Verbesserung der Verkehrsflussvorhersage mit Umgebungsmodellen

In den vergangenen Jahren wurde das Intelligent Transport System (ITS) entwickelt, das die Verkehrsflussprognose zum Ziel hat und bei der Planung und Entwicklung von Verkehrsmanagement- und Kontrollsystemen eine wesentliche Rolle spielt. Indem aktuelle Verkehrsflussdaten analysiert werden, soll eine Vorhersage für den Verkehrsfluss getroffen werden. Ein präzises Prognosemodell kann helfen, den Verkehr proaktiv zu bewältigen, sodass Staus und mögliche Verkehrsunfälle reduziert werden.

In diesem Projekt wird eine Verkehrsflussvorhersage mit Umgebungsmodellen für Verkehrsnetze vorgeschlagen. Heutzutage berücksichtigt die Verkehrsflussvorhersage vor allem Informationen von einzelnen, spezifischen Sensoren. Allerdings könnten Informationen von Nachbar-Sensoren und anderen Sensoren im Verkehrs-Subnetz genutzt werden, um moderne Prognosemodelle zu verbessern.

In diesem Vorschlag sind zwei Dimensionen des Verkehrsflusses beteiligt: erstens der Geo-Faktor, der zusätzliche Daten aus benachbarten Verkehrskreuzungen enthält und zweitens das Verkehrsflussverhalten. In der Evaluierungsphase des Projektes soll die Prognosegenauigkeit für ein regionales Verkehrsnetz erhöht werden.

„Für meine Masterarbeit nutzte ich die SDIL-Plattform. Zuvor besuchte ich ein SCC-Seminar, um mehr über die Funktionen der Plattform und ihre Bedienung zu erfahren. Meiner Ansicht nach ist es sehr hilfreich für Studierende, die ihre Abschlussarbeit gerne in Kooperation mit dem SDIL schreiben möchten“, sagt Qianqian Cao, ehemalige Studentin des Karlsruher Instituts für Technologie. „Während meiner Masterarbeit half mir das SDIL-Team schnell und unkompliziert bei Problemen. Zum Beispiel war HTcondor zu Beginn noch recht neu für mich.“

Data Innovation Community

Smart Cities

Projektpartner

Siemens, KIT

Ansprechpartner

Daniel Weitze, daniel.weitze@siemens.com

Andreas Hapfelmeier, andreas.hapfelmeier@siemens.com

Zeitraum

Feb. 2017 – Jul. 2017