Zu vergebende Masterarbeiten

In dieser Masterarbeit soll eine Methodik zur Ableitung historischer und geografischer Feinstaubwerte einer Stadt anhand von Daten von Feinstaubmessstellen entwickelt werden. Im Fokus steht dabei Paris als Fallbeispiel. Folgende Aspekte sollen berücksichtigt werden: 1. Systematische Bereinigung von Wetter- und Ereigniseinflüssen, um verzerrte Daten zu eliminieren. 2. Fokussierung auf Feinstaubwerte im Zusammenhang mit größeren Trends in der verkehrlichen Entwicklung. 3. Kartierung der Messstellen auf das städtische Verkehrsnetz. Methodisch soll die Zuverlässigkeit der Ergebnisse geprüft werden und verschiedene Ansätze diskutiert werden, um diese zu überprüfen und gegebenenfalls anzupassen. Als konkretes Anwendungsbeispiel dient die zeitliche Entwicklung der Feinstaubbelastung in Paris von 2015 bis 2023. Vorkenntnisse in Python sind von Vorteil und werden für die Umsetzung der Methodik empfohlen.

n dieser Arbeit soll ein Datensatz der Münchner Verkehrsgesellschaft (MVG) analysiert werden, der Daten enthält, die mit verschiedenen in Fahrzeugen des öffentlichen Nahverkehrs installierten, Geräten aufgezeichnet wurden. Das Hauptziel besteht darin, Geschwindigkeitsprofile dieser Fahrzeuge zu extrahieren und sie zu clustern, um Muster in Routen und zeitlichen Schwankungen zu erkennen. Darüber hinaus wird diese Arbeit die Geschwindigkeitsprofile der öffentlichen Verkehrsmittel mit den Daten der Schleifendetektoren vergleichen, um einen umfassenden Einblick in die Dynamik des Stadtverkehrs zu erhalten. [Cosupervisor: Allister Loder, allister.loder@tum.de]

In dieser Arbeit wird ein Datensatz der Münchner Verkehrsgesellschaft (MVG) verwendet, der Daten enthält, die über die verschiedenen in den Fahrzeugen des öffentlichen Nahverkehrs installierten, Geräte aufgezeichnet wurden. Ziel ist es, eine Deep-Learning-Methode für die Imputation von Fahrgastzahlen im Datensatz zu entwickeln, die von einer Teilmenge von Fahrten auf alle Fahrten ausgedehnt wird. Außerdem soll das Dienstleistungspotenzial auf den am stärksten überfüllten Strecken ermittelt werden, um so Erkenntnisse für die Optimierung der öffentlichen Verkehrsdienste in der Stadt zu gewinnen. [Cosupervisor: Allister Loder, allister.loder@tum.de]

In der Masterarbeit soll der Frage nachgegangen werden, wie sich politische Maßnahmen am besten quantifizieren lassen. Es existieren verschiedene politische Ansätze zur Eindämmung des Verkehrs, darunter die Parkraumbepreisung, die Reduzierung von Parkplätzen und das Konzept der "15-Minuten-Stadt". Um festzustellen, ob diese Maßnahmen effektiv waren, müssen sie zuerst quantifiziert werden. Diese Arbeit zielt darauf ab, eine Methodik zu entwickeln, um politische Maßnahmen sinnvoll zu quantifizieren. Dabei wird die Zuverlässigkeit der Ergebnisse überprüft und verschiedene Methoden werden diskutiert, um sie zu validieren und gegebenenfalls anzupassen. Dies umfasst die Überprüfung der Datenintegrität sowie die Anwendung von Validierungstechniken, um die Verlässlichkeit der Ergebnisse sicherzustellen. Als Fallbeispiel dient Paris, wobei offizielle Daten von Paris Open Data in Verbindung mit Informationen aus Google StreetView und OpenStreetMap verwendet werden. Kenntnisse in Python sind von Vorteil.

