Neue Erkenntnisse zum Mobilitätsverhalten dank Data Mining

Résumé

Als Grundlage für die Verkehrsplanung werden um fangreiche Datenmengen erhoben. Beispiele sind die Mikrozensen Verkehr, die KEP-Erhebungen der SBB, Befragungen von Haushalten und Einzelpersonen zum tatsächlichen (Revealed Preference Erhebungen) oder zum antizipierten Verkehrsverhalten (Stated Preference Erhebungen). Mit konventionellen statistischen Methoden lassen sich aus diesen Datensätzen wertvolle Erklärungsmuster und -modelle für das Mobilitätsverhalten finden. Diese sind aber bekanntermassen nicht vollständig. In den gesammelten Verkehrsdaten stecken vermutlich weitere, mit den bisherigen Auswertungsmethoden unentdeckt gebliebene Info rmationen, welche zu einem vertieften Verständnis des Mobilitätsverhaltens wichtig sind und beispielsweise auch zu einer Verbesserung der Verkehrsmodelle beitragen können. Die oben erwähnten Datenerhebungen sind mit grossem Aufwand verbunden. Es lohnt sich also, die gesammelten Daten mit speziellen Methoden nach weiteren relevanten Info rmationen abzusuchen ("die Zitrone vollständig auszupressen"). Data Mining hat sich als Methode für explorative Untersuchungen grosser Datenmengen etabliert, wurde aber bisher in der Verkehrsplanung wenig eingesetzt. Mit diesem Forschungsprojekt sollen die Möglichkeiten und Grenzen von Data Mining als Hilfsmittel in der Verkehrsplanung ausgelotet und der praktisch tätige Verkehrsingenieur mit dem Prozess von Data Mining vertraut gemacht werden. Dazu werden der Prozess des Data Mining und die für Anwendung in der Verkehrsplanung geeigneten Methoden beschrieben. Am Beispiel von drei vorhandenen, umfangreichen Datensätzen aus der Verkehrsplanung wird die praktische Anwendung von Data Mining demonstriert und darauf basierend die Eignung von Data Mining in der Verkehrsplanung beurteilt. Für die Beurteilung von Data Mining Software wird ein Leitfaden erstellt und es werden Empfehlungen für die praktische Anwendung von Data Mining in der Verkehrsplanung formuliert

Textes supplémentaires

Literatur

Chang et al. (2005): Data Mining of Tree-Based Models to Analyze Freeway Accident Frequency. Journal of Safety Research Chen et al. (2002) A Multimedia Data Mining Framework: Mining Information from Traffic Video Sequences. Journal of Intelligent Information Systems Chen et al. (2001) Freeway Performance Measurement System – Mining Loop Detector Data. Transportation Research Record O'Mahony (2003) Analysis of Public Transport Data Using Data Mining Techniques Kalyoncuoglu et al. (2004) An Alternative Approach for Modelling and Simulation of Traffic Data: Artificial Neural Networks. Simulation Modeling Practice and Theory Lambe et al. (1996) Driver Choice of Parking in the City. Socio-Economic Planning Sciences Lee D-H. et al. (2004) Applying Data Mining Techniques for Traffic Incident Analysis. Journal of the Institution of Engineers, Singapore, Vol. 44 Issue 2, 2004 Pande et al. (2006) Assessment of freeway traffic parameters leading to lane-change related collisions. Accident Analysis and Prevention Raz et al. (2004) Detecting Semantic Anomalies in Truck Weigh-In-Motion Traffic Using Data Mining. Journal of Computing in Civil Engineering Scuderi M. und Clifton K.J. (2004) Bayesian Approaches to Learning form Data: Using NHTS Data for the Analysis of Land Use and Transportation. National Household Travel Survey Conference, Washington, Nov. 2004 Shmueli et al. (1996) Neural Network Analysis of Travel Behavior: Evaluating Tools for Prediction. Transportation Research Part C Tseng et al. (2005) Distractions and Motor Vehicle Accidents: Data Mining Application on Fatality Analysis Report System Data Files. Industrial Management & Data Systems Turochy et al. (2002) Measuring Variability in Traffic Conditions by Using Archived Traffic Data. Transportation Research Record Wang et al. (2005) Improved Variable and Value Ranking Techniques for Mining Categorical Traffic Accident Data. Expert Systems with Applications Wets G. et al. (2000) Identifying decision structures underlying activity patterns: An exploration of data mining algorithms, 79th TRB Annual Meeting, Washington Xie C., Lu J. und Parkan E. (2003) Work travel mode choice modeling with data mining: Decision trees and neural networks. Transportation Research Record 1854

