TU Darmstadt / ULB / TUbiblio

Entwicklung einer Methode zur Identifikation von Verkehrsmitteln aus Floating Phone-Daten

Galley, Daniel :
Entwicklung einer Methode zur Identifikation von Verkehrsmitteln aus Floating Phone-Daten.
TU Darmstadt
[Masterarbeit], (2015)

Kurzbeschreibung (Abstract)

Zur Erkennung von Verkehrsmitteln werden zurzeit Erhebungen, Zählungen oder Befragungen verwendet. Diese Methoden sind sehr zeit- und kostenintensiv. Zusätzlich zu dem großen Aufwand der betrieben werden muss, um die Verkehrsmittel zu erkennen, können die Ergebnisse sehr ungenau sein. Daher werden neue Möglichkeiten gesucht, die kostengünstiger und mit weniger Aufwand die Verkehrsmittel erkennen. Die Verwendung von Floating Phone-Daten (FPD) könnte eine solche Methode sein. Bei FPD handelt es sich um Standortdaten, mit deren Hilfe die Position von Mobilfunkgeräten bestimmt werden kann.

Aus diesen Gründen soll in dieser Arbeit eine Methode entwickelt werden, mit deren Hilfe die Verkehrsmittel der Mobilfunkgeräte ermittelt werden können. Im Laufe der Arbeit werden dabei mehrere Ansätze entwickelt und ein vielversprechender Ansatz zur Anwendung gebracht. Dieser Ansatz wird kritisch bewertet. Da für die Arbeit keine realen FPD vorliegen, werden diese mit Hilfe von Modellen erzeugt. Hierfür wird das Programm Vissim der Firma PTV verwendet.

Im Vergleich zu anderen Untersuchungen, die versuchen Verkehrsmittel an Hand von FPD zu bestimmen, werden in dieser Arbeit keine Daten aus anderen Quellen (beispielsweise Beschleunigungssensoren oder Apps) verwendet. Es werden lediglich die Standortdaten verwendet, die bei den Mobilfunkprovidern bereits vorliegen.

Zur Erzeugung von FPD werden zwei Modelle erstellt. Das erste Modell bildet einen Autobahnabschnitt ab, das zweite die Innenstadt von Darmstadt. In beiden Modellen wird eine Hauptverkehrszeit (Wochentags 06:30 Uhr bis 09:30 Uhr) und eine Schwachverkehrszeit (Sonntag 06:30 Uhr bis 09:30 Uhr) simuliert. Mit Hilfe dieser vier Szenarien sollen möglichst unterschiedliche Daten erzeugt werden, mit deren Hilfe die Verkehrsmittel erkannt werden.

Mit den Daten, die in Vissim generiert werden, sollen möglichst reale FPD erzeugt werden. Hierfür wird in Vissim ein Mobilfunknetz modelliert, dessen Zellgröße und Handover-Häufigkeiten mit Hilfe von Feldversuchen bestimmt wird. Die Aufbereitung der erzeugten Daten erfolgt in sieben Schritten. Im ersten Schritt werden die Messwerte von fehlerhaften Werten bereinigt, danach wird jeder Person in der Simulation ein Mobilfunkgerät zugeordnet. In den nächsten Schritten wird der Provider, ob eine aktive Verbindung vorliegt und ob ein Handover erzeugt wird, überprüft. Im letzten Schritt werden Ortsschwankungen eingefügt und die finalen FPD erzeugt.

Mit Hilfe dieser FPD werden die verschiedenen Auswertungen durchgeführt. Es werden am Autobahn-Modell Untersuchungen an einem und an mehreren Zellwechseln untersucht. Bei allen Methoden werden Häufigkeiten gebildet und über Hochpunkte versucht, die Busse auf den Autobahnen zu identifizieren. Zusätzlich werden Methoden entwickelt, die mit Hilfe der Geschwindigkeit die Busse identifizieren sollen. Nachdem für alle Methoden an einem Zellwechsel keine zufriedenstellenden Ergebnisse erzielt werden, werden Untersuchungen mit Hilfe von mehreren Zellwechseln durchgeführt. Hierbei werden die IDs in einem Hochpunkt verfolgt und geprüft, ob diese an weiteren Hochpunkten vorkommen. Ist dies bei gleichen IDs in mehreren Zellwechseln der Fall, wird ein Bus vermutet. Auch bei dieser Untersuchung konnten keine zufriedenstellenden Ergebnisse erzielt werden.