Für Kinder und Familien gelten andere Bedingungen, wenn es darum geht, eine geeignete Fahrradroute auszuwählen. Beispielsweise ist es erlaubt, mit kleinen Kindern auf dem Gehweg zu fahren. In der Arbeit geht es darum, die relevanten Faktoren auszuwählen, die die Fahrradroutenwahl für Kinder maßgeblich beeinflussen.

Diese Arbeit beschäftigt sich mit der Erkennung der Intention von extra vulnerablen Verkehrsteilnehmern (eVRU), insbesondere Rollstuhlfahrern. Die Analyse basiert auf Kamera- und Lidar-Daten und nutzt sowohl konventionelle Algorithmen als auch Deep Learning-Ansätze.

Diese Arbeit beschäftigt sich mit der Erkennung der Intention von vulnerablen Verkehrsteilnehmern (VRU), insbesondere Fußgängern und Radfahrern. Die Analyse basiert auf Kamera- und Lidar-Daten und nutzt sowohl konventionelle Algorithmen als auch Deep Learning-Ansätze.

Um eine Kommunikation zwischen automatisierten Fahrzeugen und vulnerablen Verkehrsteilteilnehmer-Gruppen zu ermöglichen wurden bereits verschiedene externe Mensch-Maschine-Schnittstellen (MMS) entwickelt, die z.B. über Lichtsignale, Text- oder Bildnachrichten mit ihrem Umfeld kommunizieren. Bei der Untersuchung dieser MMS wurde die Radfahrer-AF-Interaktion vernachlässigt. Ziel der Arbeit ist es, bestehende externe MMS nachzubilden und diese in Simulatorstudien zu untersuchen.

Durch Virtual Reality Anwendungen können Bürger*innen Digitale Zwillinge von Städten erleben und in den Planungsprozess eingebunden werden. Wichtig ist hierbei, jeder*m Bürger*in eine Chance auf Integration in den Planungsprozess zu ermöglichen, denn selbstständige Mobilität im öffentlichen Raum ist für die soziale Teilhabe aller Menschen von enormer Bedeutung. Um diese Erfahrung für Rollstuhlfahrer so real wie möglich zu gestalten, wollen wir einen Rollstuhl-Simulator aufbauen.

Mithilfe von Augmented Reality soll ein Fahrer während der Autofahrt auf dem Testfeld mit virtuellen Verkehrsteilnehmern und Objekten interagieren, um die Vorteile der gefahrenfreien Untersuchung von Verkehrsszenarien mit der höhen Validität von Testfeldstudien zu bündeln.

Die Betreiber von Mobilitätsdiensten können durch dynamische Preissteuerung Einfluss auf die Nachfrage nehmen. Nach einer Zusammenfassung existierender Methoden, sollen verschiedene Algorithmen implementiert und evaluiert werden.

Ziel dieser Arbeit ist die Weiterentwicklung eines Konzepts zur quantitativen, datenbasierten Ermittlung des Stresslevels für Fußgänger basierend auf statischen, dynamischen und individuellen Einflussfaktoren. Hierzu sollen Schwachstellen identifiziert werden und Verbesserungen abgeleitet und umgesetzt werden. In einem zweiten Teil der Arbeit soll das finale Konzept anhand einer Umfrage validiert und kalibriert werden.

Das Ziel der Abschlussarbeit ist es, das Routing einer Fahrzeugflotte (mit großen Batterien) zu untersuchen, die andere On-Demand-Ride-Hailing- oder Ride-Pooling-Fahrzeuge (mit kleineren Batterien) aufladen kann. Die Arbeit wird zunächst die verfügbaren Methoden für das Routing von On-Demand-Ladefahrzeugen erforschen, ein neues Routing-Schema entwickeln und dann ihre Effizienz in einem agentenbasierten Simulationsframework namens FleetPy bewerten.

Das Ziel der Abschlussarbeit ist es, das Routing einer Fahrzeugflotte (mit großen Batterien) zu untersuchen, die andere private Elektrofahrzeuge (mit kleineren Batterien) aufladen kann. Die Arbeit wird zunächst die verfügbaren Methoden für das Routing von On-Demand-Ladefahrzeugen erforschen, ein neues Routing-Schema entwickeln und dann ihre Effizienz in einem agentenbasierten Simulationsframework namens FleetPy bewerten.

