Automatisierte Fahrzeuge können einen Beitrag zur effizienten Nutzung der bestehenden Verkehrsinfrastruktur leisten, dabei helfen, Schadstoffemissionen zu senken und den Verkehr sicherer zu machen. In unterschiedlichen wissenschaftlichen Disziplinen und großen Forschungsprojekten werden derzeit unter anderem die Einbindung automatisierter Fahrzeuge in den bestehenden Straßenverkehr untersucht. Im Gegensatz zu diesen liefern herkömmlich gesteuerte Fahrzeuge nur wenige verwertbare Daten, auf deren Basis sich die Einzeldynamik von Verkehrsteilnehmern verlässlich abschätzen lässt.
Die vorliegende Arbeit beschäftigt sich mit der Prädiktion von Nettozeitlücken zwischen herkömmlichen Fahrzeugen. Dabei ist einzig die Längsbewegung entlang des betreffenden Straßenabschnitts von Relevanz. Mit Hilfe eines probabilistischen Ansatzes wird somit das Fahrverhalten menschlicher Fahrzeugführer quantitativ abgeschätzt und ein Prädiktionshorizont im Bereich von bis zu einigen Sekunden realisiert. Damit ist das aufgestellte bivariate Modell der Klasse der Langzeit-Prädiktionsmodelle zuzuordnen.
Ein eigens entwickeltes, hochpräzises Messsystems sorgt für die notwendige Datengrundlage. Auf drei verschiedenen Straßenabschnitten im Großraum Duisburg (Deutschland) werden in diesem Zusammenhang etwa 60 000 Fahrzeuge millisekundengenau erfasst. Dabei wird die Straße mittels der beteiligten Messeinheiten in Sektoren aufgeteilt, auf denen jeweils die Änderung der Nettozeitlücke näher untersucht wird.
Im Rahmen der durchgeführten Korrelationsanalyse bilden die gemessenen Änderungen der Nettozeitlücken für zwei aufeinanderfolgende Sektoren schließlich die Grundlage für das aufgestellte bivariate Prädiktionsmodell. Unter Benutzung des Pearson’schen Korrelationskoeffizienten kann somit ein quantitativer Zusammenhang zwischen den oben genannten Messgrößen geschaffen werden und darauf basierend eine Prognose für die räumlich-zeitliche Entwicklung von Nettozeitlücken abgegeben werden.
Aktualisiert: 2022-12-30
> findR *