Anne-Kathrin Lorenz, M.Sc.

Jan Vallee, M.Sc

Die Erfassung von Verkehrsmengen bildet eine zentrale Grundlage für Verkehrsplanung, Infrastrukturmanagement und verkehrspolitische Entscheidungen. Klassische Zählmethoden, etwa über Dauerzählstellen oder temporäre manuelle und automatische Erhebungen, liefern zwar belastbare Daten, sind jedoch mit erheblichem personellem, technischem und finanziellem Aufwand verbunden. Vor dem Hintergrund zunehmender Anforderungen an eine flächendeckende, zeitlich hochaufgelöste und kontinuierliche Beobachtung des Verkehrsgeschehens gewinnen daher alternative Datenquellen an Bedeutung, nicht zuletzt als Grundlage für eine datengetriebene Planung nachhaltiger Mobilitätskonzepte.
Eine vielversprechende Rolle spielen dabei Floating Car Data (FCD), die als Teilmenge großräumiger Big-Data-Infrastrukturen aus der Bewegung vernetzter Fahrzeuge abgeleitet werden und vergleichsweise kostengünstig sowie flächendeckend verfügbar sind. Ihre Integration in bestehende Planungsprozesse entspricht dem Leitbild einer smarten Mobilität. Digitale Datenströme werden dabei ressourceneffizient genutzt, ohne dass eine kostenintensive physische Messinfrastruktur aufgebaut werden muss. Um die Qualität und Repräsentativität dieser Daten für Planungszwecke sicherzustellen, ist jedoch ein präziser Abgleich mit konventionellen Referenzmessungen unerlässlich, die in diesem Kontext als Ground Truth dienen.
Allerdings ist die Aussagekraft von FCD für die Quantifizierung von Verkehrsmengen bislang nur eingeschränkt bewertet. Da nur ein Teil der Fahrzeugflotte entsprechende Daten sendet, ist die sogenannte Durchdringungsrate räumlich und strukturell unterschiedlich ausgeprägt. Dies kann zu systematischen Abweichungen zwischen den in FCD beobachteten Fahrzeugbewegungen und der tatsächlichen Verkehrsbelastung führen. Die Kombination von FCD mit klassischen Zähldaten im Rahmen einer Data Fusion ist ein methodischer Ansatz, um diese Lücke zu schließen und belastbare Hochrechnungen zur gesamten Verkehrsleistung zu ermöglichen. Insbesondere ist unklar, wie stark sich Durchdringungsraten nach Straßenklassen und Regionen unterscheiden, eine Fragestellung, für die Methoden des maschinellen Lernens vielversprechende Ansätze zur Mustererkennung und Schätzung bieten.