Methoden zur Analyse und Prognose des Verkehrsaufkommens unter Berücksichtigung des Wetters auf Autobahnen

Abstract

In der vorliegenden Arbeit wird der Wettereinfluss auf das Verkehrsaufkommen und die Verkehrslage auf Autobahnen untersucht. Fundierte Aussagen über die zu erwartende Verkehrslage sind die Grundlage, um mithilfe verkehrsplanerischer und betrieblicher Maßnahmen sowie Information der Verkehrsteilnehmer die verkehrlichen Abläufe zu optimieren. Verkehrsmodelle erlauben es, diese fundierten Aussagen bezüglich der zu erwartenden Verkehrslage zu treffen. Die Verkehrslage wird durch das Verkehrsaufkommen und die Kapazität bzw. die Fahrzeit bestimmt. Für eine adäquate Modellierung der Verkehrslage ist es unabdingbar, die wesentlichen Einflussgrößen dieser Kenngrößen zu beachten. Eine dieser Einflussgrößen ist zweifelsohne das Wetter: Niederschlag beeinflusst z. B. die Sichtweite und führt zu einem veränderten Fahrverhalten bezüglich gewählten Abstand und Geschwindigkeit und beeinflusst somit Fahrzeit und Kapazität. Sonnenschein und angenehme Temperaturen führen an Wochenenden zu vermehrten Ausflügen und beeinflussen folglich das Verkehrsaufkommen. Die genannten Effekte wurden bisher mit verschiedensten statistischen Methoden identifiziert, die sich ausschließlich auf Untersuchungen ausgesuchter Messquerschnitte oder Befragungen stützen. Es fehlen jedoch Aussagen zur räumlichen Übertragbarkeit dieser punktuellen Ergebnisse. Ansätze zu einer Integration in die Verkehrsmodellierung sind ebenfalls nicht vorhanden, sodass eine wetterabhängige Prognose des Verkehrsaufkommens und der Verkehrslage derzeit nicht möglich ist. Ziel dieser Arbeit ist es daher, den Einfluss des Wetters auf das Verkehrsaufkommen zu quantifizieren und Methoden zu entwickeln, die eine wetterabhängige Prognose der Verkehrsstärke ermöglichen. Darüber hinaus wird geprüft, inwiefern eine Integration des Wetters in Verkehrsmodelle deren Prognosequalität verbessert. Im Gegensatz zu den vorherigen Untersuchungen stützt sich die vorliegende Arbeit nicht nur auf punktuelle Analysen, sondern auf eine großräumige empirische Datenbasis. Die Datenbasis bezieht sich fast ausschließlich auf Autobahnen. Somit sind mit dieser Datenbasis netzbezogene Analysen und Prognosen des Verkehrsaufkommens und der Verkehrslage auf Autobahnen möglich. Das Untersuchungsgebiet befindet sich im südöstlichen Bayern zwischen München, Salzburg und Kufstein und umfasst ca. 300 Autobahnkilometer. Für die Untersuchungen stehen lokale Geschwindigkeits- und Verkehrsstärkedaten aus ca. 100 Detektoren, lokale und regionale Wetterdaten sowie Unfall- und Baustellendaten für einen Zeitraum von vier Jahren zur Verfügung. Außerdem wurde an vier richtungsbezogenen Querschnitten über ein Jahr eine Vollerfassung der Kfz-Kennzeichen durchgeführt. Aus den Kennzeichendaten werden abschnittsbezogene Fahrzeiten und Informationen zur Herkunft der Fahrzeuge abgeleitet. Zunächst erfolgt die Untersuchung des Wettereinflusses und die Identifikation weiterer Einflussgrößen auf das Verkehrsaufkommen mittels Regressions- und Clusteranalyse sowie eine Auswertung der deutschlandweiten Haushaltsbefragung Mobilität in Deutschland. Dazu werden mittels einer deskriptiven Datenanalyse Hypothesen bezüglich möglicher Einflussfaktoren, u. a. Wochentag, Schulferien oder Feiertage, abgeleitet, die mithilfe der benannten Methoden überprüft werden. Als Datengrundlage werden die lokalen Verkehrsstärkedaten und die Kennzeichendaten sowohl auf Stunden- als auch auf Tagesebene herangezogen. Die Analyse liefert die folgenden Erkenntnisse: • Mit der Regressions- und Clusteranalyse können als wesentliche Einflussfaktoren, neben den Wochentagen, die überregionalen Urlaubsverkehre aus Deutschland und den europäischen Nachbarländern identifiziert werden. Vor allem an Freitagen und Samstagen steigt das Tagesverkehrsaufkommen in den Winter- und Sommermonaten zum Teil um mehr als 50 %. Dabei treten auch außerhalb der Schulferien Urlaubsverkehre mit signifikantem Einfluss auf das Tagesverkehrsaufkommen auf. • Die Ergebnisse der Regressionsanalyse zeigen außerdem einen signifikanten Einfluss des Wetters auf das Tagesverkehrsaufkommen. Die qualitative und quantitative Ausprägung des Wettereinflusses ist dabei abhängig vom Wochentag, der Tageszeit und der räumlichen Lage der untersuchten Strecke in Bezug auf Ballungsräume und Gebiete