Im Rahmen der Arbeit soll ein Entwurf für ein Bewertungskonzept für Urban Air Mobility (UAM) Systeme evaluiert und verbessert werden. Dazu gehört eine Überprüfung der vorgeschlagenen KPIs und Indikatoren. Anschließend soll das verbesserte Bewertungskonzept auf die Bewertung eines simulierten UAM-Services angewendet werden (das Modell wird zur Verfügung gestellt). Es sollen Empfehlungen für die Industrie und Verkehrsplaner abgeleitet werden. Die Arbeit soll auf Englisch verfasst werden.

In der Masterarbeit sollte eine Methode für die Streckenführung von eVTOL-Flugzeugen in städtischen Gebieten vorgeschlagen werden. Für jede direkte Route sollte ein alternativer Satz von Wegpunkten berechnet werden. Es sollte ein Konzept von mehrschichtigen Flugverbotszonen entwickelt werden (z.B. Schicht 1: Bevölkerungsdichte, Schicht 2: militärische Gebiete, usw.). Die Stadt München sollte als Fallstudiengebiet verwendet werden. Die Arbeit sollte in englischer Sprache verfasst werden.

Die Arbeit beschäftigt sich mit der Integration der Navigation eines autonomen Fahrzeugs durch Baustellen im urbanen Raum in bestehende Bahnplanungsalgorithmen. Der Fokus liegt auf der Anpassung für eine sichere Durchfahrt. Die Auswertung des angepassten Planungsverhaltens wird im Simulator durchgeführt und bewertet.

Die Masterarbeit fokussiert sich auf die Integration von dynamischen Stops in die Routenplanung automatisierter Shuttle-Busse. Ziel ist die effiziente Anpassung bestehender Planungssysteme für städtische Verkehrsnetze. Die Auswertung des Planungsverhaltens wird im Simulator durchgeführt und bewertet, als ein zentraler Teil der Arbeit.

Clusterverfahen sind wichtig für die Verkehrstechnik, sie helfen, den Rechenaufwand zu reduzieren und die räumlich-zeitliche Dynamik zu verstehen. Nachteil: Straßenklassen nur selten einbezogen - der Rechenaufwand zur Unterscheidung versch. Straßen innerhalb von Clustern ist zu hoch. Es soll eine effiziente Clustermethode gesucht werden, die die Detektordaten aus München verwendet & die Straßenklassen berücksichtigt, um ein Optimum zwischen Genauigkeit & Rechenaufwand zu erreichen.

Im Mittelpunkt dieser Arbeit steht die Nutzung eines Datensatzes der Münchner Verkehrsgesellschaft MVG, der Daten enthält, die über die verschiedenen in den Fahrzeugen des öffentlichen Nahverkehrs installierten Geräte aufgezeichnet wurden. Das Ziel ist die Rekonstruktion von Fahrzeugtrajektorien anhand von GPS-Punkten. Das letztendliche Ziel ist es, diese Trajektorien mit dem Netzgraphen der Stadt abzugleichen. [Cosupervisor: Allister Loder, allister.loder@tum.de]

Die Masterarbeit soll quantitative Methoden zur Ergänzung von Detektordaten untersuchen und vergleichen. Detektordaten sind oft unvollständig, was ihre Anwendbarkeit beeinträchtigt. In der Machine-Learning-Community gibt es mittlerweile effektive Verfahren zur Approximierung fehlender Daten, bekannt unter dem Stichwort "Imputing missing values". Das Hauptziel der quantitativen Analyse besteht darin, verschiedene Machine Learning Methoden anhand eines Geodatensatzes zu testen und zu vergleichen. Der Geodatensatz bezieht sich auf Paris und dokumentiert das Verkehrsverhalten seit 2015. In Paris gab es seit 2015 grundlegende Netzwerkänderungen, die im Verkehrsverhalten nachvollziehbar sind. Diese Auswirkungen sollen anhand der Analyse-Ergebnisse untersucht werden. Voraussetzungen für die Analyse sind grundlegende Kenntnisse in Python. Idealerweise verfügt die/der Student:in über fortgeschrittene Python-Kenntnisse und Erfahrung mit Machine Learning Bibliotheken wie scikit-learn.

