Nina Thomsen’s research while affiliated with German Aerospace Center (DLR) and other places

Connected and automated driving (CAD) is likely to affect the German transportation system. Three consecutive models assess the effects of private automated vehicles (PAV) and shared automated vehicles (SAV) on car ownership, car stock, and travel demand in 2050 based on different scenarios. Firstly, a car ownership model (COM) estimates car availability at household level including changes in accessibility through CAD. Based on the year of market entry and additional costs, a car stock model (CAST) quantifies the diffusion of CAD within the German car fleet in 2050. Finally, the effects of CAD on transportation volumes and key indicators for SAV services are determined using the national travel demand model of Germany (DEMO). The model results for PAV show an increase in ownership by up to 1% with a 44% diffusion of Level 4+ cars in 2050. They account for over 50% of kilometers driven and increase overall vehicle kilometers traveled by 3%. On the contrary, SAV will reduce car ownership in urban regions by up to 4%, but increase vehicle kilometers traveled by 5%. Automation improves the transportation system and makes traveling easier. But to cope with the environmental implications, it is necessary to provide a political framework which stresses the advantages of CAD.

As macroscopic travel demand models are widespread among regional modelers, it is crucial to develop extensions for new mobility services such as ride-sharing services to assess their effects on the transport system. In a feasible approach that was introduced with previous research, origin-destination network-based paths are transformed to a series of crossed traffic analysis zones (TAZs). These series are compared to find overlapping trajectories to derive ride-sharing potential. However, in national transport models the TAZ sizes are larger than in regional models, which can lead to unrealistically high matching rates because of imprecise path trajectories. This paper presents a modified approach for implementation in the German national transport model, DEMO. The main adjustment is to use population centers as pick-up locations instead of TAZs. Each TAZ includes multiple points. This way, the trajectories of paths can be better differentiated. Another advantage of this method is that intrazonal trips can be distributed between the centers and thus be included in the algorithm. With the successful implementation in DEMO, the effects of new mobility tools in German cities can be evaluated within the same model.

Vor dem Hintergrund der klimaneutralen Mobilität nimmt die Stärkung des ÖV einen hohen Stellenwert ein. Um die Attraktivität vor allem im ländlichen Raum zu steigern, kommen Konzepte zur Verbesserung des Zubringerverkehrs wie On-Demand Feeder zu Bahnhöfen infrage. Mithilfe des makroskopischen Verkehrsnachfragemodells DEMO (DEutschland MOdell, [1]) kann die Effektivität solcher Maßnahmen auf deutschlandweiter Ebene bewertet werden. Der ÖV wird hierbei in PTV Visum modelliert und fokussiert sich auf den Schienenverkehr und Busse. Der Schienenpersonenverkehr (SPV) ist in Form eines Schienennetzes mit hinterlegten Fahrplänen und Linien integriert, entsprechend werden Kenngrößen und Belastungen durch eine Fahrplanfeine Umlegung bestimmt. DEMO umfasst ca. 9.500 Haltestellen und ca. 80.000 Linien, welche über Anbindungen von den 6.633 Bezirken erreichbar sind. Der übrige ÖV wird in Form von Bussen über ein vorgeschaltetes Regressionsmodell berücksichtigt, aus dem entscheidende Kenngrößen wie Reisezeiten, Wartezeiten und Umstiege im Busnetz in Matrixform erzeugt werden. Für den Zugang zum SPV werden beide Modelle in einem Zubringermodell zusammengeführt. Hierbei wird die Attraktivität der Verkehrsmittel Bus, Pkw, Fuß und Rad auf dem Weg zum Bahnhof bestimmt. Dafür werden Anbindungen von den Bezirken zu den nächstgelegenen Haltestellen des Schienenverkehrs gesetzt, auf denen eine Bewertung der Modi mithilfe von Nutzenfunktionen erfolgt. Innerhalb des Zubringermodells ist die Einführung neuer Services wie Feeder möglich, indem die Kenngrößen des Busverkehrs angepasst werden. Eine entsprechende Modellierungskette wurde erfolgreich für einen DEMO-Ausschnitt der Main-Rhön-Region erprobt, welcher insgesamt ca. 4.000 km² und 41 Bezirke sowie 30 Bahnhöfe umfasst. Aus der Nachfrage für Feeder auf den Anbindungen heraus kann eine Fahrtenmatrix abgeleitet werden, für die mit einem Ride-Sharing-Algorithmus ([2]) die daraus resultierenden Fahrzeug-Fahrten, Flottengrößen, Besetzungsgrade und Umwegfaktoren ermittelt werden. Als Startpunkte aus den Bezirken heraus wurden Pick-Up-Punkte definiert, um feingliedrigere Trajektorien zu erhalten (siehe [3]). Damit ist es möglich, Kapazitätseffekte zusätzlicher Fahrzeuge im Netz zu berücksichtigen sowie realistische Zubringerzeiten zu bestimmen. Im Nachfragemodell kann anschließend der Effekt des neuen Angebots auf das Mobilitätsverhalten bestimmt werden. Erste Ergebnisse zeigen, dass die mittlere Reisezeit im ÖV durch Feeder verringert wird. Es ist weiterhin geplant, die Modellierung auf ganz Deutschland zu erweitern. Literatur: [1] Winkler, Christian & Mocanu, Tudor (2017): Methodology and Application of a German National Passenger Transport Model for Future Transport Scenarios. In: Proceedings of the 45th European Transport Conference. European Transport Conference, 4.-6. Okt. 2017, Barcelona, Spanien. [2] Richter, E., Friedrich, M., Migl, A. & Hartleb, J. (2019). Integrating Ride-sharing Services with Automated Vehicles into Macroscopic Travel Demand Models. 6th International Conference on Models and Technologies for Intelligent Transport Systems (MT-ITS), 2019. [3] Thomsen, Nina (2022). Implementing a Ride-Sharing Algorithm in the German National Transport Model (DEMO). Presented at 101st Annual Meeting of the Transportation Research Board, Washington, D.C., 2022.

