Trajektorien-Analyse an Kreuzungen

Diese Arbeit beschäftigt sich mit Trajektorien an verschiedenen Schnittpunkten mit verschiedenen Regulierungs-Typen (Ampeln, Vorrang/Vorfahrt gewähren, unkontrolliert) und testen einige Methoden zur Erkennung von Bewegungsmustern hinsichtlich ihrer geometrischen und räumlich-zeitlichen Komponenten. Das heißt, im ersten Fall die geometrischen Wege, denen die Fahrzeuge während der Fahrt durch die Kreuzungen folgen, und im zweiten Fall die Art und Weise, wie sie diesen geometrischen Wegen folgen. Für diesen Bereich werden Methoden des maschinellen Lernens, wie z.B. Clustering-Techniken, verwendet, und die Leistung einiger bekannter Techniken und Algorithmen für Ähnlichkeitsmessungen (DTW, Hausdorff- und Fréchet-Abstand) und Clustering (Affinitätsausbreitung und Agglomerat-Clustering) werden auf der Grundlage der Clustering-Ergebnisse verglichen. Das an verschiedenen Kreuzungen beobachtete Bewegungsverhalten wird daher mit Hilfe von Clustering-Techniken analysiert, wobei einige Unterschiede in den Bewegungsmustern (Geschwindigkeit und Zeit) je nach der Art der Regulierung, die die Kreuzungen zur Regulierung ihres Verkehrs verwenden, identifiziert werden. Diese Ergebnisse können für die Kategorisierung der Kreuzungen nach den Verkehrsregeln nützlich sein, die moderne Karten mit zusätzlichen Informationen (Verkehrszeichen, Ampeln usw.) anreichern können. 

Keywords: Trajektorienanalyse; Kreuzungen; Clustering; DTW; Hausdorff-Distanz; Fréchet-Distanz; Agglomerat-Clustering; maschinelles Lernen; Mustererkennung; Bewegungsverhalten; GPS-Tracks; Verkehrsregeln; Ampeln; Verkehrszeichen.