Als Folge der Globalisierung, des steigenden Bedürfnisses nach Mobilität sowie anderen Gründen die zur Erhöhung des Verkehrsaufkommens führen wird die Verkehrsinfrastruktur zukünftig vor größere Herausforderungen gestellt. Diese erhöhten Anforderungen gilt es mit den vorhandenen Ressourcen zu bewältigen, ohne mit baulichen Maßnahmen entgegenzuwirken. Letztendlich muss eine Möglichkeit geschaffen werden, die Ressourcen optimal zu nutzen, was die konkrete Kenntnis der Kapazitäten sowie der aktuellen sowie prognostizierten Verkehrslage bedarf. Der vorliegende Aufsatz untersucht unter der Bezeichnung Floating Objects Data verschiedene klassische wie auch alternative Ansätze zur Verkehrsdatenerfassung und stellt eine Möglichkeit dar, wie die Erkenntnisse in einem handelsüblichen Navigationssystem einer breiten Masse verfügbar gemacht werden kann. Die Folge der Bereitstellung von wichtigen Informationen wird eine verbesserte Auslastungsverteilung im Verkehrssystem zur Folge haben, was letztendlich zu einer optimierten Ausnutzung der vorhandenen Ressourcen führt.
Inhaltsverzeichnis
- 1. EINLEITUNG
- 2. FLOATING OBJECTS DATA
- 2.1. KLASSISCHER ANSATZ DES FLOATING CAR DATA
- 2.2. ANSÄTZE VON FLOATING OBJECTS DATA
- 2.2.1. FLOATING TAXI DATA
- 2.2.2. FLOATING PHONE DATA
- 2.2.3. FLOATING TRUCK DATA UND FLOATING COACH DATA
- 2.2.4. EXTENDED FLOATING CAR DATA UND VEHICLE-TO-X-COMMUNICATION
- 2.2.5. FLOATING OBJECTS OBSERVER
- 2.2.6. WEITERE ANSÄTZE ZU FLOATING OBJECTS DATA
- 3. VERARBEITUNG VON VERKEHRSDATEN
- 3.1. ALLGEMEINER PROZESS DER GEWINNUNG NEUEN WISSENS AUS VERKEHRSDATEN
- 3.2. GENERIERUNG VON TAGESGANGLINIEN AUF BASIS DES LOMB PERIODOGRAM
- 4. ZUSAMMENFASSUNG UND AUSBLICK
Zielsetzung und Themenschwerpunkte
Die Seminararbeit beschäftigt sich mit der Erfassung von Verkehrsdaten mithilfe von Floating Objects Data (FOD). Sie analysiert verschiedene Ansätze zur Datenerhebung und untersucht, wie diese Erkenntnisse in Navigationssystemen nutzbar gemacht werden können. Ziel ist es, die Auslastung des Verkehrssystems zu optimieren und die vorhandene Infrastruktur effizienter zu nutzen.
- Floating Objects Data als Ansatz zur Verkehrsdatenerhebung
- Verschiedene FOD-Ansätze, wie z.B. Floating Car Data, Floating Taxi Data und Floating Phone Data
- Verarbeitung von Verkehrsdaten zur Gewinnung neuer Erkenntnisse
- Potenziale der FOD-Technologie zur Verbesserung der Verkehrsleistung
- Herausforderungen und zukünftige Entwicklungen im Bereich der Verkehrsdatenerfassung
Zusammenfassung der Kapitel
Das erste Kapitel führt in das Thema Floating Objects Data ein und beleuchtet die Notwendigkeit von effizienter Verkehrsdatenerhebung. Das zweite Kapitel beschreibt verschiedene Ansätze der FOD-Technologie, wie z.B. Floating Car Data, Floating Taxi Data und Floating Phone Data. Die Verarbeitung von Verkehrsdaten und die Generierung von Tagesganglinien anhand des Lomb Periodogramms werden im dritten Kapitel behandelt.
Schlüsselwörter
Floating Objects Data, Verkehrsdatenerhebung, Floating Car Data, Floating Taxi Data, Floating Phone Data, Verkehrsleistung, Navigationssysteme, Lomb Periodogram, Datenverarbeitung.
Häufig gestellte Fragen
Was versteht man unter Floating Objects Data (FOD)?
Es ist eine Methode zur Verkehrsdatenerfassung, bei der Daten von sich bewegenden Objekten (Autos, Taxis, Handys) gesammelt werden.
Was ist der Unterschied zwischen FCD und FPD?
Floating Car Data (FCD) nutzt Fahrzeugdaten, während Floating Phone Data (FPD) auf Mobilfunkdaten zur Verkehrsflussanalyse basiert.
Wie hilft FOD bei der Ressourcennutzung?
Durch genaue Kenntnis der Verkehrslage kann die Auslastung optimiert werden, ohne dass neue Straßen gebaut werden müssen.
Was ist das Lomb-Periodogramm im Verkehrskontext?
Es dient zur Generierung von Tagesganglinien auf Basis unregelmäßig erfasster Verkehrsdaten.
Wo werden diese Daten praktisch angewendet?
Die Erkenntnisse werden vor allem in Navigationssystemen genutzt, um Staus zu vermeiden und Routen zu optimieren.
- Citation du texte
- Dipl. Wirt.-Inf. (BA) Stefan Jäger (Auteur), 2010, Verkehrsdatenerfassung mit Floating Objects Data, Munich, GRIN Verlag, https://www.grin.com/document/145930
