Jahresabonnement hier bestellen

Verkehrsablauf an signalisierten Knotenpunkten mit hohem Radverkehrsaufkommen

Traffic flow at signalized intersections with high bicycle traffic volumes

G. Grigoropoulos; Univ.-Prof. Dr.-Ing. F. Busch, München
Univ-Prof. Dr.-Ing. H. Kaths, Wuppertal
Dr.-Ing. M. M. Baier, Aachen
Dr.-Ing. M. Junghans, Köln
Prof. Dr.-Ing. A. Leonhardt, Berlin

Der Beitrag beschreibt Untersuchungen des Verkehrsablaufs und Erweiterungen für das Berechnungsverfahren zur
Bemessung nach dem HBS (2015) für signalisierte Knotenpunkte mit hohem Radverkehrsaufkommen. Zur Analyse
des Verkehrsablaufs wurden empirische Untersuchungen des Fahrverhaltens von Radfahrern und Kfz an ausgewählten
Knotenpunkten durchgeführt. Die Ergebnisse wurden für die Kalibrierung und die Validierung von mikroskopischen
Simulationsmodellen genutzt, die zur Erzeugung von Daten für die Ergänzung des Berechnungsverfahrens
eingesetzt wurden. Die Erweiterungen umfassen Ansätze zur Ermittlung von Kapazitäten im Radverkehr und im Kfz-
Verkehr, der vom Radverkehr behindert wird.

In this paper, empirical studies of the traffic flow at signalized intersections with high volumes of bicycle traffic are presented. Based
on the findings of these studies, microscopic simulation models and additions for the calculation procedure of the HBS (2015) are
developed. For the analysis of the traffic flow, observations of the driving behaviour of cyclists and motor vehicles at selected intersections
were carried out. Based on the observations, traffic parameters such as densities and headways in bicycle traffic flow were
derived and used for the calibration and validation of microscopic traffic simulation models. Based on the empirical findings and
simulation results, additions to the existing calculation procedure of the HBS (2015) were derived, including approaches to determine
infrastructure capacities for bicycle and motorized vehicle traffic.

Künstliche Intelligenz in der Straßenraumerfassung

Artificial intelligence for road asset management

Dipl.-Ing. T. Naber; Dipl.-Geogr. M. Sesselmann, Dresden
Dipl.-Inf. R. Stricker, Erfurt
Dipl.-Ing. S. Scheller; Dipl.-Ing. N. Stelling, Dresden
Dipl.-Ing. (FH) D. Klose, Erfurt
Prof. Dr.-Ing. A. Großmann, Konstanz

Als Grundlage für die im Zuge der Verkehrswende anfallenden Planungs- und Entscheidungsprozesse werden aktuelle
und digitale Daten des Straßenraums benötigt. Mobile-Mapping-Systeme sind in der Lage, solche raumbezogenen
Daten schnell, genau und flächendeckend zu erfassen. Die anfallenden Datenmengen sind dabei jedoch erheblich
und der Zeitaufwand für eine manuelle Analyse durch Personen mit entsprechender Expertise immens. Daher
ist eine Automatisierung wünschenswert. Der vorliegende Beitrag gibt einen praxisbezogenen Überblick über
Anwendungsmöglichkeiten für Künstliche Intelligenz (KI) im Themenbereich Straßenraumerfassung. Aufbauend auf
einer thematischen Einführung in Mobile Mapping und KI werden ausgewählte Anwendungen vorgestellt, bei denen
KI-Ansätze typische Prozesse der Straßenraumdatenverarbeitung unterstützen und beschleunigen können.

As a basis for the planning and decision-making processes that arise in the process of the traffic transition, current and digital data
of the road and its surroundings is needed. Mobile mapping systems are able to record such spatial data quickly, accurately and
comprehensively. However, the amount of data is significant and the time required for manual analysis by experts is immense, so
automation is desirable. This article gives a practical overview of possible applications for Artificial Intelligence (AI) in the field of
road asset managment. After a short introduction to mobile mapping and AI, selected applications are presented in which AI approaches
can support and accelerate typical processes of road space data processing.

Mobilitätskennwerte für Elektro- und Verbrennerfahrzeuge aus Flottendaten

Mobility parameters for electric and combustian vehicles from fleet dataM. Sc. O. Stein, Böblingen

Prof. Dr.-Ing. S. Hoffmann, München
M. Sc. J. Paczia; Dr.-Ing. Dipl.-Wirtsch.-Ing. H. Rehborn; Dr. rer. nat. M. Koller, Böblingen