Beim Innenstadt-Modell werden die Verkehrsmittel durch die Betrachtung der Geschwindigkeit unterschieden. Es werden Geschwindigkeitsbereiche für Fußgänger, Radfahrer und ÖV-/IV-Fahrzeuge definiert. Da die Geschwindigkeiten von ÖV-Fahrzeugen auf Grund von Haltestellen stark schwanken können, wird ein Vergleich der Zellwechsel mit dem ÖV-Fahrplan durchgeführt. Diese Untersuchung wird sowohl bei Radfahrern als auch bei IV-Fahrzeugen durchgeführt. Die Erkennung der Verkehrsmittel Fußgänger, Radfahrer, ÖV- und IV-Fahrzeuge im Innenstadt-Modell ergibt gute Ergebnisse. Jedoch ist die Unterscheidung von Fußgängern, Radfahrern und IV-Fahrzeugen nur über die Geschwindigkeit möglich. Ist diese Geschwindigkeit niedrig (auf Grund von Lichtsignalanlagen) oder bei Radfahrern sehr hoch, können die Verkehrsmittel nicht richtig zugeordnet werden.

Die Arbeit zeigt, dass eine Zuordnung der Verkehrsmittel nur durch Zellwechsel schwierig scheint. Die Ergebnisse des Autobahn-Modells zeigen, dass die Erkennung von Bussen auf diesen nicht möglich ist. Im Innenstadt-Modell werden verschiedene Parameter nicht beachtet, die eine Beeinflussung der Geschwindigkeit zur Folge haben. Deshalb sind die guten Ergebnisse mit Vorsicht zu genießen.

Trotz der schlechten Erkennung der Verkehrsmittel in dieser Arbeit, schätze ich die Möglichkeiten der Verwendung von FPD zur Verkehrsmittelerkennung als sehr gut ein. Die größte Unsicherheit bei der Bewertung der erzielten Aussagen sind die selbst erzeugten FPD. Um eine konkrete Aussage über die Erkennung von Verkehrsmitteln zu bekommen, müssen alle durchgeführten Untersuchungen mit realen Daten überprüft werden. Nur so kann diese Arbeit quantifiziert werden. Besteht die Möglichkeit reale Daten zu verwenden, kann die Verwendung von FPD eine schnelle und zuverlässige Identifikation der verwendeten Verkehrsmittel ermöglichen.

Typ des Eintrags: Masterarbeit
Erschienen: 2015
Autor(en): Galley, Daniel
Titel: Entwicklung einer Methode zur Identifikation von Verkehrsmitteln aus Floating Phone-Daten
Sprache: Deutsch
Kurzbeschreibung (Abstract):

Zur Erkennung von Verkehrsmitteln werden zurzeit Erhebungen, Zählungen oder Befragungen verwendet. Diese Methoden sind sehr zeit- und kostenintensiv. Zusätzlich zu dem großen Aufwand der betrieben werden muss, um die Verkehrsmittel zu erkennen, können die Ergebnisse sehr ungenau sein. Daher werden neue Möglichkeiten gesucht, die kostengünstiger und mit weniger Aufwand die Verkehrsmittel erkennen. Die Verwendung von Floating Phone-Daten (FPD) könnte eine solche Methode sein. Bei FPD handelt es sich um Standortdaten, mit deren Hilfe die Position von Mobilfunkgeräten bestimmt werden kann.

Aus diesen Gründen soll in dieser Arbeit eine Methode entwickelt werden, mit deren Hilfe die Verkehrsmittel der Mobilfunkgeräte ermittelt werden können. Im Laufe der Arbeit werden dabei mehrere Ansätze entwickelt und ein vielversprechender Ansatz zur Anwendung gebracht. Dieser Ansatz wird kritisch bewertet. Da für die Arbeit keine realen FPD vorliegen, werden diese mit Hilfe von Modellen erzeugt. Hierfür wird das Programm Vissim der Firma PTV verwendet.

Im Vergleich zu anderen Untersuchungen, die versuchen Verkehrsmittel an Hand von FPD zu bestimmen, werden in dieser Arbeit keine Daten aus anderen Quellen (beispielsweise Beschleunigungssensoren oder Apps) verwendet. Es werden lediglich die Standortdaten verwendet, die bei den Mobilfunkprovidern bereits vorliegen.

