Publikation

Titel:

Gestaltung künstlicher neuronaler Netze zur Prognose des Verkehrsaufkommens im Kontext von Smart-Mobility-Lösungen

AutorInnen:

Anschütz, Christian
Ibisch, Jan Henrik
Ebner, Katharina
Smolnik, Stefan

Kategorie:

Beiträge in referierten Konferenzbänden

erschienen in:

Proceedings of the 16th Conference on Wirtschaftsinformatik (WI2021), 09.-11. März, Duisburg-Essen, 2021, 15 Seiten, {Link}.

Abstract:

Im Rahmen dieses Beitrags werden als Grundlage für eine spätere Smart-Mobility-Lösungen mit Verkehrssensordaten der Stadt Darmstadt künstliche neuronale Netze (KNN) zur Prognose des Verkehrsaufkommens entwickelt. Nach Aufbereitung der gewonnenen Sensordaten lassen sich Informationen über die aktuelle Verkehrssituation ableiten und Ereignisse wie Stoßzeiten im Berufsverkehr, Wochenenden oder Feiertage erkennen. Aufbauend auf aktuellen Forschungserkenntnissen auf dem Gebiet der Verkehrsprognose mittels neuronaler Netze zeigt unsere Arbeit erste bewährte Verfahren für die Modellierung des Verkehrsaufkommens und einer damit einhergehenden Verkehrsprognose auf. Bei der Prognose der Verkehrssituation zeigt sich ein Long Short-Term Memory (LSTM)-Netz einem Deep Neural Network (DNN) überlegen, bezogen auf die Prognosegüte und den Vorhersagehorizont. Weiter wird erörtert, ob die Anreicherung der Trainingsdaten mit zusätzlichen Zeit- und Wetterdaten eine Steigerung der Prognosegenauigkeit ermöglicht. Im Sinne eines designtheoretischen Vorgehens werden Gestaltungsanforderungen und Designprinzipien für die Entwicklung eines KNN im verkehrsspezifischen Kontext abgeleitet.