Indian cities are currently facing various transportation issues like congestion, pollution, urban inequity, high fatality rate due to accidents etc. because of an increase in the ownership of private motor vehicles and their usage. This has prompted many policy makers to search for alternate modal options that are more sustainable than motorized modes. Non Motorized Transport (NMT), which includes mainly walking and cycling in an urban context, do not produce many of the issues associated with motorized modes like congestion, pollution, fatal accidents etc. But, promotion of NMT requires a clear-cut planning strategy, with a lucid understanding of various strategies and their effect on the NMT usage. Present study tries to answer certain pertinent questions, particularly with respect to walking and cycling, which can arise while preparing a plan for promoting NMT in Indian cities. The following are the questions that the author seeks to answer in the present study. 1) Which are the areas inside a city that a planner shall target for promotion of NMT?2) Where shall a planner locate the infrastructures for NMT in these areas?3) What may be the possible impacts of providing these NMT facilities?4) What may be the possible effect of built environment factors on the choice of NMT? Providing NMT infrastructures requires knowledge of location characteristics such as the trip distance of NMT. Present study tries to elicit the existing distance characteristics of walking and cycling in terms of an acceptable trip distance. The household travel data of Bangalore city, for the year 2009, are used in the study. First, a description and a statistical analysis of the walking and cycling trip distances across the subcategories of socio-demographic and regional factors is done. Secondly, the acceptable distance is computed from the cumulative trip length distribution based on the results of the statistical analysis. The socio-demographic and regional factors used in the study include purpose, age, gender, educational level, occupational status, and motor vehicle ownership. The major results include a significant difference between the mean trip distances on foot for the subcategories of variables such as gender (z value, 4.94), whether the respondent owned a private vehicle (z value, -21.2), and whether the trip was made inside the Central Business District (CBD) (z value, -3.93). One of the major implications of this study pertains to requirement of a footpath around main activity centers like bus stations, at least up to a distance of 1385 meters (maximum value for walking as the main mode) and around the bus stops, at least up to a distance of 750 meters (maximum value for walking as the access mode). Next, the present study analyzes the influence of built environment factors –density and diversity -on the mode choice and trip distance of the residents in the Bangalore city. The built environment factors are analyzed, for their marginal effects in the presence of various socio-demographic and alternative attributes, for the two segments -respondents owning at least a personal vehicle and respondents not owning any personal vehicle. The density used is the total density, which was the sum of population density in a zone and employment density in a zone. The diversity index, which was an explainer of the land-use mixture, was set such that, when a zone with small area had employment opportunities comparable with its population, the diversity index would be high. When tested on a holdout sample other than the ones used in the estimation of the mode choice model, for the vehicle-owning group, the model estimated produced a validation accuracy of 93% and 91% respectively for two-wheelers and walking. For the vehicle non-owning group, the prediction success rate was highest for walking (97%), and lowest for public transit (84%). For the vehicle non-owning group, an increase in the density increased the trip distance (parameter values of 0.016 for total density at origin and 0.002 for total density at destination) and decreased the NMT usage (parameter values of -0.036 and 0.038 respectively for cycling and walking for total density at origin, and -0.092 and 0.073 respectively for cycling and walking for total density at destination), but for the vehicle-owning group, the inverse was true. The results for the vehicle non-owning group highlighted the requirement of a policy framework to control the employment and housing location of them in order to reduce their trip distance. In the mode choice model for the personal vehicle-owning group, the similarity between the parameters of the built environment factors across the two-wheeler and NMT reflected the need for adopting policies that would change the attitude of people towards NMT. Also, the trip distance model determined that females preferred a shorter working distance, with a parameter value -0.109 for the vehicle-owning group and -0.04 for the vehicle non-owning group, when compared with males. Lastly, the study develops a methodological framework to determine the sustainability impact on providing NMT infrastructures using a Composite Sustainability Index (CSI). More specifically, the study develops a methodological framework to determine the variation in the CSI on providing NMT -walking and cycling – infrastructure. The methodology establishes a link between the proposed NMT infrastructures and the CSI using two explanatory indicators: 1) number of motorized vehicles and 2) vehicle-kilometers travelled by the motorized modes. The main components of the framework include the estimation of a mode choice model for a study area, calculation of the explanatory indicators for the scenarios before and after providing NMT infrastructures, and determination of the sustainability impact. The proposed framework, along with the acceptable distance determined in the earlier step, is then used to determine the sustainability impact on providing NMT facilities, for a future scenario, inside the CBD of Bangalore and around the bus stops carrying trips to the CBD. Three case studies are presented with the first one considering only intra zonal (CBD) trips, the second one considering only inter zonal trips having CBD as destination, and the third one considering both above mentioned the trips. The results of all the three case studies found an increase in the CSI (0.002 for the first case study, 0.076 for the second case study, and 0.100 for the third case study) for the peak-hour trips inside the CBD, on providing NMT infrastructures. This increase showed an improvement in the sustainability. Further, for the case study 1, which consisted of high percentage of short distance trips, the major beneficiaries of the NMT infrastructures were the low-income group. There was a reduction in public transport trips, of which the main contributors were the low-income group, from 142706.2 to 96410.2.

