Lkw-Fahrzeiten auf Autobahnabschnitten in Deutschland basierend auf FCD aus dem Jahr 2019

Warum Lkw-Fahrzeit wichtig ist

Jede Online-Bestellung, jedes Supermarktregal und jede Fabriklinie ist darauf angewiesen, dass Lkw zur erwarteten Zeit ankommen. Wer schon einmal im Autobahnstau saß, weiß jedoch, dass Fahrzeiten stark variieren können – besonders bei schweren Lkw, die auf geringere Geschwindigkeiten beschränkt sind und Verzögerungen nur schwer aufholen können. Diese Studie geht dieses alltägliche Problem auf nationaler Ebene an: Sie erstellt detaillierte, datengestützte Lkw-Fahrzeiten für das deutsche Autobahnnetz und nutzt dafür Milliarden realer Bewegungen vernetzter Fahrzeuge, um aufzuzeigen, wann und wo der Güterverkehr wahrscheinlich verzögert wird.

Den realen Lkw auf der Straße folgen

Statt sich auf spärlich verteilte Straßenrand-Sensoren zu verlassen, verwenden die Forschenden sogenannte Floating-Car-Daten – Signale, die von Navigationssystemen und Onboard-Geräten im Fahrzeug gesendet werden und Position, Zeit und Geschwindigkeit aufzeichnen. Für das Jahr 2019 sammelte der Automobilclub in Deutschland mehr als 25 Milliarden solcher Datenpunkte von Fahrzeugen auf Autobahnen. Diese Rohsignale werden zunächst mit einer digitalen Karte des Autobahnnetzes verknüpft, die aus offenen Kartendaten erstellt wurde. Eine spezialisierte Routing-Engine legt jeden GPS-Punkt auf das wahrscheinlichste Straßenstück, wobei Fahrtrichtung und Netzstruktur berücksichtigt werden. Dieser Schritt verwandelt eine Wolke an anonymen Punkten in präzise Fahrspuren entlang 100 Meter langer Straßenstücke.

Lkw von Pkw unterscheiden

Da die Signale von vielen Fahrzeugtypen stammen, besteht die nächste Herausforderung darin, die schweren Lkw zu identifizieren. Die Autorinnen und Autoren erstellen eine Datenbank, die beschreibt, wie schnell sich jedes anonyme Fahrzeug typischerweise auf verschiedenen Straßentypen bewegt. Beim Plotten dieser Geschwindigkeiten zeichnen sich zwei klare Gruppen ab: langsamere Fahrzeuge, die selten typische Lkw-Geschwindigkeiten überschreiten, und schnellere, die eher zu Pkw passen. Statt die Daten einfach in zwei Gruppen zu teilen, verwendet das Team ein Clustering-Verfahren, das drei geschwindigkeitsbasierte Gruppen erzeugt. Die zusätzliche mittlere Gruppe hilft, Fahrzeuge in gemischten oder verkehrsbedingten Situationen zu erfassen, die sonst fälschlich als Lkw erkannt würden, und opfert dabei etwas Stichprobengröße zugunsten sauberer, zuverlässigerer Lkw-Daten.

Von verstreuten Messungen zu einem durchgängigen Bild

Selbst bei Millionen von Beobachtungen decken die Daten nicht jeden Lkw auf jedem Straßenabschnitt zu jeder Minute ab. Um zu beurteilen, wie repräsentativ die Stichprobe ist, vergleichen die Forschenden sie mit offiziellen Zählstellen, die Verkehrsmengen und Geschwindigkeiten aufzeichnen. Sie stellen fest, dass ihre Daten im Mittel etwa 6 % der Lkw repräsentieren, was ausreichend ist, um die Gesamtbedingungen zu beschreiben, insbesondere wenn Geschwindigkeiten über mehrere Minuten gemittelt werden. Um die verbleibenden Lücken zu schließen, wenden sie eine Glättungsmethode an, die in der Verkehrsforschung weit verbreitet ist und nahe Beobachtungen in Raum und Zeit miteinander verknüpft. So entsteht ein durchgängiges Bild davon, wie sich die Geschwindigkeiten entlang jeder Autobahn entwickeln und etwa lange mittägliche Stauzonen zeigen, in denen die Lkw-Geschwindigkeit stark abfällt und sich später wieder erholt.

Aufbau dynamischer Fahrzeit-Tabellen

Mit diesen kontinuierlichen Geschwindigkeitsfeldern berechnen die Autorinnen und Autoren, wie lange ein Lkw benötigen würde, um jedes Autobahnsegment zu unterschiedlichen Abfahrtszeiten zu durchqueren. Sie teilen jede Strecke in kurze 100-Meter-Elemente und simulieren, wie ein Lkw von einem Element zum nächsten fährt, wobei die angenommene Geschwindigkeit alle zehn Minuten aktualisiert wird, um die aktuellen Verkehrsbedingungen widerzuspiegeln. Auf diese Weise kann eine Fahrt, die vor einem Stau beginnt, den belasteten Bereich schnell durchqueren, während eine später startende Fahrt wachsende Verzögerung akkumuliert. Vergleicht man die so ermittelten Fahrzeiten mit denen, die direkt aus einzelnen Lkw-Fahrten in den Daten gemessen wurden, liegen die Abweichungen meist nur im Sekundenbereich; größere Fehler treten nur in einer kleinen Zahl ungewöhnlicher Fälle auf.

Was das für die tägliche Logistik bedeutet

Das Ergebnis dieser Arbeit ist ein frei verfügbares Set detaillierter Lkw-Fahrzeiten für die deutschen Autobahnen, aufgegliedert nach Fahrstrecken und Segmenten in zehnminütigen Schritten an typischen Wochentagen. Für Verlader, Spediteure und Planer verwandeln diese Daten das vage Verzögerungsrisiko in konkrete Zahlen, die in Zeitpläne, Routing-Software und Kapazitätsplanungen einfließen können. Für die Allgemeinheit bedeutet es, dass dieselben vernetzten Fahrzeuge, die bereits auf der Straße sind, stillschweigend die Informationen liefern können, die nötig sind, um Lieferketten zuverlässiger zu betreiben – Waren pünktlicher ankommen zu lassen, Treibstoffverschwendung zu reduzieren und die vorhandene Autobahninfrastruktur besser zu nutzen, ohne einen einzigen neuen Sensor zu installieren.

Zitation: Schlott, M., Abdul, L. & Leerkamp, B. Truck Travel times on freeway facilities and segments in Germany based on FCD from 2019. Sci Data 13, 588 (2026). https://doi.org/10.1038/s41597-026-07198-z

Schlüsselwörter: Lkw-Fahrzeit, Autobahn-Stau, Floating-Car-Data, Güterverkehrslogistik, Verkehrszuverlässigkeit