Determining desired speeds from vehicle trajectory data

M. V. Baumann, M. Sc.; Dr.-Ing. C. M. Weyland; J. Ellmers, M. Sc.; L. Fuchs, M. Sc.; J. Grau, M. Sc.; Prof. Dr.-Ing. P. Vortisch, Karlsruhe

Wunschgeschwindigkeitsverteilungen sind wichtige Eingabeparameter für mikroskopische Verkehrsflusssimulationen. Während die momentane Geschwindigkeit gemessen werden kann, sind Wunschgeschwindigkeiten aufgrund der gegenseitigen Beeinflussung der Fahrzeuge nicht für alle Fahrzeuge direkt messbar. Ein etablierter Ansatz zur Schätzung von Wunschgeschwindigkeitsverteilungen ist die modifizierte Kaplan-Meier-Methode, die auf Einzelfahrzeugdaten von stationären Detektoren basiert. In dieser Untersuchung wird eine neue Methode zur Bestimmung von Wunschgeschwindigkeiten auf der Grundlage von Fahrzeugtrajektorien vorgestellt. Die Analyse der Fahrzeugtrajektorien zeigt eine fahrzeugspezifische Instabilität der Wunschgeschwindigkeit, wobei für 40 % der Fahrzeuge ein Unterschied von 5 bis 7 km/h zwischen verschiedenen Freifahrperioden festgestellt wird.

Desired speed or free speed distributions are important input parameters for microscopic traffic flow simulations. Whereas driven speeds can be measured, desired speeds are not detectable for all vehicles due to vehicles constraining each other. An established approach to estimating desired speed distributions is the modified Kaplan-Meier approach, which estimates desired speed distributions based on single vehicle data from stationary detectors. We propose a novel approach to determine desired speeds based on vehicle trajectory data. The proposed approach, as well as the modified Kaplan-Meier approach, are applied to a trajectory dataset recorded on a German freeway. Regarding the modified Kaplan-Meier approach, we observed that the resulting desired speed distributions vary by approximately 5 km/h depending on the position of the stationary detectors. The desired speed distributions obtained from the trajectory-based approach are approximately 5 to 10 km/h higher than those estimated by the modified Kaplan-Meier approach. This difference in results is likely due to the fact that the trajectory-based approach observes each vehicle over a longer distance rather than just at stationary points. Nevertheless, it can be concluded that the estimation of desired speed distributions is subject to a certain degree of inaccuracy. The analysis of the vehicle trajectory data revealed a notable intra-vehicle instability in desired speeds, with a difference of 5 to 7 km/h observed for 40 % of the vehicles between different periods of free driving. These findings should be considered in the context of calibrating microscopic traffic flow simulations.

doi.org/10.53184/SVT10-2025-1

Literaturverzeichnis

[1] Botma, H. (1999): The Free Speed Distribution of Drivers: Estimation Approaches. In P. Bovy (Hrsg.), Five years ‘Crossroads of theory and practice’, Delft, S. 1–22. Delft University Press

[2] Wiedemann, R.; Hubschneider, H.; Fritsche, H. (1982): Zusammenhang zwischen der Wunschgeschwindigkeit und relevanten Kenngrößen des Verkehrsablaufs auf Autobahnen – Abschlussbericht. Karlsruhe: Institut für Verkehrswesen – Universität Karlsruhe

[3] Dong, J.; Hawkins, N.; Houchin, A.; Shafieirad, N.; Lu, C. (2015): Vissim Calibration for Urban Freeways: Final Report. Technical report, Institute for Transportation, Iowa State University

[4] Hoogendoorn, S. P. (2005): Unified approach to estimating free speed distributions. Transportation Research Part B: Methodological 39(8), 709–727. Publisher: Elsevier

[5] Geistefeldt, J. (2015): Empirical estimation of desired speed distributions for microscopic traffic simulation. Transportation Research Record 2490(1), 41–46. Publisher: SAGE Publications Sage CA: Los Angeles, CA

[6] Lipshtat, A. (2009): Effect of desired speed variability on highway traffic flow. Physical Review E 79(6), 066110. Publisher: APS

