Please use this identifier to cite or link to this item: http://dx.doi.org/10.18419/opus-508
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorFriedrich, Markus (Prof. Dr.-Ing.)de
dc.contributor.authorOtterstätter, Thomasde
dc.date.accessioned2014-01-22de
dc.date.accessioned2016-03-31T07:20:07Z-
dc.date.available2014-01-22de
dc.date.available2016-03-31T07:20:07Z-
dc.date.issued2013de
dc.identifier.isbn978-3-9810573-6-2de
dc.identifier.other39995709Xde
dc.identifier.urihttp://nbn-resolving.de/urn:nbn:de:bsz:93-opus-88885de
dc.identifier.urihttp://elib.uni-stuttgart.de/handle/11682/525-
dc.identifier.urihttp://dx.doi.org/10.18419/opus-508-
dc.description.abstractInformationen über die Verkehrslage und die Verkehrsnachfrage bilden eine wichtige Grundlage für eine optimale Planung und einen effizienten Betrieb der Verkehrsinfrastruktur. Zur Erfassung der Verkehrslage kommt heutzutage eine Vielzahl von Messtechniken zum Einsatz. Mit den Messtechniken können die lokale Verkehrsstärke und die lokale Geschwindigkeit an einem Ort, aber auch die Fahrzeit bzw. die mittlere Geschwindigkeit auf Netzabschnitten erfasst werden. Regelmäßige Daten über die Verkehrsnachfrage, die zusätzlich Informationen über die Quelle und das Ziel sowie die Route einer Ortsveränderung enthalten, sind jedoch bis heute nicht verfügbar. Verkehrsnachfragedaten werden fast ohne Ausnahme mit Verkehrs-nachfragemodellen berechnet, die basierend auf Daten der Siedlungsstruktur, des Verkehrsverhaltens und des Verkehrsangebots Ortsveränderungen von Personen und Fahrzeugen nachbilden. Einige der zur Erfassung von mittleren Geschwindigkeiten auf Netzabschnitten verwendeten Messtechniken erlauben weiterführende Auswertungen, die sich auch zur Beobachtung der Verkehrsnachfrage eignen. Die vorliegende Arbeit beschreibt Methoden zur Erzeugung einer großen Zahl von Weg-Zeit-Verläufen (Trajektorien) von Verkehrsteilnehmern im Offline-Betrieb. Die vorgestellten Methoden verwenden drei Arten von Datenquellen aus stationären Detektoren, die eine Wiedererkennung von Verkehrsteilnehmern ermöglichen und teilweise bereits für die Erfassung der Verkehrslage zum Einsatz kommen. Die drei behandelten Datenquellen basieren auf der Verwendung von Kennzeichen-erfassungssystemen, der Detektion von Bluetooth-Geräten und auf Mobilfunkdaten, die beim Betrieb eines Mobilfunknetzes erzeugt werden. Die Erzeugung von Trajektorien erfolgt für alle drei Datenquellen nach demselben dreistufigen Prinzip: 1. Wiedererkennung von Kfz-Kennzeichen, Bluetooth- oder Mobilfunkgeräten, die an mehreren Detektoren im Netz erfasst wurden und die aufgrund ihrer zeitlichen Abfolge auf eine zusammenhängende Fahrt schließen lassen. 2. Erzeugen von plausiblen Routen im Verkehrsnetz, die die Abfolgen der Detektoren reproduzieren. 3. Zuordnen von Routen zu identifizierten Fahrten und darauf basierend die Erzeugung von Trajektorien, die den räumlichen und zeitlichen Verlauf der Bewegung eines Verkehrsteilnehmers oder eines Fahrzeugs beschreiben. Im Rahmen der Ausführungen wird auf die Unterschiede, die bedingt durch die Erfassungsreichweite und sonstige Besonderheiten der Detektionstechnik entstehen, eingegangen. Die Anwendbarkeit der vorgestellten Methoden wird anhand zweier Praxisbeispiele für die Datenquellen Bluetooth und Mobilfunkdaten über einen Zeitraum von 83 bzw. 67 Tagen demonstriert. Die damit verbundenen Auswertungen zeigen, dass beide Datenquellen eine ausreichend große Stichprobe der Verkehrsteilnehmer erfassen, um Rückschlüsse auf die Verkehrslage und eine Beobachtung der Verkehrsnachfrage zu ermöglichen. Da alle Datenquellen nur eine Stichprobe des gesamten Verkehrsaufkommens liefern, wird in einem zweiten Teil der Arbeit ein dynamisches Hochrechnungsverfahren vorgestellt. Dieses ist in der Lage, für eine große Zahl von Trajektorien deren