Bei Ride-Pooling-Services buchen Kunden eine Fahrt per App beim Anbieter wobei die Trips dynamisch in die Routenplanung Flottenfahrzeugen integriert werden. Durch unangekündigtes Nicht-Antreten einer Fahrt können dabei Kosten für den Betreiber als auch anderen Kunden entstehen. Ziel dieser Arbeit ist es nach einer Literaturrecherche das Nicht-Antreten von Fahrten in die vorhandene Simulationsumgebung „FleetPy“ zu integrieren und die Auswirkungen auf das Gesamtsystem zu simulieren.

Automatisierte Shuttles sollen künftig flexibel nahezu überall im Verkehrsnetz halten können. Je nach Fahrzeuginsasse (z.B. ältere Personen, Rollstuhlfahrer, Personen mit Kinderwagen, …) muss jedoch auch die bestehende Infrastruktur bei einem flexiblen Haltepunkt miteinbezogen werden. Nicht nur die Zugänglichkeit, auch die Verkehrssicherheit spielen dabei eine große Rolle. In dieser Arbeit soll ein Tool zur automatisierten Klassifikation und Evaluation bestehender Infrastruktur entwickelt werden.

Kalibrierte Verkehrssimulationen spielen eine entscheidende Rolle bei der Verkehrsplanung. Allerdings sind Verkehrsdaten aufgrund von Verwaltungsgrenzen oft räumlich begrenzt, was traditionelle Modellkalibrierungsansätze vor Herausforderungen stellt, insbesondere in Regionen mit grenzüberschreitendem Verkehr. Ziel dieser Arbeit ist die Entwicklung eines Verfahrens zur Erstellung und Kalibrierung von Verkehrssimulationen unter Verwendung von Floating Car Data (FCD), um die Modellierungsgenauigkeit und -zuverlässigkeit zu verbessern, indem auf eine Datenquelle mit grenzüberschreitendem Verkehr zurückgegriffen wird. [Cosupervisor: Gabriel Tilg, gabriel.tilg@transcality.com]

In dieser Arbeit geht es darum, die Auswirkungen von realen, mehrtägigen Straßensperrungen mit Hilfe von mikroskopischen Verkehrssimulationen zu untersuchen. Der Schwerpunkt liegt auf der Entwicklung von Verkehrszuweisungs- und Umleitungsstrategien, die mit Hilfe von verfügbaren Schleifendetektordaten validiert werden können. Durch umfassende Szenarioauswertungen sollen. Erkenntnisse über die Resilienz von Verkehrsnetzen gewonnen werden. [First supervisor: Joel Brodersen, joel.brodersen@audi.de]

Verkehrssituationen in Straßenverkehr oder auf experemintellen Testfeldern können durch verschiedene Sensortechnologie, wie zum Beispiel Kameras, aufgezeichnet werden. Neben reinen Detektionsalgorithmen können Bildsegmentierungsalgorithmen die genauen Umrisse und Flächen von Objekten erkennen und klassifizieren. In der Arbeit soll eine Methodik entwickelt werden den "Segment Anything" Algorithmus von Meta (ehemals Facebook) auf Verkehrsdaten anzuwenden und zu analysieren.

Diese Masterarbeit untersucht die Gesichtsemotionserkennung mittels Convolutional Neural Networks, mit dem Ziel, die Mensch-Computer-Interaktion durch genaue Identifizierung menschlicher Emotionen aus Gesichtsausdrücken zu verbessern.

