In dieser Arbeit wird demonstriert, wie die Messreihen eines in einem Triebwagen eingesetzten GPS-Empfangsgerätes genutzt werden können, um Informationen zu Bahninfrastruktur und Bahnbetrieb im betrachteten Netz zu ermitteln. Dazu wird das relationale Datenbanksystem PostgreSQL mit dessen Erweiterung PostGIS eingesetzt.
Im ersten Teil werden geografische Positionen von Bahnhöfen, Haltepunkten, Haupt-, Vor- und Langsamfahrsignalen, sowie deren signalisierte Geschwindigkeitsbeschränkungen berechnet. Es werden Algorithmen vorgestellt, die die Positionsberechnung von regelmäßig angefahrenen Bahnhöfen und Haltepunkten ebenso ermöglichen, wie die von Haupt- und Langsamfahrsignalen. Es wird gezeigt, dass mit den gewählten Ansätzen die Berechnung der Vorsignalpositionen nicht möglich ist.
Darüber hinaus werden Algorithmen zur Berechnung von Halte- und Fahrzeiten an bzw. zwischen den vorher errechneten Betriebsstellen erläutert. Die gewonnenen Informationen werden im letzten Teil in einem Algorithmus genutzt, um Ankunftsprognosen einzelner Fahrten an beliebigen geografischen Stellen der Strecke erstellen zu können.
GPS-Daten unterliegen verschiedenen Ungenauigkeiten, die betrachtet werden müssen, um aussagekräftige Ergebnisse liefern zu können. In der Arbeit wird deshalb ausführlich auf die Messungenauigkeiten und Messfehler der betrachteten Daten eingegangen. Ausnahmefall- und Sonderfallbetrachtungen und -behandlungen machen einen großen Teil der Lösungsentwicklungen aus.:1 Einleitung
1.1 Zielsetzung
1.1.1 Aufgabenstellung
1.1.2 Anwendungsfälle
1.2 Datenquelle
1.3 Methodik und Aufbau
1.4 Beschreibung der verwendeten Systemumgebung
2 Begriffsklärungen
3 Vergleichbare Arbeiten
3.1 GNSS zur verbesserten Echtzeitlokalisierung von Fahrzeugen
3.2 Einsatz von digitalen Karten und GIS zusätzlich zu GNSS
3.3 Vermessung von Gleisstrecken mittels GNSS
3.4 Einordnung der Arbeit
4 Beschreibung und Vorbereitung der Rohdaten
4.1 Aufbau der GPRMC-Rohdaten
4.2 Konvertierung der Rohdaten
4.2.1 Vorbereitung der Logdateien
4.2.2 Import der Logdatei
4.2.3 Anlegen von Indexes
4.2.4 Materialisierte Sichten
5 Clustering der Daten 23
5.1 Temporaler Schnitt der Daten
5.2 Ansatz 1: k-Means-Clustering
5.2.1 Definition
5.2.2 Berechnung der Cluster
5.2.3 Fazit
5.3 Ansatz 2: Dichtebasiertes Clustering
5.3.1 Definition
5.3.2 Fazit
5.4 Ansatz 3: Gruppieren nach Koordinatenwerten - Rasterbasiertes Clustering
5.4.1 Berechnung der Cluster
5.4.2 Vorteile des Verfahrens
5.4.3 Nachteile des Verfahrens
5.4.4 Fazit
5.5 Ansatz 4: Snap-To-Track
5.5.1 Vorbereitung der Daten
5.5.2 Clustering
5.5.3 Vorteile des Verfahrens
5.5.4 Nachteile des Verfahrens
5.5.5 Fazit
5.6 Vergleich: Rasterbasiertes Clustering und Snap-To-Track
5.6.1 Fazit
6 Auswertungen mit rasterbasierten Clustern
6.1 Informationen aus Durchschnittsgeschwindigkeiten
6.2 Informationen aus Maximalgeschwindigkeiten
6.3 Informationen aus Standardabweichung der Geschwindigkeiten
7 Kontextabhängige Optimierungen der Datenmenge
7.1 Reduzierung von Datensätzen mit 0 km/h-Messungen
7.2 Zusammenführung mehrerer Messreihen
7.2.1 Zusammenführung von zwei Messreihen
7.2.2 Zusammenführung von mehr als zwei Messreihen
7.2.3 Fazit
8 Berechnung von Infrastruktur
8.1 Kriterien für die zu ermittelnde Infrastruktur
8.2 Regelmäßig bediente Betriebsstellen
8.2.1 Abfrage von Referenzdaten
8.2.2 Grundlage: Rasterbasiertes Clustering
8.2.2.1 Ergebnisse
8.2.3 Grundlage: Snap-To-Track-Clustering
8.2.3.1 Ergebnisse und Nachbesserungen
8.2.4 Vergleich beider Verfahren
8.2.5 Fazit
8.3 Berechnung der Ausrichtung der Betriebsstellen
8.3.1 Vergleichsfunktion für Richtungsangaben
8.3.2 Fazit
8.4 Berechnung von Haupt- und Vorsignalen, sowie Geschwindkeitsbeschränkungen
8.4.1 Berechnung von Haupt- und Vorsignalen für eine einzelne Fahrt
8.4.1.1 Beschreibung des Algorithmus für Signale
8.4.1.2 Umsetzung des Algorithmus für Signale als Datenbankabfrage
