DE102015203115A1

DE102015203115A1 - Ermitteln von fehlerhaften Konfigurationen von Detektoren und Signalen von Lichtsignalanlagen

Info

Publication number: DE102015203115A1
Application number: DE102015203115.2A
Authority: DE
Inventors: Jürgen Mück
Original assignee: Siemens AG
Current assignee: Yunex GmbH
Priority date: 2015-02-20
Filing date: 2015-02-20
Publication date: 2016-09-08
Anticipated expiration: 2035-02-21
Also published as: DE102015203115B4

Abstract

Es wird ein Verfahren (300) zum Ermitteln von fehlerhaften Konfigurationen von Signalen (SGk) und Detektoren (Dk) einer Lichtsignalanlage beschrieben. Bei dem Verfahren (300) werden den jeweiligen Konfigurationen zugeordnete Messdaten (MD) bezüglich des Verkehrsverhaltens im Umfeld der Lichtsignalanlage erfasst. Auf Basis der empfangenen Messdaten (MD) werden den jeweiligen Konfigurationen zugeordnete Kenngrößen (m1 (k), m2 (k), m3 (k), m4 (k), m5 (k)) erzeugt. Anschließend wird auf Basis eines Vergleichs zwischen den der jeweiligen Konfiguration zugeordneten Kenngrößen (m1 (k), m2 (k), m3 (k), m4 (k), m5 (k)) und einer mit Hilfe eines Trainingsverfahrens (400) gewonnenen Referenz-Datenbasis ermittelt, ob eine Konfiguration fehlerhaft ist. Es wird ferner eine Einrichtung (90) zum Ermitteln von fehlerhaften Konfigurationen von Signalen und Detektoren (Dk) einer Lichtsignalanlage beschrieben. Weiterhin wird auch eine Verkehrsleitzentrale (80) beschrieben.

Description

Die Erfindung betrifft ein Verfahren zum Ermitteln von fehlerhaften Konfigurationen von Signalen und Detektoren einer Lichtsignalanlage. Überdies betrifft die Erfindung auch eine Einrichtung zum Ermitteln von fehlerhaften Konfigurationen von Signalen und Detektoren einer Lichtsignalanlage.
Zudem betrifft die Erfindung eine Verkehrsleitzentrale.
Lichtsignalanlagen, auch Lichtzeichenanlagen genannt, dienen der Steuerung des Straßenverkehrs. Sie ordnen für Verkehrsteilnehmer ein bestimmtes Verhalten an, indem gesteuerte Lichtsignale abgegeben werden. Diese nach Form und Farbe verschiedenartigen Verkehrszeichen haben jeweils eine andere Bedeutung und strahlen nur entgegen der Fahrtrichtung des zu regelnden Verkehrs ab. Der Einsatz von Lichtsignalanlagen hat unterschiedliche Gründe, beispielsweise um den Verkehrsfluss zu verbessern und gefährliche oder gefahrenträchtige Verkehrssituationen zu entschärfen. Um Lichtsignalanlagen auf wechselnde Verkehrssituationen einstellen zu können, sind diese oft mit Detektoren kombiniert, die beispielsweise unter der einem Signal einer Lichtsignalanlage zugeordneten Fahrbahn in einem bestimmten Abstand vor der Haltelinie für die Verkehrsteilnehmer angeordnet sind. Die Detektoren ermitteln das aktuelle, in dem ihnen zugeordneten Bereich auftretende Verkehrsgeschehen, und übermitteln Informationen an eine Steuerungseinrichtung, beispielsweise in einer Verkehrsleitzentrale, welche die Lichtsignalanlage auf Basis der detektierten Situation steuert. Beispielsweise kann der Takt, mit dem die Signale der Lichtsignalanlage umgeschaltet werden, an das detektierte Verkehrsgeschehen angepasst werden. Eine effektive Steuerung der Lichtsignalanlagen kann jedoch nur dann gewährleistet werden, wenn die tatsächliche Konfiguration der Detektoren und Signale der Lichtsignalanlagen bekannt ist. Beispielsweise sollte die bekannte Zuordnung der Detektoren und Signale den tatsächlichen Verhältnissen entsprechen. Ebenso sollte der Abstand der Detektoren zur Haltelinie korrekt angegeben sein.
