Robust traffic state estimation and automatic incident detection on motorways

Seit vielen Jahren ist absehbar, dass die Kapazitäten des deutschen Straßennetzes nicht ausreichen, um das weiterhin ansteigende Verkehrsaufkommen bewältigen zu können. Eine bessere Nutzung der vorhandenen Infrastruktur durch den Einsatz von Verkehrsinformations- und -leitsystemen ermöglicht jedoch die Kapazitäten des Straßennetzes ohne weitere straßenbauliche Maßnahmen zu erhöhen. Ziel dabei ist Verkehrsstörungen und Überlastungen zu verhindern oder deren Anzahl und den Schweregrad ihrer Auswirkungen abzuschwächen. Die hierfür eingesetzten Technologien aus der Informations- und Telekommunikationstechnik benötigen aber für einen optimalen Betrieb schnelle, hochwertige und zuverlässige Informationen über den aktuellen Verkehrszustand. Zur Generierung entsprechender Verkehrsinformationen existieren bereits viele verschiedene, teilweise einfache, teilweise sehr komplexe Verfahren, die für die von ihnen auszuführenden Aufgaben aktuelle Verkehrsdaten hauptsächlich von ortsfesten Messstellen verwenden. Die Leistungsfähigkeit dieser Verfahren und die Qualität der von ihnen erzeugten Verkehrsinformationen werden aber vornehmlich von zwei Faktoren beeinflusst: ihrer Anpassung an die Topologie der zu untersuchenden Streckenabschnitte und der Qualität der verwendeten Verkehrsdaten. AZTEK (Automatische zeitlich-räumliche Störungserkennung) ist ein solches Verfahren, welches mittels eines makroskopischen Verkehrsflussmodells und eines Erweiterten Kalman-Filters den momentanen Verkehrszustand auf Schnellstraßen schätzt und dabei automatisch und frühzeitig Störungen im Verkehrsfluss erkennt. Die dafür benötigten Verkehrsdaten sind üblicherweise makroskopische Kenngrößen wie mittlere Geschwindigkeit und Verkehrsfluss, die lokal z.B. durch Induktionsschleifendetektoren gemessen werden. Die vorliegende Arbeit beschreibt Weiterentwicklungen an AZTEK hinsichtlich einer Erhöhung der Qualität der von AZTEK generierten Verkehrsinformationen und vor allem bezüglich eines robusten Einsatzes von AZTEK in der praktischen Anwendung, insbesondere unter der Einwirkung der beiden oben genannten Einflüsse. Die Anpassung an die Topologie der zu überwachenden Streckenabschnitte umfasst zwei Erweiterungen. Zum einen werden wichtige Modellparameter mithilfe einer Online-Parameterschätzung automatisiert angepasst, um die Einflüsse von Topologieeigenschaften wie z.B. Steigungen und Kurvigkeit auf den Verkehrsfluss berücksichtigen zu können. Zum anderen wird eine dynamische Kompensation des in Streckenabschnitten mit nicht-detektierten Anschlussstellen eingetragenen Fahrzeugbilanzfehlers durch eine Schätzung des Flusses über die Ein-/Ausfahrten angestrebt. Eine ausführliche Beobachtbarkeits- und Sensitivitätsanalyse zeigt, wie viele dieser Größen gleichzeitig und wann sie sinnvollerweise mitzuschätzen sind, da aufgrund der limitierten Anzahl an Messgrößen nicht beliebig viele Parameter gleichzeitig zur Zustandsschätzung herangezogen werden können. Um die Auswirkungen des zweiten Einflussfaktors, der Qualität der Verkehrsdaten, gering zu halten, werden einerseits die Verkehrszustandsschätzung, andererseits die automatische Störungsdetektion von AZTEK in Richtung Robustheit erweitert. Bei der Verkehrszustandsschätzung werden hierzu Beschränkungen mithilfe eines dafür entwickelten Constrained Extended Kalman-Filters (CEKF) in die Schätzaufgabe eingebunden. Die Beschränkungen umfassen einfache Zustandsbeschränkungen, Dynamikbeschränkungen sowie Beschränkungen des Verkehrsflusses, welche aus der Verkehrsflusstheorie abgeleitet werden. Das CEKF verwendet sowohl die Methode der Lagrange-Multiplikatoren als auch ein Bestrafungsfunktional, um eine hochwertige Verkehrszustandsschätzung, trotz fehlerbehafteter Verkehrsdaten und daraus resultierender Fahrzeugbilanzfehler von bis zu 25%, zu gewährleisten. Für eine frühzeitige, robuste Störungsdetektion wird eine sogenannte innovationsbasierte Störungsdetektion anhand von Verkehrsdaten für den praktischen Einsatz ausgelegt. Sie verwendet die Innovation des Kalman-Filters, um vom Verkehrsflussmodell nicht abgedeckte Störungen wie z.B. Unfälle zu detektieren. Ihre Anfälligkeit für Fehler in der Fahrzeugbilanz wird unter Zuhilfenahme von Erweiterungen wie einem Zwei-Filterabschnitts-Ansatz und einer Hochpassfilterung deutlich verringert, wodurch sie ebenfalls eine Robustheit gegenüber fehlerbehafteten Messdaten bis zu einem Fahrzeugbilanzfehler von 25% erreicht. Eine auf der Basis von historischen Daten durchgeführte qualitative wie quantitative Bewertung der Ergebnisse zeigt die positiven Auswirkungen der einzelnen vorgestellten Erweiterungsschritte auf die Qualität der Verkehrszustandsschätzung und der