Der hohe Anteil des Verkehrs an den Gesamtemissionen, dem damit verbundenen Beitrag zum Klimawandel sowie der extensive Flächenverbrauch des Individualverkehrs verstärken die politischen Forderungen nach einer Verkehrswende. Das Ziel dieser Arbeit ist es, mithilfe ausführlich methodisch dargestellter Verfahren des maschinellen Lernens ein optimales Klassifikationsmodell zu entwickeln. Dieses ermöglicht die Evaluation und Prognose der Verkehrsmittelwahl und damit den Modal Split auf Basis verschiedener Einflussfaktoren insbesondere im Zeitverlauf zwischen 2013 und 2018. Bisherige Untersuchungen konzentrieren sich auf außereuropäische Gebiete und einmalige Erhebungsdurchläufe. Für die Analyse wird auf die von der Technischen Universität Dresden durchgeführte Mobilitätsbefragung 'SrV - Mobilität in Städten' für die 25 großen deutschen Vergleichsstädte der Jahre 2013 und 2018 zurückgegriffen. Nach der Datenaufbereitung werden unter Verwendung deskriptiver Methoden und Zusammenhangsmaße die einzelnen Merkmalsvariablen auf die Eignung in der Modellbildung beurteilt, um möglichst aussagekräftige Modellergebnisse zu erhalten. Basierend auf CART-Entscheidungsbäumen werden Modelle mit dem Bagging-, Random Forest- und dem Boosting-Algorithmus für beide Jahre erstellt. Zur Einordnung der Effektivität der Modelle werden ebenfalls Modelle für Künstliche Neuronale Netzwerke und der Multinomialen Logistischen Regression für beide Jahre untersucht. Auf Basis von Random Forest, das insgesamt in der Untersuchung mit einer Gesamttrefferquote von 82,9 % (AUC-Wert 0,9458) für 2013 und 79,8 % (AUC-Wert 0,9377) für 2018 die besten Gütemaße erzielt, werden die Einflussfaktoren mittels eines Variable Importance Plots und des Partial Dependence Plots beschrieben und ausgewertet. Insbesondere wird festgestellt, dass Länge und Dauer des Weges und die Verfügbarkeit einer Dauerkarte für den öffentlichen Verkehr den größten Einfluss auf die Verkehrsmittelwahl haben. Im Zeitverlauf fällt auf, dass insbesondere MIV-Wege durch Rad- und ÖV-Fahrten substituiert werden, während bei den Fußwegen nur geringe Veränderungen auffallen. Die geschätzten Klassifikationsmodelle erreichen überwiegend herausragende Vorhersagen der Verkehrsmittelwahl, wobei diese Prognosen für das Fahrrad sich am schwierigsten gestalten.:Inhaltsverzeichnis Abbildungsverzeichnis VII Tabellenverzeichnis XI Abkürzungsverzeichnis XIII Symbolverzeichnis XV 1 Einleitung 1 2 Literaturübersicht 3 3 Methodik 5 3.1 Entscheidungsbäume 5 3.1.1 Notation der Baumstruktur 5 3.1.2 Regressionsbäume 6 3.1.3 Klassifikationsbäume 6 3.1.4 Stutzen eines Baumes und Abbruchkriterien 9 3.1.5 Bewertung des Verfahrens 10 3.2 Bagging 11 3.2.1 Idee 11 3.2.2 Bootstrap 12 3.2.3 Subsampling 12 3.2.4 Prinzip des Bagging-Algorithmus 12 3.2.5 Bewertung des Verfahrens und Anpassung 15 3.3 Random Forest 16 3.3.1 Idee 16 3.3.2 Prinzip des Random-Forest-Algorithmus 17 3.3.3 Bewertung des Verfahrens und Anpassung 20 3.3.4 Bewertung der Einflussfaktoren 21 3.4 Boosting 23 3.4.1 Idee 23 3.4.2 Prinzip des AdaBoost-Verfahrens 24 3.4.3 Evaluation 25 3.5 Künstliches Neuronales Netzwerk 25 3.5.1 Idee 26 3.5.2 Prinzip des Künstlichen Neuronalen Netzwerks 26 3.5.3 Evaluation und Anpassungsparameter 29 3.6 Multinomiale Logistische Regression 30 3.7 Gütemaße 30 3.7.1 Trefferquote 30 3.7.2 ROC-Kurve und