Truckresor på motorvägsanläggningar och segment i Tyskland baserat på FCD från 2019

Varför truckresor är viktiga

Varje nätbeställning, butikshylla och fabriksband är beroende av att lastbilarna kommer fram i tid. Men alla som suttit i en motorvägskö vet att restider kan vara mycket oförutsägbara—särskilt för tunga lastbilar som är begränsade till lägre hastigheter och inte enkelt kan ta igen förlorad tid. Denna studie tar itu med det vardagliga problemet i nationell skala: den bygger detaljerade, datadrivna truckrestider för Tysklands motorvägsnät genom att använda miljarder verkliga rörelser från uppkopplade fordon för att visa när och var gods sannolikt blir försenat.

Följa verkliga lastbilar på vägen

I stället för att förlita sig på glesa vägkantssensorer använder forskarna så kallade flytande fordonsdata—signaleringar som skickas av inbyggda navigationssystem och ombordutrustning som registrerar position, tid och hastighet. Bara för 2019 samlade Tysklands motorklubb in mer än 25 miljarder sådana datapunkter från fordon som färdades på motorvägar. Dessa råa signaler länkas först till en digital karta över vägsystemet skapad från öppna kartdata. En specialiserad rutteringsmotor snappar varje GPS-punkt till det mest sannolika vägsegmentet, med hänsyn till fordonets riktning och nätverkets struktur. Detta steg förvandlar ett moln av anonyma punkter till precisa rutter längs 100 meter långa vägstycken.

Att skilja lastbilar från personbilar

Eftersom signalerna kommer från många olika typer av fordon är nästa utmaning att identifiera vilka som är tunga lastbilar. Författarna bygger en databas som beskriver hur snabbt varje anonymt fordon vanligtvis kör på olika typer av vägar. När de plottar dessa hastigheter framträder två tydliga grupper: långsammare fordon som sällan överstiger typiska truckhastigheter, och snabbare fordon som stämmer bättre överens med personbilar. Istället för att enkelt dela upp data i två grupper använder teamet en klustringsmetod som skapar tre hastighetsbaserade grupper. Den extra mellangruppen hjälper till att fånga fordon i blandade eller trängda förhållanden som annars kunde identifieras felaktigt som lastbilar, vilket byter bort lite stickprovsstorlek för renare, mer tillförlitliga truckdata.

Från spridda mätningar till en kontinuerlig bild

Även med miljontals observationer täcker inte data varje lastbil på varje vägsträcka vid varje minut. För att bedöma hur representativt stickprovet är jämför forskarna det med officiella räknestationer som registrerar trafikvolymer och hastigheter. De finner att deras data representerar ungefär 6 % av lastbilarna i genomsnitt, vilket räcker för att beskriva de övergripande förhållandena, särskilt när hastigheter medelvärdesbildas över flera minuter. För att fylla de återstående luckorna tillämpar de en utjämningsmetod som ofta används i trafikforskning och som blandar närliggande observationer i tid och rum. Detta ger en kontinuerlig bild av hur hastigheter utvecklas längs varje motorväg, och avslöjar till exempel långa mitt-på-dagen-közoner där truckhastigheter faller kraftigt för att sedan återhämta sig senare under dagen.

Bygga dynamiska restidstabeller

Med dessa kontinuerliga hastighetsfält kan författarna beräkna hur lång tid en lastbil skulle ta att färdas över varje motorvägssegment vid olika avgångstider. De delar varje anläggning i korta 100‑meterselement och simulerar en lastbil som rör sig från ett element till nästa, och uppdaterar den antagna hastigheten vart tionde minut för att återspegla de senaste trafikförhållandena. På så vis kan en resa som påbörjas före en kö passera genom det trängda området snabbt, medan en som avgår senare drar på sig ökande försening. När de resulterande restiderna jämförs med de som mäts direkt från enskilda lastbilsturer i data är skillnaderna vanligtvis bara några sekunder, med större fel begränsade till ett litet antal ovanliga fall.

Vad detta betyder för vardaglig logistik

Resultatet av detta arbete är en fritt tillgänglig uppsättning detaljerade truckrestider för Tysklands motorvägar, uppdelade per motorväg och segment i tiondels-timmarssteg över typiska vardagar. För avsändare, transportörer och planerare förvandlar dessa data den vaga risken för försening till konkreta siffror som kan byggas in i scheman, ruttplaneringsprogram och kapacitetsplaner. För allmänheten innebär det att samma uppkopplade fordon som redan finns på vägarna tyst kan förse den information som behövs för att driva leveranskedjor mer pålitligt—hjälpa varor att komma fram i tid, minska onödig bränsleförbrukning och utnyttja befintlig motorvägsinfrastruktur bättre utan att lägga en enda ny sensor i marken.

Citering: 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

Nyckelord: truckresor, motorvägsköer, flytande fordonsdata, godstransporter, trafikpålitlighet