automatischen Störungserkennung von AZTEK. Die Tauglichkeit von AZTEK für den praktischen Einsatz konnte durch die in dieser Arbeit beschriebenen Maßnahmen ganz wesentlich verbessert werden.It has been a well-known problem for many years that the capacity of the German road network does not countervail against the steadily increasing traffic volume. However, traffic information and control systems can allow for the enhancement of the capacity of the networks without further roadside construction. The objective in the employment of such systems is the prevention of traffic jams and congestions, as well as the reduction of their number and the severity of their impacts on traffic flow. Therefore, it is of the utmost importance that the utilized information and telecommunication technologies get fast, reliable, and high-quality information about the current traffic state. There exist several systems for generating appropriate traffic information. Some of them use very simple methods, others use very complex ones, all of which normally apply local measurement data for their tasks. The performance of these systems and the quality of the information generated is influenced mainly by two factors: their adaption to the topology of the investigated stretch of the road and the quality of the measurement data used. AZTEK (Automatic time-space related incident detection) is such a system, which incorporates a macroscopic traffic flow model and an Extended Kalman Filter to estimate the current traffic state and to detect traffic incidents on motorways automatically and in a timely manner. Generally, the applied traffic data are macroscopic quantities such as mean speed and traffic volume that are measured at fixed detector stations, e.g. by inductive loops. This thesis describes extensions of AZTEK in regard to improved traffic information generated by AZTEK and its robust deployment under practical conditions, with a focus on the impact of the two previously mentioned influencing factors. The adaptation of AZTEK to the motorway topology involves the following two extensions. One, important model parameters have to be adjusted by means of online parameter estimation to account for the impacts of topology characteristics (e.g. steep slopes, curvature, etc.) on traffic flow. Two, a dynamic compensation of the vehicle balance errors, introduced by non-detected on- and off-ramps, is achieved by estimating the traffic volume entering or leaving over these on- and off-ramps. Unfortunately, the limited number of measurement quantities does not allow for an estimation of an arbitrary number of parameters besides the essential traffic state estimation, therefore an extensive observability and sensitivity analysis is carried out that shows how many parameters can be estimated simultaneously and when it is reasonable to apply their estimated values to the traffic state estimation. The impact of the second influencing factor, the quality of the measurement data, can be reduced by fostering the robustness of the traffic state estimation as well as the automatic incident detection. Regarding the traffic state estimation, it is useful to incorporate constraints in the estimation process. Therefore, a so-called Constrained Extended Kalman Filter (CEKF) is developed. The constraints applied in the estimation contain simple state constraints, constraints of the dynamics, and constraints of the traffic flow which are derived from traffic flow theory. The CEKF algorithm itself uses the method of the Lagrange multipliers and also a penalty functional. By employing this constrained estimation, it is possible to guarantee a high-quality traffic state estimation despite vehicle balance errors up to 25% caused by flawed measurement data. Timely and robust incident detection is based on a so-called innovation-based incident detection algorithm which is configured by applying real traffic data. It uses the innovation of the Kalman Filter to detect incidents in traffic flow that are not covered by the traffic flow modeling (e.g. accidents). Its sensitivity to errors in the vehicle balance can be reduced significantly by utilizing extensions like a two-filter-section-approach or a highpass filter, thereby making it possible to achieve robustness against flawed measurement data also up to an error of about 25% in the vehicle balance. On the basis of historic data, a qualitative as well as a quantitative evaluation of the extension results show the positive effects of each one of the extensions on the quality of the traffic state estimation and automatic incident detection of AZTEK. The applicability of AZTEK and its performance under pratical conditions is enhanced significantly by the extensions described in this thesis