Stadtverkehrs-Emissionen im Makromodell: Probe‑Fahrzeugdaten und KI

Städtische Verkehrsstaus führen nicht nur zu Zeitverlusten, sondern steigern auch die Treibhausgasemissionen und verschlechtern die Luftqualität. Ein makroskopisches Emissions‑Fundamentaldiagramm (eMFD) beschreibt dabei die Beziehung zwischen Emissionen und aggregierten Verkehrsvariablen auf Netzwerkebene und eröffnet die Möglichkeit, Emissionen in Echtzeit zu überwachen und die Verkehrsbelastung gezielt zu steuern.

Bislang sind empirisch erstellte eMFD‑Modelle jedoch selten, weil historische Daten oft zu begrenzt sind. In dieser ersten groß angelegten Studie werden hochauflösende Verkehrsdaten von Spurfahrzeugen genutzt, um mithilfe von Machine‑Learning die Netzwerk‑weit‑emissionsrate‑zu‑Verkehrsbeziehung in US‑Städten präzise zu prognostizieren.

Das entwickelte Analyse‑Framework liefert datenbasierte eMFDs und zeigt, wie Standortfaktoren wie Netzstruktur, Infrastruktur, Landnutzung und Fahrzeugtyp die Emissionen beeinflussen. So können Verkehrsbehörden die CO₂‑Emissionen für gegebene Reiseaufkommen exakt messen und ortsspezifische Verkehrsmanagement‑ und Planungsentscheidungen optimieren, um Emissionen auf Netzwerkebene zu reduzieren.

Die Ergebnisse eröffnen neue Perspektiven für die Echtzeit‑Überwachung von Emissionen und die Entwicklung nachhaltiger Verkehrsstrategien, die sowohl die Luftqualität verbessern als auch die Effizienz des städtischen Verkehrsnetzes steigern.