[7] Farzaneh, M.; Rakha, H. (2006): Impact of differences in driver-desired speed on steadystate traffic stream behavior. Transportation research record 1965(1), 142–151. Publisher: SAGE Publications Sage CA: Los Angeles, CA

[8] Kaplan, E. L.; Meier, P. (1958): Nonparametric estimation from incomplete observations. Journal of the American statistical association 53(282), 457–481. Publisher: Taylor & Francis

[9] Hoogendoorn, S. P. (2005): Vehicle-Type and Lane-Specific Free Speed Distributions on Motorways: A Novel Estimation Approach Using Censored Observations. Transportation Research Record: Journal of the Transportation Research Board (1934), 148–156. URL dx.doi.org/10.3141/1934-16 

[10] Geistefeldt, J. (2007): Verkehrsablauf und Verkehrssicherheit auf Autobahnen mit vierstreifigen Richtungsfahrbahnen. Ph. D. thesis, Ruhr-Universität Bochum

[11] He, Z. (2017): Research based on high-fidelity NGSIM vehicle trajectory datasets: A review. Research Gate, 1–33

[12] Kovvali, V. G.; Alexiadis, V.; Zhang PE, L. (2007): Video-based vehicle trajectory data collection. Technical report

[13] Krajewski, R.; Bock, J.; Kloeker, L.; Eckstein, L. (2018): The high dataset: A drone dataset of naturalistic vehicle trajectories on German highways for validation of highly automated driving systems. In 2018 21st International Conference on Intelligent Transportation Systems (ITSC), S. 2118–2125. IEEE

[14] Shi, X.; Zhao, D.; Yao, H.; Li, X.; Hale, D. K.; Ghiasi, A. (2021): Video-based trajectory extraction with deep learning for High-Granularity Highway Simulation (HIGH-SIM). Communications in transportation research 1, 100014. Publisher: Elsevier

[15] Spannaus, P.; Zechel, P.; Lenz, K. (2021): Automatum data: Drone-based highway dataset for the development and validation of automated driving software for research and commercial applications. In 2021 IEEE Intelligent Vehicles Symposium (IV), S. 1372–1377. IEEE

[16] Gloudemans, D.; Wang, Y.; Ji, J.; Zachar, G.; Barbour, W.; Work, D. B. (2023): I-24 MOTION: An instrument for freeway traffic science. arXiv preprint arXiv:2301.11198

[17] Hoefs, D. H. (1972): Untersuchung des Fahrverhaltens in Fahrzeugkolonnen. Bonn: Bundesminister für Verkehr, Abt. Straßenbau

Partially automated recording and evaluation of safety relevant road parameters – 
Feasibility study for proactive safety assessment

Dr.-Ing. T. Kathmann; Dipl.-Ing. (FH) M. Offergeld; T. Roggendorf, M. Sc., Aachen
Dr.-Ing. H. Schüller; B. Butz, M. Sc., Stuttgart
Dr.-Ing. D. Schmitt, Bergisch Gladbach

Seitens der Europäischen Union wird im Artikel 5 der EU-Richtlinie 2008/96/EG gefordert, dass im Rahmen der Verkehrssicherheitsarbeit weitere präventive Ansätze durchgeführt werden. Für eine proaktive Verkehrssicherheitsbeurteilung sollen z. B. anhand regelmäßiger Sichtkontrollen Defizite in der Straßeninfrastruktur erkannt werden. Hierbei können Tools zur automatisierten Bestandsaufnahme, Analyse und Risikobeurteilung erhebliche Unterstützung bieten. Als Beispiel ist das im Rahmen des CEDR (Conference of European Directors of Roads) Calls 2013 entwickelte European Safety Review Tool (ESReT) zu nennen. Ziel des ESReT ist es, Straßenparameter einfach und kostengünstig aufzunehmen, auszuwerten und letztlich entwurfstechnische Merkmale zu berechnen. Mit diesen Daten soll dann das webbasierte Tool prüfen, ob die spezifischen Vorgaben für bestimmte Entwurfs-parameter eingehalten werden und ob Defizite der Verkehrssicherheit vorliegen. Im Rahmen des Forschungsprojekts FE 03.0580/2019/FRB wurde die Anwendung durch das ESReT auf insgesamt 12 Strecken in mehreren Bundesländern mit verschiedensten Randbedingungen getestet und untersucht. Die grundlegenden Anforderungen an ein solches Tool sowie die Nutzeranforderungen wurden durch Fragebögen und persönliche Interviewbefragungen ermittelt. Schlussendlich sollte die Prüfung dazu dienen, die Grundlage zur Weiterentwicklung oder Neuimplementierung hin zu einer nationalen Anwendung zu bilden. Innerhalb dieses Fachbeitrags werden die Anforderungen an ein Tool zur Aufnahme von verkehrssicherheitsrelevanten Straßenmerkmalen, die exemplarische Anwendung des ESReT sowie die Ergebnisse der Befahrung dargestellt.