Dieses Projekt konzentriert sich auf die Integration einer E-Scooter-Simulation in Unity- und VR-Umgebungen unter Verwendung eines echten Elektrorollers, um immersive und realistische Nutzererfahrungen zu bieten. Ziel ist es, die Lücke zwischen virtuellen Simulationen und realen Scooter-Manövern zu schließen und damit Ausbildungs- und Unterhaltungsanwendungen zu verbessern

Mikroskopische Verkehrssimulationen basieren auf mikroskopischen Fahrzeugmodellen, d. h. auf Fahrzeugfolge-Modellen und Spurwechsel-Modellen. Ziel dieser Arbeit ist es, das Verhalten der bestehenden Modelle mit hochauflösenden HighD-Datensätzen zu evaluieren und zu bewerten. Da wir davon ausgehen, dass solche Modelle das Fahrverhalten auf deutschen Autobahnen nicht vollständig abbilden, ist ein weiterer Kalibrierungsprozess erforderlich.

Viele nicht-motorisierte Verkehrsteilnehmer verhalten sich oft entgegen der Verkehrsregeln. Gründe dafür können Zeitersparnisse und Bequemlichkeit, aber auch Interaktionen mit Kfz sein. In dieser MA wird dieses Verhalten basierend auf Drohnen-Videos entlang der Rheinstraße untersucht. Dazu sollen zunächst solche Szenarien gefunden, anschließend in den Trajektorien (auch verfügbar) Muster erkannt und daraus eine Regelbasis abgeleitet und implementiert werden.

Bei der automatisierten Erkennung von Objekten in Drohnenvideos kommt es, speziell von Fahrradfahrenden und zu Fuß Gehenden, beispielsweise durch die große Anzahl Verkehrsteilnehmern auf eingem Raum oder Verschattungen durch Bäume und Gebäude, zu Fehlern in den Trajektorien. Anhand der Originalvideos sollen in einem Bereitgestellten Datensatz die extrahierten Trajektorien von VRU auf Plausibilität geprüft und anschließend Filter für die aufgetretenen Fehler entwickelt und implementiert werden.

Ziel dieser Arbeit ist es, eine umfassende Analyse der Merkmale durchzuführen, die bei der Konzeption und Entwicklung von menschlichen Fahrermodellen für den gemischten Verkehr mit CAVs berücksichtigt werden, um einen Überblick über die bestehenden Modelle, die Unterschiede zwischen diesen Modellen und ihre Auswirkungen auf den gemischten Verkehr zu erhalten.

In stadtnahen ländlichen Gebieten dominieren Privatfahrzeuge den Pendlerverkehr, doch Mitfahren bietet eine vielversprechende Lösung zur Senkung der CO2-Emissionen, zur Verringerung des Verkehrsaufkommens und zur Entlastung der Parkplätze. Flexible Arbeitszeitregelungen stellen jedoch eine Herausforderung dar. In dieser Arbeit werden Pendlerdaten untersucht, um die Flexibilität zu messen, und Faktoren wie reduzierte Flexibilität und erhöhte Nachfrage auf die Effizienz von Ridesharing analysiert.

Forschungsfrage: Wie lassen sich frei zugängliche Daten auf der Grundlage ihrer Eigenschaften fusionieren und ihre Bedeutung quantifizieren? Diese Arbeit untersucht: 1. bestehenden Datenfusionstechniken 2. Untersuchung von open-source Daten für den öffentlichen Verkehr in Hamburg 3. Kombination von verschiedene Arten von Datenquellen, um die Verkehrsanalyse zu verbessern 4. Simulationen zu erstellen und das Modell zu kalibrieren

Forschungsfrage: Welcher Map-Matching-Algorithmus ist geeignet, um den Trade-Off zwischen Genauigkeit und Rechenzeit zu minimieren? Anhand des Vergleichs verschiedener Map-Matching-Algorithmen soll der Student den Trade-Off zwischen der Genauigkeit und Rechenzeit von GPS-Trajektorien auf Netzgraphen für den dynamischen und statischen Anwendungsfall innerhalb einer angemessenen Rechenzeit auswerten.