Zur Erzeugung von FPD werden zwei Modelle erstellt. Das erste Modell bildet einen Autobahnabschnitt ab, das zweite die Innenstadt von Darmstadt. In beiden Modellen wird eine Hauptverkehrszeit (Wochentags 06:30 Uhr bis 09:30 Uhr) und eine Schwachverkehrszeit (Sonntag 06:30 Uhr bis 09:30 Uhr) simuliert. Mit Hilfe dieser vier Szenarien sollen möglichst unterschiedliche Daten erzeugt werden, mit deren Hilfe die Verkehrsmittel erkannt werden.

Mit den Daten, die in Vissim generiert werden, sollen möglichst reale FPD erzeugt werden. Hierfür wird in Vissim ein Mobilfunknetz modelliert, dessen Zellgröße und Handover-Häufigkeiten mit Hilfe von Feldversuchen bestimmt wird. Die Aufbereitung der erzeugten Daten erfolgt in sieben Schritten. Im ersten Schritt werden die Messwerte von fehlerhaften Werten bereinigt, danach wird jeder Person in der Simulation ein Mobilfunkgerät zugeordnet. In den nächsten Schritten wird der Provider, ob eine aktive Verbindung vorliegt und ob ein Handover erzeugt wird, überprüft. Im letzten Schritt werden Ortsschwankungen eingefügt und die finalen FPD erzeugt.

Mit Hilfe dieser FPD werden die verschiedenen Auswertungen durchgeführt. Es werden am Autobahn-Modell Untersuchungen an einem und an mehreren Zellwechseln untersucht. Bei allen Methoden werden Häufigkeiten gebildet und über Hochpunkte versucht, die Busse auf den Autobahnen zu identifizieren. Zusätzlich werden Methoden entwickelt, die mit Hilfe der Geschwindigkeit die Busse identifizieren sollen. Nachdem für alle Methoden an einem Zellwechsel keine zufriedenstellenden Ergebnisse erzielt werden, werden Untersuchungen mit Hilfe von mehreren Zellwechseln durchgeführt. Hierbei werden die IDs in einem Hochpunkt verfolgt und geprüft, ob diese an weiteren Hochpunkten vorkommen. Ist dies bei gleichen IDs in mehreren Zellwechseln der Fall, wird ein Bus vermutet. Auch bei dieser Untersuchung konnten keine zufriedenstellenden Ergebnisse erzielt werden.

Beim Innenstadt-Modell werden die Verkehrsmittel durch die Betrachtung der Geschwindigkeit unterschieden. Es werden Geschwindigkeitsbereiche für Fußgänger, Radfahrer und ÖV-/IV-Fahrzeuge definiert. Da die Geschwindigkeiten von ÖV-Fahrzeugen auf Grund von Haltestellen stark schwanken können, wird ein Vergleich der Zellwechsel mit dem ÖV-Fahrplan durchgeführt. Diese Untersuchung wird sowohl bei Radfahrern als auch bei IV-Fahrzeugen durchgeführt. Die Erkennung der Verkehrsmittel Fußgänger, Radfahrer, ÖV- und IV-Fahrzeuge im Innenstadt-Modell ergibt gute Ergebnisse. Jedoch ist die Unterscheidung von Fußgängern, Radfahrern und IV-Fahrzeugen nur über die Geschwindigkeit möglich. Ist diese Geschwindigkeit niedrig (auf Grund von Lichtsignalanlagen) oder bei Radfahrern sehr hoch, können die Verkehrsmittel nicht richtig zugeordnet werden.

Die Arbeit zeigt, dass eine Zuordnung der Verkehrsmittel nur durch Zellwechsel schwierig scheint. Die Ergebnisse des Autobahn-Modells zeigen, dass die Erkennung von Bussen auf diesen nicht möglich ist. Im Innenstadt-Modell werden verschiedene Parameter nicht beachtet, die eine Beeinflussung der Geschwindigkeit zur Folge haben. Deshalb sind die guten Ergebnisse mit Vorsicht zu genießen.