Die Konfiguration von Detektoren an Lichtsignalanlagen kann verschiedene Fehler aufweisen. Ein Beispiel kann der Anschluss am falschen Eingangskanal im Steuergerät sein. Zudem kann eine Verknüpfung mit der falschen Signalgruppe vorliegen. Weiterhin kann ein falsch versorgter Abstand zwischen Detektor und Haltelinie auftreten. Überdies kann es auch zu einer Zuordnung zu falschen Fahrstreifen in Netzplänen kommen. Solche Fehlkonfigurationen können massive Auswirkungen auf Steuerungen haben, die die Detektordaten verwenden. Vertauschte Detektoren für Anforderung und Bemessung können dazu führen, dass Anforderungen unterbleiben und KFZ-Fahrer bei Rot in den Knoten einfahren müssen. Phasen ohne Verkehr werden verlängert, Phasen mit Zufluss werden vorzeitig beendet. Zudem führen falsche Eingangsdaten zu falschen Schätzergebnissen, zum Beispiel bei Staulängen. Weiterhin kann es auf der Basis von falschen Zählwerten zu falschen Steuerungsentscheidungen kommen. Überdies führen falsche Zählwerte je nach Verfahren zu fehlerhaften Umlegungen und Quelle-Ziel-Schätzungen.
Solche Fehler werden in der Regel nicht erwartet. Sie werden deshalb oft nicht oder nur nach aufwendiger Suche gefunden. Im Extremfall können Steuerungen dadurch nicht vollständig kalibriert werden, ihr Verhalten bleibt teilweise nicht nachvollziehbar. Die Fehler sind auch deshalb nur schwer erkennbar, da die Messsignale der Detektoren für sich technisch durchaus in Ordnung sein können.
Üblicherweise finden während der verschiedenen Konfigurationsschritte der Lichtsignalanlagen im Rahmen der üblichen Anwendung von Sorgfalt Prüfungen statt. Der Techniker vor Ort prüft nach Installation des Detektors, ob im Steuergerät das richtige Lämpchen blinkt, wenn ein Fahrzeug über den Detektor fährt. Zudem prüfen die Inbetriebnehmer von verkehrsabhängigen Lichtsignalanlagen-Steuerungen, ob Phasen sich beenden, wenn keine Fahrzeuge mehr in der Zufahrt befinden.
Teilweise wird von den Verkehrsingenieuren anhand der Muster in der Asphaltdecke geprüft, ob Detektoren optisch etwa in der Position liegen, wie sie im Plan eingezeichnet ist. Alle Prüfungen haben den Charakter von Stichproben und beziehen sich auf die Anteile „vor Ort“, sind also Steuergeräte-nah. Prüfungen im Zentralenbereich sind in der Regel auf die Plausibilität von Ganglinien begrenzt, im Einzelfall kann dadurch noch eine Plausibilitätsprüfung auf stadteinwärts oder stadtauswärts durchgeführt werden.
In Lehnhoff, Nicola: „Überprüfung und Verbesserung der Qualität von automatisch erhobenen Daten an Lichtsignalanlagen", Veröffentlichungen des Instituts für Verkehrswirtschaft, Straßenwesen und Städtebau, Universität Hannover, Band 34, (2005), wird ein Verfahren zur Plausibilätsprüfung von Konfigurationen beschrieben. Dieses Verfahren prüft unter anderem die Plausibilität der aus Detektor- und Signaldaten bestimmten Sättigungsverkehrsstärke, verwendet allerdings verschiedene Parameter und erfordert eine umfassende Vorab-Konfiguration. Es verzichtet auf die Auswertung von ereignisbezogenen Messdaten und kann damit keine Aussagen z.B. zu falsch konfigurierten Detektorabständen ableiten.
In Maier, Peter; Finke, Timo: Quality Assessment and Surveillance of Detector Data – Practical experiences from Traffic IQ, Mobil.TUM 2013 Conference, June 18 & 19, 2013, Munich, wird ein kommerziell entwickeltes Verfahren zur Plausibilitätsprüfung von Konfigurationen beschrieben. Ein solches Verfahren wurde zuletzt im Forschungsprojekt www.traffic-iq.de entwickelt. Neben der Prüfung auf technische Fehler wird über spezielle Ansätze auch auf falsche Zuordnung von Detektoren geprüft. Verwendet wird die Tatsache, dass benachbarte Detektoren ähnliche Verläufe der Verkehrsstärken (Ganglinien) aufweisen sollten. Auch bei diesem Ansatz erfolgt offensichtlich nur eine Verwendung von aggregierten Zählwerten und keine Prüfung auf den Detektorabstand.
Es ist somit eine Aufgabe der vorliegenden Erfindung, eine umfassendere und zuverlässigere Prüfung von Konfigurationen von Detektoren und Signalen von Lichtsignalanlagen zu ermöglichen.
Diese Aufgabe wird durch ein Verfahren gemäß Patentanspruch 1 und durch eine Einrichtung gemäß Patentanspruch 13 sowie durch eine Verkehrsleitzentrale gemäß Patentanspruch 14 gelöst.
Bei dem erfindungsgemäßen Verfahren zum Ermitteln von fehlerhaften Konfigurationen von Signalen und Detektoren einer Lichtsignalanlage werden den jeweiligen Konfigurationen zugeordnete Messdaten bezüglich des Verkehrsverhaltens im Umfeld der Lichtsignalanlage erfasst. Auf Basis der empfangenen Messdaten werden den jeweiligen Konfigurationen zugeordnete Kenngrößen ermittelt. Anschließend wird auf Basis eines Vergleichs zwischen den der jeweiligen Konfiguration zugeordneten Kenngrößen und einer mit Hilfe eines Trainingsverfahrens gewonnenen Referenz-Datenbasis ermittelt, ob eine Konfiguration fehlerhaft ist.