mit hohem Freizeitwert. Besonders gutes Wetter führt tendenziell zu einem erhöhten Verkehrsaufkommen (bis zu +8 % des Tagesverkehrsaufkommens) und schlechtes Wetter beeinflusst das Verkehrsaufkommen negativ (bis zu -10 % des Tagesverkehrsaufkommens). Die Wettereffekte sind an Samstagen und Sonntagen besonders ausgeprägt und nehmen mit wachsender Entfernung zum Ballungsraum ab. • Mittels Clusteranalyse ist der Einfluss des Wetters auf das gesamte Tagesverkehrsaufkommen hingegen nicht nachweisbar. Die Clusteranalyse zeigt lediglich für die separate Betrachtung des Regionalverkehrs einen Wettereinfluss auf den Verlauf der stündlichen Tagesganglinien. • Die Auswertung der Haushaltsbetrachtung untermauert die Hypothese, dass vor allem Freizeitverkehre vom Wetter beeinflusst werden. Die Anzahl der durchgeführten Freizeitwege mit dem PKW erhöht sich bei sehr gutem Wetter (bis +70%) und verringert sich tendenziell bei schlechtem Wetter (bis -26 %). Auch hier ist der Effekt an Samstagen und Sonntagen am deutlichsten ausgeprägt. Außerdem steigt die mittlere Reiseweite der mit dem PKW durchgeführten Freizeitwege bei sehr gutem Wetter gegenüber durchschnittlichem Wetter von 15,1 km auf 16,8 km an. Bei schlechtem Wetter fällt die mittlere Reiseweite hingegen auf 13,8 km ab. Aufbauend auf den Analyseergebnissen wird eine wetterabhängige Prognose der stündlichen Verkehrsstärke eines gesamten Jahres mittels der folgenden vier alternativen Modellansätze durchgeführt: • Regressionsmodell: Die kalendarischen Ereignisse und das beobachtete Wetter werden durch binäre Variablen in einem linearen Regressionsmodell beschrieben. Für jeden Verkehrsdetektor werden für jeden Wochentag und jede Stunde separate Regressionsmodelle geschätzt und eine Prognose durchgeführt. • Clusterbasiertes Modell: Es werden Netzganglinien, bestehend aus lokalen stündlichen Verkehrsstärkedaten, geclustert. Für jeden Prognosetag eines Jahres wird anhand der kalendarischen Eigenschaften dieses Tages und der beobachteten Wettersituation die repräsentative Netzganglinie eines Clusters zugordnet und unmittelbar als Prognose verwendet. • Verhaltensbasiertes Verkehrsnachfragemodell: Die wetterabhängige Verkehrsnachfragemodellierung erfolgt auf Basis einer wetterabhängigen Verkehrserzeugung und Zielwahl. Dazu werden Wetterregionen im Untersuchungsgebiet definiert und für verschiedene Wettersituationen neue Gesamtverkehrsmatrizen berechnet. Es werden Korrekturfaktoren bezüglich eines Referenzfalls mit durchschnittlichem Wetter erzeugt. • Modellkombination aus clusterbasiertem Modell und Verkehrsnachfragemodell: Bei der kombinierten Modellierung gehen die unabhängig vom Wetter prognostizierten Netzganglinien als Randsummenbedingung in ein Matrixschätzverfahren ein. Die entstehende Matrix wird anschließend mittel der entstandenen Korrekturfaktoren aus dem Verkehrsnachfragemodell an die vorherrschende Wettersituation angepasst. Die Betrachtung der Prognoseergebnisse zeigt, dass für das Regressionsmodell und die Modellkombination die Prognosequalität durch Einbezug des Wetters erhöht werden kann. Als Qualitätsmaß der Modellprognose wird der mittlere GEH-Wert verwendet. Für das clusterbasierte Modell zeigt sich eine etwas geringere Prognosequalität bei Betrachtung des Wetters. Allerdings wird an Samstagen und Sonntagen die Prognosequalität durch die Betrachtung des Wetters im clusterbasierten Modell öfters verbessert als verschlechtert. Die prognostizierten Verkehrsaufkommen werden daraufhin für eine exemplarische Prognose der Verkehrslage auf einem ausgewählten Netzabschnitt mittels logistischer Regression herangezogen. Die Verkehrsaufkommen aller Modellansätze erweisen sich hierbei als signifikante Einflussfaktoren auf die Verkehrslage. Eine Erhöhung des Verkehrsaufkommens führt dabei zu einer Verschlechterung der Verkehrslage. Ebenfalls signifikanten negativen Einfluss auf die Verkehrslage haben Unfallereignisse, ein hoher Fernverkehrsanteil und Regenereignisse. Abschließend werden die vier Modellansätze anhand eines entwickelten Bewertungsverfahrens hinsichtlich Konsistenz, Verwertbarkeit, Flexibilität, Aufwand und Transparenz evaluiert. Das Regressionsmodell und das clusterbasierte Modell weisen trotz geringen Aufwands eine gute quantitative Realitätsnahe auf. Das Verkehrsnachfragemodell und die Modellkombination sind hingegen mit einem hohen Modellierungsaufwand