Das MobilityCoin System - ein neuartiges Verkehrsmanagement System das basierend auf Mobilitätsbudgets nachhaltigen Verkehr fördert. Um herauszufinden wie Nutzer des Sytems ihre MobilityCoins einsetzen wurde eine Umfrage durchgefürt. Die Ergebnisse sollen in dieser Masterarbeit in ein 'spending-choice-model' abgeleitet werden durch Anwendung eines Multinomialen Logit Modells (MNL) und/oder durch das Trainieren eines Neuronalen Netzes.

Das MobilityCoin System - ein neuartiges Verkehrsmanagement System das basierend auf Mobilitätsbudgets nachhaltigen Verkehr fördert. Um herauszufinden wie Nutzer ihr Verkehrsmittel während des Einsatzes des MobilityCoin Systems wählen wurde eine Umfrage durchgefürt. Die Ergebnisse sollen in dieser Masterarbeit in ein 'mode-choice-model' abgeleitet werden durch Anwendung eines Multinomialen Logit Modells (MNL) und/oder durch das Trainieren eines Neuronalen Netzes.

Aus der zunehmende Durchdringung von Elektrofahrzeugen resultiert die Notwendigkeit Strategien für das Laden von Elektrofahrzeugen abzuleiten. Eine mögliche Optimierungsgröße ist hierbei, die Energiekosten für den Ladevorgang durch eine zeitliche Verlagerung der Eenrgienachfrage zu reduzieren. Zur Bewertung sollen Daten von realen Ladevorgängen ausgewertet und ein agentenbasiertes Simulationsmodell entwickelt werden.

In diesem Masterarbeit werden drei Ziele verfolgt: (1) aus einer bestehenden (Online-)Plattform Daten und Modelle zu duplizieren für (spezifizierte) Offline-Untersuchungen, (2) Verfahren zu implementieren, um Echtzeitdaten in Testbed(s) einzubinden, und (3) Datenaggregation zu untersuchen im Hinblick auf die Verkehrssteuerung.

Bei einem Datensatz mit erfassten Wegen und zugehörigen Zwecken, sollen einerseits Reisemuster in Bezug auf bestimmte Wegezwecke analysiert werden, und diese genutzt werden, um Wegen einen Reisezweck zuzuordnen, sollte dieser nicht bekannt sein. Hierfür sollten sowohl ein regelbasierter und ein ML-basierter Ansatz verwendet und möglicherweise kombiniert werden (z.B. regelbasiert inkl. Flächennutzungsinformationen für Arbeitswege und ein ML-Modell für anderes).

In vielen Sportgroßveranstaltungen wie Skimarathons taucht wegen Engpässen und einer zu hohen Nachfrage Stau auf, ähnlich wie beim Straßenverkehr. Ziel dieser Arbeit ist es, offizielle Zwischenzeiten als Detektordaten und GPS-Trackdaten als sogenannte „Floating Car Data“ zu verwenden, um eine gründliche Analyse der Stauentwicklung in ein paar solchen Skimarathons durchzuführen.

In Verkehrsforschung werden oft homogene Bevölkerungsgruppen basierend auf Mobilität und Merkmalen segmentiert. Datenbasierte Ansätze sind üblich, aber oft schwer interpretierbar. In dieser Arbeit soll individuelles Aktivitätsverhalten visuell dargestellt werden und mittels traditioneller unsupervised ML-Methoden geclustert werden. Dies basiert auf vorheriger Forschung (Berhren et al, 2020; DOI: 10.1016/j.trip.2020.100264) und auf Mobilitäts-Tracking-Daten aus dem Projekt Mobilität.Leben.

Frühere Studien zeigen Biases zwischen Stated Preference Daten im Vergleich zu realen Mobilitätsmustern. Anhand des Datensatzes aus dem Projekt Mobilität.Leben sollen in dieser Arbeit die Unterschiede zwischen den in Umfragen angegebenen und den mit einer App erfassten Mobilitätsmustern untersucht werden. Ziel ist es, mögliche Quellen für Biases zu identifizieren, die die Zuverlässigkeit der Daten beeinträchtigen, und Strategien vorzuschlagen, um diese zu verringern und so die Zuverlässigkeit und Nutzbarkeit von SP-Daten zu verbessern.