AUC 30 4 Daten 33 4.1 Datensatz 33 4.2 Datenaufbereitung 34 4.2.1 Auflösung der Multilevelstruktur 34 4.2.2 Daten in der Haushaltsebene 35 4.2.3 Daten in der Personenebene 36 4.2.4 Daten in der Wegeebene 37 4.2.5 Ausreißer und fehlende Werte 37 5 Deskriptive Analyse 39 5.1 Auswertung der kategorialen abhängigen Variablen 39 5.2 Auswertung der kardinalen Variablen 40 5.2.1 Streu- und Lagemaße 40 5.2.2 Korrelation zwischen den kardinalen Variablen 42 5.3 Auswertung der ordinalen und nominalen Variablen 43 5.3.1 Relative Häufigkeiten 43 5.3.2 Beurteilung der ordinalen und nominalen Variablen mithilfe des korrigierten Kontingenzkoeffizienten nach Pearson 46 5.4 Analyse statistischer Unterschiede der beiden untersuchten Stichproben 47 6 Ergebnisse der Modelle 49 6.1 Baumbasierte Klassifikationsverfahren 49 6.1.1 CART-Entscheidungsbäume 49 6.1.2 Bagging 52 6.1.3 Random Forest 53 6.1.4 Boosting 66 6.2 Künstliches Neuronales Netzwerk 69 6.3 Multinomiale Logistische Regression 71 7 Fazit 73 8 Kritische Würdigung und Ausblick 75 Literaturverzeichnis XIX Anhang XXV Danksagung LXI / The high share of traffic in total emissions, the associated contribution to climate change and the extensive land consumption of individual traffic reinforce the political demands for a traffic turnaround. The aim of this thesis is to develop an optimal classification model with the help of detailed methodical presented methods of machine learning. This enables the evaluation and forcast of the choice of means of transport and thus the modal split on the basis of various influencing factors, particularly over the course of time between 2013 and 2018. Previous studies have focused on non-European areas and one-off surveys. For the analysis, the mobility survey 'SrV-Mobilität in Städten' carried out by the Technische Universität Dresden for the 25 large German cities in 2013 and 2018 is used. After the data processing, the individual feature variables are assessed for their suitability in the modeling process using descriptive methods and correlation measures in order to obtain the most meaningful model results possible. Based on CART Decision Trees, models with the Bagging, Random Forest and Boosting algorithms are created for both years. To classify the effectiveness of the models, models for Artificial Neural Networks and Multinomial Logistic Regression are also examined for both years. Based on Random Forest, which achieved the best quality measures in the study with an overall accuracy of 82.9 % (AUC value 0.9458) for 2013 and 79.8 % (AUC value 0.9377) for 2018, the influencing factors are described and evaluated using a Variable Importance Plot and the Partial Dependence Plot. In particular, it is found that the length and duration of the journey and the availability of a season ticket for public transport have the greatest influence on the choice of the mode of transport. Over the course of time, it is noticeable that in particular motorized traffic routes are being replaced by cycling and public transport, while only minor changes are noticeable in the case of walking. Most of the estimated classification models achieve excellent predictions in the choice of mode of transport, although these predictions are the most difficult for the bicycle.:Inhaltsverzeichnis Abbildungsverzeichnis VII Tabellenverzeichnis XI