Unter einer Konfiguration sollen der konkrete Aufbau und der funktionelle Zusammenhang der einzelnen Bauelemente, insbesondere der Signale, Detektoren und der Haltelinien einer Lichtanlage verstanden werden. Diese umfassen zum einen die Zuordnung von Detektoren und Signalen und zum anderen auch die Entfernung der Haltelinien von den Detektoren. Die Messdaten können zum Beispiel auf der Basis von ereignisfeinen Datenaufzeichnungen an Detektoren und Signalen ermittelt werden. Die den jeweiligen Konfigurationen zugeordneten Kenngrößen betreffen beispielsweise den Abstand zwischen Detektor und Haltelinie, Mengen von Rotzählwerten und Anfahrdauern, wie sie von Detektoren von Signalanlagen gemessen wurden. Die Rotzählwerte ergeben sich beispielsweise aus einer Kurve betreffend die Anzahl der bei dem Signal „Rot“, d.h. bei einem Sperrsignal eingezählten Fahrzeuge.
Unter einem Trainingsverfahren soll ein Lernverfahren oder auf Selbstorganisation beruhendes Verfahren verstanden werden, welches also ohne festgelegtes Modell Strukturen und funktionale Zusammenhänge erlernen kann.
Mit Hilfe des Vergleichs der den zu prüfenden Konfigurationen zugeordneten Kenngrößen mit der Referenzdaten-Basis wird eine erhöhte Zuverlässigkeit der überprüften Konfigurationen erreicht. Die Zuverlässigkeit und Flexibilität der Prüfung wird dadurch erhöht, dass die zum Vergleich herangezogene Referenz-Datenbasis nicht aus einer Modellvorstellung abgeleitet ist, sondern mit Hilfe eines Trainingsverfahrens gewonnen wurde, da eine solche Datenbasis, welche mit Hilfe eines Trainingsverfahrens gewonnen wurde, leichter anpassbar ist und fehlerhafte Modellvorstellungen auf die Zuverlässigkeit der so gewonnenen Referenz-Datenbasis keinen Einfluss haben. Dies wird auch damit erreicht, dass ausschließlich Messdaten und keine Modelle zur Erstellung der Referenz-Datenbasis in einem Trainingsprozess, beispielsweise basierend auf Selbstorganisation, beitragen.
Die erfindungsgemäße Einrichtung zum Ermitteln von fehlerhaften Konfigurationen von Signalen und Detektoren einer Lichtsignalanlage weist eine Eingangsschnittstelle zum Erfassen von den jeweiligen Konfigurationen zugeordneten Messdaten bezüglich des Verkehrsverhaltens im Umfeld der Lichtsignalanlage auf. Weiterhin umfasst die erfindungsgemäße Einrichtung eine Kenngrößenerzeugungseinheit zum Erzeugen von den jeweiligen Konfigurationen zugeordneten Kenngrößen auf Basis der empfangenen Messdaten. Überdies weist die erfindungsgemäße Einrichtung eine Fehlerermittlungseinheit auf. Die Fehlerermittlungseinheit ist dazu eingerichtet, auf Basis eines Vergleichs zwischen den der jeweiligen Konfiguration zugeordneten Kenngrößen und einer mit Hilfe eines Trainingsverfahrens gewonnenen Referenz-Datenbasis zu ermitteln, ob eine Konfiguration fehlerhaft ist.
Das Erfassen der Messdaten kann zum Beispiel durch Auslesen der Messdaten aus einer Datenbank realisiert sein. Die Referenz-Datenbasis kann zum Beispiel Messdaten bzw. draus gewonnene Referenz-Merkmalsdaten und Referenz-Statusdaten betreffend Lichtsignalanlagen mit einer vergleichbaren Konfiguration wie die der zu überprüfenden Lichtsignalanlagen umfassen.
Die erfindungsgemäße Verkehrsleitzentrale weist eine Detektor/Signal-Empfangseinrichtung zum Empfangen von Daten bezüglich einer Verkehrssituation von Detektoren und Signalen einer Lichtsignalanlage auf und eine Lichtsignalanlagen-Steuerungseinrichtung zum Ansteuern der Lichtsignalanlage. Zudem weist die erfindungsgemäße Verkehrsleitzentrale die erfindungsgemäße Einrichtung zum Ermitteln von fehlerhaften Konfigurationen von Signalen und Detektoren einer Lichtsignalanlage auf.