verbunden, besitzen jedoch eine höhere Konsistenz bezüglich der abgebildeten Wirkungszusammenhänge. Sowohl das Verkehrsnachfragemodell als auch die Modellkombination erlauben außerdem im Gegensatz zum Regressionsmodell und zum clusterbasierten Modell eine Maßnahmenuntersuchung und somit eine fundierte Strategieentwicklung für verschiedene Szenarien. Die Ergebnisse der vorliegenden Arbeit zeigen, dass eine wetterabhängige Prognose des Verkehrsaufkommens mit allen vier Modellansätzen möglich ist. Die Wetterabhängigkeit des Prognosemodells ist jedoch nicht zwingend mit einer Verbesserung der Prognosequalität verbunden. Grundvoraussetzung hierfür ist eine adäquate Modellierung der vermeintlich stärkeren Einflussgrößen, wie z. B. der Urlaubsverkehre. Vor diesem Hintergrund wären einige vertiefende Untersuchungen wünschenswert, z. B. inwieweit die ANPR-Daten genutzt werden können, um überregionale Fahrtenmatrizen abzuleiten und Erkenntnisse zur Prognose der Urlaubsverkehre zu gewinnen.

The presented thesis deals with the impacts of weather on the traffic volume on motorways. To optimise the traffic situation by the use of transport planning and operational measures as well as traveller information, a profound forecast of the traffic state is essential. For this, transport models provide profound information about expected traffic states. A traffic state is determined by the traffic volume and the capacity respectively the travel times. Considering the main influences on traffic states is vital for an appropriate modelling result. Weather, without doubt, has an influence on the traffic state. Rainfall is influencing the visibility and therefore leads to adapted driving behaviour regarding the chosen vehicle headway and driving speed. Hence, travel time and capacity are affected. Sunshine and enjoyable temperatures may lead to additional leisure trips especially on weekends thus increasing the traffic volume. The addressed weather effects were already covered in research using various statistical methods. However, the existing analyses consider local data only collected at selected measurement points. Statements permitting a transfer of the results or an integration of the results into transport models are still missing, so that a weather-dependent forecast of traffic volume or traffic state is not possible yet. Therefore, the thesis aims at quantifying the weather influence on traffic volume in a general manor and at developing methods permitting a weather dependent forecast of hourly traffic volumes. Furthermore, it is examined whether integrating weather effects in transport models is improving the forecast quality. In contrast to former researches the presented thesis is based on a broad empirical data basis permitting network-wide analyses of traffic volume and traffic state. The study area covers the south eastern part of Bavaria (Germany) between Munich, Salzburg and Kufstein including 300 km of motorways. Local traffic volume and velocity data from 100 detectors as well as weather data, information about accidents and construction sites are available for a time period of four years. Additionally on four measurement points automatic number plate recognition (ANPR) systems are installed. The ANPR-Systems provide derived travel time data and information about the origin (county, where the vehicle is registered) of the detected vehicle for one year. The analysis of the weather influence and the identification of additional impact factors on traffic volume are based on a regression and cluster analysis as well as an exploitation of the German wide household survey "Mobilität in Deutschland - MiD". First, a descriptive data analysis is done to derive hypothesis on possible influencing factors i. a. day of week, school holidays and public holidays. The hourly and daily data from local detectors and ANPR-Systems are examined with the mentioned methods. These are the main insights: • The regression analysis und cluster analysis reveal the weekday and holiday trips from Germany and European bordering countries as an essential explanation factor of the observed traffic volume variation. Particularly on Fridays and Saturdays the daily traffic volume is increasing by up to 50 % in the winter and summer months. In that regard holiday trips out off the school holidays play an important role. • Moreover, the regression analysis