Mobilitätskennwerte des motorisierten Individualverkehrs wurden in der Vergangenheit häufig und werden immer noch durch Studien in Form von vereinzelten Stichproben erhoben. Mit der anonymen Erfassung von größeren Fahrzeugflotten bietet sich durch deren Vernetzung die Möglichkeit, typische Mobilitätskennwerte wie durchschnittliche Fahrtstrecken, Fahrtzeiten und Geschwindigkeiten automatisiert und systematisch zu erfassen. Die in diesem Beitrag gezeigten Auswertungen beziehen sich auf Daten, welche über einen Zeitraum von einer Woche im Februar 2021 erhoben wurden. Dabei werden Verteilungen verschiedener Fahrzeuge für tageszeitabhängige Flottenauslastungen, Fahrtstrecken, Fahrtzeiten und tageszeitabhängige Geschwindigkeiten ermittelt. Insbesondere erfolgt eine Mobilitätsanalyse von Fahrzeugen mit konventionellen Verbrennungsmotoren (CV) und Elektrofahrzeugen (EV) vergleichbarer Bauweise und Größe. In dem genannten Zeitraum wurden ca. 20.000 Fahrten von Elektrofahrzeugen und ca. 1,5 Mio. Fahrten von Verbrennerfahrzeugen erfasst und gegenübergestellt. Der Beitrag zeigt, dass die Statistik der Flottendaten mit den Ergebnissen aus bereits bekannten Mobilitätsstudien sehr gut übereinstimmt [1–5]. In der Gesamtmenge aller ausgewerteten Fahrten der Flotte umfasst der Kurzstreckenanteil bis ca. 6 km und bis ca. 10 min Fahrzeit die Hälfte aller Fahrten. Die Mittelwerte liegen bei ca. 12 km Strecke und ca. 17 min Fahrtzeit. Der Mittelwert ist wesentlich höher als der Median, da er beispielsweise durch die längeren Autobahnfahrten beeinflusst wird. Darüber hinaus wird durch die Ähnlichkeit aller statistischen Vergleichswerte gezeigt, dass die Antriebsart keinen deutlichen Einfluss auf die Fahrzeugnutzung hat. Die insgesamt gefahrenen Durchschnittsgeschwindigkeiten in der untersuchten Fahrzeugflotte liegen bei ca. 42,68 km/h. Dabei ist in dem untersuchten Zeitraum kein Unterschied in der Geschwindigkeit zwischen Werktagen und Wochenenden erkennbar.

In the past, mobility parameters of individual motorized traffic were often collected in studies in the form of surveys, and still are up to now. The anonymous recording of positional data (often called “floating car data”) of a large vehicle fleet enables to get insight on typical mobility characteristics such as average travel distances, travel times and speeds. The presented analyses refer  o a. dataset which was recorded over a time period of one week in February 2021. Distributions of different types of vehicles are determined for the time-of-day-dependent fleet utilization, travel distances, travel times, and time-of-day-dependent speeds. In particular, a mobility analysis of vehicles with conventional combustion engines (CV) and electric vehicles (EV) of comparable design and size is performed. During the mentioned period, about 20,000 trips of electric vehicles and about 1.5 million trips of combustion vehicles were recorded and compared. The paper shows that the statistics of the fleet data match with the results from already known mobility studies [1–5]. A distance of up to 6 km and a travel time of about up to 10 min comprises half of the recorded trips. An average trip in the studied time period is about 12 km far and about 17 min long. The mean value is higher than the median because it is affected by the longer highway trips, for example. Furthermore, the similarity of all statistical comparison values shows that the engine type does not have a clear influence on vehicle usage. The overall average speeds in the investigated vehicle fleet are approximately 42.68 km/h. There is no noticeable difference in speed between weekdays and weekends in the studied period.

Erkundung von Mobilitätsmustern auf der regionalen Ebene

Exploring Mobility Patterns on the Regional Level

Dipl.-Ing. P. Endemann, Frankfurt am Main

Das alltägliche Verkehrsverhalten der Bevölkerung unterliegt einem Wandel, welcher durch geänderte Rahmenbedingungen, Bevölkerungszusammensetzung sowie Raum-, Zeit- und Angebotsstrukturen beeinflusst wird. Der Regionalverband FrankfurtRheinMain nutzt Ergebnisse der Aufstockung zur bundesweiten Erhebung „Mobilität in Deutschland (MiD) 2017“ für die Kernaufgabe Regionale Flächennutzungsplanung, die Abstimmung von Freiraum, Verkehr und Siedlung sowie die regionale Mobilitätsstrategie. Die Ergebnisse verdeutlichen, dass im Stichtagsverhalten ein Trend weg vom Pkw zu beobachten ist, das Fahrrad einen weiteren Aufwind erfährt, der Nahverkehr wiederum aufgrund des relativ kleinen Berufsverkehrssegments neue Märkte erschließen sollte. Im Jahresverlauf sind relativ viele Nienutzer des Fahrrads und des ÖPNV auszumachen. Eine große Herausforderung bleibt der Fernverkehr mit Flugreisen.

The daily travel behaviour of the population is subject to change, which is influenced by changing framework conditions, population composition as well as spatial, time and supply structures.  The FrankfurtRhineMain Regional Authority uses the results of the add-on to the National Household Travel Survey "Mobility in Germany (MiD) 2017” to fulfil its core task regional land use planning, the coordination of open space, transport and settlement, and the regional mobility strategy. The results make clear that a trend away from the car can be observed as an outcome of the travel diary. The use of the bicycle is also booming. The local public transport should in turn open up new markets due to the relatively small commuter segment. In the course of the year, a relatively large number of non-cyclers and non-riders of public transport can be identified. Long-distance air travel remains a major challenge.