Die Bundesanstalt für Straßenwesen (BASt) bringt zum Ende jeden Jahres eine Prognose der Unfall- und Verunglücktenzahlen des noch laufenden Jahres heraus, um so über die Entwicklung der Verkehrssicherheit in Deutschland Bilanz ziehen zu können. Dabei wird das Unfallgeschehen nach dem Schweregrad der Konsequenzen, der Ortslage sowie Alter und Art der Verkehrsbeteiligung der Verunglückten in 27 Zeitreihen unterteilt. Zu diesem Zeitpunkt sind die Daten lediglich für die ersten acht oder neun Monate erhältlich. Um Bilanz zu ziehen, werden die Anzahlen der letzten drei oder vier Monate prognostiziert. Gesamtziel des hier beschriebenen Forschungsvorhabens ist die Optimierung der jährlichen Unfallprognosen durch Anwendung von strukturellen Zeitreihenmodellen, bei denen die Vorhersagen aus dem Trend der vorliegenden Monate, und der Dynamik der vorhergehenden Jahre abgeleitet werden. Um dem Einfluss der Witterungsverhältnisse Rechnung zu tragen, werden dabei meteorologische Variablen in das Vorhersagemodell aufgenommen. Um die Modelle zu testen, werden die endgültigen Daten der letzten 15 Jahre jeweils aus den vorläufigen Daten der ersten Monate vorhergesagt und mit den tatsächlich beobachteten endgültigen Unfall- und Verunglücktenzahlen verglichen. Die Resultate zeigen, dass im Vergleich zu den bisherigen Vorhersagen mithilfe der hier vorgestellten Modelle die Vorhersagen für 25 der 27 Reihen präziser werden. Lediglich zwei Reihen zeigen einen leichten Anstieg des Vorhersagefehlers. Beim Vergleich von Modellen mit und ohne meteorologischen Variablen zeigt sich, dass 23 der 27 Reihen besser vorhergesagt werden können, wenn man das Wetter berücksichtigt. Neben der verbesserten Vorhersage ermöglicht die Aufnahme der Wettervariablen auch eine Einschätzung, wie groß der Einfluss der Witterungsgegebenheiten auf das Unfallgeschehen ist. Es zeigt sich also, dass die Anwendung von strukturellen Zeitreihenmodellen und die Berücksichtigung von meteorologischen Variablen zu einer deutlichen Verbesserung der Vorhersagegenauigkeit führen. Die Verbesserung der Vorhersagen durch die Aufnahme von Wettervariablen bestätigt nochmals den Einfluss der Witterungsumstände auf das Unfallgeschehen.
At the end of each year, the German Federal Highway Research Institute (BASt) draws the balance of the road-safety development by forecasting the accident and casualty numbers of the closing year. They describe the development of 27 time-series of accident and casualty numbers disaggregated by road user types, age groups, type of road and the consequences of the accidents. However, at the time of publishing, these series are only available for the first eight or nine months. To make the balance for the whole year, the last three or four months are forecasted. The objective of this study was to improve the accuracy of these forecasts through structural time-series models which derive the forecasts for the remaining months from the trend observed in the first months of the year and the dynamics of the earlier development. To take the weather conditions into account, meteorological variables are included into the forecasting model. To test the models, the final data of the last 15 years were predicted from the preliminary data of the first months for each year. These predictions were compared to the actually observed final numbers of accidents and casualties. The results show that, compared to the earlier heuristic approach, 25 out of the 27 time-series are forecasted more precisely by the models presented. Only two series show a slightly increasing prediction error. When comparing models with and without meteorological variables, 23 out of 27 series were predicted more accurately when taking the weather into account. Apart from increasing the forecasting precision, the inclusion of meteorological variables also allows estimating to what extent changes in the observed numbers of accidents and casualties can be attributed to the specific weather condition in a particular month. We conclude that structural time series modelling and the inclusion of meteorological Variables clearly improves the forecasting precision in the year-end prognosis of the German accident and casualty numbers. The improved prediction due to the inclusion of meteorological variables confirms the dependence of these numbers on the weather condition throughout the year.
Zeitreihenmodelle mit meteorologischen Variablen zur Prognose von Unfallzahlen.
Time-series models with meteorological variables to forecast accident figures
2017-12-14
Buch
Elektronische Ressource
Deutsch
DDC: | 310 |
Zeitreihenmodelle mit metrologischen Variablen zur Prognose von Unfallzahlen
TIBKAT | 2017
|KfV - Motion 55+ . Prognose Unfallzahlen Österreich 2008
Online Contents | 2009
KfV - Prognose der Unfallzahlen 2009 . EU-Projekt PROLOGUE gestartet
Online Contents | 2010