Mehr

Verkehrsdaten (Punkt) zu einem Straßennetz (Linie) verbinden - Abschnitt zwischen zwei Straßen - ArcGIS


Ich versuche, den Fahrzeugverkehr im Straßennetz von Melbourne (AUS) zu analysieren.

Ich habe zwei Dateien: die Verkehrsdaten (Punktdaten für einen bestimmten Breiten- und Längengrad mit dem durchschnittlichen stündlichen Verkehr zwischen Straßen) und das Straßennetz, wie unten zu sehen ist:

Verkehrsdaten (violetter Punkt) und Straßennetz (grün)

Die Straßenschicht ist wie unten gezeigt in Abschnitte unterteilt:

Ich muss die Verkehrsdaten einigen Abschnitten zuordnen, wie unten gezeigt:

Ich habe 1.616 Verkehrseinträge, die ich Abschnitten des Straßennetzes zuordnen muss. Gibt es eine Möglichkeit, dies automatisch zu tun oder sollte ich es manuell tun?


Mit Near erhalten Sie die FID/OBJECTID des nächstgelegenen Straßenabschnitts.

Verwenden Sie eine Attributverbindung zwischen den Punkten und Straßensegmenten; Überprüfen Sie in dieser Phase die übereinstimmenden Straßennamen mit den Namen auf den Weichen, um sicherzustellen, dass Sie den richtigen finden. Möglicherweise ist etwas Handarbeit erforderlich.

Nachdem Sie die IDs validiert haben, verbinden Sie Linien mit Punkten (1:1) und dann entweder Feldberechnung oder Export mit der Verknüpfung.


Fahrbahndaten


Eine Meile einer einzelnen Fahrbahn wird unabhängig von der Anzahl der Fahrspuren als Mittellinienmeile bezeichnet. Während der Mittellinienkilometerstand die Anzahl der Fahrspuren nicht berücksichtigt, ist dies der Fahrstreifenkilometerstand. Fahrspurkilometer können durch Multiplizieren der durchgehenden Fahrspuren und der Mittellinienkilometer ermittelt werden. Temporäre Fahrspuren wie Abbiegespuren werden ebenso wenig gezählt wie Fahrspuren auf Rampen oder in Nebenflächen wie Rastplätzen.

Stellen Sie sich einen Fall vor, in dem eine Straße eine Meile lang mit drei Fahrspuren ist – die Anzahl der Fahrspurmeilen beträgt drei.

Aufzeichnungen werden aus dem LRS extrahiert, um Meilen- und Fahrspurmeilenberichte zu erstellen. Um konsistente Zahlen zu liefern, werden Berichte gegen einen HPMS-Snapshot der Datenbank ausgeführt, der jedes Jahr im Dezember erstellt wird. Dieser Snapshot wird für Berichte verwendet, bis ein neuer Snapshot erstellt wird. Die folgenden Kriterien sind für die Auswahl von LRS-Datensätzen:

  • Geografisches Gebiet (landesweit nach Landkreis, Gemeinde, MnDOT-Baubezirk oder Gebietstransportpartnerschaft)
  • Routentyp (d. h. Autobahnen oder lokale Straßen)
  • Weitere Kriterien nach Bedarf (Fahrbahnoberflächentypen, Funktionsklassen etc.)

Wenn Fahrspurkilometer für einen Bericht angefordert werden, wird die Anzahl der durchgehenden Fahrspuren extrahiert und gemäß den einzelnen Datenelementwerten in jeder der Kombinationen von Gruppierungen berechnet. Dann werden diese Werte mit den Mittellinienkilometerzahlen multipliziert.

Zurückgelegte Fahrzeugmeilen (VMT)


Die gefahrenen Fahrzeugmeilen (VMT) werden durch Multiplizieren des jährlichen durchschnittlichen täglichen Verkehrs (AADT) mit den Mittellinienkilometern jedes betrachteten Straßenabschnitts berechnet. Schwere kommerzielle VMT (HCVMT) können auch unter Verwendung von Schätzungen des kommerziellen LKW-Volumens berechnet werden. HCVMT wird nur für das Fernstraßensystem von Minnesota hergestellt, daher sind historische Trends für schwere Werbespots nur auf Interstate, USA und State Highways verfügbar. VMT-Zahlen werden von MnDOT verwendet, um die Nachfrage im Verkehrsnetz zu messen. Wenn VMT- und Mittellinienmeilenstandsstatistiken zu einem Bericht gruppiert werden, können bis zu drei zusammenhängende Gruppierungen angegeben werden. Außerdem können einzelne Werte gruppiert werden, um kombinierte Werte bereitzustellen, beispielsweise Kombinationswerte für alle Fernstraßen. Um konsistente Zahlen zu liefern, werden VMT-Berichte jeden Dezember mit einem "Snapshot" der Datenbank ausgeführt. Die Statistik bleibt konstant, bis ein neuer Snapshot erstellt wird. Sehen Sie sich die neuesten VMT-Berichte auf unserer Seite Datenprodukte an.

Fernstraßen-Protokollpunkte, Referenzpunkte und wahre Meilen


Der Trunk Highway Log Point darf NICHT mehr für Projekte verwendet werden, die in CHIMES eingehen (Autobahnprojekte ab GJ2018 oder später).

Der landesweite Trunk Highway Log Point-Bericht verwendete veraltete Daten des Verkehrsinformationssystems (TIS), die im Januar 2014 bis zur Bausaison 2012 eingefroren waren. In Kürze wird ein Ersatzbericht mit neuen Daten des linearen Referenzsystems (LRS) entwickelt.

Der Trunk Highway Log Point-Bericht listet Sehenswürdigkeiten, die die verschiedenen Interstate-, U.S. Highway- und Minnesota State Highway-Routen kreuzen, in sequenzieller Reihenfolge auf, basierend auf ihrem tatsächlichen Kilometerstand. Zu diesen Merkmalen gehören andere Straßen, Brücken, Bahnübergänge, Gemeinde- und Kreisgrenzen sowie Baubezirksgrenzen. Die Auflistungen enthalten solche beschreibenden Spalten wie:

  • Routensystem
  • Routennummer
  • Referenzpunkte
  • Beschreibung der sich überschneidenden Merkmale
  • Tatsächlicher Kilometerstand auf der Mittellinie zu den sich kreuzenden Merkmalen (Spalte ACCUM Miles)
  • Baubezirk
  • Letztes Verkehrsaufkommen (AADT)

Zusätzlich zum Mittellinienkilometerstand enthält der Protokollpunktbericht eine zweite Art von Maß, die als Referenzpunkte bezeichnet wird. Referenzpunkte basieren auf Referenzposten (auch „Meilenposten“ genannt), bei denen es sich um nummerierte Schilder handelt, die sich physisch in Abständen von etwa einer Meile am Straßenrand befinden. Jeder Referenzposten ist wiederum auf einen wahren Kilometerstand einer Route bezogen. Die Beziehungen und Übersetzungen zwischen diesen Maßen werden computerberechnet. Referenzpunkte werden verwendet, um eine Art Standortstabilität bereitzustellen. Der wahre Kilometerstand der Route ist einfach der Kilometerzählerstand entlang einer Route, der für jede einzelne Route bei Null beginnt. Die tatsächlichen Kilometerstände entlang einer Route können sich im Laufe der Zeit ändern (z. B. aufgrund von Neuausrichtungen), während Ereignisse, die an einen Referenzposten/-punkt gebunden sind, unverändert bleiben. Der landesweite True Mileage-Bericht verwendet auch die eingefrorenen TIS-Daten und enthält Informationen über den tatsächlichen Mittellinienkilometerstand für jeden Referenzposten entlang der Fernstraßen von Minnesota.

Bauprojektprotokoll


Das Bauprojektprotokoll von MnDOT ist eine kurze visuelle Geschichte des Baus und der Instandhaltung von Fernstraßen im Laufe der Zeit - der Leitfaden "Was, wann und wo" für Feldarbeiten, die seit dem ursprünglichen Bau der Straße durchgeführt wurden. Jedes Projektprotokoll hat Anfangs- und Endgrenzen, die durch eine gerade Linienkarte oben auf der Seite veranschaulicht werden. Die einzelnen Projektgrenzen selbst werden durch horizontale Linien beschrieben, die sich in einem Teil dieser Karte befinden. Jedes Projekt wird auf der linken Seite der Seite mit einer kurzen Beschreibung der anfallenden Arbeiten, der SP-Nummer, dem Baujahr, der Breite und Tiefe des Belags, der Materialart usw. und dann durch den Kontrollabschnitt.

