In der vorliegenden Arbeit wird der Wettereinfluss auf das Verkehrsaufkommen und die Verkehrslage auf Autobahnen untersucht. Fundierte Aussagen über die zu erwartende Verkehrslage sind die Grundlage, um mithilfe verkehrsplanerischer und betrieblicher Maßnahmen sowie Information der Verkehrsteilnehmer die verkehrlichen Abläufe zu optimieren. Verkehrsmodelle erlauben es, diese fundierten Aussagen bezüglich der zu erwartenden Verkehrslage zu treffen. Die Verkehrslage wird durch das Verkehrsaufkommen und die Kapazität bzw. die Fahrzeit bestimmt. Für eine adäquate Modellierung der Verkehrslage ist es unabdingbar, die wesentlichen Einflussgrößen dieser Kenngrößen zu beachten. Eine dieser Einflussgrößen ist zweifelsohne das Wetter: Niederschlag beeinflusst z. B. die Sichtweite und führt zu einem veränderten Fahrverhalten bezüglich gewählten Abstand und Geschwindigkeit und beeinflusst somit Fahrzeit und Kapazität. Sonnenschein und angenehme Temperaturen führen an Wochenenden zu vermehrten Ausflügen und beeinflussen folglich das Verkehrsaufkommen. Die genannten Effekte wurden bisher mit verschiedensten statistischen Methoden identifiziert, die sich ausschließlich auf Untersuchungen ausgesuchter Messquerschnitte oder Befragungen stützen. Es fehlen jedoch Aussagen zur räumlichen Übertragbarkeit dieser punktuellen Ergebnisse. Ansätze zu einer Integration in die Verkehrsmodellierung sind ebenfalls nicht vorhanden, sodass eine wetterabhängige Prognose des Verkehrsaufkommens und der Verkehrslage derzeit nicht möglich ist. Ziel dieser Arbeit ist es daher, den Einfluss des Wetters auf das Verkehrsaufkommen zu quantifizieren und Methoden zu entwickeln, die eine wetterabhängige Prognose der Verkehrsstärke ermöglichen. Darüber hinaus wird geprüft, inwiefern eine Integration des Wetters in Verkehrsmodelle deren Prognosequalität verbessert. Im Gegensatz zu den vorherigen Untersuchungen stützt sich die vorliegende Arbeit nicht nur auf punktuelle Analysen, sondern auf eine großräumige empirische Datenbasis. Die Datenbasis bezieht sich fast ausschließlich auf Autobahnen. Somit sind mit dieser Datenbasis netzbezogene Analysen und Prognosen des Verkehrsaufkommens und der Verkehrslage auf Autobahnen möglich. Das Untersuchungsgebiet befindet sich im südöstlichen Bayern zwischen München, Salzburg und Kufstein und umfasst ca. 300 Autobahnkilometer. Für die Untersuchungen stehen lokale Geschwindigkeits- und Verkehrsstärkedaten aus ca. 100 Detektoren, lokale und regionale Wetterdaten sowie Unfall- und Baustellendaten für einen Zeitraum von vier Jahren zur Verfügung. Außerdem wurde an vier richtungsbezogenen Querschnitten über ein Jahr eine Vollerfassung der Kfz-Kennzeichen durchgeführt. Aus den Kennzeichendaten werden abschnittsbezogene Fahrzeiten und Informationen zur Herkunft der Fahrzeuge abgeleitet. Zunächst erfolgt die Untersuchung des Wettereinflusses und die Identifikation weiterer Einflussgrößen auf das Verkehrsaufkommen mittels Regressions- und Clusteranalyse sowie eine Auswertung der deutschlandweiten Haushaltsbefragung Mobilität in Deutschland. Dazu werden mittels einer deskriptiven Datenanalyse Hypothesen bezüglich möglicher Einflussfaktoren, u. a. Wochentag, Schulferien oder Feiertage, abgeleitet, die mithilfe der benannten Methoden überprüft werden. Als Datengrundlage werden die lokalen Verkehrsstärkedaten und die Kennzeichendaten sowohl auf Stunden- als auch auf Tagesebene herangezogen. Die Analyse liefert die folgenden Erkenntnisse: • Mit der Regressions- und Clusteranalyse können als wesentliche Einflussfaktoren, neben den Wochentagen, die überregionalen Urlaubsverkehre aus Deutschland und den europäischen Nachbarländern identifiziert werden. Vor allem an Freitagen und Samstagen steigt das Tagesverkehrsaufkommen in den Winter- und Sommermonaten zum Teil um mehr als 50 %. Dabei treten auch außerhalb der Schulferien Urlaubsverkehre mit signifikantem Einfluss auf das Tagesverkehrsaufkommen auf. • Die Ergebnisse der Regressionsanalyse zeigen außerdem einen signifikanten Einfluss des Wetters auf das Tagesverkehrsaufkommen. Die qualitative und quantitative Ausprägung des Wettereinflusses ist dabei abhängig vom Wochentag, der Tageszeit und der räumlichen Lage der untersuchten Strecke in Bezug auf Ballungsräume und Gebiete mit hohem Freizeitwert. Besonders gutes Wetter führt tendenziell zu einem erhöhten Verkehrsaufkommen (bis zu +8 % des Tagesverkehrsaufkommens) und schlechtes Wetter beeinflusst das Verkehrsaufkommen negativ (bis zu -10 % des Tagesverkehrsaufkommens). Die Wettereffekte sind an Samstagen und Sonntagen besonders ausgeprägt und nehmen mit wachsender Entfernung zum Ballungsraum ab. • Mittels Clusteranalyse ist der Einfluss des Wetters auf das gesamte Tagesverkehrsaufkommen hingegen nicht nachweisbar. Die Clusteranalyse zeigt lediglich für die separate