8.4.1.3 Beschreibung des Algorithmus für Geschwindigkeitsbeschränkungen
8.4.1.4 Einordnung des Algorithmus und Fazit
8.4.2 Berechnung von Haupt- und Vorsignalen für alle Fahrten
8.4.2.1 Berechnung der Positionen der Hauptsignale
8.4.2.2 Fazit
8.4.3 Berechnung von Geschwindigkeitsbeschränkungen für alle Fahrten
8.4.3.1 Beschreibung des Algorithmus
8.4.3.2 Umsetzung des Algorithmus als Datenbankabfrage
8.4.3.3 Fazit
9 Berechnung von betrieblichen Aspekten
9.1 Haltezeiten an Betriebsstellen
9.1.1 Auswirkungen der verwendeten Clusteringverfahren und Daten auf die Haltezeitberechnungen
9.1.2 Fazit
9.2 Fahrzeit zwischen Betriebsstellen
9.2.1 Fazit
9.3 Berechnung der Entfernungen zwischen Betriebsstellen
9.3.1 Beschreibung des Algorithmus
9.3.2 Umsetzung des Algorithmus als Datenbankabfrage
9.3.3 Fazit
9.4 Einordnung einzelner Fahrten
9.4.1 Beschreibung des Algorithmus
9.4.2 Umsetzung des Algorithmus als Datenbankabfrage
9.4.3 Beschreibung eines genaueren Algorithmus
9.4.4 Umsetzung des genaueren Algorithmus als Datenbankabfrage
9.4.5 Fazit
9.5 Ankunftsprognosen
9.5.1 Umsetzung des Algorithmus als Datenbankabfrage
9.5.2 Fazit
10 Ausblick
10.1 Offene Fragen der Arbeit
10.1.1 Unregelmäßig oder nur in eine Richtung bediente Haltepunkte, Bedarfshaltepunkte
10.1.2 Nutzung der Standardabweichungen für Geschwindigkeitswerte
10.1.3 Verifikation der berechneten Signalstandorte
10.1.4 Anpassung der gespeicherten Werte
10.1.5 Gleisscharfe Abfragen
10.2 Verbesserungen der demonstrierten Abfragen
10.2.1 Optimierung der Abfrageparameter bzgl. der Genauigkeit
10.2.2 Verbesserung der Fehlertoleranz
10.3 Einbeziehung anderer Forschungsarbeiten
10.4 Big Data, Machine Learning
11 Zusammenfassung und Fazit
11.1 Zusammenfassung der Kapitel
11.2 Fazit der Arbeit
Anhang / In this thesis, it is demonstrated how the measurement series of a GPS receiver of a railcar can be used to determine information on railway infrastructure and operations in the related network. For this purpose the relational database system PostgreSQL with its extension PostGIS is used.
In the first part, geographic positions of stations, stops, main and approach signals as well as signalized speed limits are calculated. Algorithms are presented that allow the calculation of the positions of regularly served stations, stops and signals. It is shown that the calculation of positions of approach signals is not possible with the selected algorithms.
Furthermore, algorithms for the calculation of stopping and running times at or between the previously calculated operating points are explained. The information obtained is used in the last part in an algorithm to be able to generate arrival forecasts of specific trips at arbitrary geographical on-track locations.
GPS data are subject to various inaccuracies that must be considered in order to provide meaningful results. The thesis especially deals with the analysis of measurement data regarding their inaccuracies and measurement errors. Therefore, exception and edge case considerations and treatments are a large part of the process of developing appropriate solutions.:1 Einleitung
1.1 Zielsetzung
1.1.1 Aufgabenstellung
1.1.2 Anwendungsfälle
1.2 Datenquelle
1.3 Methodik und Aufbau
1.4 Beschreibung der verwendeten Systemumgebung
2 Begriffsklärungen
3 Vergleichbare Arbeiten
3.1 GNSS zur verbesserten Echtzeitlokalisierung von Fahrzeugen
3.2 Einsatz von digitalen Karten und GIS zusätzlich zu GNSS
3.3 Vermessung von Gleisstrecken mittels GNSS
3.4 Einordnung der Arbeit
4 Beschreibung und Vorbereitung der Rohdaten
4.1 Aufbau der GPRMC-Rohdaten
4.2 Konvertierung der Rohdaten
4.2.1 Vorbereitung der Logdateien
4.2.2 Import der Logdatei
4.2.3 Anlegen von Indexes
4.2.4 Materialisierte Sichten
5 Clustering der Daten 23
5.1 Temporaler Schnitt der Daten
5.2 Ansatz 1: k-Means-Clustering
5.2.1 Definition
5.2.2 Berechnung der Cluster