Da es sich in der Regel nur um Streckenarbeiten handelt, sind Angaben zu Rampen, Straßenrandarbeiten, Abbiegespuren, Behelfs- und Umgehungsbaustellen, Mittelleitwerken und Brückeninstandhaltungsarbeiten nicht enthalten. Außerdem ist das Projektprotokoll nicht als Informationsquelle für Brückendetails gedacht. Brückenbau und -austausch sind in der Regel Bestandteil von Planierungs- und Oberflächenprojekten für die Hauptstrecke oder damit verbunden. Schließlich verfügen nicht alle Autobahnabschnitte über Projektprotokolle. Wurde die Straße zunächst von einer anderen Straßenbaubehörde gebaut und anschließend an MnDOT übergeben, liegt in der Regel kein Protokoll vor. Wenn ein Straßenabschnitt ursprünglich von MnDOT gebaut wurde, sollte ein Projektprotokoll verfügbar sein.

Wir erwägen Verbesserungen für unsere Bauprojekt-Log-Seite. Helfen Sie uns, unser Bauprojektprotokoll zu verbessern, indem Sie an unserer Umfrage teilnehmen.

In der Metropolregion Twin Cities ist Urban Local die häufigste funktionale Klassifizierung für Straßen. Städtische Straßen, wie die oben gezeigte in Minneapolis, machen mehr als die Hälfte aller Mittellinienkilometer aus.

Funktionsklassifizierung


Funktionale Klassifikation ist die Gruppierung von Straßen und Autobahnen in Klassen oder Systeme entsprechend dem Charakter des Dienstes, den sie erbringen sollen. Bei Einstufungsänderungen werden die Straßen auf eine mögliche Einbeziehung in das staatliche Beihilfesystem überprüft. Wenn Änderungen auftreten, werden Fahrbahnrevisionen und die Grundkartenlinien sowie Onlinekarten aktualisiert, um die physische Änderung der Einrichtung darzustellen. Die Funktionsklassifizierungsseite von MnDOT bietet einen umfassenden Überblick über den Änderungsprozess, FHWA-Anforderungen und -Richtlinien, Karten und andere Ressourcen.

Kontrollsektionen und gesetzliche (verfassungsrechtliche/legislative) Routen


State Highways sind in Segmente unterteilt, die als Kontrollabschnitte bezeichnet werden. Der Zweck dieser Abschnitte besteht darin, eine stabilere Aufzeichnung zu ermöglichen. Wenn Autobahnen verschoben/neu zugewiesen werden, blieben der Kontrollabschnitt und alle zugehörigen Daten an den Bürgersteig und nicht an die Route gebunden. Dies ermöglicht ein besseres Management der Autobahn, einschließlich Wartungs-, Bau- und Verwaltungszwecken.

Ein Kontrollabschnitt wird als vierstellige Zahl identifiziert. Die ersten beiden Ziffern kennzeichnen einen fortlaufenden Landkreiscode und die letzten beiden Ziffern sind eine Identifikationsnummer innerhalb dieses Landkreises. Kontrollabschnitte haben eine definierte Anfangs- und Endposition, die als Termini bezeichnet wird. Termini ist normalerweise eine Kreisgrenze oder eine Kreuzung einer anderen Autobahn. Kontrollabschnitte können sich ändern und werden überarbeitet, wenn eine Autobahn neu ausgerichtet wird, eine neue Bundesstraße gebaut wird oder aufgrund einer Übertragung des Eigentums an der Strecke (normalerweise vom Staat auf einen Landkreis).

Gesetzliche Routen werden von der Minnesota State Legislature definiert und ermächtigen MnDOT zum Bau von Autobahnen. Sie bestehen aus konstitutionellen und legislativen Routen. Die Routen mit den Nummern 1 bis 70 werden als konstitutionelle Routen bezeichnet, die als Teil des Babcock-Zusatzes zur Verfassung des Staates Minnesota im Jahr 1920 definiert wurden und nicht ohne Änderung der Verfassung des Staates geändert oder entfernt werden können. Routen mit einer Nummer über 70 werden als Legislativrouten bezeichnet, die vom Gesetzgeber hinzugefügt oder entfernt werden können. Es ist wichtig zu beachten, dass die Nummer einer gesetzlich vorgeschriebenen Route nicht unbedingt die Nummer der Autobahn ist, die Sie möglicherweise auf einem Schild sehen. Diese Routen können einer oder mehreren Autobahnen zugeordnet werden und dienen dazu, die &ldquoKonnektivität&rdquo zwischen den Gemeinden zu gewährleisten.

Sehen Sie sich den neuesten Kontrollabschnittsbericht und Karten mit Kontrollabschnitten, gesetzlichen Routen und Gedenkrouten auf der Seite Datenprodukte an.


Peer-to-Peer-Datenstrukturen für kooperative Verkehrsinformationssysteme

Kooperative Verkehrsinformationssysteme unterstützen den Fahrer eines Autos bei der Routenwahl basierend auf von anderen Autos gesammelten Verkehrsinformationen. Wir schlagen vor, ein Peer-to-Peer-Netzwerk basierend auf einem Internetzugang über Mobilfunknetze zu verwenden, um Verkehrsinformationen zwischen den Teilnehmern eines solchen Systems zu verteilen. Dieser Ansatz vermeidet die bekannten Einschränkungen der VANET-basierten Kommunikation. Da die in einem kooperativen Verkehrsinformationssystem gepflegten Daten eine sehr spezifische Struktur aufweisen, ist es hinsichtlich Bandbreitenverbrauch und Latenz besonders profitabel, das System auf diese spezielle Anwendungsdomäne zuzuschneiden, anstatt generische Peer-to-Peer-Ansätze wiederzuverwenden . Diese Erkenntnis führte uns zur Entwicklung von GraphTIS – einem Peer-to-Peer-Netzwerk, das speziell für die Verwaltung von Verkehrsinformationen entwickelt wurde. In diesem Papier leiten wir Schritt für Schritt die Kernmechanismen von GraphTIS ab, beginnend mit einem Standard-Peer-to-Peer-System, skizzieren eine erste Lösung namens PeerTIS, die auf einer Modifikation dieses Standard-DHT basiert, und dann GraphTIS, ein neuartiges Peer-to-Peer-System, das speziell zur Unterstützung von Verkehrsinformationssystemen entwickelt wurde.

Höhepunkte

► Wir untersuchen ein zellularnetzbasiertes P2P-System zum Austausch von Straßenverkehrsinformationen. ► Dieser Ansatz vermeidet die Kapazitätsbeschränkungen der VANET-Kommunikation. ► Wir zeigen, dass es für diese Anwendung entscheidend ist, die Struktur der Daten zu erhalten. ► Wir vergleichen Ansätze basierend auf geografischer Nähe und graphenbasierten Beziehungen. ► Beide Ansätze erreichen geringe Latenzen, unterscheiden sich aber in der Lastverteilung.


Zielsetzung

Diese Studie soll eine Methodik für die Entwicklung und den Betrieb des intelligenten Verkehrssystems entwickeln, nämlich die mobile Presto ITS-Anwendung. Die Android-Anwendung Presto ITS wurde zusammen mit dem Urban Traffic Data Management Center (UTDMC) entwickelt, um die Überlastung der Straßennetze zu reduzieren, indem sie den Benutzern ermöglicht, fundierte Entscheidungen über die Routenwahl zu treffen. Es gibt einen Überblick über verschiedene Technologien, die in der Entwicklung verwendet wurden, und arbeitet auch die implementierten Algorithmen aus. Schließlich wurde die in dieser Studie entwickelte mobile Anwendung auf einer Android-Plattform entwickelt, um Benachrichtigungen sowohl im Audio- als auch im Textformat bereitzustellen, um Stauszenarien auf der Strecke zu beheben. Das vorgeschlagene System verwendet PhP, HTML5, CSS3 für die Erstellung der UTDMC-Site, MySQL für die Datenbank, Android Studio und JAVA für die mobile Anwendung und Google Maps, um die Benutzerfreundlichkeit der Anwendung zu verbessern, da die Erwartungen der Benutzer an die Benutzeroberfläche sehr hoch sind hoch. PRESTO ITS wird nützlich sein, um den Informationsbedarf von gelegentlichen Benutzern des Straßennetzes und Besuchern der Stadt zu unterstützen. Darüber hinaus kann das vorgeschlagene System auch auf andere Städte in Indien ausgeweitet werden, indem die Backend-Datenbank entsprechend geändert wird.


