Analyse nutzergenerierter raumzeitlicher Bewegungsdaten Enrico Steiger Leipzig, 19.09.2013
Mobilitätsentwicklung Der Wunsch der Ortsveränderung steigt beständig. Eine Folge ist die hohe Auslastung der Verkehrssysteme. Ziel ist die Erfassung von Engpässen Nach Berechnungen des Bundesamt für Statistik stehtdie in den Verkehrsnetzen sowie 1 jeder Deutsche etwa 70 Stunden jährlich im Stau. zeitlich, räumlich undinmodale Verlagerung vonstaus Fahrten. Der Volkswirtschaft Deutschland gehen durch jährlich etwa 97 Milliarden Euro verloren. Europa 2015: Prognose Fahrzeitverlängerung von 15 Min / Fahrt Quelle: Mobilität in Deutschland, Report 2008
Warum Verkehrslage 2.0? vollständige Detektion aller Verkehrszustände ist nicht möglich (Kosten) Verkehrsteilnehmer bewegen sich bisher als passive Informationsnutzer im Verkehrsnetz Zielsetzung ist es, eine Community zur Erfassung der Verkehrslage zu bilden nutzergenerierte Verkehrslage Anwendungsfelder Verkehrslagedarstellung im Internet Verkehrsmeldungen /Verkehrsstörungen Bewertung Qualität des Verkehrsablaufs Kriterien Reisezeit Rückstaulänge mittlere Wartezeit Geschwindigkeit
Status Quo - Verkehrstelematik Map Matching Verkehrsmodell Installation querschnittsbezogener lokaler Sensoren (intrusiv) Nutzung FloatingPhone oder (extended) FloatingCarData Übertragung der Sensordaten an den Verkehrsrechner Rekalibrierung des mikroskopischen/makroskopischen Verkehrsmodells Pilotprojekte: Dmotion (www.dmotion.info), Orinoko (www.orinoko.info), ITS Vienna Region (www.anachb.at), VAMOS Dresden
TOMTOM Live Traffic Floating Car Data Community-Ansatz WAZE Floating Phone Data Daten sind nicht frei verfügbar (kommerzielle Nutzung) Nutzergenerierte Bewegungsdaten werden nicht aggregiert/ validiert bzw. für weitere verkehrsbezogene Dienste prozessiert http://www.tomtom.com/page/mapshare http://www.waze.com/homepage/
Welchen Beitrag kann das Projekt OpenStreetMap zur Verkehrslage liefern?
OpenStreetMap (OSM) - Überblick Gründung OpenstreetMap: GB 2004, Steve Coast. Ziel: Bereitstellung einer freien digitalen Weltkarte (Open Source unter ODBL Lizenz). Karte: www.openstreetmap.org Die Daten können für eigene Anwendungen und Entwicklungen beliebig und kostenfrei verwendet werden. In Österreich, Deutschland wird das Projekt seit 2006 aktiv vorangebracht. Ca. 1 Mio. registrierte Nutzer weltweit (Stand August 2013)
GPS Trajektorien in OSM ~ 3 Mrd. GPS Koordinatenpunkte weltweit (Stand August 2013) Aus GPS-Tracks ( Digital Footprints ) können Verkehrsflussinformationen abgeleitet werden.