räumliche und zeitliche Ausbreitung in einem Verkehrsnetz zu berücksichtigen und die Verkehrsstärke, die diese repräsentieren, anhand zeitabhängiger Verkehrsstärken von Querschnittsdetektoren hochzurechnen. Die auf diese Weise hochgerechneten Trajektorien können zu Quelle-Ziel-Matrizen für beliebige Zeiträume aufsummiert werden. Im Allgemeinen ist es im Rahmen der Verkehrsplanung allerdings sinnvoller, auf einen durchschnittlichen Tag anstatt auf ein Einzelereignis zurückzugreifen. Zu diesem Zweck wird eine Clusterung durchgeführt, mit deren Hilfe ähnliche Tage identifiziert werden. Die Gruppen oder Cluster ähnlicher Tage werden dann zu typischen Verkehrstagen, wie bspw. einem Montag bis Donnerstag außerhalb der Schulferien, mit einer typischen Quelle-Ziel-Matrix zusammengefasst. Die erzielten Ergebnisse für die beiden Untersuchungsgebiete unterscheiden sich hinsichtlich der Qualität des Hochrechnungsergebnisses. Für den Bluetooth-Untersuchungsraum zeigt sich, dass die Methodik zwar anwendbar ist. Die Anzahl der zur Verfügung stehenden Detektoren reicht aber nicht aus, um die Verkehrsnachfrage in allen Bereichen des Untersuchungsgebiets ausreichend zu beobachten. Dennoch eignen sich die erzeugten Trajektorien zur Erfassung der Verkehrslage, zur Ableitung von Durchgangsverkehrsanteilen und als Grundlage für ein längerfristiges Qualitäts-monitoring. Die vorliegende Arbeit zeigt somit, dass sich Mobilfunkdaten für die Beobachtung der Verkehrsnachfrage eignen und die Erfassung von Bluetooth-Geräten oder Kfz-Kennzeichen weitaus mehr Anwendungsfälle bietet, als die reine Erhebung der Fahrzeit zwischen zwei Querschnitten.de
dc.description.abstractInformation about traffic state and traffic demand is an important basis for optimal planning and efficient operation of traffic infrastructure. In order to measure the traffic state a wide number of measurement techniques is being used nowadays. These measurement techniques allow to assess local traffic flows and local speeds at one location as well as travel times or average speeds along network sections. However as of today continuous data for traffic demand that deliver additional information regarding origins and destinations as well as the chosen routes of trips are not available. With almost no exceptions traffic demand data are calculated with traffic demand models, that replicate trips of persons and vehicles based on data of the settlement pattern, the mobility behaviour and the traffic supply. Some of the measurement techniques that are already used to obtain average speeds along network sections allow further analysis that in turn can be used to observe the traffic demand. The dissertation at hand describes methods that allow the generation of a large amount of spatiotemporal profiles (trajectories) of road users for an offline use case. The presented methods utilise three different types of data sources of stationary vehicle identifying detectors. All three allow the recognition of road users and are partially already being used to measure the traffic state. The three covered data sources are based on the usage of automatic number plate recognition systems, the detection of Bluetooth devices and mobile phone data, that are created during the operation of a mobile phone network. The generation of trajectories for all three data sources follows the same three-stage process: 1. Recognition of number plates, Bluetooth or cell phone devices, that have been detected at several detectors in the network and that allow to identify continuous trips based on the temporal sequence of the detections. 2. Generation of meaningful routes in the network, that recreate these detector sequences. 