Betrachtung des Regionalverkehrs einen Wettereinfluss auf den Verlauf der stündlichen Tagesganglinien. • Die Auswertung der Haushaltsbetrachtung untermauert die Hypothese, dass vor allem Freizeitverkehre vom Wetter beeinflusst werden. Die Anzahl der durchgeführten Freizeitwege mit dem PKW erhöht sich bei sehr gutem Wetter (bis +70%) und verringert sich tendenziell bei schlechtem Wetter (bis -26 %). Auch hier ist der Effekt an Samstagen und Sonntagen am deutlichsten ausgeprägt. Außerdem steigt die mittlere Reiseweite der mit dem PKW durchgeführten Freizeitwege bei sehr gutem Wetter gegenüber durchschnittlichem Wetter von 15,1 km auf 16,8 km an. Bei schlechtem Wetter fällt die mittlere Reiseweite hingegen auf 13,8 km ab. Aufbauend auf den Analyseergebnissen wird eine wetterabhängige Prognose der stündlichen Verkehrsstärke eines gesamten Jahres mittels der folgenden vier alternativen Modellansätze durchgeführt: • Regressionsmodell: Die kalendarischen Ereignisse und das beobachtete Wetter werden durch binäre Variablen in einem linearen Regressionsmodell beschrieben. Für jeden Verkehrsdetektor werden für jeden Wochentag und jede Stunde separate Regressionsmodelle geschätzt und eine Prognose durchgeführt. • Clusterbasiertes Modell: Es werden Netzganglinien, bestehend aus lokalen stündlichen Verkehrsstärkedaten, geclustert. Für jeden Prognosetag eines Jahres wird anhand der kalendarischen Eigenschaften dieses Tages und der beobachteten Wettersituation die repräsentative Netzganglinie eines Clusters zugordnet und unmittelbar als Prognose verwendet. • Verhaltensbasiertes Verkehrsnachfragemodell: Die wetterabhängige Verkehrsnachfragemodellierung erfolgt auf Basis einer wetterabhängigen Verkehrserzeugung und Zielwahl. Dazu werden Wetterregionen im Untersuchungsgebiet definiert und für verschiedene Wettersituationen neue Gesamtverkehrsmatrizen berechnet. Es werden Korrekturfaktoren bezüglich eines Referenzfalls mit durchschnittlichem Wetter erzeugt. • Modellkombination aus clusterbasiertem Modell und Verkehrsnachfragemodell: Bei der kombinierten Modellierung gehen die unabhängig vom Wetter prognostizierten Netzganglinien als Randsummenbedingung in ein Matrixschätzverfahren ein. Die entstehende Matrix wird anschließend mittel der entstandenen Korrekturfaktoren aus dem Verkehrsnachfragemodell an die vorherrschende Wettersituation angepasst. Die Betrachtung der Prognoseergebnisse zeigt, dass für das Regressionsmodell und die Modellkombination die Prognosequalität durch Einbezug des Wetters erhöht werden kann. Als Qualitätsmaß der Modellprognose wird der mittlere GEH-Wert verwendet. Für das clusterbasierte Modell zeigt sich eine etwas geringere Prognosequalität bei Betrachtung des Wetters. Allerdings wird an Samstagen und Sonntagen die Prognosequalität durch die Betrachtung des Wetters im clusterbasierten Modell öfters verbessert als verschlechtert. Die prognostizierten Verkehrsaufkommen werden daraufhin für eine exemplarische Prognose der Verkehrslage auf einem ausgewählten Netzabschnitt mittels logistischer Regression herangezogen. Die Verkehrsaufkommen aller Modellansätze erweisen sich hierbei als signifikante Einflussfaktoren auf die Verkehrslage. Eine Erhöhung des Verkehrsaufkommens führt dabei zu einer Verschlechterung der Verkehrslage. Ebenfalls signifikanten negativen Einfluss auf die Verkehrslage haben Unfallereignisse, ein hoher Fernverkehrsanteil und Regenereignisse. Abschließend werden die vier Modellansätze anhand eines entwickelten Bewertungsverfahrens hinsichtlich Konsistenz, Verwertbarkeit, Flexibilität, Aufwand und Transparenz evaluiert. Das Regressionsmodell und das clusterbasierte Modell weisen trotz geringen Aufwands eine gute quantitative Realitätsnahe auf. Das Verkehrsnachfragemodell und die Modellkombination sind hingegen mit einem hohen Modellierungsaufwand verbunden, besitzen jedoch eine höhere Konsistenz bezüglich der abgebildeten Wirkungszusammenhänge. Sowohl das Verkehrsnachfragemodell als auch die Modellkombination erlauben außerdem im Gegensatz zum Regressionsmodell und zum clusterbasierten Modell eine Maßnahmenuntersuchung und somit eine fundierte Strategieentwicklung für verschiedene Szenarien. Die Ergebnisse der vorliegenden Arbeit zeigen, dass eine wetterabhängige Prognose des Verkehrsaufkommens mit allen vier Modellansätzen möglich ist. Die Wetterabhängigkeit des Prognosemodells ist jedoch nicht zwingend mit einer Verbesserung der Prognosequalität verbunden. Grundvoraussetzung hierfür ist eine adäquate Modellierung der vermeintlich stärkeren Einflussgrößen, wie z. B. der Urlaubsverkehre. Vor diesem Hintergrund wären einige vertiefende Untersuchungen wünschenswert, z. B. inwieweit die ANPR-Daten genutzt werden können, um überregionale Fahrtenmatrizen abzuleiten und Erkenntnisse zur Prognose der Urlaubsverkehre zu gewinnen.