זמני נסיעה למשאיות על נתיבי אגרה ומקטעים בגרמניה מבוססי FCD משנת 2019

מדוע זמן נסיעה של משאיות חשוב

כל הזמנה מקוונת, מדף בסופר ובית חרושת תלויים בהגעת המשאיות בזמן. עם זאת, כל מי שישב כשעת עומס בכביש מהיר יודע כי זמני הנסיעה יכולים להיות בלתי צפויים באופן קיצוני — במיוחד למשאיות כבדות המוגבלות למהירויות נמוכות יותר ואינן יכולות בקלות לפצות על עיכובים. המחקר הזה מתמודד עם הבעיה היומיומית ברמת מדינה: הוא בונה זמני נסיעה מפורטים ומבוססי נתונים לרשת המהירויות בגרמניה, תוך שימוש במיליארדי תימצאים אמיתיים מכלי רכב מחוברים כדי לחשוף מתי והיכן סביר שהמשלוחים יתעכבו.

מעקב אחרי משאיות אמיתיות על הכביש

במקום להסתמך על חיישנים מפוזרים בצידי הדרך, החוקרים משתמשים במה שמכונה נתוני רכב צף — אותות הנשלחים על ידי מערכות ניווט ברכב ויחידות על־גבי הרכב הרושמות מיקום, זמן ומהירות. לשנת 2019 בלבד, מועדון הרכב הגרמני אסף יותר מ-25 מיליארד נקודות נתונים כאלה מכלי רכב שנסעו בכבישים המהירים. האותות הגולמיים מקושרים תחילה למפת דיגיטלית של מערכת הכבישים שנבנתה מנתוני מיפוי פתוחים. מנוע ניתוב מיוחד 'מצמיד' כל נקודת GPS למקטע הכביש הסביר ביותר, בהתחשב בכיוון הנסיעה ובמבנה הרשת. שלב זה הופך ענן של נקודות אנונימיות לנתיבים מדויקים לאורך קטעי כביש באורך של 100 מטר.

הפרדה בין משאיות למכוניות

מכיוון שהאותות מגיעים מסוגי כלי רכב שונים, האתגר הבא הוא לזהות אילו מהם הם משאיות כבדות. החוקרים בונים מאגר שמתאר באיזו מהירות כל כלי רכב אנונימי נוהג בדרך כלל על סוגי כבישים שונים. כאשר הם מציירים את מהירויות אלה, מופיעות שתי קבוצות ברורות: כלי רכב איטיים שלרוב אינם עוברים את מהירויות המשאיות האופייניות, וכלי רכב מהירים יותר שתואמים יותר לרכבי נוסעים. במקום לחתוך פשוט את הנתונים לשתי קבוצות, הצוות משתמש בשיטת אשכולות שיוצרת שלוש קבוצות מבוססות מהירות. הקבוצה הנוספת האמצעית מסייעת ללכוד כלי רכב במצבים מעורבים או בדרגת צפיפות שיכולים אחרת להיות מזוהים בטעות כמשאיות, ומקנה אומדן קטן יותר של גודל המדגם תמורת נתוני משאיות נקיים ואמינים יותר.

מקריאות מפוזרות לתמונה רציפה

גם עם מיליוני תצפיות, הנתונים אינם מכסים כל משאית בכל קטע כביש בכל דקה. כדי להעריך עד כמה המדגם מייצג את האוכלוסייה הכוללת, החוקרים משווים אותו לעמדות ספירה רשמיות שמקליטות נפחי תנועה ומהירויות. הם מגלים שהנתונים שלהם מייצגים בערך 6% מהמשאיות בממוצע, וזה מספיק לתיאור תנאים כלליים, במיוחד כאשר המהירויות ממוצעות על פני מספר דקות. כדי למלא את החורים הנותרים הם מיישמים שיטת החלקה שנמצאת בשימוש נרחב במחקרי תנועה, הממזגת תצפיות סמוכות במרחב ובזמן. כך נוצרת תמונה רציפה של כיצד המהירויות מתפתחות לאורך כל כביש מהיר, וחושפת, למשל, אזורי צפיפות ארוכים בשעות הצהריים שבהם מהירות המשאיות צונחת בחדות לפני שמחודשת מאוחר יותר ביום.

בניית טבלאות זמן נסיעה דינמיות

מצוידים בשדות מהירות רציפים אלה, המחברים מחשבים כמה זמן תיקח למשאית לעבור כל מקטע כביש בזמני יציאה שונים. הם מחלקים כל נתיב ליחידות קצרות באורך 100 מטר ומדמים משאית הנעה מיחידה ליחידה, ומשדרגים את מהירות ההנחה בכל עשר דקות כדי לשקף את תנאי התנועה העדכניים. כך, נסיעה שמתחילה לפני פקק עלולה לעבור במהירות דרך האזור הצפוף, בעוד שנסיעה היוצאת מאוחר יותר תצטבר בה עיכוב גובר. כאשר משווים את זמני הנסיעה המתקבלים לאלו שנמדדו ישירות מטיולי משאיות בודדים בנתונים, ההבדלים בדרך כלל עומדים על שניות ספורות בלבד, והשגיאות הגדולות יותר מוגבלות למספר קטן של מקרים יוצאי דופן.

מה משמעות הדבר ללוגיסטיקה היומיומית

תוצאת העבודה היא סט נגיש בחינם של זמני נסיעה מפורטים למשאיות בכבישים המהירים של גרמניה, מפורקים לפי נתיב ומקטע בצעדי עשר דקות לאורך ימי עבודה טיפוסיים. עבור מטענים, מפעילים ומתכננים, נתונים אלה ממירים את הסיכון המעורפל של עיכוב למספרים מוחשיים שניתן לשלב בלוחות זמנים, בתוכנות ניתוב ובתוכניות קיבולת. עבור הציבור הרחב, זה אומר שהרכבים המחוברים שכבר נוסעים על כבישי הארץ יכולים בשקט להעניק את המידע הדרוש להרצת שרשרת האספקה באופן מהימן יותר — לעזור לסחורות להגיע בזמן, להפחית בזבוז דלק, ולעשות שימוש טוב יותר בתשתית הכבישים הקיימת בלי להציב חיישן יחיד חדש בקרקע.

ציטוט: 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

מילות מפתח: זמן נסיעה של משאית, צפיפות בכבישים מהירים, נתוני רכב צף, לוגיסטיקת הובלות, אמינות תנועה