3. Assigning these routes to the identified trips and based on this assignment the generation of trajectories, that describe the spatial and temporal course of a road user or vehicle. The explanations given are also going to describe the differences in the usage between the detection techniques. These are based on the detection range as well as other characteristics of each detection technique. The applicability of the presented methods is demonstrated through two practical examples for the two data sources Bluetooth and mobile phone data over the course of 83 and 67 days respectively. The related analyses prove that both data sources deliver a sample size that is sufficient to allow deductions regarding the traffic state and the observation of the traffic demand. Because all data sources are only able to deliver a sample of the complete traffic demand the second part of this dissertation is going to present a dynamic projection method. This method is able to incorporate the spatiotemporal information of a large amount of trajectories and to project the traffic volume these trajectories represent with respect to dynamic traffic flows of roadside detectors. The trajectories that have been projected in this manner can afterwards be summed up to origin-destination-matrices of arbitrary time intervals. However within the field of traffic planning it is generally more reasonable to base decisions on the average day rather than on a singular event. Therefore in order to identify similar days a clustering is executed. The resulting groups or clusters of similar days are then used to form typical traffic days like for example Monday to Thursday outside of school holidays which yield a typical origin-destination-matrix. The results that have been achieved for the two practical examples differ regarding the quality of the results of the dynamic projection method. The Bluetooth example demonstrates that the method is applicable indeed, but the achievable quality suffers due to the amount of available Bluetooth detectors, as these are not sufficient to observe the demand in all parts of the network equally. Nevertheless the generated trajectories are suitable for the task of traffic state observation, the deduction of through traffic shares and to form the base for a long term quality monitoring. The dissertation at hand demonstrates that mobile phone data are a suitable mean for the observation of traffic demand and that the detection of Bluetooth devices or number plates allows for way more use cases than just the measuring of travel times between two locations.en
dc.language.isodede
dc.relation.ispartofseriesVeröffentlichungen aus dem Institut für Straßen- und Verkehrswesen;47de
dc.rightsinfo:eu-repo/semantics/openAccessde
dc.subject.classificationFahrzeit , Verkehrsnachfrage , Wegewahl , Hochrechnung , Bluetooth-Standard , Mobilfunkde
dc.subject.ddc620de
dc.subject.otherKennzeichenerfassung , Clusterung , Verkehrsströmede
dc.subject.othertravel time , traffic flows , Bluetooth , Floating Phone Data , dynamic projectionen
dc.titleMethoden zur Erfassung von Verkehrsströmen und Fahrzeiten mit stationären fahrzeugwiedererkennenden Detektorende
dc.title.alternativeMethods for the observation of traffic flows and travel times using stationary detectors for vehicle recognitionen
dc.typedoctoralThesisde
ubs.dateAccepted2013-08-01de
ubs.fakultaetFakultät Bau- und Umweltingenieurwissenschaftende
ubs.institutInstitut für Straßen- und Verkehrswesende
ubs.opusid8888de
ubs.publikation.typDissertationde
ubs.schriftenreihe.nameVeröffentlichungen aus dem Institut für Straßen- und Verkehrswesende
ubs.thesis.grantorFakultät Bau- und Umweltingenieurwissenschaftende
Appears in Collections:02 Fakultät Bau- und Umweltingenieurwissenschaften

Files in This Item:
File Description SizeFormat 
Dissertation_Otterstaetter_BiB.pdf8,84 MBAdobe PDFView/Open


Items in OPUS are protected by copyright, with all rights reserved, unless otherwise indicated.