Berichtsnummer

1365

Umsetzung und Anwendungen

Die ganze Forschungsarbeit ist auf die Praxis ausgerichtet. Insbesondere die herausgearbeiteten Empfehlungen werden die Umsetzung der Ergebnisse der Forschungsarbeit in die Praxis von grossem Nutzen sein

Allgemeiner Stand der Forschung

Data Mining gelangt in den verschiedensten Bereichen erfolgreich zum Einsatz. In der Literatur sind verschiedene Anwendungen im Verkehrsbereich beschrieben, z.B. ­ Analysen von Daten zum Mobilitätsverhalten ­ Analysen von Zähl- und Videodaten ­ Analyse von Unfalldaten In der Schweiz fehlen Erfahrungen mit Data Mining-Anwendungen in der Verkehrsplanung

Spezielle Geräte und Installationen

keine

Methoden

Literaturstudium, Desk Research, Auswertung praktischer Anwendungen des Data Mining Prozesses, Empirische Herleitung von Empfehlungen

Projektbeschreibung

Das Vorgehen gliedert sich in die folgenden Arbeitsschritte: Definition von Data Mining Die in der Literatur zu findenden Beschreibungen von Data Mining werden zu einer einheitlichen Definition verdichtet. Grundsätzlich ist unter Data Mining ein durch den Anwender gesteuerter, standardisierter Prozess, durch welchen aus grossen Datenmengen Info rmationen gewonnen und Folgerungen gezogen werden. Phasen des Data Mining Prozesses und ihre Bedeutung Es wird der "klassische" Data Mining Prozess von CRISP (Cross Industry Standard Process for Data Mining) beschrieben und praxisorientiert, als Guideline für den Verkehrsplaner, vorgestellt. Zentral ist das Verständnis von Data Mining als iterativer, "lernender" Prozess, in dessen Zentrum die zu analysierenden Daten stehen. Data Mining Methoden Inhalt dieses Arbeitsschrittes ist eine auf den praktisch tätigen Verkehrsplaner ausgerichtete Einführung in die analytischen Methoden des Data Mining. Es wird unterschieden nach Methoden des überwachten und des unüberwachten Lernens. Die Vor- und Nachteile sowie der Hauptverwendungszweck jeder Methode werden diskutiert. Praktische Anwendung von Data Mining Die Demonstration der praktischen Anwendung von Data Mining an wirklichen Daten aus der Verkehrsplanung bildet den Schwerpunkt der Forschungsarbeit. Dabei kommt der in den vorangegangen Arbeitsschritten im Detail beschriebene iterative Prozess nach CRISP zur Anwendung. Als Datensätze, an welchen die praktische Anwendung von Data Mining demonstriert werden soll, sind vorgesehen: ­ Mikrozensus Verkehr 2005 ­ Zusammengeführte Mobilitätsdatenbank 2005 (Poolen der Daten des Mikrozensus Verkehr 2005 mit den Daten zum Verkehrsangebot 2005 (MIV und ÖV) und den Daten zur Raumstruktur 2005 (Raumtypen, Einwohner-, Arbeitsplatzdichten, Ausstattung mit Einrichtungen usw.) ­ Daten von SP-Befragungen (z.B. Datensätze der 4 SP's aus dem Projekt SVI 2005/004) Beurteilung der Eignung von Data Mining in der Verkehrsplanung Anhand eines Kriterienkataloges wird die Eignung von Data Mining in der Verkehrsplanung beurteilt. Insbesondere wird auch die Frage beantwortet, wie weit der Verkehrsplaner Data Mining selbständig anwenden kann und wann er besser im Team mit Spezialisten zusammenarbeitet. Data Mining Software Es wird ein Leitfaden zur Beurteilung von Data Mining Software entwickelt, mit welchem der Verkehrsingenieur selbständig Software bezüglich ihrer Eignung für die Bearbeitung einer bestimmten Fragestellung prüfen kann. Empfehlungen zur Anwendung von Data Mining in der Verkehrsplanung Die Empfehlungen sollen dem Verkehrsplaner ermöglichen, sich beim Aufbau einer Data Mining Analyse und bei der Auswahl geeigneter statistischer Methoden in der zur Verfügung stehenden Vielfalt zu orientieren. Weiter werden die typischen Stolpersteine im Data Mining diskutiert und es wird aufgezeigt, wie diese vermieden werden können.

