfahren andererseits gestattet die Modellierung von Rückkopplungen auf das Routenwahlverhalten sowie die Abbildung von Steuerungsmaßnahmen wie auch die Erarbeitung von kollektiven und individuellen Leitempfehlungen. Ein Prognosemodell für Aufgaben des städtischen Verkehrsmanagements muss insbesondere auch verkehrliche Sonderereignisse berücksichtigen. Aus diesem Grund wird im vorgestellten Konzept eine Kombination der iterativen Umlegungsanpassung mit Verfahren der Mustererkennung zur Identifikation von Verkehrslagen und von verkehrlichen Sonderereignissen entwickelt. Hierbei identifiziert ein hierarchisch gestufter Mustererkennungsprozess Verkehrslagen und Sonderereignisse durch Vergleich aktueller Informationen aus Detektionseinrichtungen mit historischen Daten und steuert den Prozess der iterierten Umlegungsanpassung durch Bereitstellung situationsspezifischer Nachfrageinformationen. Das Ergebnis ist ein verminderter Aufwand bei der Rekonstruktion bzw. eine verbesserte Abbildung des aktuellen Verkehrszustandes. Das Verfahren liefert Verkehrsbelastungen und Reisezeiten für alle Netzelemente für Prognosehorizonte von bis zu ca. 2 Stunden und orientiert sich somit an den im Rahmen des städtischen Verkehrsmanagements steuerungsrelevanten Zeithorizonten. Das vorgestellte Prognosesystem ist als selbstlernendes System konzipiert, in dem neu auftretende verkehrliche Situationen in eine Wissensbasis aufgenommen werden und für eine zukünftige Nutzung bei erneutem Auftreten eines entsprechenden Ereignisses zur Verfügung stehen. In der Phase des Aufbaus eines Kurzfristprognosesystems ist die Erstellung und Strukturierung einer Musterbasis von besonderer Bedeutung. Zur Unterstützung dieses Prozesses werden Verfahren des Data-Minings sowie zur Segmentierung von Datenmengen vorgestellt und diskutiert. Außerdem werden die Anforderungen an die Eingangsgrößen für das konzipierte Prognosesystem formuliert. Neben Anforderungen an das Verkehrsnetzmodell werden die Erstellung und Verwaltung situationsspezifischer Zeitreihen „dynamischer” (d.h. für kurze Zeitintervalle gültige) Matrizen der Verkehrsnachfrage beschrieben. Weiterhin wird die Problematik der Verfügbarkeit und Einbindung von aktuell gemessenen Online-Daten des Verkehrsablaufes in das Prognosesystem diskutiert. Die Kernkomponenten des entwickelten Prognosesystems werden am Beispiel eines großen städtischen Verkehrsnetzes mit realen Online-Daten getestet. Dabei konnte in einem ersten Schritt die generelle Tauglichkeit des entwickelten Verfahrens zur Erkennung von Verkehrslagen und zur netzweiten Abbildung von Verkehrszuständen unter Beweis gestellt werden.

Increasing traffic congestion (especially in areas of conurbation), the shortening of financial resources, and increasing resistance to further expansion of road networks, force consideration of more efficient usage of existing traffic infrastructure. This task requires an efficient traffic management system with intelligent traffic control measures and information for drivers. This also requires systems for the monitoring and prediction of traffic flow that can provide anticipatory and net-wide information about traffic states. In urban road networks, traffic states can only be measured directly on a limited number of network links. This is due to the limited density of traffic detection devices. For a large part of the network links traffic states have to be estimated. Thus, a net-wide prediction requires, in addition to a temporal extrapolation (prognosis), a spatial extrapolation of measured traffic states. An analysis of available approaches and methods for net-wide prediction of traffic states shows that no general methods are currently available that can solve the problem of spatial and temporal extrapolation of locally measured traffic states, in real-time, for large urban road networks. The integration of traffic assignment and traffic simulation models allows the estimating of traffic states, on network elements, using historical and actual measured data. Due to the capability of assignment and/or simulation models to estimate net-wide traffic states, this group of models is especially suitable for area-wide traffic estimating and prediction. The aim of this thesis is to develop a concept for a prediction system based on an iterative and dynamic traffic assignment procedure. This procedure is to be used as a tool for net-wide reconstruction of actual traffic states and for prediction of future traffic states. The iteration of a dynamic macroscopic route choice and traffic assignment procedure on the one hand, and the adjustment of the traffic demand information by means of a method for the estimation of origin-destination matrices on the other hand, allows three benefits: (1) a modelling of the effects on route choice behaviour, (2) reproduction of traffic control measures, and (3) the development of collective and individual traffic guidance strategies. A prediction system in regard to urban traffic management must particularly deal with special traffic events and situations. The approach presented here is based on the combination of the adaptation of an iterative traffic assignment with methods of pattern recognition. This will identify traffic states and special traffic situations. A hierarchically staged pattern recognition process identifies actual traffic states and special traffic situations by comparison of actual information from detection devices with historical data. It also controls the process of dynamic traffic assignment by providing suitable traffic demand information. The result is a reduced calculation effort for the adaptation of the dynamic traffic assignment procedure and an improved reproduction quality of actual traffic states. This system provides traffic flow data and travel times for all network elements for prediction horizons up to 2 hours, the relevant time span for urban traffic management and traffic control applications. The prediction system presented here is designed as self learning. Traffic events and situations that appear for the first time are stored in a traffic knowledge base for future reference when a similar event or situation occurs. All components of the developed prediction system are specified in detail and alternative solutions of applicable approaches are discussed. During the initial phase of implementing the traffic prediction system, creation and structuring of the knowledge base for the traffic patterns is of particular importance. To support this process, data-mining techniques and approaches to segmentation (clustering) of traffic data are also presented and discussed. Next, input data requirements for the developed prediction system are discussed with specifics. In addition to traffic network model requirements, the creation and management of a time series of "dynamic" origin destination matrices (travel demand information that is valid for a short time period) is described in detail. Subsequently, the difficulty of availability and the integration of actually measured traffic data into the prediction system, is discussed. The core components of the developed prediction system are applied and tested on a large urban road network using real online traffic data. The capability of the chosen approach to detect traffic states and special events by pattern matching is demonstrated. Additionally it was verified that the adaptation of a dynamic traffic assignment is a suitable method to reconstruct traffic states.

Fulltext:
Download fulltext PDF
(additional files)

Dokumenttyp
Dissertation / PhD Thesis

Format
online, print

Sprache
German

Externe Identnummern
HBZ: HT015004975

Interne Identnummern
RWTH-CONV-123293
Datensatz-ID: 61654

Beteiligte Länder
Germany

 GO


OpenAccess

QR Code for this record

The record appears in these collections:
Document types > Theses > Ph.D. Theses
Faculty of Civil Engineering (Fac.3)
Publication server / Open Access
Public records
Publications database
313310

 Record created 2013-01-28, last modified 2023-11-09


Rate this document:

Rate this document:
1
2
3
 
(Not yet reviewed)