II Verwandte Arbeiten

Ii-a-Verkehrsflussprognose

Herkömmliche Vorhersagemodelle, einschließlich historischer Mittelwerte, Zeitreihen und Kalman-Filterung, verwenden häufig statistische Analysen, um Verkehrsbedingungen vorherzusagen. Das historische Durchschnittsmodell verwendet direkt den Durchschnittswert historischer Daten als Vorhersageergebnis. Das Zeitreihenmodell verwendet die Beziehung zwischen aktuellen Daten und historischen Daten und berücksichtigt die Periodizität und die Tendenz der Daten, Vorhersagen zu treffen. Das ARMA-Modell

[1] 1979 vorgeschlagen, ist eine wichtige Methode zur Untersuchung von Zeitreihen. Es besteht aus einem autoregressiven (AR) Modell und einem gleitenden Durchschnitt (MA) Modell. Das AR-Modell verwendet die Autokorrelationsfunktion, um Modellparameter zu finden und die Zeitreihen unter Verwendung ursprünglicher historischer Daten vorherzusagen, während das MA-Modell den Fehlerterm der Autokorrelationsfunktion akkumuliert. Das ARIMA-Modell [8] ist eine generalisierte Version des ARMA mit einer zusätzlichen Komponente der automatischen Differenzierung, und sowohl das ARIMA- als auch das ARMA-Modell gehen von der Stationarität der Zeitreihen aus. Das Kalman-Filtermodell verwendet einen Zustandsraum, der durch eine Zustandsgleichung und eine Beobachtung definiert ist, um das Rauschen herauszufiltern, um Vorhersagen zu treffen.

Mit der kontinuierlichen Weiterentwicklung von Machine Learning und Deep Learning treten die Vorteile intelligenter Prognosemodelle immer stärker in den Vordergrund. Diese Modelle verwenden eine große Menge gesammelter historischer Verkehrsdaten als Eingabe und lernen dann automatisch die potenziellen Muster und Merkmale in den Daten, um Verkehrszustände vorherzusagen. Intelligente Prognosemodelle lassen sich hauptsächlich in zwei Kategorien einteilen: konventionelle Machine-Learning-Ansätze und Deep-Learning-Ansätze. Neuronale Netze, als einer der am häufigsten verwendeten Ansätze, lernen die nichtlinearen Beziehungen in den Eingabedaten, um Vorhersagen zu treffen. Künstliche neuronale Netze (ANNs) und die Support Vector Regression (SVR) sind zwei gängige Modelle für praktische Vorhersageaufgaben. Der SVR lernt nichtlineare statistische Muster unter Verwendung ausreichender Merkmale aus historischen Daten. Die k-nächsten Nachbarn und Fuzzy-Logik-Modelle sind zwei weitere Beispiele für nichtlineare parametrische Modelle. Alternativ ein ANN

passt seine Gewichte und Bias über Backpropagation oder eine radiale Basisfunktion (RBF) an

und erhält lineare Vorhersageergebnisse nach dem Anwenden einer nichtlinearen Aktivierungsfunktion.

Die oben vorgestellten Modelle verwenden historische Verkehrszustandsdaten, um die Zukunft vorherzusagen. Bei einem Straßennetz, das aus vielen Straßenabschnittsknoten besteht, beeinflusst die Nachbarschaft zwischen Straßenabschnittsknoten die endgültige Vorhersage entweder direkt oder indirekt. Das Bayessche Netz (BN) analysiert die Nachbarschaftsbeziehungen in Straßennetzen, um Verkehrsbedingungen vorherzusagen. Ein weiteres Modell, das topologische Informationen aus Straßennetzen verwendet, ist das Graph Convolutional Network (GCN), dessen Eingabe aus einer Adjazenzmatrix und einer Merkmalsmatrix besteht. Die Nachbarschaftsmatrix stellt die topologischen Merkmale eines Straßennetzes bereit, und die Merkmalsmatrix enthält Verkehrsinformationen. Das GCN erfasst die Verbindungsbeziehungen zwischen Straßenabschnittsknoten, um zukünftige Verkehrsbedingungen vorherzusagen. Diese Modelle enthalten jedoch nur Informationen über die räumlichen Beziehungen in Straßennetzen und verfügen nicht über die Möglichkeit, die zeitlichen Beziehungen in der Feature-Matrix zu erfassen. Entsprechend sind Modelle wie der Feed Forward NN

[23] , das DBN [9] , das RNN [37] und die RNN-Varianten GRU [5] und LSTM [28] erfassen die Tendenzen und Periodizität von Verkehrsmerkmalen, ignorieren jedoch die intrinsischen topologischen Eigenschaften des städtischen Verkehrsnetzes. Viele Forscher haben dieses Problem bemerkt, und es wurden zahlreiche raumzeitliche Vorhersagemodelle vorgeschlagen, die sowohl die topologischen Strukturen von Netzwerken als auch die zeitliche Abhängigkeit von Verkehrsdaten vollständig ausnutzen. Zu diesen Modellen gehören unter anderem das ST-ResNet [34] , SAE [18] , FCL-Net [31] , DCRNN [32] und T-GCN [36].

Zusätzlich zu historischen Verkehrsinformationen kann der Verkehrszustand durch eine Vielzahl externer Faktoren beeinflusst werden, wie etwa Wetterbedingungen, Informationen zu U-Bahn-Stationen und Bushaltestellen, POIs und andere Faktoren. Die Hauptherausforderung der aktuellen Verkehrsvorhersageaufgabe besteht darin, externe Faktorinformationen in Vorhersagemodelle zu integrieren. Einige Methoden, die Daten aus mehreren Quellen berücksichtigen, wurden in früheren Studien vorgeschlagen. LiaoB et al. [14] kodierte externe Informationen unter Verwendung eines Kodierers basierend auf LSTM [28] und behandelte die integrierten multimodalen Daten als Eingangssequenz des Vorhersagemodells. Das auf GRU basierende Modell von Da Z et al. [33] verschmilzt die eingegebenen Verkehrsmerkmale und Wetterinformationen.

II-B-Relations-Mining in Daten mit mehreren Quellen

Relationen in Multisource-Daten werden meist in Form von Netzwerken dargestellt, und das Mining der in Netzwerken enthaltenen strukturellen und relationalen Informationen durch Repräsentationsvektoren wird der Hauptansatz zur Erfassung von Netzwerkinformationen. Allgemein lassen sich Netze nach den Knotentypen in homogene Netze und heterogene Netze unterteilen. Homogene Netze berücksichtigen nur einen Datentyp, dh die Knotentypen müssen identisch sein, die meisten realen Netze haben jedoch unterschiedliche Knotentypen. Um die Beschränkung homogener Knoten zu überwinden, werden heterogene Netzwerke vorgeschlagen, um die Informationen verschiedener Knotentypen und die Beziehungen zwischen Knoten darzustellen. PTE [26] klassifiziert Texte, Wörter und Labels und stellt ihre paarweisen Beziehungen dar, um heterogene Netzwerke zu konstruieren. [6] und [7] schlagen das HEBE-Einbettungsframework vor, das die Ereignisse mit starken Korrelationen als Ganzes modelliert, um heterogene Ereignisnetzwerke zu konstruieren. Ein Hauptnachteil von heterogenen Netzwerken besteht darin, dass genaue Metapfade konstruiert werden sollten, wenn die Beziehungen zwischen Knoten dargestellt werden, und spezifische Metapfade können dazu führen, dass heterogene Netzwerke auf den Rahmen eines bestimmten Netzwerks beschränkt werden. In den letzten Jahren hat das Aufkommen von Wissensgraphen umfassendere Ideen für das obige Problem geliefert. Der moderne Wissensbegriff wurde zuerst von Google vorgeschlagen und dann in verschiedenen Bereichen angewendet. Aufgrund der Leistungsfähigkeit von Wissensgraphen bei der Verarbeitung grafischer Strukturen und Informationen haben immer mehr Forscher begonnen, Wissensgraphen in verschiedenen Bereichen wie sozialen Netzwerken [22] , Suchmaschinen [11] , intelligenten Q&A-Systemen und intelligenten Empfehlungen zu verstehen und anzuwenden [ 24] . Wissensgraphen werden auch in Branchen wie dem E-Commerce eingesetzt [29] . Sie spielen auch im Transportwesen eine Rolle, beispielsweise bei der Standortwahl [25] und bei Verkehrsunfällen [30, 20] .


