Traffic congestion
Verkehrsstau-Prognose
Hintergrund
Studien aus dem Jahr 2014 zeigen, dass Verkehrsstaus für Logistikunternehmen in Deutschland einen Verlust von 25 Milliarden Euro pro Jahr verursachen. Berücksichtigt man die Auswirkungen auf den Klimawandel durch Treibstoffverschwendung, die Frustration und den Stress von Fahrern und Kunden, wird die Bedeutung eines kontinuierlichen Verkehrsflusses hervorgehoben.
Gerade vor dem Hintergrund des schnellen Stadtwachstums und des zunehmenden Lieferverkehrs kann ein zuverlässiges Stauprognosesystem Verkehrsmanagement und -telematik stark unterstützen
Herausforderungen
Zur Vorhersage von Verkehrsstaus muss im ersten Schritt ein Datensatz generiert werden, indem das Verkehrsaufkommen überwacht und der Verkehrsfluss aufgezeichnet wird. Die große Herausforderung besteht darin, diese Zeitreiheninformationen mit ausreichendern räumlichen Informationen und zusätzlichen relevanten Merkmalen wie Baustellen, Wetterbedingungen oder Ausfall des öffentlichen Verkehrs zu kombinieren, um alle möglichen Einflussfaktoren einzubeziehen. Dies erfordert viele verschiedene Datensätze, die unter Umständen nicht leicht zugänglich sind und möglicherweise nicht das gleiche Format und die gleiche Terminologie haben.
Lösungsansatz
Ein machine learning (ML) Modell kann darauf trainiert werden, Muster in Zeitreihendaten in Abhängigkeit von der Tageszeit, Feiertagen, anderen zeitbezogenen Ereignissen und anderen zusätzlichen Merkmalen zu erkennen. Das trainierte Modell sollte dann in der Lage sein, Staus für ungesehene Daten vorherzusagen und die Gewichte der verschiedenen Eingabedatenquellen und -bedingungen automatisch anzupassen.
Zur Verarbeitung der räumlichen Merkmale der Verkehrsflussdaten, in denen die Ausbreitung des Verkehrsflusses in die Straße hinein, aus der Straße heraus und entlang der Straßen dargestellt wird, könnte ein vollständig verbundenes Convolutional Neural Network (CNN) verwendet werden. Da CNNs üblicherweise für die Auswertung statischer Bilddaten verwendet werden, sind sie nicht in der Lage, langfristige Abhängigkeiten von zeitlichen Merkmalen, z.B. Unfälle oder Wetterbedingungen, zu modellieren. Die modernste Methode hierfür sind Long Short-Term Memory (LSTM) Algotihmen.
Die Kombination beider Verfahren ermöglicht die Verkehrsflussprognose auf der Grundlage zeitlicher und räumlicher Verkehrsinformationen.