Fahrbahnzustand vorhersagen: vier Zustandsgrößen aus drei Erfassungsjahren und der Verkehrsbelastung

Der Zustand einer Bundesautobahn wird in mehrjährigen Abständen erfasst. Zwischen zwei Erfassungen liegt ein blinder Zeitraum, in dem Erhaltungsmaßnahmen geplant und ausgeschrieben werden müssen – auf Grundlage von Daten, die mehrere Jahre alt sind.

Damit ist Straßenerhaltung reaktiv: Sie folgt dem gemessenen Verfall. Eine Prognose würde die Reihenfolge umkehren – Maßnahmen ließen sich dort planen, wo der Zustand voraussichtlich zuerst kritisch wird, statt dort, wo er es bei der letzten Messung war. Genau das war die Aufgabe.

Historische Zustandsdaten der A70 im Abschnitt Schweinfurt – Bamberg – Bayreuth, erfasst in 2009, 2013 und 2017, bereitgestellt vom Bayerischen Staatsministerium für Wohnen, Bauen und Verkehr. Ergänzt um Verkehrsdichtedaten aus 2005, 2010 und 2015.

Prognostiziert wurden vier Zustandsgrößen: allgemeine Unebenheit, Längsebenheitswirkindex, Griffigkeit bei 80 km/h und Fahrbahnschäden durch Rissbildung.

Drei Zeitpunkte sind wenig für eine Zeitreihe. Zustandsdaten aus drei Erfassungen sind die kürzeste Reihe, mit der sich überhaupt ein Verlauf modellieren lässt. Erschwerend kommt hinzu, dass die Verkehrsdichtedaten aus anderen Jahren stammen als die Zustandsdaten – die Reihen liegen also nicht übereinander.

Fehlende Werte in großem Umfang. Aus der Zusammenführung von Erfassungen zu unterschiedlichen Zeitpunkten entstanden erhebliche Datenlücken. Damit umzugehen machte den Großteil der Projektarbeit aus.

Vier Zielgrößen mit unterschiedlichem Verhalten. Griffigkeit, Unebenheit und Rissbildung entwickeln sich nicht gleichartig und hängen unterschiedlich stark von der Belastung ab. Ein Modell, das alle vier gleich behandelt, wird bei mindestens einer daneben liegen.

Datensätze zusammenführen und Lücken behandeln. Verkehrsdichte und Zustandsdaten wurden zusammengeführt. Variablen mit mehr als 50 % fehlenden Werten wurden ausgeschlossen – eine bewusste Entscheidung gegen das Auffüllen von Größen, bei denen die Ergänzung mehr Annahme als Information wäre. Die verbleibenden Lücken wurden imputiert.

Vier Modellansätze im direkten Vergleich. Verglichen wurden ein einfaches neuronales Netz, ein LSTM, ein CNN und die Kombination aus LSTM und CNN. Die Kombination lieferte die besten Kennwerte – nachvollziehbar, weil das LSTM den zeitlichen Verlauf abbildet und das CNN die räumliche Struktur entlang des Streckenverlaufs.

Ergebnis in der Karte, nicht in der Tabelle. Die Prognosen wurden in ArcGIS visualisiert und zeigen die Schwere des Fahrbahnzustands entlang der Strecke – die Form, in der eine Erhaltungsplanung damit arbeitet.

Das kombinierte LSTM-CNN-Modell erreichte ein Bestimmtheitsmaß von 60 % über die vorhergesagten Zustandsgrößen.

Diese Zahl gehört eingeordnet: 60 % erklärte Varianz aus drei Erfassungszeitpunkten, mit zeitlich versetzten Verkehrsdaten und erheblichen Datenlücken, ist für diese Datenlage ein belastbares Ergebnis – und deutlich mehr als das, was eine Fortschreibung des letzten Messwerts leistet. Der Nutzen entsteht nicht daraus, den Zustand exakt zu treffen, sondern daraus, die Reihenfolge der Abschnitte richtig zu bestimmen.

Zustandsprognose aus wenigen Messzeitpunkten und einer Belastungsgröße ist die Aufgabe in jeder Infrastrukturerhaltung: Brücken, Gleiskörper, Leitungsnetze, Kanäle, Industrieanlagen. Die Struktur ist immer dieselbe – seltene, teure Zustandserfassung, kontinuierliche Belastung, Erhaltungsentscheidungen zwischen zwei Messungen. Und die eigentliche Schwierigkeit liegt auch dort nicht im Modell, sondern in der Zusammenführung von Reihen, die nicht übereinander liegen.

Der Engpass war die Datenlage, und dort hat sich am meisten bewegt. Zustandsdaten entstehen heute häufiger und automatisierter, teils aus Sensordaten von Fahrzeugflotten; Belastung lässt sich kontinuierlich statt in Fünfjahresschritten abbilden. Damit wird aus drei Zeitpunkten eine echte Zeitreihe – und die Modellklasse, die wir damals gewählt haben, entfaltet ihren Vorteil erst dann. Beim Umgang mit Lücken würden wir heute Verfahren einsetzen, die die Unsicherheit aus der Imputation mitführen, statt einen ergänzten Wert wie einen gemessenen zu behandeln. Und wir würden die Prognose mit einem Unsicherheitsintervall je Abschnitt ausweisen: Für eine Erhaltungsentscheidung ist die Aussage, dass ein Abschnitt mit hoher Wahrscheinlichkeit vor einem anderen kritisch wird, wertvoller als ein Punktwert. Was gleich geblieben ist: Ohne Zusammenführung der Zustands- und Belastungsdaten gibt es keine Prognose. Das ist Datenarbeit, nicht Modellierung.