Leistungsbewertung und Fahrbahnmanagement von städtischen Straßen mit GIS in Bangalore City

Geografische Informationssysteme (GIS), Fernerkundung und Global Positioning System (GPS) eignen sich gut für Studien zur Straßeninstandhaltung und -verwaltung. Die indische Regierung hat enorme Summen in die Straßenanbindung investiert. Flexible Bürgersteige machen aufgrund der geringen Baukosten einen erheblichen Teil der Autobahnen in Indien aus. Fahrbahnwartungs- und -managementsysteme (PMMS) verwenden die Verschlechterungsmodelle, um den Fahrbahnzustand auf zukünftige Daten vorherzusagen, auf deren Grundlage die Wartungsstrategie formuliert werden kann.

Diese Studie ist ein Versuch, die Leistung städtischer Straßen unter Verwendung eines geografischen Informationssystems (GIS) zu modellieren. Detaillierte Daten gesammelt, einschließlich Spurrillen, Schlaglöcher und Risse. Die Datenbank wird in eine GIS-Software eingegeben, die die Informationen aller Straßenattribute anzeigt und zur Entscheidungsfindung und Problemlösung verwendet wird.

Der Straßentransport nimmt eine sehr dominante Stellung im gesamten Transportsystem Indiens ein. Das Wachstum des Straßenverkehrs in der Zeit nach der Unabhängigkeit war sowohl im Güter- als auch im Personenverkehr beispiellos. Leider entspricht das entsprechende Wachstum des Straßennetzes nicht dem enormen Wachstum der Fahrzeugpopulation. Auch die Verkehrsbelastungen waren deutlich höher als der vorgegebene Grenzwert von 10,2 Tonnen. Ohne eine angemessene und rechtzeitige Instandhaltung verschlechtern sich die Straßen übermäßig, was zu höheren Fahrzeugbetriebskosten, einer erhöhten Zahl von Unfällen und einer verringerten Zuverlässigkeit der Transportdienste führt.

Ein Fahrbahnmanagementsystem kann nur dann effektiv arbeiten, wenn es durch die organische Kombination aller Aktivitäten rund um den Straßenbau (Planung, Entwurf, Bau,

Instandhaltung, Sanierung, Bewertung, wirtschaftliche Analyse und Forschung) und die Datenbank. Die wichtigsten Punkte sind dann die Erstellung eines Gebrauchstauglichkeitsindex, der die Fahrbahnqualität repräsentiert, und eine Vorhersage der Leistung, die durch das Verhältnis zwischen Zeit (und/oder Verkehr) und dem Index repräsentiert wird. Die Fahrbahnqualität besteht aus zwei Hauptfaktoren: Fahrqualität und Rutschfestigkeit. Die die Fahrqualität beeinflussenden Faktoren sind Fahrbahnbeanspruchung und/oder Rauheit. Drei Hauptfaktoren der Fahrbahnbeanspruchung sind Rissbildung, Spurrillenbildung und Längsprofil. Empfehlungen basieren in der Regel auf präventiver Instandhaltung, anstatt zuzulassen, dass sich eine Straße verschlechtert, bis eine umfassendere Sanierung erforderlich ist.

Zu den typischen Aufgaben, die von Fahrbahnmanagementsystemen ausgeführt werden, gehören:

Bestandsaufnahme des Fahrbahnzustands, Identifizierung von guten, fairen und schlechten Fahrbahnen.

Weisen Sie Straßensegmenten Wichtigkeitseinstufungen zu, basierend auf Verkehrsaufkommen, Straßenfunktionsklasse und Gemeindebedarf.

Planen Sie die Wartung guter Straßen ein, um sie in gutem Zustand zu halten.

Planen Sie Reparaturen von schlechten und fairen Bürgersteigen ein, wenn die verbleibenden verfügbaren Mittel es erlauben

Entwicklung computergestützter Fahrbahnmanagementsysteme und wissensbasierter Expertensysteme zur Entscheidungshilfe zur Unterstützung von Ingenieuren bei der Planung, Gestaltung und Bewertung effektiver Instandhaltungs- und Sanierungsstrategien. Unabhängig davon, ob solche Strategien und die damit verbundenen Investitionsentscheidungen jedoch durch Expertensystemansätze oder durch menschliche Experten abgeleitet werden, werden als grundlegende Eingaben dieselben Daten über den Zustand der Fahrbahnoberfläche benötigt. Im Fall von bituminösen Fahrbahnen umfasst dies das Ausmaß und die Schwere von Belastungen wie Ermüdungsrisse (oder Alligatorrisse), Längsrisse, Querrisse, Ausfransungen und Flicken unter anderem. Diese Daten sind Indikatoren für die strukturelle und funktionelle Leistung.

Es besteht die Notwendigkeit, einen wissenschaftlichen Ansatz zur Ermittlung des Instandhaltungs- und Sanierungsbedarfs von Gehwegen zu entwickeln. Es sind auch Anstrengungen zur Entwicklung von Straßenmanagement- und Planungsinstrumenten erforderlich, um das bestehende Straßennetz zu verbessern. Diese Instrumente sind für die Bewertung des Finanzbedarfs, die Bewertung der alternativen Instandhaltungsstrategien und die Priorisierung der Arbeitsprogramme unerlässlich. In einer solchen Situation würden die Entwicklung und Praxis eines effizienten Fahrbahnmanagementsystems (PMS) objektive Informationen und nützliche Analysen liefern, um konsistente und kosteneffiziente Entscheidungen in Bezug auf den Erhalt des Straßennetzes sicherzustellen.

Ein Pavement Management System (PMS) ist ein wertvolles Instrument und eines der kritischen Elemente der Straßenverkehrsinfrastruktur. Das früheste PMS-Konzept lässt sich bis in die 1960er Jahre zurückverfolgen

(von Norlela Ismail et al. (6) und Amir Tavakoli et al. (7)). Mit raschem Anstieg der fortgeschrittenen

Informationstechnologie haben viele Ermittler das Geographische Informationssystem (GIS) erfolgreich in das PMS integriert, um Informationen zu speichern, abzurufen, zu analysieren und zu melden, die zur Unterstützung der Entscheidungsfindung im Zusammenhang mit Gehwegen benötigt werden. Das Hauptmerkmal eines GIS-Systems besteht darin, dass es Daten/Informationen mit seinem geografischen Standort (z. B. Breiten-/Längengrad oder Koordinaten der Staatsebene) anstelle des traditionell im Transportwesen verwendeten Meilen- oder Referenzpunktsystems verknüpft. Darüber hinaus kann das GIS anhand der topologischen Datenstruktur und des topologischen Modells die topologische Beziehung der realen Welt beschreiben und analysieren. Die GIS-Technologie ist auch in der Lage, Daten schnell aus einer Datenbank abzurufen und kann automatisch angepasste Karten erstellen, um spezifische Anforderungen zu erfüllen, wie z. B. die Identifizierung von Wartungsstandorten.

Geografische Informationssysteme (GIS) stellen eine Informationstechnologie dar, die aus Hardware, Software und Daten besteht, die verwendet werden, um geografische Informationen zu sammeln, zu speichern, zu bearbeiten, anzuzeigen und zu analysieren. Jüngste Fortschritte bei der Erfassung genauer Standortinformationen, bei denen GIS in den Mainstream der Entwicklungsaktivitäten im Zusammenhang mit der Datenbankverwaltung und der Integration in die Anwendungsumgebung integriert wird.

