Maschinelles Lernen bestimmt optimale Tage für Kurzzählungen

Die Federal Highway Administration (FHWA) verlangt von den staatlichen Verkehrsbehörden, verlässliche Jahresdurchschnittsverkehrszählungen (AADT) zu erfassen. In den USA kämpfen viele DOTs jedoch damit, genaue AADT‑Daten zu erhalten – besonders auf unüberwachten Straßen. Während kontinuierliche Zählstationen präzise Volumina liefern, sind sie teuer und schwer großflächig zu installieren, sodass die meisten Behörden auf Kurzzählungen zurückgreifen.

In einer ersten Studie wird ein maschinelles Lernframework vorgestellt, das gezielt die besten Tage für Kurzzählungen auswählt. Ziel ist es, die Genauigkeit der AADT‑Vorhersagen deutlich zu erhöhen, ohne zusätzliche Kosten für permanente Zählstationen zu verursachen.

Die Analyse basiert auf Verkehrsvolumendaten aus Texas für die Jahre 2022 und 2023. Zwei Szenarien werden verglichen: ein „optimales‑Tag“-Ansatz, der iterativ die informativsten Tage für die AADT‑Schätzung auswählt, und ein „kein‑optimales‑Tag“-Baseline, der dem derzeitigen Praxisstandard entspricht. Kontinuierliche Zähldaten werden genutzt, um 24‑Stunden‑Kurzzählungen zu simulieren, während Feldkurzzählungen zur Feature‑Engineering-Verbesserung mittels Leave‑One‑Out (LOO) eingesetzt werden.

Die Ergebnisse zeigen, dass das vorgeschlagene Verfahren die Baseline in allen Top‑Fünf‑Tagen übertrifft. Der beste Tag, Tag 186, erzielt einen RMSE von 7 871,15, einen MAE von 3 645,09, einen MAPE von 11,95 % und ein R² von 0,9756 – deutlich besser als die Baseline mit RMSE 11 185,00, MAE 5 118,57, MAPE 14,42 % und R² 0,9499.

Diese Forschung liefert DOTs ein datengetriebenes Werkzeug, um AADT‑Schätzungen präziser zu machen, Kosten zu senken und die Verkehrsplanung zu optimieren. Durch die gezielte Auswahl der besten Zähltage können Ressourcen effizienter eingesetzt und die Genauigkeit der Verkehrsdaten nachhaltig verbessert werden.