Abkürzungsverzeichnis XIII Symbolverzeichnis XV 1 Einleitung 1 2 Literaturübersicht 3 3 Methodik 5 3.1 Entscheidungsbäume 5 3.1.1 Notation der Baumstruktur 5 3.1.2 Regressionsbäume 6 3.1.3 Klassifikationsbäume 6 3.1.4 Stutzen eines Baumes und Abbruchkriterien 9 3.1.5 Bewertung des Verfahrens 10 3.2 Bagging 11 3.2.1 Idee 11 3.2.2 Bootstrap 12 3.2.3 Subsampling 12 3.2.4 Prinzip des Bagging-Algorithmus 12 3.2.5 Bewertung des Verfahrens und Anpassung 15 3.3 Random Forest 16 3.3.1 Idee 16 3.3.2 Prinzip des Random-Forest-Algorithmus 17 3.3.3 Bewertung des Verfahrens und Anpassung 20 3.3.4 Bewertung der Einflussfaktoren 21 3.4 Boosting 23 3.4.1 Idee 23 3.4.2 Prinzip des AdaBoost-Verfahrens 24 3.4.3 Evaluation 25 3.5 Künstliches Neuronales Netzwerk 25 3.5.1 Idee 26 3.5.2 Prinzip des Künstlichen Neuronalen Netzwerks 26 3.5.3 Evaluation und Anpassungsparameter 29 3.6 Multinomiale Logistische Regression 30 3.7 Gütemaße 30 3.7.1 Trefferquote 30 3.7.2 ROC-Kurve und AUC 30 4 Daten 33 4.1 Datensatz 33 4.2 Datenaufbereitung 34 4.2.1 Auflösung der Multilevelstruktur 34 4.2.2 Daten in der Haushaltsebene 35 4.2.3 Daten in der Personenebene 36 4.2.4 Daten in der Wegeebene 37 4.2.5 Ausreißer und fehlende Werte 37 5 Deskriptive Analyse 39 5.1 Auswertung der kategorialen abhängigen Variablen 39 5.2 Auswertung der kardinalen Variablen 40 5.2.1 Streu- und Lagemaße 40 5.2.2 Korrelation zwischen den kardinalen Variablen 42 5.3 Auswertung der ordinalen und nominalen Variablen 43 5.3.1 Relative Häufigkeiten 43 5.3.2 Beurteilung der ordinalen und nominalen Variablen mithilfe des korrigierten Kontingenzkoeffizienten nach Pearson 46 5.4 Analyse statistischer Unterschiede der beiden untersuchten Stichproben 47 6 Ergebnisse der Modelle 49 6.1 Baumbasierte Klassifikationsverfahren 49 6.1.1 CART-Entscheidungsbäume 49 6.1.2 Bagging 52 6.1.3 Random Forest 53 6.1.4 Boosting 66 6.2 Künstliches Neuronales Netzwerk 69 6.3 Multinomiale Logistische Regression 71 7 Fazit 73 8 Kritische Würdigung und Ausblick 75 Literaturverzeichnis XIX Anhang XXV Danksagung LXI

The aim of this thesis is to define in more detail a safety factor, a factor of passage of time and an ecological behaviour factor influencing the mode choice on the Prague-Munich route in relation to railway as a reference mode, and to estimate the change in mode choice after HSR completion with emphasis on defined factors. The work qualitatively analyzes the sets of ideas and understandings of selected factors, which in turn affect the travel behavior and the mode choice. Defining these factors creates space for estimating and proposing perspectives for the development of expected travel behavior in the context of the planned HSR system on the Prague-Munich route. The presented thesis discusses and interprets the comparison of selected factors between existing modes of transport. The significance of the thesis lies in the understanding and definition of selected factors that are important for HSR planning strategies between Prague and Munich. Keywords: high-speed rail, travel behaviour, transport safety perception, perception of time, grounded theory, theory of planned behavior