Für die vorliegende Studie wird eine Arterial Ring Road in Bangalore City für die Leistungsbewertung und das Fahrbahnmanagement städtischer Straßen unter Verwendung eines geografischen Informationssystems (GIS) betrachtet, um die Fahrbahnleistung und das Fahrverhalten in naher Zukunft vorherzusagen, wenn Straßenvermessungen durchgeführt werden müssen, um den baulichen und funktionellen Zustand der Fahrbahn zu untersuchen. Dann werden die erforderlichen Daten gesammelt und in die GIS-Software hochgeladen, wo eine Karte mit Straßenabschnitten digitalisiert wird, die für die Studie verwendet wurden.

Ziele der vorliegenden Studie

Das Hauptziel der vorliegenden Studie ist die Bewertung der Fahrbahnleistung ausgewählter Straßenabschnitte von Bangalore.

Erstellung von GIS-basierten Daten für städtische Straßen unter Berücksichtigung von strukturellen und funktionalen Zustandsdaten.

Vorhersage des zukünftigen Fahrbahnzustands unter verschiedenen Wartungsstrategien.

Bewertung des Funktionszustands des Straßenbelagsinventars von Oberflächenschäden wie Rissen, Ausbesserungen, Spurrinnen, Ausfransungen und Schlaglöchern zusammen mit einer Untersuchung der Straßenunebenheit/Rauheit durch den Bump Integrator.

Strukturelle Bewertung des Straßenbelags durch die Durchführung einer Benkelman Beam Deflection Studie.

Hochladen der Fahrbahnleistungsdaten in die GIS-Software in Form von DBMS (Data Bse Management System).

Toshihiko Fukuhara et.al.(1): Es wurde ein System entwickelt, das Laser-, Video- und Bildverarbeitungstechniken verwendet. Dieses System besteht aus einem Vermessungsfahrzeug und einem Datenverarbeitungssystem. Das

Vermessungsfahrzeug kann gleichzeitig, berührungslos, schnell und genau Riss-, Spurrinnen- und Längsprofil messen. Das Datenverarbeitungssystem kann die Messdaten automatisch in Formate umwandeln, die in der Fahrbahndatenbank verwendet werden können. Das System ermöglicht eine automatische Risserkennung, die bisher aber nur vom Menschen durchgeführt wurde.

Die Messung und Datenverarbeitung von Rissen, Spurrinnen und Längsprofilen wurde vollständig automatisiert und verbessert die Arbeitseffizienz erheblich und verfügt auch über einen einzigartigen Linienfindungsalgorithmus. Dort wird ein spezielles Multi-Mikroprozessor-System entwickelt, das eine automatische Risserkennung ermöglicht und das Problem bei der Datenanalyse gelöst.

Turki I et al. (2): Die Änderung der Oberflächenrauheit wurde als Maß für die Verschlechterung der Fahrbahnoberfläche angesehen. Es wurden Regressionsmodelle entwickelt, um die Auswirkungen des routinemäßigen Wartungsaufwands, des Fahrbahnalters und der Verkehrsbelastung auf die Oberflächenrauheit zu untersuchen.

Bei dieser Untersuchung wurden zunächst sechs Routinewartungsaktivitäten berücksichtigt: Flachspachteln, Tiefspachteln, Remix-Nivellieren, Versiegeln, Versiegeln von Längsrissen und Fugen. Im Intern Guide (AASHTO 1981) wurde die Verschlechterung der Fahrbahn durch den Verlust der Gebrauchstauglichkeit oder PSI-Verlust dargestellt. In dieser Studie wurde durch die Kenntnis der Oberflächenrauheit der Fahrbahn vor und nach der Anwendung verschiedener Stufen der routinemäßigen Wartung auf

an einem gegebenen Abschnitt einer Autobahn wurde die Verschlechterung der Fahrbahnoberfläche als Änderung der Oberflächenrauheit gemessen. Dieses Konzept wird in diesem Papier verwendet, um die Wirksamkeit der Routine zur Verringerung der Verschlechterung der Fahrbahnoberfläche widerzuspiegeln.

Sie kamen zu dem Schluss, dass sowohl das Fahrbahnalter als auch die Verkehrsbelastungsvariablen signifikant waren. Daher wurden diese Modelle verwendet, um die Auswirkungen des Fahrbahnalters und der Verkehrsbelastung auf die Änderung der Oberflächenrauheit und folglich auf die Wirksamkeit der Instandhaltung zu bewerten. Es wurde festgestellt, dass die Effektivität der routinemäßigen Wartung bei Gehwegen in gutem oder gutem Zustand höher ist als bei Gehwegen in sehr gutem Zustand. Es wurde festgestellt, dass die Instandhaltungsarbeiten mit Vormischungsausgleich und Versiegelungsbeschichtung eine relativ höhere Wirksamkeit aufweisen als die Arbeiten mit Fugen- und Rissversiegelung und Ausbesserung.

Mohd Zulkifli B et.al.(3): In dieser Studie hat der Autor die GIS-Anwendungssoftware ArcView übernommen und ihre Wirksamkeit bei der Verwaltung von Straßendatenbanken überprüft und analysiert. Diese Daten werden dann verwendet, um das Management zu unterstützen, um eine effektive und systematische Straßeninstandhaltung zu gewährleisten. Als Fallstudie dient ein typisches Straßenmodell in Penang, Malaysia.

Die Einführung von GIS wird zu einer besser organisierten Verwaltung digitaler Daten führen, insbesondere derjenigen, die sich auf Straßendaten beziehen. Insbesondere erhöht diese Systemanwendung auch die Arbeitsproduktivität bei der Verwaltung der Straßeninstandhaltung. Es bietet die Fähigkeit für einen schnellen Datenabruf mit relativer Benutzerfreundlichkeit, minimiert unnötige Doppelarbeit bei der Erfassung von Geoinformationen und kann die Datenaktualität, Genauigkeit und Konsistenz der verwalteten Daten verbessern.

Stephen G. Ritchie(4): Dieses Papier bietet digitale Bildverarbeitungskonzepte und Anwendungen im Fahrbahnmanagement, einschließlich besorgniserregender Fahrbahnoberflächen-Belastungsdaten, grundlegender maschineller Bildverarbeitung und digitaler Bildverarbeitungskonzepte, Videosystemeigenschaften für automatisierte Not-Datensammlung.

Es kam zu dem Schluss, dass in relativ kurzer Zeit erhebliche Fortschritte bei der Entwicklung automatisierter Systeme für die Erfassung und Interpretation von Seenotdaten erzielt wurden und in naher Zukunft verbesserte Fähigkeiten zu erwarten sind, wobei die digitale Bildgebungstechnologie bei diesen Bemühungen eine bedeutende Rolle spielt .

Funktionelle Fahrbahnnot und ihre Konzepte

Es werden Informationen zur Analyse der Gebrauchstauglichkeit und des Fahrbahn-Leistungskonzepts über den Verlauf der Fahrqualität des Fahrbahnabschnitts für den Zeitraum und den Verkehr während dieser Zeit benötigt. Dies ist durch regelmäßige Beobachtungen oder Messungen der Fahrqualität mit Aufzeichnungen von

Verkehrsgeschichte und Zeit. Eine Fahrbahn wurde entweder als zufriedenstellend oder als nicht zufriedenstellend beurteilt. Art und Umfang der Instandhaltung einer Straße hängen auch von den festgelegten Gebrauchstauglichkeitsstandards, dem Instandhaltungsbedarf, den verfügbaren Mitteln und den Prioritäten für die Instandhaltungsarbeiten ab. The current engineering practice for design and construction of pavement overlays and selection of maintenance and rehabilitation alternatives is based on subjective judgment and engineering experience. An efficient pavement maintenance program is a program that identifies what maintenance action is to be taken and where and when is to be applied, so that most cost effective results are obtained.

Causes and Consequence Effects of Pavement Distress

The causes for structural and functional distresses may be of three criteria:

Overload including excessive gross loads, high repetition of loads and high tyre pressures can cause either structural or functional failure.