Die wesentlichen Komponenten der erfindungsgemäßen Einrichtung zum Ermitteln von fehlerhaften Konfigurationen von Signalen und Detektoren einer Lichtsignalanlage können zum überwiegenden Teil in Form von Softwarekomponenten ausgebildet sein. Dies betrifft insbesondere die Kenngrößenerzeugungseinheit und die Fehlerermittlungseinheit. Grundsätzlich können diese Komponenten aber auch zum Teil, insbesondere wenn es um besonders schnelle Berechnungen geht, in Form von softwareunterstützter Hardware, beispielsweise FPGAs oder dergleichen, realisiert sein. Ebenso können die benötigten Schnittstellen, beispielsweise wenn es nur um eine Übernahme von Daten aus anderen Softwarekomponenten geht, als Softwareschnittstellen ausgebildet sein. Sie können aber auch als hardwaremäßig aufgebaute Schnittstellen ausgebildet sein, die durch geeignete Software angesteuert werden.
Eine weitgehend softwaremäßige Realisierung hat den Vorteil, dass auch schon bisher verwendete Datenverarbeitungseinrichtungen in Verkehrsleitzentralen auf einfache Weise durch ein Software-Update nachgerüstet werden können, um auf die erfindungsgemäße Weise zu arbeiten. Insofern wird die Aufgabe auch durch ein Computerprogramm, beispielsweise in Form eines Computerprogrammprodukts, gelöst, welches direkt in einen Speicher einer programmierbaren Speichereinrichtung einer erfindungsgemäßen Verkehrsleitzentrale ladbar ist, mit Programmcodeabschnitten, um alle Schritte des erfindungsgemäßen Verfahrens auszuführen, wenn das Programm in der Speichereinrichtung ausgeführt wird.
Die abhängigen Ansprüche sowie die nachfolgende Beschreibung enthalten jeweils besonders vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung. Dabei können insbesondere die Ansprüche einer Anspruchskategorie auch analog zu den abhängigen Ansprüchen einer anderen Anspruchskategorie weitergebildet sein. Zudem können im Rahmen der Erfindung auch die verschiedenen Merkmale unterschiedlicher Ausführungsbeispiele und Ansprüche auch zu neuen Ausführungsbeispielen kombiniert werden.
In einer bevorzugten Ausgestaltung des erfindungsgemäßen Verfahrens weist das zur Erzeugung der Referenz-Datenbasis verwendete Trainingsverfahren die folgenden Schritte auf: Zunächst wird eine erste Menge von erweiterten Trainings-Merkmalsvektoren erzeugt, welche je einer Konfiguration von Signalen und Detektoren einer Lichtsignalanlage zugeordnet sind. Die erweiterten Trainings-Merkmalsvektoren umfassen Kenngrößen bezüglich des Verkehrsverhaltens im Umfeld der Lichtsignalanlage und Statusdaten bezüglich der betreffenden Konfiguration. Zusätzlich wird eine zweite Menge von künstlich fehlerhaften erweiterten Trainings-Merkmalsvektoren erzeugt, denen eine fehlerhafte Konfiguration von Signalen und Detektoren einer Lichtsignalanlage zugeordnet ist und deren Trainings-Statusdaten bekannt sind. Weiterhin werden die erste Menge und die zweite Menge zu einer Trainingsmenge zusammengeführt. Schließlich wird eine Referenz-Datenbasis mit erweiterten Referenz-Merkmalsvektoren auf Basis der Trainingsmenge gebildet. Die künstlich fehlerhaften erweiterten Trainings-Merkmalsvektoren vervollständigen sozusagen die dem Trainingsverfahren zugrundeliegende Datenbasis, so dass die gebildete Referenz-Datenbasis auch Informationen über fehlerhafte Konfigurationen umfasst.
Unter Merkmalsvektoren sollen die bei dem erfindungsgemäßen Verfahren beschriebenen Vektoren verstanden werden, welche die erfindungsgemäß verwendeten bestimmten Konfigurationen zugeordneten Kenngrößen umfassen. Unter einem erweiterten Merkmalsvektor soll in diesem Zusammenhang ein Vektor verstanden werden, der zusätzlich zu den genannten Kenngrößen auch noch Statusdaten bezüglich der Zuverlässigkeit der anhand der Kenngrößen ermittelten Konfiguration aufweist.
Zusätzlich kann die dem Trainingsverfahren zugrunde liegende Trainingsmenge mit Hilfe einer iterativen Optimierung weiter verbessert bzw. verlässlicher gemacht werden, wobei eine optimierte Trainingsmenge durch Aussondern eines vorbestimmten Anteils der erweiterten Trainings-Merkmalsvektoren, deren Statusdaten nach Vergleich mit der Referenz-Datenbasis die höchste Fehlerwahrscheinlichkeit anzeigen, erzeugt wird, anschließend erneut künstlich fehlerhafte erweiterte Merkmalsvektoren auf Basis der optimierten Trainingsmenge gebildet werden und der Aufbau der Referenz-Datenbasis auf Basis der optimierten Trainingsmenge anschließend wiederholt wird. Die beiden Schritte können mehrmals hintereinander iterativ angewandt werden, um die Verlässlichkeit der Referenz-Datenbasis weiter zu verbessern.
