Räumlich-zeitliche Stauphänomene auf Basis von empirischen Verkehrsdaten

Abstract

Das steigende Mobilitätsbedürfnis der Menschen führt bei der Nutzung von Fahrzeugen zur stetigen Zunahme räumlich-zeitlicher Stauphänomene in mehr und mehr überlasteten Straßennetzen. Neue Fahrzeugtechnologien und -entwicklungen wie die Elektromobilität und das autonome Fahren müssen mit dieser Realität auf den Straßen umgehen und diese beherrschen. Ein vertieftes Verständnis aller Stauphänomene, deren Ursachen, Entstehung und räumlich-zeitlicher Entwicklung liefert deswegen eine wichtige wissenschaftliche Grundlage. Zur flächendeckenden und mikroskopischen Verkehrserfassung wurden bis heute vielfältige Technologien entwickelt und eingesetzt. Der Zugang zu großen Mengen an Verkehrsdaten aus unterschiedlichen Datenquellen (Floating-Car-Daten, Drohnendaten und Detektordaten) verteilt über Europa und den USA ermöglicht es in dieser Arbeit, zuverlässige und detaillierte Untersuchungen verschiedener Stauphänomene auf Autobahnen durchzuführen. Als zentrales Ergebnis erfolgt der empirische Nachweis der Existenz und der Eigenschaften von räumlich begrenzten und zeitlich befristeten Verkehrsstörungen zeitlich vor Verkehrszusammenbrüchen. Diese Verkehrsstörungen entstehen im freien Verkehr an Autobahnengstellen und wurden auf Basis von Floating-Car-Daten nachgewiesen. Sie weisen allgemeine Eigenschaften und Gemeinsamkeiten auf und können als sich räumlich-zeitlich ausbreitende Verkehrsstrukturen vorliegen. Hiermit werden fehlende Nachweise zu den in Verkehrstheorien formulierten Vorstellungen über den Verkehrsablauf erbracht. Da Floating-Car-Daten heute noch nicht fahrspurgenau aufgelöst sind, werden hochgenaue und vollständige Drohnendaten für den Nachweis der Entstehung von fahrspurabhängigen Verkehrszusammenbrüchen verwendet. Es werden gestaute Verkehrsstrukturen und Verkehrsstrukturen mit hoher Verkehrsdichte auf allen drei Fahrspuren zu unterschiedlichen Zeitpunkten und Orten festgestellt. Hierzu wird eine Verkehrsdichte-Methode auf Basis von gleitenden Mittelwerten und den räumlichen Abständen zwischen aufeinanderfolgenden Fahrzeugen vorgestellt. Des Weiteren werden anhand von Detektordaten die Verkehrsphasen- und Fahrspurabhängigkeit von Zeitlücken zwischen Fahrzeugen nachgewiesen. Die Wahrscheinlichkeit von Einscher- und Spurwechselmöglichkeiten auf Autobahnen weisen ebenfalls verkehrsphasen- und fahrspurabhängige Eigenschaften auf. Die Verkehrsphase des synchronisierten Verkehrs stellt sich zum Finden einer ausreichend großen Zeitlücke für einen Einscher- oder Spurwechselvorgang eines (automatisierten) Fahrzeugs als ungeeignetste Verkehrsphase heraus. Außerdem wird ein Wartezeit-Modell zur Ermittlung der Wartezeit, die an einer räumlichen Position der Autobahn vergehen muss um eine ausreichend große Zeitlücke für einen Einscher- oder Spurwechselvorgang zu finden, entwickelt. Die Wartezeit weist verkehrsphasenabhängige Eigenschaften auf. Die Ergebnisse dieser Arbeit leisten einen wichtigen Beitrag zum besseren Verständnis von Verkehrszusammenbrüchen im realen Verkehr und zur Verbesserung der Abbildung des Verkehrs. Sie können als Anforderungen an Verkehrstheorien und Verkehrsmodelle dienen und in automatisierten Fahrzeugen, der Fahrerassistenz und Navigationssystemen genutzt werden.

The increasing need for mobility of people leads to steady increase of spatiotemporal congestion phenomena in more and more congested road networks when using vehicles. New vehicle technologies and developments such as electromobility and autonomous driving must deal with and master this reality on the roads. A deeper understanding of all congestion phenomena, their causes, origin and spatiotemporal development therefore provides an essential scientific basis. For comprehensive and microscopic traffic detection a variety of technologies have been developed and used to this day. In this work, access to large amounts of traffic data from different data sources (floating car data, drone data and detector data) distributed across Europe and the U.S. enables reliable and detailed investigations of various congestion phenomena on highways. As a central result, the empirical evidence is provided for the existence and characteristics of spatially bounded and temporally limited traffic disruptions before traffic breakdowns. These traffic disruptions occur in free traffic flow at highway bottlenecks and have been proven based on floating car data. They exhibit general characteristics and common features and can exist as spatiotemporally propagating traffic structures. Hereby, missing evidence is provided for the concepts of traffic flow formulated in traffic theories. Since floating car data are not lane-specific resolved today, highly accurate and complete drone data are used to prove the occurrence of lane-dependent traffic breakdowns. Congested traffic structures and traffic structures with high traffic density are observed on all three lanes at different points in time and locations. For this purpose, a traffic density method based on moving averages and the spatial distances between consecutive vehicles is revealed. Moreover, detector data are used to prove the traffic-phase- and lane-dependency of time gaps between vehicles. The probability of merging and lane-changing opportunities on highways also exhibit traffic-phase- and lane-dependent characteristics. The traffic phase of synchronized flow turns out to be the most unsuitable traffic phase for finding a sufficiently large time gap for an (automated) vehicle to merge onto highways or change lanes. In addition, a waiting time model is developed to calculate the waiting time that must pass at a spatial location on the highway to find a sufficiently large time gap to merge onto the highway or change the lane. The waiting time exhibits traffic-phase-dependent characteristics. The results of this work make an important contribution to the better understanding of traffic breakdowns in real traffic and to the improvement of traffic reconstruction. They can serve as requirements for traffic theories and models and can be used in automated vehicles, driver assistance and navigation systems.