Anomalieerkennung in Straßenverkehrsdaten einer urbanen Kreuzung

Abstract

In der Verkehrswissenschaft wird angestrebt, die Anzahl von Verkehrsunfällen zu reduzieren, indem das Verhalten der Verkehrsteilnehmer untersucht wird. Da angenommen wird, dass außergewöhnliche, anomale Situationen im Straßenverkehr das Unfallrisiko erhöhen, sollten diese vorrangig analysiert werden. Zur Detektion solcher Situationen können Verfahren der Anomalieerkennung angewandt werden. Daher wird mit dieser Arbeit der Forschungsfrage nachgegangen, welche Anomalien in welchem Umfang in einem Straßenverkehrsdatensatz einer urbanen Kreuzung vorliegen. Im zu untersuchenden Datensatz von 430.000 Trajektorien werden besonders die Positionsdaten der als PKW klassifizierten Linksabbieger untersucht, da hier aufgrund der Interaktion mit den entgegenkommenden Fahrzeugen die meisten anomalen Situationen erwartet werden. Die in diesen Daten erfassten Anomalien werden nach deren Ursache in fehlerhafte und außergewöhnliche Daten unterschieden. In dieser Arbeit wird sich auf die Erkennung von Anomalien, die auf außergewöhnlichen Daten basieren, konzentriert. Damit wird das Verhalten von Verkehrsteilnehmern analysiert, anstatt mit der Analyse von fehlerhaften Daten die Qualität des Datensatzes zu bewerten. Neben der Einteilung von Anomalien nach deren Ursache, erfolgt auch eine Unterscheidung nach deren Art in distanz-, dichte- und richtungsbasierte Anomalien. Für die Erkennung außergewöhnlicher Daten werden fünf Verfahren angewandt, mit denen alle Arten von Anomalien detektiert werden können. Eines der Verfahren basiert auf der Hausdorff-Metrik, drei davon auf der Repräsentation der Daten in einem diskreten euklidischen Raum und das fünfte auf der Anwendung von Gaußschen Mischmodellen. Mit der Hausdorff-Metrik werden vor allem Anomalien identifiziert, bei denen die Position eines Verkehrsteilnehmers deutlich von der erwarteten Route abweicht. Mit der Repräsentation der Daten in einem diskreten euklidischen Raum kann die Anzahl der Trajektorien pro Zelle ermittelt werden, sodass Trajektorien danach bewertet werden können, wie viele andere Trajektorien an deren Position aufgezeichnet werden. Für die Anomalieerkennung in den Werten der Positionsänderung eines Verkehrsteilnehmers, stellt die gemessene Bewegungsrichtung eine bessere Datengrundlage dar als die Übergangswahrscheinlichkeiten zwischen den Zellen. Im Vergleich zu den zuvor genannten Verfahren werden mit den Gaußschen Mischmodellen auch Fahrzeuge als Anomalie klassifiziert, die im Stehen von den Kameras erfasst werden. Aus den Ergebnissen wird geschlussfolgert, dass die angewandten Verfahren es dem Anwender ermöglichen, Situationen die nach verschiedenen Kriterien als außergewöhnlich gelten, aus einem Datensatz zu ermitteln. Die Anzahl der Anomalien in einem Datensatz hängt vom Anwender der Anomalieerkennung ab, der den Schwellenwert festlegt, ab dem eine Trajektorie als anomal zu klassifizieren ist.