Bei dem erfindungsgemäßen Verfahren können als künstlich fehlerhafte erweiterte Trainings-Merkmalsvektoren erweiterte Trainings-Merkmalsvektoren mit verschiedenen Fehlerarten erzeugt werden.
Bevorzugt umfassen die für das erfindungsgemäße Verfahren verwendeten Messdaten:

– die Anzahl der Fahrzeuge, die sich während der Gesperrt-Zeiten zwischen der einer Konfiguration aus Signal und Detektor zugeordneten Haltlinie und dem Detektor aufstellen, und
– die Zeitdauer von dem Zeitpunkt des Umschaltens auf Freigabe bis zu dem Moment, in dem sich das Fahrzeug, das auf dem Detektor steht, in Bewegung setzt und den Detektor verlässt.

Die mit Hilfe des erfindungsgemäßen Verfahrens erzeugten Kenngrößen umfassen bevorzugt untere und obere Percentilwerte von Verteilungen der empfangenen Messdaten.
In einer Ausgestaltung des erfindungsgemäßen Verfahrens klassifiziert und/oder bewertet die Referenz-Datenbasis erweiterte Merkmalsvektoren, welche eine Konfiguration betreffende Statusdaten und der Konfiguration zugeordnete Kenngrößen umfassen. Anders ausgedrückt, werden mit Hilfe eines Vergleichs mit der Referenz-Datenbasis Aussagen über die Richtigkeit der Statusdaten zu überprüfender erweiterter Merkmalsvektoren ermöglicht.
In einer besonders bevorzugten Ausgestaltung des erfindungsgemäßen Verfahrens umfassen die Statusdaten Informationen bezüglich einer korrekten Konfiguration, Informationen bezüglich einer korrekten Angabe eines Abstands des Detektors zu einer der Konfiguration zugeordneten Haltelinie und Informationen bezüglich einer korrekten Zuordnung eines Detektors zu einem Signal.
In einer besonders praktikablen Ausgestaltung des erfindungsgemäßen Verfahrens umfasst die Referenz-Datenbasis eine selbstorganisierende Karte, wobei ein Wert einer Referenz-Kenngröße beispielsweise einer Farbe an einem Punkt bzw. einer Position einer Kartenschicht entspricht und die erweiterten Referenz-Merkmalsvektoren derart auf der selbstorganisierenden Karte angeordnet werden, dass ähnliche erweiterte Referenz-Merkmalsvektoren nahe beieinander und stark verschiedene erweiterte Referenz-Merkmalsvektoren voneinander entfernt angeordnet sind.
Wird für die Plausibilitätsprüfung bei dem erfindungsgemäßen Verfahren eine selbstorganisierende Karte verwendet, so ist bevorzugt jedem Punkt der selbstorganisierenden Karte ein trainierter erweiterter Referenz-Merkmalsvektor, umfassend Referenz-Kenngrößen und Referenz-Statusdaten, zugeordnet. Dabei soll in diesem konkreten Zusammenhang der Begriff Punkt für eine in diesem Fall mehrschichtige selbstorganisierende Karte als Position der jeweiligen Komponente eines erweiterten Merkmalsvektors in der jeweiligen Schicht der selbstorganisierenden Karte verstanden werden. Die Position bzw. die Koordinaten der Komponenten eines erweiterten Merkmalsvektors ist in den unterschiedlichen Schichten immer dieselbe. Somit wird sowohl eine Position einer Komponente in einer Schicht der selbstorganisierenden Karte durch ein Koordinatenpaar ausgedrückt als auch die Position eines ganzen erweiterten Merkmalsvektors. Im Folgenden wird in diesem Zusammenhang anstatt von „Punkt“ auch nur von „Koordinaten“ gesprochen, um den Begriff von einem Punkt in einer einzigen Schicht der selbstorganisierenden Karte abzugrenzen.
Zudem kann der Vergleich einen Vergleich zwischen den einer jeweiligen untersuchten Konfiguration von Signalen und Detektoren einer Lichtsignalanlage zugeordneten Kenngrößen und den Referenz-Kenngrößen der selbstorganisierenden Karte umfassen. Anders ausgedrückt, findet ein Abgleich von Kenngrößen unter dem Gesichtspunkt einer optimalen Zuordnung eines zu überprüfenden erweiterten Merkmalsvektors und eines erweiterten Referenz-Merkmalsvektors statt.
Bei dem Ermitteln, ob eine Konfiguration fehlerhaft ist, werden bevorzugt die der jeweiligen untersuchten Konfiguration zugeordneten Kenngrößen den Koordinaten der selbstorganisierenden Karte zugeordnet, deren zugeordnete Referenz-Kenngrößen bei dem Vergleich als mit den der jeweiligen untersuchten Konfiguration zugeordneten Kenngrößen am ähnlichsten ermittelt wurden.