The climatic and the environmental conditions may cause surface irregularities and structural weakness develops. Example: Frost heaving, change of volume of soil due to wet and dry process, the breakup of surface resulting from freezing and thawing action or improper drainage may be the prime cause of pavement distress.

The cause may be disintegration of the paving materials, due to freezing and thawing and/or wetting and drying process. Example: Use of nondurable aggregates, the base-course materials may breakdown, thus generating fines which may cause unstable mix. Sub grades are also susceptible to climatic conditions.

At times construction practices may induce some effect as well the inadequate inspection during construction are certain factors that causes pavement deterioration. Design procedures must be strictly applied and field control to provide adequate pavement structure.

Asphalt Pavement Distress

Distress surveys are required for the periodic evaluation of pavements. The surveys are directed towards assessing the maintenance measures needed to prevent accelerated distress and to determine the type of rehabilitation measures needed. These surveys provide the information required to define the distress types, severity and density of identified distresses. In addition, the surveys provide the data needed to develop the deduct values associated with each distress and severity levels. The following section describes some of the pavement distress parameters viz., cracking, patching, raveling, rutting and potholes along with their probable causes. There are four

major categories of common asphalt pavement surface distress:

Ravelling, Flushing, Polishing.

Rutting, Distortion – Rippling and Shoving, Settling, Frost heave.

Transverse, Reflection, Slippage, Longitudinal, Block, and Alligator Cracks.

In this study, from Hosur Road Silkboard junction to Nayandahally is taken, as shown in the table. Data has been collected for the following survey carried out: Volume Count Survey (VCS), Benkelman Beam Deflection Studies (BBD), Pavement Condition Survey (PCS) (By using Hawkeye 2000), Roughness (Bump Integrator) and digitising the stretches of the Bangalore map using GIS software.


Traffic Volume Count

Traffic Data Collection is basic requirements for transport planning. Traffic Data forms an integral part of national economics and such knowledge is essential in drawing up a rational transport policy for movement of passengers and goods by both government and the private sectors. Traffic Volume Count is counting of number of vehicles passing through a road over a period of time. It is usually expressed in terms of Passenger Car Unit (PCU) and measured to calculate Level of Service of the road and related attributes like congestion, carrying capacity, V/C Ratio, identification of peak hour or extended peak hour etc. Traffic volume count or TVC is usually done as a part of transportation surveys, TVC can be classified or unclassified.

Need of Traffic Volume Count Survey

Traffic Volume Survey is an essential part of Town Planning, especially for a town planner. It includes counting the number of vehicles passing through a survey station. The study of Classified Traffic Volume Count is to understand factors that form the basis of:

a) Checking the efficiency/saturation of the road network by comparing current traffic volume with the calculated capacity or by identifying level of service
b) Establishing the use of the road network by vehicles of different categories, traffic distribution, PCU/vehicle value
c) Need of median shifting or road widening

Purpose of Traffic Volume Count

The purpose classified traffic volume count is to draw inferences on the basis of data collected. To provide possible solutions and improvement suggestion for the problem identified. The objectives covered in it includes identifying the hourly distribution of vehicles and peak hour, identify level of service and compare modal composition on different hierarchy of roads.

Methods of doing Traffic Volume Count

Traffic Volume Count can be done by various methods depending upon various factors like manpower available, budget, technology/instrument available, magnitude of traffic data required or to be collected which will then determine quality and type of vehicle classification to be adopted. Traffic counting falls in two main categories, namely: manual count and automatic count.Traffic data collection forms the integral part of traffic volume study as it provides the raw data and includes primary survey. The various types and methods used to collect traffic data not only provide a good and valuable coverage of the required traffic information. Different methods of traffic volume count are as mentioned below –

Duration and Interval of Traffic Counts
In order to predict traffic flow volumes that can be expected on the road network during specific periods, knowledge of the fact is required that traffic volumes changes considerably at each point in time. There are three important cyclical variations:

  • Hourly pattern: the way traffic flow characteristic varies throughout the day and night
  • Daily Pattern: The day-to-day variation throughout the week
  • Monthly and yearly Pattern: The season-to-season variation throughout the year.
  • Hourly patterns –Typical hourly patterns of traffic flow, particularly in urban areas, generally show a number of distinguishable peaks. Peak in the morning followed by a lean flow until another peak in the middle of the afternoon, after which there may be a new peak in the late evening. The peak in the morning is often more sharp by reaching the peak over a short duration and immediately dropping to its lowest point. The afternoon peak on the other hand is characterised by a generally wider peak. The peak is reached and dispersed over a longer period than the morning peak.
  • Daily patterns –The traffic volume generally varies throughout the week. The traffic during the working days (Monday to Friday) may not vary substantially, but the traffic volume during the weekend is likely to differ from the working days on different type of roads and in different directions
  1. Manual Count: The most common method of collecting traffic volume data is the manual method of traffic volume count, which involves a group of people recording number of vehicles passing, on a predetermined location, using tally marks in inventories. Raw data from those inventories is then organized for compilation and analysis. This method of data collection can be expensive in terms of manpower, but it is nonetheless necessary in most cases where vehicles are to be classified with a number of movements recorded separately, such as at intersections also in case where automatic methods cannot be used due to lack of infrastructure, necessary authorization etc.

2. Automatic Count: This method is employed in cases where manual count method is not feasible. Various instruments are available for automatic count, which have their own merits and demerits. Some of the widely used instruments are pneumatic tubes, inductive loops, weigh-in-motion Sensor, micro-millimeter wave Radar detectors and video camera. Both types of count can be classified or unclassified. Classified traffic volume count gives a better understanding of the types of vehicles which uses the road and can be used for number of other purposes apart from the transportation surveys. It can also be used for calculating the modal split of vehicles on the road. Unclassified traffic volume count is done where sufficient manpower is not available or the budget for the survey is low. This type of volume count does not give a good information about the road.

Some of the widely used instruments are –

i) Pneumatic tubes – These are tubes placed on the top of road surfaces at locations where traffic counting is required. As vehicles pass over the tube, the resulting compression sends a burst of air to an air switch.

ii) Inductive loops – Inductive loop detector consists of embedded turned wire. It includes an oscillator, and a cable, which allows signals to pass from the loop to the traffic counting device. Inductive loops are cheap, almost maintenance-free and are currently the most widely used equipment for vehicle counting and detection

  • Bending Plates which contains strain gauges that weigh the axles of passing vehicles
  • Capacitive Strip is a thin and long extruded metal used to detect passing axles. Capacitive strips can be used for both statistical data and axle configuration.
  • Capacitive Mat functions in a similar manner as the capacitive strip but it is designed to be mobile and used on a temporary basis only.
  • Piezo-electric Cable is a sensing strip of a metallic cable that responds to vertical loading from vehicle wheels passing over it by producing a corresponding voltage. The cable is very good for speed measurement and axle-space registration, and is relatively cheap and maintenance

iv) Micro-millimetre wave Radar detectors – Radar detectors actively emits radioactive signals at frequencies ranging from the ultra-high frequencies (UHF) of 100 MHz, to 100 GHz, and can register vehicular presence and speed and can be used determine vehicular volumes and classifications in both traffic directions..

v) Video Camera – Video image processing system utilize machine vision technology to detect vehicles and capture details about individual vehicles when necessary. The system is useful for traffic counting and give a +/- 3% tolerance, and is not appropriate for vehicular speed and their classification.

Factors to be considered while doing a traffic volume survey on mid block –

  1. Surveyor should not affect the flow of traffic.
  2. Survey station should be located at position where queuing do not take place.
  3. Vehicles should be classified if possible as it saves time for Classified Traffic Volume Survey. Also classified results have many other application.
  4. Safety of surveyor should be kept in mind and safe location should be selected. This becomes more important in rural area where carriageway is not well-defined.
  5. Equipment used while automatic count should be placed such that they do not draw attention of driver.

Traffic Volume Survey can be done manually or by use of automatic methods depending upon various factors like manpower available, budget, technology/instrument available, magnitude of traffic data required


Join traffic data (point) to a road network (line) - Section between two roads - ArcGIS - Geographic Information Systems

Arkansas Scenic Byways Program was established shortly after Congress passed the Intermodal Surface Transportation Efficiency Act of 1991. This federal legislation created the framework to develop a network of National Scenic Byways.

