Leichtgewichtiger RF-Estimator liefert präzise Fahrzeitvorhersagen in Städten

In der Verkehrsplanung ist die genaue Vorhersage von Fahrzeiten entscheidend, doch bisherige Modelle erfordern oft enorme Datenmengen oder greifen auf zu einfache Heuristiken zurück. Ein neues Verfahren aus dem arXiv-Preprint 2601.06124v1 bietet hier eine elegante Alternative: ein leichtgewichtiger Random‑Forest‑Estimator, der minimale Verkehrsstaus in Städten zuverlässig prognostiziert.

Der Ansatz nutzt offene Straßenkartendaten, um drivable Netzwerke zu erstellen, und berechnet anschließend die schnellste Route mit Dijkstra. Anschließend werden nur wenige, aber aussagekräftige Features extrahiert – etwa Ampelzeiten, Stopps, Kreuzungen, Ein- und Ausfahrten sowie U‑Turn‑Zählungen. Diese Daten werden in ein Regressionsensemble eingespeist, das auf einer kleinen Menge hochwertiger Referenzfahrzeiten trainiert wird.

Die Ergebnisse sind beeindruckend: Im Vergleich zu herkömmlichen Traversal‑Time‑Baselines zeigen sich deutliche Verbesserungen bei allen gängigen Metriken – mittlere absolute Fehler, prozentuale Fehler, mittlere quadratische Fehler, relativer Bias und erklärte Varianz. Besonders hervorzuheben ist, dass unter leichtem Verkehrsaufkommen kein signifikanter Bias auftritt und die k‑Fold‑Stabilität auf eine nahezu fehlende Überanpassung hinweist.

Dieses Verfahren bietet Ingenieuren einen praktikablen Mittelweg: Es liefert punktgenaue Vorhersagen auf Metropolgröße, reduziert gleichzeitig den Ressourcenaufwand und liefert nachvollziehbare Leistungsabschätzungen, selbst wenn Daten zu Verkehrsstaus nicht verfügbar sind. Ein echter Fortschritt für die moderne Verkehrsplanung.