Der bei dem erfindungsgemäßen Verfahren angewandte Vergleich kann beispielswiese ein Bilden eines Abstandsmaßes, vorzugsweise einer euklidischen Norm, zwischen einer untersuchten Konfiguration zugeordneten Kenngrößen und den jeweiligen Referenz-Kenngrößen der selbstorganisierenden mehrschichtigen Karte umfassen.
In einer bevorzugten Variante des erfindungsgemäßen Verfahrens wird das Ermitteln, ob eine Konfiguration fehlerhaft ist, in Abhängigkeit von den Referenz-Statusdaten der erweiterten Referenz-Merkmalsvektoren der selbstorganisierenden Karte durchgeführt, deren Referenz-Kenngrößen bei dem Vergleich als mit den der untersuchten Konfiguration zugeordneten Kenngrößen am ähnlichsten ermittelt wurden.
Bevorzugt ist bei dem erfindungsgemäßen Verfahren für eine Optimierung der Trainingsmenge für das Trainingsverfahren, dass die erweiterten Trainings-Merkmalsvektoren der ersten Menge zunächst keine Trainings-Statusdaten aufweisen und bei dem Trainingsverfahren den Trainings-Merkmalsvektoren der ersten Menge Trainings-Statusdaten zugeordnet werden, welche ihrer Position in der selbstorganisierenden Karte entsprechen.
Besonders zuverlässige Ergebnisse des erfindungsgemäßen Verfahrens sind zu erreichen, wenn die Optimier-Schritte des Trainings mehrfach wiederholt werden und/oder die Anzahl der Wiederholungen beispielsweise 20 beträgt.
Die Erfindung wird im Folgenden unter Hinweis auf die beigefügten Figuren anhand von Ausführungsbeispielen noch einmal näher erläutert. Es zeigen:
1 eine schematische Darstellung einer Lichtsignalanlage, welche an einer Straßenkreuzung installiert ist,
2 typische Verteilungen von Messdaten, in diesem Fall Rotzählwerten und Anfahrdauern, wie sie von Detektoren von Signalanlagen gemessen wurden,
3 ein Flussdiagramm, welches ein Verfahren zum Ermitteln von fehlerhaften Konfigurationen von Signalen und Detektoren einer Lichtsignalanlage veranschaulicht,
4 ein Flussdiagramm, welches die Schritte zum Aufbau einer Referenz-Datenbasis veranschaulicht,
5 ein Flussdiagramm, welches einen Trainingsprozess einer Referenz-Datenbasis in Form einer selbstorganisierenden Karte veranschaulicht,
6 ein Flussdiagramm, welches den Vergleich zwischen den einer Konfiguration zugeordneten Kenngrößen und einer selbstorganisierenden Karte veranschaulicht,
7 ein Flussdiagramm, welches eine iterative Optimierung einer Trainingsmenge der Referenz-Datenbasis veranschaulicht,
8 eine schematische Darstellung einer Verkehrsleitzentrale mit einer Einrichtung zum Ermitteln von fehlerhaften Konfigurationen von Signalen und Detektoren einer Lichtsignalanlage,
9 graphische Darstellungen einer selbstorganisierenden mehrschichtigen Karte.
In 1 ist eine Lichtsignalanlage L (in der gestrichelten Ellipse) an einer Straßenkreuzung KR schematisch gezeichnet. Die einzelnen Fahrbahnen F, welche zu der Straßenkreuzung KR hinführen, weisen jeweils Spuren R, LK, G für Rechtsabbiegen, Linksabbiegen und Geradeausfahren auf. Jeder der Spuren R, LK, G ist an der Kreuzung KR jeweils ein Lichtsignal SG₁, ..., SG₁₂ sowie ein Detektor D₁, ..., D₁₂ zugeordnet. Die Detektoren D₁, ..., D₁₂ dienen dazu, sich der Kreuzung nähernde Fahrzeuge zu detektieren. Die Lichtsignale SG₁, ..., SG₁₂ dienen zur Regelung des Verkehrs auf der Kreuzung KR. Zusätzlich ist vor den Signalen SG₁, ..., SG₁₂ jeweils eine Haltelinie HL positioniert, an der Fahrzeuge für den Fall, dass die Signale SG₁, ..., SG₁₂ die Kreuzung KR für eine Fahrbahn F sperren, zum Stehen kommen müssen. Eine weitere wichtige Größe ist der Abstand x zwischen dem jeweiligen Detektor D₁, ..., D₁₂ und der jeweils zugehörigen Haltelinie HL. Um die Lichtsignalanlage L korrekt steuern zu können, müssen die Zuordnungen zwischen den Signalen SG₁, ..., SG₁₂ und den den jeweiligen Signalen SG₁, ..., SG₁₂ zugeordneten Detektoren D₁, ..., D₁₂ sowie die Abstände x zwischen den Haltelinien HL und den ihnen zugeordneten Detektoren D₁, ..., D₁₂ korrekt bekannt sein. Leider werden diese Daten in vielen Fällen vertauscht, so dass die Zuordnungen falsch sein können, was zu Störungen bei der Steuerung von Lichtsignalanlagen L führen kann. An dieser Stelle sei angefügt, dass die Erfindung nicht auf die in 1 konkret gezeigte Anordnung beschränkt ist, sondern beispielsweise auch Signalanordnungen umfasst, bei denen eine Spur von zwei Signalen gesteuert wird oder ein Signal oder zwei Signale mehrere Spuren auf gleiche Weise steuern.