Ziel dieser Arbeit ist die Weiterentwicklung eines Routing-Algorithmus, der am Lehrstuhl für Verkehrstechnik entwickelt wird, und die Evaluierung verschiedener Variationen des Modells mit dem endgültigen Ziel, menschenähnlicheres Verhalten in bestehenden Modellen darstellen zu können. Das Framework wird in Python entwickelt.

Aufbauend auf der klassischen Unterscheidung von Nutzergleichgewicht und Systemoptimum für die Routingentscheidungen in einem Netzwerk existieren eine Vielzahl an Ansätzen. Das Ziel dieser Arbeit ist es, aufbauend auf einer Literaturrecherche ausgewählte Methoden im Detail vorzustellen und in einer geeigneten Testumgebung zu evaluieren.

Methoden Künstlicher Intelligenz treiben aktuell die Entwicklung von automatisiertem Fahren voran. In dieser Arbeit soll ein Blick darauf geworfen werden, wie mit Hilfe von Künstlicher Intelligenz Interaktionen von automatisierten Fahrzeugen (und optional weiteren Verkehrsteilnehmenden) optimiert werden können. Bestehende Konventionen wie "Rechts-vor-Links" oder feste Fahrstreifenzuweisung dürfen hinterfragt werden.

Lokale Detektoren wie Induktionsschleifen ermitteln minütlich makroskopische Verkehrsparameter. Dem gegenüber enthalten FCD Fahrzeugtrajektorien. Das Ziel der Arbeit ist, die Durchdringungsrate von App-basierten FCD im Vergleich zu lokalen Sensoren auf verschiedenen Autobahnabschnitten im Großraum München zu schätzen und damit eine Bewertung der Datengüte als Metrik abzuleiten.

Im Großraum München wurden bisher Staumuster auf Autobahnen weitestgehend aus Induktionsschleifendaten identifiziert. Diese werden aus Messdaten an Anzeigequerschnitten über den Fahrstreifen ermittelt. Sobald der Verkehr nicht mehr freiem Verkehr entspricht, wird häufig eine Verkehrssteuerung aktiviert, die den aktuellen Verkehr beeinflusst (zB Geschwindigkeitsreduktion). In dieser Arbeit geht es darum, Stauereignisse auf nicht-beeinflussten Abschnitten zu untersuchen und Muster in den FCD zu identifizieren.

Ziel dieser Arbeit ist es, eine max pressure control für ein urbanes Netzwerk in python zu implementieren. Die max pressure control ist eine dezentrale Steuerung, in der für jede Kreuzung eine eigene Kontrollentscheidung basierend auf den Staulängen stromabwärts und stromaufwärts getroffen wird, wodurch der Durchsatz im Netzwerk hoch gehalten wird.

Pförtnerung ist eine Maßnahme der urbanen Verkehrssteuerung, bei der über eine geeignete Lichtsignalsteuerung künstlich der Zufluss in die Stadt reduziert wird. Dabei ist es eine Herausforderung, geeignete Punkte im Netz für die Pförtnerung zu identifizieren. Dazu wird in der Literatur vermehrt das Makroskopische Fundamentaldiagram (MFD) herangezogen. Im Rahmen dieser Masterarbeit soll eine Pförtnerung in einem mikroskopischen Simulationsnetz auf Basis des MFDs implementiert werden.

Ziel dieser Arbeit ist es, eine Lichtsignalsteuerung basierend auf Reinforcement Learning (RL), einer Form des maschinellen Lernens, zu entwickeln und in der mikroskopischen Simulationsplattform SUMO zu testen. Die entwickelte RL- Steuerung soll mit einer gängigen regelbasierten verkehrsabhängigen Steuerung verglichen werden.

Verkehrsdaten für Steuerung und Management des Verkehrsablaufs in Städten kommen aus verschiedenen Datenquellen. Jede dieser Datenquellen weist spezielle Impferfektionen auf, denen mit einem geeigneten Qualitätsmanagement zu begegnen ist, welches in dieser Arbeit zu entwickeln ist.

