Gegenstand dieser Dissertation ist die Entwicklung und die Anwendung eines instanzbasierten Lernverfahrens zur Prognose von Verkehrskenngrößen zum Einsatz im dynamischen Verkehrsmanagement. Das Verfahren verwendet räumlich-zeitlich strukturierte, auf realen Messwerten basierende lokale und streckenbezogene Verkehrskenngrößen. Zur Laufzeit werden aktuelle Datenmuster (bestehend aus kontinuierlich beobachteten Verkehrskenngrößen der letzten Stunde und Kalendervariablen) mit einer historischen Datenbank verglichen. Die Ähnlichkeit zweier Datenmuster wird jeweils unter Berücksichtigung einer räumlich-zeitlichen Gewichtung der einzelnen Merkmale berechnet. Die ähnlichsten Muster werden zur Prognose herangezogen. Das Verfahren wird auf Basis verschiedener Datenquellen (lokale Belegungsgrade und Verkehrsstärken, Reisezeiten aus fahrzeuggenerierten Daten und Fahrzeugwiedererkennung) getestet und im Vergleich mit anderen Verfahren bewertet.     «

Gegenstand dieser Dissertation ist die Entwicklung und die Anwendung eines instanzbasierten Lernverfahrens zur Prognose von Verkehrskenngrößen zum Einsatz im dynamischen Verkehrsmanagement. Das Verfahren verwendet räumlich-zeitlich strukturierte, auf realen Messwerten basierende lokale und streckenbezogene Verkehrskenngrößen. Zur Laufzeit werden aktuelle Datenmuster (bestehend aus kontinuierlich beobachteten Verkehrskenngrößen der letzten Stunde und Kalendervariablen) mit einer historischen Date...     »

Subject of this thesis is the development and the application of an instance based learning method for the prediction of traffic variables. The objective is to generate information that can be used for dynamic traffic management purposes. The method uses traffic variables based on real traffic data that are structured with respect to spatio-temporal attributes. To make a prediction, the current pattern (consisting of continually observed traffic variables of the past hour and calendar attributes) is compared to a historic database. The similarity of two patterns is calculated using a weighting function that considers spatio-temporal attributes of the respective features. The most similar patterns are used to calculate the prediction. The method is tested based on real data (local occupancy and traffic flow, travel time based on probe vehicle data and vehicle re-identification) and evaluated in comparison with other prediction methods.     «

Subject of this thesis is the development and the application of an instance based learning method for the prediction of traffic variables. The objective is to generate information that can be used for dynamic traffic management purposes. The method uses traffic variables based on real traffic data that are structured with respect to spatio-temporal attributes. To make a prediction, the current pattern (consisting of continually observed traffic variables of the past hour and calendar attributes...     »