Schlussfolgerung hybrider Verkehrsmodi aus spärlichen GPS-Daten mittels SVM-Klassifikation mit beweglichem Fenster

Das Verständnis von Reiseverhalten und Reisedemand ist für Verkehrscommunities und -behörden in jedem Land von ständiger Bedeutung. In jüngster Zeit wurden verstärkt Bemühungen unternommen, Verkehrsmittel automatisch aus Positionsdaten abzuleiten, beispielsweise aus Daten, die mit GPS-Geräten erfasst wurden, um die Zeitaufwendigkeit und Kosten herkömmlicher Reisetagebuchumfragen erheblich zu reduzieren. In der Literatur bestehen jedoch Einschränkungen hinsichtlich der Datenerhebung (Auswahl der Stichprobengröße, Dauer der Studie, Granularität der Daten), der Auswahl von Variablen (bzw. deren Kombination) sowie der Inferenzmethode (Anzahl der zu berücksichtigenden Verkehrsmittel im Lernprozess). In dieser Arbeit wird daher ein umfassendes Verständnis dieser Aspekte im Inferenzprozess angestrebt. Ziel ist es, ein Klassifikationsproblem für GPS-Daten in verschiedene Verkehrsmittel (Auto, zu Fuß, Fahrrad, U-Bahn, Zug und Bus) zu lösen. Zunächst werden jene Variablen untersucht, die positiv zur Klassifikation beitragen können, und deren diskriminative Leistung statistisch quantifiziert. Anschließend wird ein neuartiger Ansatz vorgestellt, der auf einem Support Vector Machines (SVM)-basierten Klassifizierungsrahmen aufbaut. Der Rahmen wurde mit grobgliedrigen GPS-Daten getestet, die in früheren Studien vermieden wurden, und erreichte dabei eine vielversprechende Genauigkeit von 88 %, wobei der Kappa-Statistik ein nahezu perfekter Übereinstimmungsgrad entspricht.