Für die Verkehrsnachfragemodellierung stehen dem Planer sehr differenzierte Modellansätze zur Verfügung. Ein wesentliches Unterscheidungskriterium stellt dabei der Modellierungsgegenstand dar. Der Fokus der vorliegenden Arbeit ist auf makroskopische Verkehrsplanungsmodelle gerichtet. Es wird der Frage nachgegangen, in welcher Form die Ergebnisse großräumiger und lokaler Haushaltsbefragungen effizient bzw. sich gegenseitig ergänzend in Modellierungsaufgaben Einsatz finden können. Im Mittelpunkt der empirischen Datenanalyse steht die Frage, ob ein Unterschied in der Ausprägung zentraler modellierungsrelevanter Kenngrößen differenziert nach Raumtypen statistisch belegbar und planungspraktisch bedeutsam ist. Vor diesem Hintergrund wird auch die Auswirkung der komplexen Stichprobenpläne von MiD 2002 und SrV 2003 auf die Varianz der Parameterschätzung berücksichtigt. Ein in dieser Arbeit entwickelter, mehrstufiger Bewertungsalgorithmus, der dem Signifikanz-Relevanz-Problem hinreichend Rechnung trägt, bildet die Grundlage der Hypothesenprüfung. Er verbindet das Standardvorgehen (Signifikanztest) mit normativ gesetzten Effektgrößen und dem schätzerbasierten Vorgehen (Konfidenzintervalle). Eine besonders hohe Transparenz und Entscheidungskonsistenz erlangt der Ansatz dadurch, dass die Hypothesenprüfung auf Basis zweier voneinander unabhängig erhobener Untersuchungsgruppen (MiD, SrV) erfolgt. Die intensive Arbeit mit den Datengrundlagen MiD und SrV liefert eine Vielzahl von Erkenntnissen zur weiteren Qualifizierung des Erhebungsinstrumentes „Mobilität in Städten – SrV“. In Vorbereitung der im Jahre 2008 anstehenden Neuauflage der Erhebungsreihe wird nach Ansicht des Autors mit der Arbeit ein wesentlicher Impuls zur Weiterentwicklung der Methodik gegeben.

Für die Verkehrsnachfragemodellierung stehen dem Planer sehr differenzierte Modellansätze zur Verfügung. Ein wesentliches Unterscheidungskriterium stellt dabei der Modellierungsgegenstand dar. Der Fokus der vorliegenden Arbeit ist auf makroskopische Verkehrsplanungsmodelle gerichtet. Es wird der Frage nachgegangen, in welcher Form die Ergebnisse großräumiger und lokaler Haushaltsbefragungen effizient bzw. sich gegenseitig ergänzend in Modellierungsaufgaben Einsatz finden können. Im Mittelpunkt der empirischen Datenanalyse steht die Frage, ob ein Unterschied in der Ausprägung zentraler modellierungsrelevanter Kenngrößen differenziert nach Raumtypen statistisch belegbar und planungspraktisch bedeutsam ist. Vor diesem Hintergrund wird auch die Auswirkung der komplexen Stichprobenpläne von MiD 2002 und SrV 2003 auf die Varianz der Parameterschätzung berücksichtigt. Ein in dieser Arbeit entwickelter, mehrstufiger Bewertungsalgorithmus, der dem Signifikanz-Relevanz-Problem hinreichend Rechnung trägt, bildet die Grundlage der Hypothesenprüfung. Er verbindet das Standardvorgehen (Signifikanztest) mit normativ gesetzten Effektgrößen und dem schätzerbasierten Vorgehen (Konfidenzintervalle). Eine besonders hohe Transparenz und Entscheidungskonsistenz erlangt der Ansatz dadurch, dass die Hypothesenprüfung auf Basis zweier voneinander unabhängig erhobener Untersuchungsgruppen (MiD, SrV) erfolgt. Die intensive Arbeit mit den Datengrundlagen MiD und SrV liefert eine Vielzahl von Erkenntnissen zur weiteren Qualifizierung des Erhebungsinstrumentes „Mobilität in Städten – SrV“. In Vorbereitung der im Jahre 2008 anstehenden Neuauflage der Erhebungsreihe wird nach Ansicht des Autors mit der Arbeit ein wesentlicher Impuls zur Weiterentwicklung der Methodik gegeben.