The Arkansas Highway Commission adopted criteria by which routes in Arkansas could be designated as Arkansas Scenic Byways. The purpose of this program is to facilitate Arkansans’ recognition of special routes within the state.

Scenic Byways:

The Crowley’s Ridge Parkway, a 198-mile long route consisting of segments of 17 highways, two county roads, and several city streets, was designated as an Arkansas Scenic Byway in 1997. In 1998, it was designated as Arkansas’ first National Scenic Byway by the U.S. Department of Transportation, Federal Highway Administration.

This byway follows the geologic formation known as Crowley’s Ridge through northeast and east-central Arkansas. Approximately two million years ago, wind blown soils collected in an area between the meandering channels of the Mississippi and Ohio Rivers. This wind blown soil, known as loess, formed a ridge rising up to 200 feet in places above the surrounding flat delta region.

This high ground quickly became a magnet for human settlement. Today it is characterized by upland hardwood forest, farmland, orchards, and a wide variety of recreational and historical resources.

The Great River Road was established in 1938 as the national parkway of the Mississippi River. It extends through ten states along the river and offers glimpses into how the heartland of America developed. The 362-mile route in Arkansas consists of segments of 13 highways, several forest service and county roads and city streets. The Great River Road was designated as an Arkansas Scenic Byway in 2001. In 2002, it was designated as Arkansas’ second National Scenic Byway by the U.S. Department of Transportation, Federal Highway Administration.

The Great River Road traverses the ten Arkansas Counties that border the Mississippi River. This region, known as the Delta, is part of the nation’s largest alluvial plain. Travelers on the route experience both the mighty river and its legacy of shaping landscapes and lives along its path.

At the time of pioneer settlement, most Delta terrain was lowlands and swamps, rich in virgin timber and wildlife. Some two centuries later, it is largely agricultural, producing voluminous crops of soybeans, rice, cotton and wheat.

For much of its length, the Great River Road traverses agricultural lands, passing remnants of the original wetlands and traveling through towns whose histories and economies were influenced by the river. From Marianna to Helena, however, the route penetrates the woodlands of the St. Francis National Forest on Crowley’s Ridge.

Highway 88 from Highway 71 in Mena to the Oklahoma State Line was designated as an Arkansas Scenic Byway in 1998. This route climbs to the ridge of Rich Mountain, elevation 2,681 feet, and passes through Queen Wilhelmina State Park on its way to the Oklahoma State Line 18 miles to the west. This route is also part of the Talimena Scenic Drive which extends from Mena west to Talihina, Oklahoma. In 2005, Talimena Scenic Drive was designated the State’s third National Scenic Byway. Noted for colorful fall foliage, the route is considered one of the premier motorcycle routes in the state.

Highway 7 from Arkadelphia to Harrison became Arkansas’ first scenic byway in 1993. The scenic byway was extended in 1999 to include the highway from the Louisiana state line to Arkadelphia. Scenic Highway 7 is approximately 290 miles in length.

Scenic 7 starts in the coastal plain region of southern Arkansas. This area consists of lowland rolling hills covered with dense pine forests and numerous river valleys covered with bottomland hardwood forests. The region is rich in wildlife, outdoor recreation, and historical resources.

South of Hot Springs travelers will enter the Ouachita Mountains which are noted for wide valleys, rich agricultural lands, timbered mountains and abundant wildlife. The Ouachita Mountains are unique in that they are the only mountain range in the U.S. whose ridges and valleys are oriented west to east.

Next is the Arkansas River valley between the Ouachita and Ozark Mountains. Since the earliest days of European settlement in Arkansas, this valley has been an important transportation corridor and has been served by flatboats, keelboats, and steamboats, and the overland stage coach.

In the northwest portion of Arkansas, Scenic 7 traverses the Ozark Mountains. This region is famous for its colors, particularly in the fall when the oak-hickory forest turns to yellows, oranges, and reds contrasted by bright green pines and the spring when the dogwoods, redbuds, wild plums, and wildflowers bloom. The Ozark Mountains are also noted for their clear mountain streams.

Two separately designated routes make up the Boston Mountains Scenic Loop.

Highway 71 from Dean’s Market to Fayetteville was designated as an Arkansas Scenic Byway in 1998. Scenic Highway 71 begins at the edge of the Arkansas River Valley and extends 42 miles across the Ozark Mountains to Fayetteville. These rugged mountains are home to quaint craft shops, mountaintop lodging, and spectacular vistas.

Interstate 540 from Dean’s Market to Fayetteville was designated as an Arkansas Scenic Byway in 1999. This byway roughly parallels Highway 71 and also begins at the edge of the Arkansas River Valley, winding 38 miles north to Fayetteville. Constructed through very rugged terrain in the Ozark Mountains, this route includes several high-span bridges and the State’s only highway tunnel, the Bobby Hopper Tunnel.

This byway is known for its spectacular views of the oak-hickory forested mountains and small farms nestled in picturesque valleys.

For 35 miles, Highway 21 from Highway 64 to the Buffalo National River traverses the Boston Mountains region of the Ozark Mountains. The Byway, designated in 2005, offers a serene drive through the Ozark National Forest as well as many recreational opportunities and striking vistas before arriving at the nation’s first National River. Watch for elk near the Buffalo National River, deer, black bear and eagles.

Designated as a State Scenic Byway in 2001, this Scenic Byway extends 15 miles from Highway 256 in White Hall to Highway 65 southeast of Pine Bluff. I-530 traverses part of the 300-mile long Bayou Bartholomew, the world’s longest bayou. These wetlands are populated by bald cypress trees, an assortment of birds and waterfowl and more than a hundred species of fish, as well as otters and alligators.

This 45-mile portion of Highway 309 was designated as an Arkansas Scenic Byway in 1994. This byway starts at highway 10 in Havana and proceeds north over Mount Magazine, the highest point in Arkansas at 2,753 feet. This mountain was named by French explorers who recognized a resemblance to magazines used by the French military to store ammunition.

North of Mount Magazine, Highway 309 descends into the rich farmland of the Arkansas River Valley where it ends at Highway 23 in Webb City.

The Pig Trail Scenic Byway is a Forest Service Scenic Byway. Beginning in the southeast corner of the Ozark National Forest near I-40, The Byway extends north along Highway 23 for 19 miles to Highway 16 at Brashears. With its many steep inclines and sharp curves, driving the Pig Trail may be likened to riding a roller coaster. Trees crowd the roadside, creating a shady corridor during the summer in some areas and display stunning fall color. Very little development has occurred along this route, offering travelers a glimpse of the Ozarks that would have been familiar to the early settlers.

The Sylamore Scenic Byway is a Forest Service Scenic Byway located in the southeast corner of the Ozark National Forest. The byway begins at Calico Rock and proceeds along Highways 5 and 14 and Forest Service Road 110 to Blanchard Springs Caverns. The white oak-hickory forests provide an early spring view of dogwoods and redbuds and majestic fall color. Hiking trails abound for a closer view of the many hillsides and waterfalls.

Designated as a State Scenic Byway in 2005, the West-Northwest Scenic Byway is comprised of 261 miles of interconnected highways including Highway 71 from Mena to I-540 and portions of Highway 10 from Ola to the Oklahoma State Line and of Highways 23 and 96. Much of the Byway lies within the Ouachita National Forest. Crossing the only mountains in North America that are oriented east-west, the terrain is less rugged than the Ozark Mountains, so was more hospitable to early settlers. Many museums, historical sites and small towns characterized the area today.

Designation Criteria

Upon receipt of a written request to designate a route or a portion of a route as an Arkansas Scenic Byway, the following steps will be taken.

  1. The route must be designated as a “scenic highway” by the State General Assembly.
  2. An active organization composed of various private and governmental groups, businesses, and agencies who are interested in preservation, enhancement, marketing, and development of the route’s scenic, cultural, recreational, and historic qualities must be established.


