DeepDemand: Theorie‑informiertes Deep Learning für langfristige Verkehrsprognosen
Die Planung von Verkehrsinfrastrukturen erfordert zuverlässige Prognosen über mehrere Jahre. Traditionelle Nachfrage‑Modelle liefern zwar ein verhaltensbasiertes Bild, sind aber stark von Annahmen und umfangreicher Kali…
- Die Planung von Verkehrsinfrastrukturen erfordert zuverlässige Prognosen über mehrere Jahre.
- Traditionelle Nachfrage‑Modelle liefern zwar ein verhaltensbasiertes Bild, sind aber stark von Annahmen und umfangreicher Kalibrierung abhängig.
- Im Gegensatz dazu greifen generische Deep‑Learning‑Ansätze auf komplexe Muster zurück, fehlen jedoch oft theoretische Fundierung und räumliche Übertragbarkeit.
Die Planung von Verkehrsinfrastrukturen erfordert zuverlässige Prognosen über mehrere Jahre. Traditionelle Nachfrage‑Modelle liefern zwar ein verhaltensbasiertes Bild, sind aber stark von Annahmen und umfangreicher Kalibrierung abhängig. Im Gegensatz dazu greifen generische Deep‑Learning‑Ansätze auf komplexe Muster zurück, fehlen jedoch oft theoretische Fundierung und räumliche Übertragbarkeit.
DeepDemand kombiniert das Beste aus beiden Welten. Durch die Einbettung zentraler Elemente der Verkehrsnachfrage‑Theorie – etwa der Dijkstra‑Methode zur lokalen OD‑Region‑Extraktion und einer differenzierbaren Architektur, die OD‑Interaktionen sowie die Reisezeit‑Deterrenz modelliert – entsteht ein erklärbares, dennoch leistungsstarkes Modell.
Die Leistungsfähigkeit wurde anhand von acht Jahren (2017‑2024) Beobachtungen im britischen strategischen Straßennetz getestet, das 5 088 Autobahnabschnitte umfasst. Unter zufälliger Kreuzvalidierung erreichte DeepDemand ein R² von 0,718 und einen mittleren Absolutfehler (MAE) von 7 406 Fahrzeugen, deutlich besser als lineare Modelle, Ridge‑Regression, Random Forests und gravitätsbasierte Baselines. Selbst bei räumlicher Kreuzvalidierung blieb die Genauigkeit stark (R² = 0,665), was auf eine gute geografische Übertragbarkeit hinweist.
Die Analyse der Modellkomponenten liefert zudem wertvolle Einblicke: Die Reisezeit‑Deterrenz folgt einem stabilen, nichtlinearen Muster, wesentliche sozioökonomische Faktoren wie Einkommen und Beschäftigungszentren bestimmen die Nachfrage, und die OD‑Interaktionen zeigen polyzentrische Strukturen, die mit wichtigen Arbeitszentren übereinstimmen.
DeepDemand demonstriert, dass theorie‑informiertes Deep Learning nicht nur hohe Vorhersagegenauigkeit, sondern auch Interpretierbarkeit und Übertragbarkeit bietet – ein entscheidender Fortschritt für die langfristige Verkehrsplanung.
Welche Linse du auf diese Meldung legen solltest
Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.
Achte zuerst darauf, was sich fuer Nutzer, Builder oder Unternehmen konkret veraendert und ob daraus ein nachhaltiger Trend entsteht.