Forschungsprogramme

Es sind die folgenden Arbeitsschritte vorgesehen: Definition von Data Mining Phasen des Data Mining Prozesses und ihre Bedeutung Data Mining Methoden Praktische Anwendung von Data Mining Beurteilung der Eignung von Data Mining in der Verkehrsplanung Data Mining Software Empfehlungen zur Anwendung von Data Mining in der Verkehrsplanung Der Zeitbedarf beträgt 12 Monate

Projektziele

Ziel dieser Forschungsarbeit ist, die Möglichkeiten und Grenzen von Data Mining als Hilfsmittel in der Verkehrsplanung auszuloten und den praktisch tätigen Verkehrsingenieur mit dem Prozess von Data Mining vertraut zu machen. Teilziele sind: ­ Definition von Data Mining in der Verkehrsplanung, Verfassen eines für die Anwendungen in der Verkehrsplanung passenden Projekt-Schemas. ­ Darstellung und Erläuterung dieses Schemas an praktischen Beispielen mit vorhandenen Datensätzen aus der Verkehrsplanung. ­ Vermitteln eines Überblicks über die Data Mining Methoden sowie Möglichkeiten von Data Mining in der Verkehrsplanung aufzeigen. Hinweise im Hinblick auf zu vermeidende Stolperstellen sowie für den Verkehrsingenieur empfehlenswerte Vorgehensweisen, Methoden und Software. ­ Beantwortung der folgenden Fragen: ­ Welche Möglichkeiten und welches Potential bietet Data Mining zur explorativen Datenanalyse in der Verkehrsplanung? ­ Können mit Data Mining Muster und Zusammenhänge in Daten zum Mobilitätsverhalten effizienter und zuverlässiger gefunden werden als mit konventionellen statistischen Methoden? ­ Lassen sich mit Data Mining Muster und Zusammenhänge entdecken, welche bei den bisherigen Auswertungen mit konventionellen Techniken verborgen geblieben sind?

Schlüsselwörter

Verkehrsplanung, Verkehrsverhalten, Verhaltensmuster, Statistische Datenanalyse, Data Mining

Participants

Paul Widmer

Kontaktperson

paul.widmer@buero-widmer.ch

Ingenieur und Planungsbüro Paul Widmer Paul Widmer Bahnhofstrasse 76 8500 Frauenfeld TG CH

Détails du projet

Office de recherche
ASTRA SBT
Statut du projet
Abgeschlossen
Type de projet
Forschungsprojekt
Date de début
2008-07-17
Date de fin
2012-04-02
Coûts totaux approuvés
CHF 127337.00
Section
SVI
Domaine politique NABS
Verkehrssysteme

Catégories

A Mensch / Verkehr / Umwelt B Intermodalität C Verkehr und Agglomeration Verkehrs- und Transportplanung Wechselwirkung Mensch-Verkehr-Umwelt Intermodalität Verkehr und Agglomeration, Langsamverkehr

Disciplines de recherche

  • T280 Road transport technology 80.0%
  • T260 Physical planning 20.0%