Verkehrsvolumen im Netzwerk nur mit Geschwindigkeitsdaten schätzen

Ein brandneues Modell namens Hybrid Directed-Attention Spatio-Temporal Graph Neural Network (HDA-STGNN) kann das Verkehrsvolumen in einem gesamten Straßennetz zuverlässig vorhersagen – und das ausschließlich auf Basis von Geschwindigkeitsprofilen, statischen Straßendaten und der Netzwerktopologie. Damit wird die Abhängigkeit von teuren Volumenmessungen überflüssig.

Traditionelle Ansätze zur Verkehrsvolumenabschätzung lassen sich in zwei Kategorien einteilen: Prognosemodelle, die nur verkehrsüberwachte Strecken berücksichtigen, und Imputationsmethoden, die fehlende Volumenwerte aus benachbarten Sensoren berechnen. Letztere benötigen jedoch Volumeninformationen zum Zeitpunkt der Inferenz, was in Städten mit wenigen Sensoren ein großes Problem darstellt. Geschwindigkeitsdaten von Probefahrzeugen und statische Straßeneigenschaften sind dagegen weit verbreitet und decken nahezu jedes Segment ab.

HDA-STGNN nutzt diese verfügbaren Daten, um tägliche Verkehrsvolumenprofile für sämtliche Straßensegmente vorherzusagen. Das Modell kombiniert eine gerichtete räumliche Aufmerksamkeit mit spatio-temporalen Graph-Neuronalen Netzen, um die komplexen Wechselwirkungen zwischen Geschwindigkeit, Topologie und Zeit zu erfassen.

Durch umfangreiche Ablationsstudien konnte gezeigt werden, dass das Modell nicht nur die räumlich-zeitlichen Abhängigkeiten präzise abbildet, sondern auch die Topologie des Straßennetzes entscheidend für die Genauigkeit der Schätzungen ist. So liefert HDA-STGNN verlässliche Volumenvorhersagen, ohne dass zu jedem Zeitpunkt Messdaten vorliegen müssen.