Identification of Accident Blackspots on Rural Roads Using Grid Clustering and Principal Component Clustering

Identifying road accident blackspots is an effective strategy for reducing accidents. The application of this method in rural areas is different from highway and urban roads as the latter two have complete geographic information. This paper presents (1) a novel segmentation method using grid clustering and K-MEDOIDS to study the spatial patterns of road accidents in rural roads, (2) a clustering methodology using principal component analysis (PCA) and improved K-means to create recognition of road accident blackspots based on segmented results, and (3) using accidents causes in police report to analyze recognition results. The proposed methodology will be illustrated by accident data in Chinese rural area in 2017. A grid-based partition was carried on by using intersection as a basic spatial unit. Appended hazard scores were then added to the segments and using K-means clustering, a result of similar hotspots was completed. The accuracy of the results is verified by the analysis of the cause extracted by Fuzzy C-means algorithm (FCM).

1. Introduction

Traffic accidents are contingent events and are defined by a series of variables—the accident index, hidden danger index, and risk index—that explain them. When data is difficult to obtain in detail or changes greatly (such as in rapidly developing rural areas), latent variable models will be more suitable for safety evaluation. With the increase of car ownership and accidents in rural areas, developing countries like China are increasingly aware of the importance of rural road safety. By the end of the “Twelfth Five-Year Plan” (2015), the total mileage of rural roads in China reached more than 3.95 million kilometers. By the end of 2016, the number of household cars per 100 rural households was 17.4 (2016 Social Development Statistics Bulletin, 2017). At the same time, about two-thirds of all traffic accident deaths occurred on rural roads in 2016 (China Ministry of Transport, 2017). The Chinese government has put forward the slogan of “Four Good Rural Roads” and regards it as the main task of the Thirteenth Five-Year Plan.

One of the major difficulties in traffic safety evaluation is the heterogeneity of the data [1]. The threshold of selected variables is only used for accident black spots recognition, not considering the relationship between similar accidents, thus isolating the specific relationship between variables. In the establishment of the model for black spot recognition of accidents, the creation of multiple variables will have a certain degree of multicollinearity. Therefore, the model based on this contains vast amounts of redundant information [2]. Cluster analysis was used to identify black spots with the advantage of taking historical statistics and theoretical calculations into account [3]. It not only enables better clustering of similar segments, but also embodies the characteristics of different segments. It solves the problem of historical statistics.

Discretization of continuous attributes is an important preprocessing step in data mining. In the process of identifying the black spots of the accident, it is necessary to divide the intricate road network into continuous road segment for the road black spots identification. In the identification process of accident black spots on highways, the road segments are divided according to fixed length, and data processing only selects the appropriate pile spacing. When identifying black spots of urban roads, GIS (Geo-Information system) [4] and Kernel density estimation [5] are well used because of the complete geographic information of urban roads and accident points. However, when identifying black spots in rural roads, especially for developing countries, the geographical location of rural roads is incomplete, and the description of accident locations is vague. This makes the segmentation process of rural roads different and more complicated than highways and urban roads. de Ona [6] uses Latent Class Cluster (LCC) as a preliminary tool for segmentation of accidents on rural highways in Granada. de Ona divides accident data into multiple hidden clusters according to the condition and severity, while geographic information has not been taken into account. Based on the basic idea of gridding-based cluster, this paper quantifies the analysis object into limited road segments. Being different from the CLIQUE algorithm [7] setting the grid of the established step size, this paper uses the intersection as the unit and clusters the rural road accident points according to the threshold of density. This is the preparatory work for the following principal component clustering. To the best of our knowledge, this is the first time that both approaches have been used together.

Among the methods of identifying black spots, data mining technologies are approved for the reliability and prospects. Many previous studies have focused on compressing and identifying key factors that have an impact on the severity of road accidents. Neural network [8], rough set [9], fuzzy logit, and decision tree learning [10, 11] have been applied for recognition. The establishment of the recognition model requires multiple variables, while the existing relationships between the variables are easily ignored, so the establishment of the dimensions and weights of the variables can be important [12]. In order to avoid the multicollinearity problem between multivariables, this paper uses PCA to quantify the information of each road segment and extracts the principal components. On this basis, the improved K-means clustering is used to identify the black spots of the accident. In order to verify the reliability of identification results, the causes of the accidents are chosen for analysis. Fuzzy c-means algorithm (FCM) is widely used to identify the causes of accident [13]. This paper further improves its accuracy and noise immunity.

The foci of this paper are as follows: (1) to present a methodology for the segment division of rural highway, (2) based on PCA’s hazard scoring on the segment, to use K-means clustering to identify the black spots of the accident, and (3) to connect the cause of the accident to analyze and test the identified black spots of the accident.

2. Methodology

This chapter firstly introduces the accident segment division method based on gridding-based clustering. On this basis, the principal component cluster is introduced, which includes using the principal component to score the segment and using K-means to cluster the scoring results. Finally, fuzzy cluster is introduced to test the aforesaid results.

2.1. Gridding-Based Clustering

When analyzing conventional clustering problems, the Euclidean distance formula is generally used to measure the distance between two points. However, for the road traffic accidents, it is necessary to consider the spatial distribution difference between them and other general events that is, traffic accidents are strictly restricted to road traffic networks. Being different from the one-dimensional linearity of the expressway, when analyzing the accident points in rural roads, the vehicles are strictly bound in the road network. If the Euclidean distance is used to describe the distance between the accidents, many actual errors will be generated in the road network which is easy to amplify the danger.

The gridding-based clustering algorithm refers to quantify an object space into a finite road segment to form a grid-like structure. This approach will increase processing speed and constrain the disorganized points in the space to the grid for analysis [14, 15], which brings the possibility of simplification to the rural road black spots featured by linear complexity and inaccurate road network. Classic grid clustering ideas, such as the CLIQUE algorithm, segment each dimension into nonoverlapping communities, so that the entire embedded space of the data object is segmented into units, and presupposed density thresholds can identify dense units. Gridding-based clustering requires two presupposed parameters: one is the step size of the grid and the other is the threshold of the density. This paper, when analyzing rural roads, replaces the units segmented by the established steps with intersections. The critical distance between dense intersections has no explicit provision. Referring to the “General Principles for the Design of Chinese Civil Buildings”, Anderson [5], Benedek [16], and Ulak [17] which define the window width of the accident intersection, scholars generally believe that it is reasonable to set up 100-200 meters in a city. For expressways, the distance is considered to be longer than 500 meters. The rural road network studied in this paper is relatively sparse compared with the urban road network. Hence, the critical distance between adjacent segments is set to 200 meters in this paper. The specific process is as follows:

(1) Scanning all grids. When the first dense grid is found, the grid begins to expand. Divided segment


Synthetic time series technique for predicting network-wide road traffic

Affiliations: [ a ] Department of Civil and Environmental Engineering, University of Maryland, MD, USA | [ b ] Department of Mathematics, University of Maryland, MD, USA | [ c ] Joint Program in Survey Methodology, University of Maryland, MD, USA

Correspondence: [*] Corresponding author: Kartik Kaushik, Department of Civil and Environmental Engineering, University of Maryland, MD, USA. E-mail: [email protected]

Abstract: Short term traffic forecasting cannot be more important in the current world of cash strapped economies, placing ever increasing importance on managing existing facilities as opposed to building new infrastructure. The advent of autonomous vehicles further stresses the need for robust and fast fram eworks to forecast traffic over the horizon of a typical trip length so that the best routing decision might be made. There is an extensive amount of research on this topic already. However, most of the techniques in literature do not scale well with data or the size of the network in terms of model complexity, computational power and time. Proposed in this paper is a flexible synthetic time series framework that aims to solve the complexity and scalability problems with most models in literature. The synthetic time series framework takes advantage of the repeatability of the traffic patterns such that real-time predictions can be quickly made. It is flexible enough to work with most models in literature, and extendable quite easily with additional parameters to make predictions more robust. Presented in this work are the Autoregressive Integrated Moving Average (ARIMA) models within the synthetic time series framework. It is shown that reasonably accurate predictions can be made by using just the basic structure of ARIMA without any auxiliary variables accounting for the upstream/downstream conditions, incidents or weather. With a robust model fitted within the synthetic framework, prediction errors can be further reduced, while ensuring scalable computation power. Predictions are performed online, where incoming data is fed to the fitted model as the independent variable, and predictions are obtained as the dependent variable.

Keywords: Traffic forecasting, ARIMA, network, probe data

Journal: Statistical Journal of the IAOS, vol. 34, no. 3, pp. 425-437, 2018