Research Area A

Der Mensch und seine Bedürfnisse stehen im Mittelpunkt aller Bemühungen in der Verkehrsforschung, in der Verkehrspolitik und in RA A. Wir müssen die Präferenzen und das Verhalten von Menschen, die unterwegs sind oder auch nicht unterwegs sind, verstehen, um zukünftige Verkehrssysteme so zu gestalten, dass sie diesen Präferenzen auf verantwortungsvolle Weise gerecht werden. Empirische Projekte bei RA A entwickeln quantitative Befragungsmethoden für offenbartes (revealed) und bekundetes (stated) Verhalten sowie Präferenzen weiter. Zudem entwickeln wir Methoden aus der Statistik und dem maschinellen Lernen weiter, um das Potenzial neuer Datenquellen zur Modellierung von Mobilität und Verkehr besser auszuschöpfen. Wir entwickeln aktivitätsbasierte Modelle für den Fuß- und Radverkehr und untersuchen, inwieweit ein Deep-Reinforcement-Learning-Agent (DRL) lernen kann, effektive Entscheidungen zur Verkehrsmittelwahl zu treffen.

Projekt A1 entwickelt Smartphone-basierte Erhebungsmethoden weiter, als eine Komponente zukünftiger Mobilitätserhebungen, um repräsentative Stichproben von kontinuierlichen Längsschnittdaten zu Wegen und Aufenthalten ganzer Haushalte zu erheben. Wir führen modulare longitudinale Smartphone-basierte Erhebungen zur Erfassung der Zeitverwendung und Abdeckung ganzer Haushalte mit systematisch variierenden Inhalten durch, um die Auswirkungen verschiedener Erhebungsmethoden zu untersuchen. Schließlich werden wir Szenarien und Konzepte für zukünftige Befragungen entwickeln.

Projekt A2 strebt an, Stated Preference (SP) Erhebungsmethoden zu entwickeln, die zuverlässige Schätzungen von Verhaltensreaktionen auf extreme Maßnahmen (z. B. CO2-Preis, Straßensperrungen) liefern. Wir werden eine kontextsensitive SP-Erhebung durchführen, um die Auswirkungen dieser Maßnahmen auf Aktivitäten und Verkehrsmittelwahl zu untersuchen, Schwellenwerte für Verhaltensänderungen (tipping points) zu identifizieren sowie empirische Schätzungen für die dazugehörigen Elastizitäten zu erhalten. Eine Pilotstudie mit Gamification-Methoden zur Erhebung von Präferenzen wird ebenfalls durchgeführt.

Im Projekt A3 werden Methoden zur Kartierung von vulnerablen Verkehrsteilnehmenden (VRUs) auf Stadtebene auf Basis von Luftbildern und Very High Resolution (VHR) Satellitenbildern entwickelt. Auf Straßenebene werden wir ein Multisensorsystem zur anonymen Erfassung von VRUs einsetzen und photogrammetrische Ansätze zur Verarbeitung multimodaler 2D- und 3D-Daten für die Erfassung von Straßenumgebungen weiterentwickeln. Auf Grundlage der im Rahmen dieses Prozesses ermittelten Daten zur Fußgängerexposition, der aus verwandten Projekten verfügbaren Verkehrsmengen anderer Verkehrsträger sowie frei zugänglicher Daten zu relevanten Einflussgrößen werden wir stadtweite Unfallvorhersagemodelle entwickeln, um zu untersuchen, wie Straßenmerkmale und Nutzungsintensitäten das Niveau der Verkehrssicherheit beeinflussen. In Situationen, in denen Unfalldaten nur begrenzt verfügbar sind, kann die Konfliktanalyse die Bewertung der Verkehrssicherheit sinnvoll ergänzen. Das Projekt kombiniert auf innovative Weise numerische Daten (z. B. Surrogat-Sicherheitsmaße und Bewegungscharakteristika von Verkehrsteilnehmenden) mit videobasierten Beobachtungen, um in einem hochautomatisierten Verfahren straßenabschnittsbezogene Modelle zur Abschätzung der Schwere von Verkehrskonflikten zu entwickeln. Dabei liegt ein besonderer Fokus auf vulnerablen Verkehrsteilnehmenden.

Der Schwerpunkt von A4 liegt auf der Weiterentwicklung datenwissenschaftlicher Methoden und deren Anwendung auf unterschiedliche Datengrundlagen. Zunächst werden hybride Techniken für die Schätzung einer aggregierten Quelle-Ziel-Nachfrage auf Basis von FCD-Daten entwickelt. Zweitens werden Cluster- und Klassifizierungsalgorithmen für die Erkennung von Mustern im Fahrradverkehr anhand von Trajektoriendaten weiterentwickelt. Drittens werden innovative Ansätze zur Erforschung und für den Umgang mit sich überschneidenden Informationen in unterschiedlichen Datenquellen erarbeitet. Viertens werden Routinen bei Wegen und Aktivitäten einschließlich der Interaktionen zwischen Haushaltsmitgliedern untersucht.

Projekt A6 befasst sich mit der Verbesserung von Verkehrsmodellen, um den Rad- und Fußverkehr in diesen realistischer zu erfassen. Wir werden einen portablen Prozess entwickeln, um multimodale Verkehrsnetze zu erstellen, die relevante Attribute für die aktive Verkehrsmodi enthalten. Wir werden frühere Arbeiten zum Fahrradrouting, zur Nutzenbewertung und zur Interaktion mit dem motorisierten Verkehr einbeziehen und damit eine Erweiterung von MATSim für aktive Mobilität erarbeiten, die zugleich eine kritische Komponente im AgiMo Digital Twin sein wird. Wir werden die Übertragbarkeit der Methoden auf den Fußverkehr im Kontext von intermodalen Wegen untersuchen und intuitiv verständliche Erreichbarkeits-Karten zur Bewertung von Maßnahmenwirksamkeiten erarbeiten.

Projekt A7 erforscht das Potenzial von Deep Reinforcement Learning (DRL) für die Modellierung von Verkehrsmittelwahlentscheidungen, insb. in Szenarien mit vielen und sich dynamisch ändernden Alternativen. Wir werden die dynamische Entscheidungsfindung untersuchen, bei der sich Agenten im Tagesverlauf anpassen. Wir auch werden untersuchen, wie gut ein DRL-Agent im Vergleich zu bestehenden Modellen lernen kann, effektive Verkehrsmittelwahlentscheidungen zu treffen, welche anfänglichen Strategien der Agent in der MATSim-Umgebung entwickelt sowie auch Möglichkeiten zur Verbesserung dieser Strategien.