Trotz der schlechten Erkennung der Verkehrsmittel in dieser Arbeit, schätze ich die Möglichkeiten der Verwendung von FPD zur Verkehrsmittelerkennung als sehr gut ein. Die größte Unsicherheit bei der Bewertung der erzielten Aussagen sind die selbst erzeugten FPD. Um eine konkrete Aussage über die Erkennung von Verkehrsmitteln zu bekommen, müssen alle durchgeführten Untersuchungen mit realen Daten überprüft werden. Nur so kann diese Arbeit quantifiziert werden. Besteht die Möglichkeit reale Daten zu verwenden, kann die Verwendung von FPD eine schnelle und zuverlässige Identifikation der verwendeten Verkehrsmittel ermöglichen.

Fachbereich(e)/-gebiet(e): Fachbereich Bau- und Umweltingenieurwissenschaften, Civil and Environmental Engineering > Institut für Verkehr > Fachgebiet Verkehrsplanung und Verkehrstechnik
Fachbereich Bau- und Umweltingenieurwissenschaften, Civil and Environmental Engineering > Institut für Verkehr
Fachbereich Bau- und Umweltingenieurwissenschaften, Civil and Environmental Engineering
Hinterlegungsdatum: 19 Feb 2016 07:35
Gutachter / Prüfer: Boltze, Prof. Dr. Manfred ; Mörner, Dipl.-Ing. Moritz von
Alternatives oder übersetztes Abstract:
AbstractSprache
Current surveys, traffic counting and interviews were used to identify transport modes. These methods are often expensive and time-consuming. In addition to the high effort to identify transport modes, the results can be inaccurate. Therefore new ways to identify transport modes are needed. The use of Floating Phone Data (FPD) might be a cost- and time-effective method. FPD are location information in order to help to determine the position of mobile phones. For these reasons, a method to identify transport modes using FPD has to be developed. During this work different approaches will be developed and the highly promising approach will be realized. This approach will be critically evaluated. Due to the lack of real FPD, they are generated by models using the company PTV’s program Visim. In comparison to other research no data from other sources like acceleration sensors or Apps are used. Only location information available for mobile providers is used. Two models to generate FPD have been created. One model shows a section of a highway the second one the city center of Darmstadt. Both models simulate a rush hour and a low traffic time. These different scenarios should generate different data able to identify transport modes. With the data generated in Vissim, FPD as real as possible have to be produced. To archive this, a mobile network has been modeled in Vissim where cell size and handover frequency are determined by using field experiments. The preparation of the data takes place in seven steps. First, the results of incorrect data are adjusted and then a mobile device is assigned to each person in the simulation. The next steps include the provider, to find out if an active connection is present and if a handover is generated. In the final step, local fluctuations are inserted and the final FPD are produced. ith the help of this FPD various evaluation is executed. There are examined studies of one cell change and several cell changes on highway model. In all the methods frequencies are detected trying to identify busses by high points. In addition, methods are developed to identify the busses by their velocity. Due to the fact that any satisfactory results are obtained for all methods according to a cell change, studies using multiple cell changes are examined. In this case, the IDs are pursued and examined whether these occur in high points. If this is the case at the same IDs in a number of cell changes, a bus is assumed. Even in this analysis no satisfying results can be achieved. In the city center model the transport modes are distinguished by considering the velocity. There are defined velocity ranges for pedestrians, cyclists, public and individual transport vehicles. As the velocity of public transport vehicles can vary enormously because of stations, a comparison of the cell change is performed using the public transport timetable. This survey is carried out with cyclists as well as with individual transport vehicles. There are good results of identification of pedestrians, cyclists, public transport and individual transport vehicles in the city center model. However, the differentiation between pedestrians, cyclists and individual transport vehicles is only possible via the velocity. If this velocity is low (because of traffic signals) or cyclists have a very high velocity, the transport modes cannot be allocated properly. The work shows that an allocation of the transport mode does not seem possible only by cell change. The results of the highway model show that the detection of busses is not possible. In the city center model various parameters, which have an influence on the velocity are not considered. Therefore, the good results should be treated with caution. Despite of the poor detection of transport mode in this work, I appreciate the possibilities of using FPD to transport detection as a good choice. The main difficulties in assessing the statements are the self-generated FPD. To get a concrete statement about the identification of transport mode, all the research carried out must be verified with real data. Only in this way, this work can be quantified. Is it possible to use real data, the use of FPD seems a good alternative to identify transport modes.Englisch
Export:

Optionen (nur für Redakteure)

Eintrag anzeigen Eintrag anzeigen