Article 5 of EU Directive 2008/96/EC requires the member states of the European Union to implement further preventive 
approaches as part of road safety work. For a proactive road safety assessment, for example, deficits in the road infrastructure should be recognized by means of regular visual inspections. Supporting tools for automated inventory, analysis and risk assessment can provide considerable support here. One such supporting tool is the European Safety Review Tool (ESReT) developed as part of the CEDR (Conference of European Directors of Roads) Call 2013. The aim of ESReT is to record and analyze road parameters simply and cost-effectively and ultimately to calculate design characteristics. The web-based tool will then use this data to check whether the specific recommendations of the funding countries for certain design parameters have been met and whether there are any deficits in road safety. Within the research project FE 03.0580/2019/FRB, the usability of ESReT was tested and analyzed on a total of 12 routes in various federal states with a wide variety of boundary conditions. The basic requirements for such a tool as well as the user requirements were determined by questionnaires and personal interviews. Ultimately, the test was intended to provide a basis for further development of the tool or new implementation of a national application. This article presents the requirements for a tool for recording data relevant for road safety, the exemplary use of the ESReT and the results of the testing.

doi.org/10.53184/SVT10-2025-2

Literaturverzeichnis

[1] BMDV (2014): Halbzeitbilanz des Verkehrssicherheitsprogramms 2011–2020, Berlin, Oktober 2015. BMDV (2021): Masterplan BIM Bundesfernstraßen, https://www.bmdv.de/SharedDocs/DE/Artikel/StB/masterplan-bim-bundesfernstrassen.html, abgerufen am 5.9.2022

[2] Europäisches Parlament und Rat der Europäischen Union (2019): Richtlinie 2019/1936 des Europäischen Parlaments und des Rates zur Änderung der Richtlinie 2008/96/EG über ein Sicherheitsmanagement für die Straßeninfrastruktur. Amtsblatt der Europäischen Union

[3] Airaksinen, N.; Klang, J.; Huotari, E.; Rekola, M. (2023): Targeted road safety in-spections in Finland; Arbeitsgruppe der Nordic Road Association, März 2023

[4] FGSV (2013): Merkblatt für die Durchführung von Verkehrsschauen (M DV): FGSV Verlag, FGSV-Nr.: 389, Köln

[5] Ziegler, H.; Kathmann, T.; Pozybill, M. (2014): Einführung eines Verkehrssicherheitsscreenings – Sicherheit auf baden-württembergischen Straßen, Straßenverkehrstechnik, Heft 7, 2014. Kirschbaum Verlag, Bonn

[6] FGSV (2003): Empfehlungen für die Sicherheitsanalyse von Straßennetzen (ESN). FGSV Verlag, FGSV-Nr.: 383, Köln

[7] TII (2022): Transport Infrastructure Ireland, 6^th International Symposium on Highway Geometric Design, https://cbd.eventsair.com/QuickEventWebsitePortal/6th-international-symposium-on-highway-geometric-design-ishgd2020/program/Agenda/AgendaItemDetail?id=d0750028-29d5-4056-ad24-44dc00866f89, abgerufen am 26.4.2023

[8] Kathmann, T.; Offergeld, M.; Roggendorf, T.; von Heel, E.; Schüller, H.; Butz, B.: Teilautomatisierte Erfassung und Bewertung sicherheitsrelevanter Straßenparameter – Machbarkeitsstudie für eine proaktive Sicherheitsbewertung, FE 03.580/2019/FRB (unveröffentlicht)