GPS Datenverarbeitung (1) Auswertung von Kennwerten des Ortungsmoduls x(ti ), y (ti ) Position (ti ) x(ti ) Bewegungsrichtung v(ti ) Wegänderung in einem Zeitintervall b(ti ) Geschwindigkeit in einem Zeitintervall (ti ) Beschleunigung in einem Zeitintervall Drehrate in einem Zeitintervall Straßenbahn: Geschwindigkeit: 49 km /h Beschleunigung: 0,1 m /s 2 Drehrate: 1 /s Pkw: Geschwindigkeit: 25 km /h Beschleunigung: 0,8 m /s 2 Drehrate: 1 /s Radfahrer: Geschwindigkeit: 17 km /h Beschleunigung: 0,2 m /s 2 Drehrate: 3 /s
GPS Datenverarbeitung (2) GPS-Daten Fehlererkennung Verkehrsmittelerkennung MapMatching GPS-Track auf OSM-Netz Beurteilung Qualität des Verkehrsablaufs
GPS Fehlererkennung (Kalman Filter) Signalstörung durch Unterführung -> erhöhte Geschwindigkeiten gut durch Fehlerfilter erfasst
Verkehrsmittelerkennung 1. Mehrstufige Clusteranalyse: Streckensegmente mit ähnlichen GPS Kenwerten t Cluster 1 Bahn Cluster 2 Fuß
System Architektur (1) OSM-Planet Routing-Netz erzeugen MapMatching Analyse OSM-Routing erstellt routingfähiges Netz MapMatching alles OSM GPS-Track s auf das OSM-Netz Berechnung Qualität des Verkehrsablaufs je Streckenabschnitt im OSM-Netz Geschwindigkeiten Rückstaulängen Wartezeiten
System Architektur(2) Selbstlernendes Verkehrsmodell
Analyse - Bewertung der Qualität des Verkehrsablaufs Automatisierte Ermittlung von Rückstaulängen und mittleren Wartezeiten aus GPS-Daten Untersuchungsgebiet Salzburg, Ignaz-Harrer/ Münchner Bundesstraße 1: Ausgangsdaten GPS 2: tageszeitliche Selektion von GPS Stillständen LSA Ignaz Harrer- Rudolf Bieblstraße Stillstände 8-9 Uhr
Analyse - Bewertung der Qualität des Verkehrsablaufs Kriterium: Automatisierte Ermittlung von Rückstaulängen und mittleren Wartezeiten aus GPS-Daten 3. LSA-Matching: LSA bezogene Zuordnung von GPS Stillständen (K-Means Clustering) Bildung von N95 Rückstaulängen (Euklidische Distanz der GPS Trajektorien unter Berücksichtigung der K-Means Cluster ID, Klassierung der GPS Positionen) xmax Cluster xmin Cluster 3 Cluster 1 Cluster 2 N95 Cluster ID 2 LSA
Analyse - Bewertung der Qualität des Verkehrsablaufs Kriterium:Automatisierte Ermittlung von Rückstaulängen und mittleren Wartezeiten aus GPS-Daten 4. Distanz zur LSA berechnen, Tageszeitliche Veränderung LSA bezogener Rückstaulängen mittlere stündliche Rückstaulänge N95 /Tag * Für andere Tageszeiträume nicht ausreichend GPS Trajektorien
Analyse - Bewertung der Qualität des Verkehrsablaufs Kriterium: Wartezeit an KP 1 Signalgeregelte Knotenpunkte (nach HBS) 1 Quelle: Handbuch für die Bemessung von Straßenverkehrsanlagen 2009
Analyse - Bewertung der Qualität des Verkehrsablaufs Kriterium: Wartezeit an KP mittlere Wartezeit (in s) stadteinwärts 18,2 s 135,3 s 17,3 s 64,3 s 58,3 s stadtauswärts 32,1 s mittlere Wartezeit (in s) 18.6 s 22.8 s 32,3 s 26,1 s 18,7 s 115,3 s durchschnittliche Wartezeit 24 Std. über alle GPS Daten 22,5 s
Analyse - Bewertung der Qualität des Verkehrsablaufs 1 Kriterium: Wartezeit an KP (LOS Bewertung nach HCM) stadteinwärts stadtauswärts gesamt 1 Quelle: Highway Capacity Manual 2000
Analyse - Bewertung der Qualität des Verkehrsablaufs Kriterium: Geschwindigkeit(LOS Bewertung nach HCM) Kartenquelle: Google Maps 45
Analyse - Bewertung der Qualität des Verkehrsablaufs Kriterium: Geschwindigkeit(LOS Bewertung nach HCM) Tagesdurchschnittlicher LOS (nach HCM, 2000) MIV auf Basis von OpenStreetMap GPS Daten
Fazit/Ausblick Starke Marktdurchdringung von Ortungstechnologien im Mobilfunkbereich ermöglicht eine nahezu flächendeckende Verkehrsdetektion Die entwickelten Methoden und Verfahren bilden die Grundlage für zukünftige Online-Verkehrsmodelle (FCD Modellregion Salzburg) Historische GPS-Daten liefern sehr gute Basis für Qualitätsbewertung der Verkehrsnetze (Level of Service) Verbesserung der Planungsgrundlage verkehrliche Wissensgenerierung aus freien Geodaten ermöglicht die Detektion potenzieller infrastruktureller Engpässe oder Störungen in den Verkehrsnetzen Quo Vadis? Wie können räumlich-zeitliche Muster in ubiquitären Sensornetzwerken (VGI) und heterogenen Datenströmen extrahiert, validiert und aggregiert werden? Wie können indirekte Mobilitätsinformationen von Citizens As Sensors" zurück 1 in den verkehrliche Wissensgenerierungsprozess übertragen werden? Quelle: Goodchild 2007
Vielen Dank Fragen?