2 zeigt in den Schaubildern a) bis f) typische Verteilungen sw, cr von Messdaten, in diesem Fall Rotzählwerten ct und Anfahrdauern t (in Abhängigkeit von Percentilwerten Pc), wie sie von Detektoren von Signalanlagen gemessen wurden. In jedem dieser Schaubilder ist eine Kurve cr betreffend die Anzahl ct der bei dem Signal „Rot“ bzw. „Sperren“ eingezählten Fahrzeuge gezeigt. Zudem ist in jedem dieser Schaubilder eine Verteilung sw der Anfahrdauer t, d.h. der Zeitdauer ab Beginn des Signals „Grün“ bzw. „Freigabe“ bis zu dem Moment, in dem sich ein Fahrzeug, das auf dem Detektor steht, in Bewegung setzt und den Detektor verlässt, gezeigt. Den Verteilungen sw und cr sind Anzahlen n von Fahrzeugen zugeordneten, welche die jeweilige Grundgesamtheit für die jeweiligen Verteilungen bilden.
Allgemein weisen die Schaubilder a) bis f) folgende Eigenschaften auf: Die Anfahrdauern haben quasi-kontinuierliche Werte, während die Zählwerte bei „Rot“ diskret sind. Bei korrekten Zuordnungen zeigen sich sehr schöne S-förmige Kurven sw für die Anfahrdauer t, auch die Zählwerte ct der Kurven cr der Rotzählwerte zeigen einen deutlich ausgeprägten Bereich mit mittlerem Werte-Niveau. Fehlerhafte Signal-Detektor-Zuordnungen führen zu verschiedenen Effekten auf die Anfahrdauer t. Beispielsweise können sich sehr hohe Werte für die Anfahrdauer t einstellen. Zudem zeigen die Kurven sw bei falschen Zuordnungen auch unregelmäßige Verläufe, die von der erwähnten S-Form abweichen.
Bei dem Schaubild a) ist eine korrekte Zuordnung zwischen einem Detektor und einem Geradeaus-Signal zu erkennen. Bei dem Schaubild b) ist eine korrekte Zuordnung zwischen einem Detektor und einem Linksabbiege-Signal zu erkennen. Bei dem Schaubild c) ist eine falsche Zuordnung zwischen einem Geradeaus-Signal und einem Detektor gezeigt. Dieser auftretende Fehler ist zum einen anhand der sehr langen Anfahrdauer zu erkennen, welche ungefähr bei 25s liegt, und zum anderen an der extrem niedrigen Zählrate cr. Bei dem Schaubild d) ist eine falsche Zuordnung zwischen einem Detektor und einem Linksabbiege-Signal zu erkennen. Hier sind die zu hohen Zahlraten cr sowie die Form der Kurve sw, welche die Anfahrzeit wiedergibt, auffällig.
Bei dem Schaubild e) ist ein Detektor einer anderen Zufahrt einem Geradeaussignal falsch zugeordnet. Auch bei dieser falschen Zuordnung ergeben sich auffällige Werte für die betrachteten Kenngrößen. Im Bereich der Werte von 0s bis 70s ergibt sich ein abweichendes Erscheinungsbild der Kurve sw für die Anfahrzeiten. Die Kurve sw verläuft in diesem Bereich nicht rund, wie zum Beispiel in den Schaubildern a) und b), sondern weist Ecken auf. Ferner sind die Anfahrzeiten auffällig lang. Bei dem Schaubild f) ist ein Detektor von einer benachbarten Zufahrt einem Linksabbiegesignal falsch zugeordnet. Bei dieser Zuordnung ergibt sich eine ungewöhnliche Form der Kurve für die Anfahrzeiten für Zeiten zwischen 20s und 40s. Dort weist die Kurve sw einen zusätzlichen Wendepunkt auf.
In 3 ist ein Flussdiagramm gezeigt, welches ein Verfahren zum Ermitteln von fehlerhaften Konfigurationen von Signalen und Detektoren einer Lichtsignalanlage veranschaulicht.
