Anwendung von Unsicherheitsmodellen am Beispiel der Verkehrserfassung unter Nutzung von Mobilfunkdaten

Abstract

Das hohe und stetig anwachsende Verkehrsaufkommen ist häufig Ursache für Überlastungen der Verkehrswege und deren Folgeerscheinungen, wie z. B. Verkehrsstaus und Unfälle. Mit Einführung von Verkehrsmanagement-systemen wird angestrebt, Effizienzverbesserungen des Verkehrsflusses auf den bestehenden Verkehrswegen zu erzielen. Als wesentliche Datengrundlage setzen Verkehrsmanagementsysteme Verkehrsdaten voraus, wie sie mittels Induktionsschleifen oder sogenannter Floating Car Data gewonnen werden können. Vor dem Hintergrund, dass Mobilfunkgeräte geortet werden können, eignen sich die als Floating Phone Data bezeichneten und aus Mobilfunkdaten hergeleiteten Verkehrsdaten ebenfalls zur Verkehrserfassung. Dieser auch wirtschaftlich attraktiven Verkehrserfassungsart stehen hohe Ortungsunsicherheiten von mehreren einhundert Metern sowie die fehlende Information, ob und in welchem Verkehrsmittel das Mobilfunkgerät mitgeführt wurde, gegenüber. In der vorliegenden Arbeit wird eine Mobilfunkortung basierend auf dem Signalpegel-Matching eingesetzt, die die gemessenen Signalpegel der Mobilfunkgeräte des GSM-Mobilfunknetzes mit Referenzsignalpegelkarten vergleicht. Die zufälligen, systematischen aber auch unbekannt wirkenden Unsicherheiten werden mit Hilfe der zufälligen Variabilität, der Fuzzy-Theorie und der Fuzzy-Randomness Methodik modelliert. Im Anschluss werden Identifikationsverfahren vorgestellt, mit denen in Verkehrsmitteln des Motorisierten Individualverkehrs (z. B. in PKW oder LKW) generierte Mobilfunkdaten aus anonymisierten Mobilfunkdaten identifiziert werden können. Zu Beginn wird geprüft, ob sich das Mobilfunkgerät in Bewegung befindet. Bewegt es sich, wird nachfolgend dessen Geschwindigkeit als Entscheidung bezüglich eines Verkehrsmittels herangezogen. Hintergrund ist, dass bauartbedingte oder administrative Gründe die Höchstgeschwindigkeit von Verkehrsmitteln begrenzen. Ist die Geschwindigkeit des Mobilfunkgerätes signifikant höher als die Höchstgeschwindigkeit des untersuchten Verkehrsmittels, kann dieses Verkehrsmittel ausgeschlossen werden. Da in öffentlichen Verkehrsmitteln generierte Mobilfunkdaten für die Erfassung des Motorisierten Individualverkehrs ungeeignet sind, werden sie im nächsten Schritt eliminiert. Aus Fahrplänen werden hierfür die Positionen der Fahrzeuge des Öffentlichen Verkehrs (z. B. Linienbusse, Straßenbahnen) prognostiziert und mit den Positionen des Mobilfunkgerätes sowohl zeitlich als auch räumlich verglichen. Abschließend wird geprüft, ob für die Positionsfolge des Mobilfunkgerätes eine Trajektorie auf dem Verkehrsnetzgraph des motorisierten Individualverkehrs (Straßennetz) generiert werden kann. Kann die Positionsfolge in den Verkehrsnetzgraph räumlich, topologisch und zeitlich eingepasst werden, ist sie grundsätzlich für die Verkehrslageerfassung des motorisierten Individualverkehrs geeignet. Für stehende Mobilfunkgeräte ist in der Regel keine eindeutige Identifikation des Verkehrsmittels möglich, da jedes Verkehrsmittel stehen kann. Eine Unterscheidung zwischen Mobilfunkgeräten in Verkehrsstaus und beispielsweise nicht am Verkehr beteiligten Mobilfunkgeräten (z. B. stehende Fußgänger) ist infolgedessen zunächst nicht möglich. Diese Problemstellung wurde durch die Verknüpfung aktueller und vorgehender Identifizierungsergebnisse gelöst. Um ihre Eignung und ihr Potential zu vergleichen, wurden die Identifikationsverfahren mit konsequenter Anwendung der mathematischen Unsicherheitsmodelle der zufälligen Variabilität, der Fuzzy-Theorie und des Fuzzy-Randomness entwickelt und softwaretechnisch umgesetzt. Die entwickelten Identifikationsverfahren wurden unter Verwendung realer Mobilfunkdaten validiert und evaluiert. Das auf der Fuzzy-Randomness Methodik basierende Identifikationsverfahren, ergab sowohl qualitativ als auch quantitativ die besten Identifikationsergebnisse.

The high and steadily growing volume of traffic is frequently the cause for excessive strains on traffic routes and resulting consequences, such as traffic jams and accidents. The use of traffic management systems aims to achieve improvements in the efficiency of traffic flow on the existing traffic routes. Traffic management systems require traffic information, which can be obtained from induction loops or from so-called floating car data. Since cellular phones can be located these so-called floating phone data is suitable for traffic detection as well. This method of traffic detection, although economically attractive, is accompanied by a high level of imprecision in the localisation of up to several hundred metres as well as by missing information about whether and in which vehicle the cellular phones were transported. In this paper, mobile positioning is based on a signal level matching method, wherein the position of the cellular phone is determined by use of the received signal strength at the mobile phone and matched to a signal strength map of the network provider. The random and systematic uncertainties are modelled alternatively using random variability, fuzzy theory or fuzzy randomness. In the following identification methods are presented, that indentify mobile phone data generated in motorized individual vehicles (e.g. in cars or trucks). At the beginning, it is checked whether the cellular phone is in motion. If it moves, its velocity is taken to identity the means of transport. Background for this decision is that design-related or administrative reasons limit the speed of some means of transport. Some means of transport can be excluded if significantly higher speeds exist for the cellular phone. As mobile data generated in public transport are unsuitable for the detection of individual vehicles, these are filtered out in the next step. From timetables the positions of the vehicles of the public transport (e.g., busses, trams) are predicted and compared with the positions of the cellular phone both in time and space. Finally, it is checked whether for the positions of the cellular phone a trajectory on the graph of motorized individual transport (road network) can be generated. If the sequence of positions in the transport network graph can be fitted spatially, temporally and topologically, it is basically suitable for the detection of motorized individual traffic. For static mobile phones no unique identification of the means of transport is generally possible, because each means of transport can temporally immobile. Mobile phones in traffic jams and mobile phones, which are not participating at traffic (e.g. immobile pedestrians), can initially not be distinguished. This problem was solved by linking current and previous identification results. In order to compare their suitability and their potential, the identification methods were developed and implemented in software with the mathematical uncertainty models of random variability, the fuzzy theory, and the theory of fuzzy randomness. The developed identification methods were validated and evaluated using real anonymous mobile radio data. The best identification results in terms of both quality and quantity were achieved with using the uncertainty models based on fuzzy randomness.