基于2019年FCD的德国高速公路设施与路段卡车行程时间

为什么卡车行程时间很重要

每一笔在线订单、超市货架和工厂生产线都依赖卡车按预期到达。然而，任何在高速公路堵车中度过时间的人都知道，行程时间可能极其难以预测——尤其是对于受限于较低车速且难以弥补延误的大型卡车。本研究在国家尺度上解决了这一日常问题：利用来自联网车辆的数十亿条真实行驶数据，构建了德国高速公路网络的详细、数据驱动的卡车行程时间，以揭示货运何时何地可能发生延误。

跟踪真实上路的卡车

研究人员没有依赖稀疏的路边传感器，而是使用所谓的浮动车辆数据——由车载导航系统和车载单元发送的记录位置、时间和速度的信号。仅2019年，德国汽车俱乐部就收集了来自在高速公路上行驶车辆的超过250亿条此类数据点。这些原始信号首先被关联到基于开放地图数据构建的公路系统数字地图上。一个专门的路由引擎会将每个GPS点“贴合”到最可能的路段上，同时考虑车辆行驶方向和路网结构。这一步把一团匿名的点云转化为沿着每段100米道路的精确路径。

将卡车与小汽车区分开来

由于信号来自多种类型的车辆，下一项挑战是识别哪些是重型卡车。作者构建了一个数据库，描述每辆匿名车辆在不同道路类型上的典型行驶速度。当他们绘制这些速度时，会出现两类明显的群体：很少超过典型卡车速度的较慢车辆，以及更符合乘用车速度的较快车辆。研究团队并未简单地将数据切分为两组，而是使用了一种聚类方法，将车辆按速度分为三类。额外的中间组有助于捕捉在混合或拥堵条件下的车辆，这些车辆否则可能被误判为卡车——以牺牲部分样本量为代价，换来更干净、更可靠的卡车数据。

从零散观测到连续图景

即便拥有数百万条观测，数据仍无法覆盖每一分钟每一段路上所有卡车。为评估样本的代表性，研究人员将其与记录车流量和速度的官方计数站进行比较。他们发现这些数据平均代表了大约6%的卡车，这足以描述整体状况，尤其是在将速度按数分钟平均时。为填补剩余空白，他们采用了交通研究中广泛使用的一种平滑方法，将空间和时间上相近的观测进行融合。这产生了沿每条高速公路速度如何演变的连续图景，例如揭示午间长时间的拥堵带，在那里卡车速度急剧下降，然后在一天晚些时候恢复。

构建动态行程时间表

有了这些连续的速度场，作者计算了卡车在不同出发时间穿越每个高速公路路段所需的时间。他们将每条设施划分为短的100米单元，模拟卡车从一个单元移动到下一个时，每十分钟更新一次假定速度以反映最新的交通状况。这样，提前通过拥堵区的行程可能快速通过，而晚些出发的行程则会积累越来越多的延误。当所得行程时间与数据中直接测量的单个卡车行程进行比较时，差异通常只有几秒钟，较大的误差仅出现在少数异常情况中。

对日常物流的意义

这项工作的成果是一个可自由获取的、按高速公路和路段分解并以十分钟为步长覆盖典型工作日的详细德国高速公路卡车行程时间集。对托运人、承运人和规划者而言，这些数据将模糊的延误风险转化为可以纳入时刻表、路径规划软件和运力规划的具体数字。对公众来说，这意味着已在路上的联网车辆可以静默地提供运行供应链所需的信息——帮助货物按时到达、减少燃油浪费，并在不铺设任何新传感器的情况下更好地利用现有高速公路基础设施。

引用: 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

关键词: 卡车行程时间, 高速公路拥堵, 浮动车辆数据, 货运物流, 交通可靠性