5.2.3 Fazit
5.3 Ansatz 2: Dichtebasiertes Clustering
5.3.1 Definition
5.3.2 Fazit
5.4 Ansatz 3: Gruppieren nach Koordinatenwerten - Rasterbasiertes Clustering
5.4.1 Berechnung der Cluster
5.4.2 Vorteile des Verfahrens
5.4.3 Nachteile des Verfahrens
5.4.4 Fazit
5.5 Ansatz 4: Snap-To-Track
5.5.1 Vorbereitung der Daten
5.5.2 Clustering
5.5.3 Vorteile des Verfahrens
5.5.4 Nachteile des Verfahrens
5.5.5 Fazit
5.6 Vergleich: Rasterbasiertes Clustering und Snap-To-Track
5.6.1 Fazit
6 Auswertungen mit rasterbasierten Clustern
6.1 Informationen aus Durchschnittsgeschwindigkeiten
6.2 Informationen aus Maximalgeschwindigkeiten
6.3 Informationen aus Standardabweichung der Geschwindigkeiten
7 Kontextabhängige Optimierungen der Datenmenge
7.1 Reduzierung von Datensätzen mit 0 km/h-Messungen
7.2 Zusammenführung mehrerer Messreihen
7.2.1 Zusammenführung von zwei Messreihen
7.2.2 Zusammenführung von mehr als zwei Messreihen
7.2.3 Fazit
8 Berechnung von Infrastruktur
8.1 Kriterien für die zu ermittelnde Infrastruktur
8.2 Regelmäßig bediente Betriebsstellen
8.2.1 Abfrage von Referenzdaten
8.2.2 Grundlage: Rasterbasiertes Clustering
8.2.2.1 Ergebnisse
8.2.3 Grundlage: Snap-To-Track-Clustering
8.2.3.1 Ergebnisse und Nachbesserungen
8.2.4 Vergleich beider Verfahren
8.2.5 Fazit
8.3 Berechnung der Ausrichtung der Betriebsstellen
8.3.1 Vergleichsfunktion für Richtungsangaben
8.3.2 Fazit
8.4 Berechnung von Haupt- und Vorsignalen, sowie Geschwindkeitsbeschränkungen
8.4.1 Berechnung von Haupt- und Vorsignalen für eine einzelne Fahrt
8.4.1.1 Beschreibung des Algorithmus für Signale
8.4.1.2 Umsetzung des Algorithmus für Signale als Datenbankabfrage
8.4.1.3 Beschreibung des Algorithmus für Geschwindigkeitsbeschränkungen
8.4.1.4 Einordnung des Algorithmus und Fazit
8.4.2 Berechnung von Haupt- und Vorsignalen für alle Fahrten
8.4.2.1 Berechnung der Positionen der Hauptsignale
8.4.2.2 Fazit
8.4.3 Berechnung von Geschwindigkeitsbeschränkungen für alle Fahrten
8.4.3.1 Beschreibung des Algorithmus
8.4.3.2 Umsetzung des Algorithmus als Datenbankabfrage
8.4.3.3 Fazit
9 Berechnung von betrieblichen Aspekten
9.1 Haltezeiten an Betriebsstellen
9.1.1 Auswirkungen der verwendeten Clusteringverfahren und Daten auf die Haltezeitberechnungen
9.1.2 Fazit
9.2 Fahrzeit zwischen Betriebsstellen
9.2.1 Fazit
9.3 Berechnung der Entfernungen zwischen Betriebsstellen
9.3.1 Beschreibung des Algorithmus
9.3.2 Umsetzung des Algorithmus als Datenbankabfrage
9.3.3 Fazit
9.4 Einordnung einzelner Fahrten
9.4.1 Beschreibung des Algorithmus
9.4.2 Umsetzung des Algorithmus als Datenbankabfrage
9.4.3 Beschreibung eines genaueren Algorithmus
9.4.4 Umsetzung des genaueren Algorithmus als Datenbankabfrage
9.4.5 Fazit
9.5 Ankunftsprognosen
9.5.1 Umsetzung des Algorithmus als Datenbankabfrage
9.5.2 Fazit
10 Ausblick
10.1 Offene Fragen der Arbeit
10.1.1 Unregelmäßig oder nur in eine Richtung bediente Haltepunkte, Bedarfshaltepunkte
10.1.2 Nutzung der Standardabweichungen für Geschwindigkeitswerte
10.1.3 Verifikation der berechneten Signalstandorte
10.1.4 Anpassung der gespeicherten Werte
10.1.5 Gleisscharfe Abfragen
10.2 Verbesserungen der demonstrierten Abfragen
10.2.1 Optimierung der Abfrageparameter bzgl. der Genauigkeit
10.2.2 Verbesserung der Fehlertoleranz
10.3 Einbeziehung anderer Forschungsarbeiten
10.4 Big Data, Machine Learning
11 Zusammenfassung und Fazit
11.1 Zusammenfassung der Kapitel
11.2 Fazit der Arbeit
Anhang
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:88918 |
| Date | 09 January 2024 |
| Creators | Lorenz, Mark |
| Contributors | Krimmling, Jürgen, Queck, Elena, Technische Universität Dresden |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | German |
| Detected Language | German |
| Type | info:eu-repo/semantics/publishedVersion, doc-type:doctoralThesis, info:eu-repo/semantics/doctoralThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0028 seconds