[9] Elvik, R.: Deliverables No 4 and 5 – Assessment and applicability of evaluation tools: Current practice in a sample of European countries and steps towards a state-of-the-art approach, abgerufen am 29.8.2022

[10] ESReT (2014): ESReT: European Safety Review Tool Inception Report

[11] FGSV (2012): Richtlinien für die Anlage von Landstraßen (RAL); FGSV Verlag, FGSV-Nr.: 201, Köln

[12] BASt (2022): Erfassen und Bewerten von Oberflächeneigenschaften – ZEB, https://www.bast.de/DE/Strassenbau/Fachthemen/ZEB.pdf?__blob=publicationFile&v=2, abgerufen am 5.9.2022

Automated procedure for creating and calibrating traffic simulations based on floating car data

G. Gan, M. Sc.; Dr.-Ing. G. Tilg, CH-Zürich
Y. Alayasreih, M. Sc.; Dr.-Ing. M. Rostami Shahrbabaki, München 

Verkehrssimulationen sind ein zentrales Instrument der Verkehrsplanung, erfordern jedoch bislang erheblichen manuellen Aufwand für Modellerstellung, Kalibrierung und Validierung. Das Forschungsprojekt AUFGEHTS adressierte diese Herausforderungen durch die Entwicklung eines automatisierten Verfahrens zur Erstellung und Kalibrierung mesoskopischer Verkehrsmodelle auf Basis von Floating-Car-Daten (FCD) und frei verfügbaren Geodaten. Dieser Fachbeitrag bietet einen Überblick über das Projekt und konzentriert sich dabei insbesondere auf die Analyse der Herausforderungen bei der Verwendung der FCD für die Nachfrageschätzung. Anhand einer Fallstudie im Korridor A 93/A 12 Bayern – Tirol wurde das Verfahren praktisch erprobt. Das resultierende Simulationsmodell bildet das Verkehrsaufkommen in Größenordnung und Raumstruktur realistisch ab, zeigt jedoch systematische Abweichungen bei absoluten Verkehrsstärken. Zu den Ursachen zählen die limitierte FCD-Durchdringung, fehlende Fahrzeugtypdifferenzierung und vereinfachte Fundamentaldiagramme. Trotz dieser Einschränkungen bestätigt die Studie das Potenzial FCD-gestützter automatisierter Modellerstellung für Planungszwecke.

Traffic simulations are a key tool in traffic planning, but until now they have required considerable manual effort for model creation, calibration and validation. The AUFGEHTS research project addressed these challenges by developing an automated process for creating and calibrating mesoscopic traffic models based on floating car data (FCD) and open geodata. This article provides an overview of the project, focusing in particular on the analysis of the challenges involved in using FCD for demand estimation. The method was tested in practice using a case study of the A 93/A 12 Bavaria-Tyrol corridor. The resulting simulation model realistically depicts the volume and spatial structure of traffic, but shows systematic deviations in absolute traffic volumes. The reasons include limited FCD penetration rates, a lack of vehicle type differentiation and simplified fundamental diagrams. Despite these limitations, the study confirms the potential of FCD-based automated model creation for planning purposes.

doi.org/10.53184/SVT10-2025-3

Literaturverzeichnis

Anuar, K.; Habtemichael, F.; Cetin, M. (2015): Estimating traffic flow rate on freeways from probe vehicle data and fundamental diagram. In: 2015 IEEE 18th International Conference on Intelligent Transportation Systems (ITSC) (pp. 2921–2926). IEEE. https://doi.org/10.1109/ITSC.2015.468

Blumthaler, W.; Bursa, B.; Mailer, M. (2020): Influence of floating car data quality on congestion identification. European Journal of Transport and Infrastructure Research, 20(4), 22–37. https://doi.org/10.18757/ejtir.2020.20.4.5304

Cascetta, E. (1984): Estimation of trip matrices from traffic counts and survey data: A generalized least squares estimator. Transportation Research Part B: Methodological, 18(4–5), 289–299. https://doi.org/10.1016/0191-2615(84)90025-7