Der Verkehrsablauf auf Autobahnen hängt von Wetter- und Umfeldbedingungen ab. In dieser Arbeit sollen durch Datenanalysen fundamentale Zusammenhänge zwischen Umfeldbedingungen und Verkehrskenngrößen, speziell der Kapazität von Autobahnabschnitten, ermittelt werden.

Das Ziel der Arbeit ist es, ein einfaches Machine-Learning-Verfahren zu entwickeln, das aus einem aggregierten Datensatz individuelle Fahrzeugtrajektorien identifiziert. Der Ansatz nutzt KI-Methoden, um individuelle Fahrzeugtrajektorien ohne konkreten zeitlichen Bezug in eine gegebene zeit-räumliche Geschwindigkeitsdarstellung zu matchen. Die Arbeit umfasst eine Literaturrecherche, die Entwicklung und Implementierung der Methodik sowie eine Auswertung des finalen Modells.

Die Einführung von Autonomen Fahrzeuge erfordert die Kommunikation mit anderen Verkehrsteilnehmer und hier speziell auch mit Fußgängern und Radfahren, die größtenteils über keine technische Ausstattung verfügen, sondern auf infrastrukturbasierte Informationen zurückgreifen müssen. Diese Kommunikation kann über sogenannte Nahfeldprojektion erfolgen, mittels derer einzelne Fahrzeuge Informationen oder sogar Verkehrszeichen (z.B. "mobile Zebrastreifen) auf die Fahrbahn projizieren können. Ziel der Arbeit ist die Untersuchung der Potentiale solcher Systeme sowie eine Entwicklung möglicher Konzepte dazu, die u.a. auf Grundlage von Probandenstudien zu entwerfen sind.

In der Theorie und Praxis werden unterschiedlichste Systeme zur Linderung von Stau untersucht und eingesetzt. Im Rahmen dieser Arbeit soll ein umfassender Vergleich dieser Systeme hinsichtlich Effektivität, Effizienz und Gerechtigkeit erarbeitet werden.

In einem ersten Schritt soll eine Literaturübersicht über das Fahrstreifenwechselverhalten an Fahrbahnverengungen im heutigen spurgebundenen Verkehr erstellt werden. Anschließend sollten geeignete Ansätze für das Einordnen an Auffahrten für zukünftigen automatisierten fahrstreifenfreien Verkehr entwickelt und mittels Simulation getestet werden.

Da automatisierte Fahrzeuge in einer fahrstreifenfreien Umgebung die Freiheit haben, jede beliebige laterale Position zu wählen, ist es von entscheidender Bedeutung ihnen eine optimale Position zuzuweisen, insbesondere wenn sie sich einem abzweigenden Bereich wie einer Ausfahrt nähern. Basierend auf den verfügbaren Ansätzen für Fahrstreifenwahlmodelle werden in dieser Arbeit ähnliche Ansätze für automatisierten fahrstreifenfreien Verkehr vorgeschlagen und evaluiert.

Ähnlich wie beim fahrstreifengebundenen Verkehr, bei dem die Fahrzeuge vor einem Knotenpunkt die richtige Fahrspur wählen, soll ein Fahrzeug auch im automatisierten fahrstreifenfreien Verkehr seine laterale Position vor Erreichen einer Kreuzung in Abhängigkeit von seinem Abbiegewunsch wählen. In dieser Arbeit werden optimale Ansätze für die Wahl der lateralen Position von Fahrzeugen an urbanen signalisierten Knotenpunkten entwickelt.

Fahrstreifenfreier Verkehr ermöglicht es automatisierten und vernetzen Fahrzeugen, sich flexibel über die gesamte Verkehrsfläche zu bewegen. Dies erlaubt den heutigen Verkehrsablauf neu zu gestalten. Die entwickelten Ideen können in einer selbst entwickelten vereinfachten Simulationsumgebung (z.B. Cellular Automata) evaluiert werden.