shows a highly significant weather influence on the total traffic volume. The qualitative and quantitative characteristics of the weather effect depends on the weekday, time of day and the spatial location of the analysed motorway section in respect of metropolitan areas and areas with a high attraction for leisure activities. Particularly good weather conditions increase (up to +8 %) and bad weather conditions decrease (up to 10 %) of the daily traffic volumes. The weather effects are more distinct on Saturdays and Sundays und decrease with a growing distance to the metropolitan area. • Using the cluster analysis, the weather influence can only be proven for regional traffic demand. • The evaluation of the household survey supports the assumption that especially leisure trips are affected by the current weather conditions. The number of leisure trips conducted by car rises under good weather conditions (up to 70 %) and tend to decrease in case of bad weather (down to - 26%). This effect is also most prominent on Saturdays and Sundays. The average trip length of leisure trips by car increases under good weather conditions compared to ordinary weather conditions from 15.1 to 16.8 km and decreases under bad weather conditions to 13.8 km. Using the results of the analysis, a weather-dependent forecast of the hourly traffic volumes of an entire year is done based on the following modelling approaches: • Regression model: The characteristics of calendar days and the observed weather conditions are included as binary variables in a linear regression model. For each measurement point a model is estimated separately for each day of the week and hour of day. • Cluster model: At first, network load curves are clustered. Then, a cluster with its representative network load curve is assigned to every forecasted day using the calendar characteristics and the weather situation of the forecasted day. • Behavioural travel demand model: The weather dependent demand model applies a weather dependent trip generation and destination choice. Therefore, weather regions in the survey area are defined and the traffic demand is recalculated for several weather situations. Correction factors related to a reference weather situation are calculated. • Combining cluster model and travel demand model: The weather independent forecast results of the clustering models are used as inputs for a trip matrix estimation. Afterwards the resulting matrices are adapted using the correction factors of the travel demand model. The results of the models show an improvement of the forecast quality for the regression model and the combined model. As indicator of the forecast quality the average GEH-value is used. The weather dependent cluster model leads to a lower forecast quality. However, integrating weather effects in the cluster model increase the forecast quality more often than decreasing the forecast quality on Saturdays and Sundays. Subsequently, the modelled traffic volumes are used for a forecast of traffic states with a logistic regression. The traffic volumes of all modelling approaches show highly significant results for the traffic state. A rising traffic volume affects the traffic state negatively. Also accidents, a high share of long distance traffic and rain have a significantly negative effect on the traffic state. Finally, all modelling approaches are evaluated with respect to consistency, applicability, flexibility, effort and transparency. Despite of a low modelling effort the regression model and the cluster model provide good results close to reality. The high level consistency and applicability of the travel demand model and the combined model, however, require a high modelling effort. Both approaches, demand model and combined model, permit a profound examination of measures and different scenarios. The results of the presented thesis show that all modelling approaches permit a weather dependent forecast of traffic volume. However, considering weather effects in transport models does not necessarily guarantee a higher forecasting quality. For a fundamental improvement a profound modelling of additional influencing factors such as holiday trips is required. Concerning this matter, further research is desirable, e. g. how ANPR-Data can be used to derive long distance trip matrices and to gain knowledge of forecasting holiday trips.