Ceccato, R.; Gecchele, G.; Rossi, R.; Gastaldi, M. (2022): Cost-effectiveness analysis of origin-destination matrices estimation using floating car data: Experimental results from two real cases. Transportation Research Procedia, 62, 541–548. https://doi.org/10.1016/j.trpro.2022.02.067

FGSV (2015): Handbuch für die Bemessung von Straßenverkehrsanlagen. Forschungsgesellschaft für Straßen- und Verkehrswesen e. V. FGSV Verlag, Köln

Han, Y.; Zhang, M.; Guo, Y.; Zhang, L. (2022): A streaming-data-driven method for freeway traffic state estimation using probe vehicle trajectory data. Physica A: Statistical Mechanics and Its Applications, 606, 128045. https://doi.org/10.1016/j.physa.2022.128045

Mahajan, V.; Cantelmo, G.; Rothfeld, R.; Antoniou, C. (2023): Predicting network flows from speeds using open data and transfer learning. IET Intelligent Transport Systems, 17(4), 804–824. https://doi.org/10.1049/itr2.12305

Mitra, A.; Attanasi, A.; Meschini, L.; Gentile, G. (2020): Methodology for O-D matrix estimation using the revealed paths of floating car data on large-scale networks. IET Intelligent Transport Systems, 14(12), 1704–1711. https://doi.org/10.1049/iet-its.2019.0684

Osorio, C. (2019): Dynamic origin-destination matrix calibration for large-scale network simulators. Transportation Research Part C: Emerging Technologies, 98, 186–206. https://doi.org/10.1016/j.trc.2018.09.023

Seo, T.; Kusakabe, T. (2015): Probe vehicle-based traffic flow estimation method without fundamental diagram. Transportation Research Procedia, 9, 149–163. https://doi.org/10.1016/j.trpro.
2015.07.009

Increased safety at highway rest areas through warning of dangerously parked vehicles

M. Randjelovic; C. Meschner; Dr. M. Mayer-Kreitz; A. Frank, Stuttgart

Zur Einhaltung der vorgeschriebenen Lenk- und Ruhezeiten von Lkw-Fahrern kommt es häufig zu Parken auf nicht dafür vorgesehenen Flächen auf Autobahnen. Nicht-StVO-konformes Parken von Fahrzeugen außerhalb gekennzeichneter Zonen (insbesondere in Ein- und Ausfahrtbereichen von Rastplätzen) beeinträchtigt die Verkehrssicherheit. Um dieser Situation entgegenzuwirken und die anderen Verkehrsteilnehmer vor gefährdend abgestellten Fahrzeugen zu warnen, hat die Autobahn GmbH Niederlassung Südwest ein Detektions- und Warnsystem an der Tank- und Rastanlage Denkendorf (BAB A 8) installiert. Ein Lidar-Scanner detektiert stehende Fahrzeuge im Verzögerungsstreifen. Eine LED-Tafel, die ca. 300 m vor Beginn des Verzögerungsstreifens installiert ist, warnt ankommende Fahrer vor der Situation. Die Anlage ist seit Juni 2024 erfolgreich in Betrieb. Unabhängig davon treibt die Autobahn GmbH des Bundes die Schaffung zusätzlicher Lkw-Stellplätze mit Nachdruck voran.

In order to comply with the prescribed driving and rest times for truck drivers, parking often occurs in areas on motorways that are not intended for this purpose. Parking which does not comply with road traffic regulations, that is, outside designated zones (especially at the entrance and exit of rest areas) compromises road safety. To counteract this situation and warn other road 
users of dangerously parked vehicles, the Autobahn GmbH Southwest branch has installed a detection and warning system at the Denkendorf service station and rest area (on the A 8 motorway). A lidar scanner detects stationary vehicles in the deceleration lane. An LED display, installed approximately 300 meters before the start of the deceleration lane, warns approaching drivers of the situation. The system has been successfully in operation since June 2024. Regardless of this, the Autobahn GmbH is vigorously pursuing the creation of additional truck parking spaces.

doi.org/10.53184/SVT10-2025-4