With transport emissions as a main contributor to global warming and regional air pollution, the spatial distribution of the emissions is important information that can help decision makers to manage health effects caused by air pollution and the climate emergency. A way to successfully distribute road-based transport emissions is to combine travel demand models with emission models, which not only enables the realistic depiction of current emission patterns, but also the forecast of future scenarios (e.g. applied for Germany in [1]). The successful implementation of this approach for central Europe is described in this study. The basis for the modeling framework is a data set with traffic loads on the road network of central European countries. These traffic loads are determined using ULTIMO, a universal transport distribution model based on open data ([2]). The main advantage of ULTIMO is that it can be set up for all European countries, producing spatially distinct traffic flows. Total transport volumes per country, determined by scenario projections as described in [3], are the basis for travel demand. Important data sources for the spatial distribution are the Open Street Map data set, which provides the road network and information about land use, and gridded population data. The determined traffic flows are then combined with emission factors from HBEFA ([4]) to compute emissions per vehicle type and road type. With the emission model HiMEMO (which is currently developed at Hereon) these emissions are spatially and temporally distributed on a grid, using the road network and population density. As a result, HiMEMO produces spatially distinct transport emissions that can serve as input for atmospheric chemistry transport models. References: [1] Matthias, V., Bieser, J., Mocanu, T., Pregger, T., Quante, M., Ramacher, M.O.P., Seum, S. & Winkler, C., Modelling road transport emissions in Germany – Current day situation and scenarios for 2040, Transportation Research Part D, 87(2020), 102536 (2020) [2] Thomsen, N., Seum, S., Using Open Data for Spatial Transport Emission Modelling, ETC 2021 (2021). [3] Seum, S., Eisenmann, C., Projecting Global Land-Base Transportation up to 2100, ETC 2020 (2020) [4] INFRAS, Handbook of Emission Factors for Road Transport HBEFA 4.1, https://www.hbefa.net/d/index.html (2019)

As macroscopic travel demand models are widespread among regional modelers, it is crucial to develop extensions for new mobility services such as ride-sharing services in order to assess their effects on the transport system. Existing methods for regional models are however often limited in their transferability to large-scale travel demand models. With the presented adjustments, the implementation in DEMO is possible in order to evaluate the effects of new mobility tools in German cities.

This paper describes ULTIMO, a transport model that can be set up for any European country using open data sources. With this model, road-based transport is distributed on the road network, enabling detailed determination of transport emissions.

Die Ziele der urbanen Verkehrsplanung sind vor allem von der Diskussion um Nachhaltigkeit geprägt. Dabei ist die Reduktion des Pkw-Verkehrs in Städten ein wichtiger Faktor. Dies kann erreicht werden, indem mit stadt- und verkehrsplanerischen Maßnahmen das Verkehrsverhalten beeinflusst wird. Wie stark die Wirkungen der einzelnen Maßnahmen sein können, kann mithilfe eines Verkehrsmodells bestimmt werden. In diesen Modellen wird die Verkehrsnachfrage durch die vier Stufen Verkehrserzeugung, Verkehrsverteilung, Moduswahl und Umlegung berechnet. Die Ergebnisse der Modellierung werden hinsichtlich ihrer Wirksamkeit bewertet. Dabei sind vor allem der Modal Split, die Veränderungen der Zielwahl und die Unterschiede in den Verkehrsbelastungen in einem Gebiet von entscheidender Bedeutung. Die Trends und Tendenzen aus dem Modell können dazu genutzt werden, Empfehlungen für sinnvolle Maßnahmen zur Reduzierung des Pkw-Verkehrs zu entwickeln. Dieses Paper soll vor allem Modellanwender typischer Verkehrsmodelle ansprechen und motivieren, ihre Modelle auch für extremere Szenarien wie Maut oder Fahrverbote einzusetzen, indem es an einem konkreten Beispiel aufzeigt, wie solche Maßnahmen pragmatisch und mit vertretbarem Aufwand modelliert und ausgewertet werden können. Dabei bleibt der Grundsatz bestehen, dass Modellergebnisse – vor allem bei der Untersuchung neuer Maßnahmen – stets vom Anwender kritisch hinterfragt werden sollten.