Bei dem Schritt 3.I werden den Konfigurationen von Signalen und Detektoren einer Lichtsignalanlage zugeordnete Messdaten MD erfasst. Diese Messdaten MD können zum Beispiel aus einer Datenbank einer Verkehrsleitzentrale bezogen werden, welche diese Messdaten für einen gewissen Zeitraum speichert. Die Messdaten betreffen die in 2 gezeigten Größen wie zum Beispiel Anfahrzeit sw und Zählwerte cr.
Bei dem Schritt 3.II werden aus den ermittelten Messdaten MD Kenngrößen m₁ ^(k), ..., m₅ ^(k) erzeugt, welche den jeweiligen Konfigurationen aus Detektoren D_k, Signal SG_K und Detektorabstand x zugeordnet sind. Zunächst werden Abstandsdaten m₁ ^(k) aus der zu prüfenden Konfiguration entnommen, welche den Abstand x zwischen Detektor D_k und Haltelinie HL vor einer Lichtsignalanlage L angeben.
Für das erfindungsgemäße Verfahren zum Ermitteln von fehlerhaften Konfigurationen von Signalen und Detektoren einer Lichtsignalanlage hat sich zur Beschreibung der Größen betreffend die Anfahrdauer t und die Rotzählwerte cr aus Experimenten die Konzentration auf vier dezidierte Kennwerte m₂ ^(k), m₃ ^(k), m₄ ^(k), m₅ ^(k) als besonders günstig erwiesen:
Zwei Kennwerte m₂ ^(k), m₃ ^(k) sind Kennwerte bezüglich der Zählwerte bei „Rot“:
cr₃₀: 30%-Percentil der Zählwerte bei „Rot“,
cr₇₀: 70%-Percentil der Zählwerte bei „Rot“.
Zwei Kennwerte m₄ ^(k), m₅ ^(k) sind Kennwerte bezüglich der Anfahrdauern:
sw₃₀: 30%-Percentil der Anfahrdauern,
sw₇₀: 70%-Percentil der Anfahrdauern.
Die genannten Kennwerte m₂ ^(k), m₃ ^(k), m₄ ^(k), m₅ ^(k) lassen sich direkt aus den in 2 gezeigten Schaubildern für die Percentilwerte 30% und 70% ablesen.
Alternativ können auch andere Percentilwerte, z.B. 20% oder 80%, für die Ermittlung der Kennwerte zugrunde gelegt werden.
Die Kennwerte m₁ ^(k), ..., m₅ ^(k) werden vorteilhaft zu einem Merkmalsvektor m^(k) zusammengefasst, welcher jeweils einer Konfiguration eines Detektors D_k und eines Signals SG_k einer Lichtsignalanlage zugeordnet ist. Dieser hat folgende Form:
Bei dem Schritt 3.III wird ermittelt, ob die jeweiligen Konfigurationen eines Detektors D_k und eines Signals SG_k einer Lichtsignalanlage L fehlerhaft sind. Einer Konfiguration einer Detektors D_k und eines Signals einer Lichtsignalanlage kann ein sogenannter Statusvektor s^(k) zugeordnet werden. Der Statusvektor umfasst Informationen bezüglich der Korrektheit der Merkmalsangaben bzw. Kenngrößen des Merkmalsvektor m^(k). Der Statusvektor s^(k) hat die folgende Form:
Dabei gibt ok ∊ [0 ... 1] den ok-Status an, d.h. eine Information, ob die Statusinformationen korrekt sind. Ist ok = 1, so sind die Statusinformationen korrekt, ist ok = 0, so sind sie mit großer Sicherheit falsch. Die Größe ok kann aber auch Zwischenwerte annehmen, die im umgangssprachlichen Sinn nur Wahrscheinlichkeiten bezüglich der Richtigkeit der Konfiguration angeben. Die Größe ∆x gibt den Abstandsfehler betreffend die Angabe des Abstands x zwischen Detektor D_k und Haltelinie HL (siehe 1) an. Die Größe e_link ∊ [0 ... 1] ist ein Fehlerindikator für die Verknüpfung von Signal(en) und Detektor, wobei e_link = 1 bedeutet, dass die Zuordnung von Signal(en) und Detektor korrekt ist, und e_link = 0 bedeutet, dass die Zuordnung von Signal(en) und Detektor falsch ist. Zwischenwerte lassen wiederum eher Wahrscheinlichkeiten für die Korrektheit der Zuordnung von Signal(en) und Detektor erkennen. Es sei an dieser Stelle angemerkt, dass der Statusvektor s^(k) nicht auf drei Statusgrößen beschränkt sein muss, sondern auch deutlich mehr Statusgrößen und damit auch mehr Dimensionen umfassen kann.
Die beiden Vektoren m^(k) und s^(k) ergeben einen erweiterten Merkmalsvektor
welcher zusätzlich zu den Kenngrößen m₁ ^(k), ..., m₅ ^(k) auch die Statusinformationen s₁ ^(k), s₂ ^(k), s₃ ^(k) enthält. Allerdings ist bei den zu prüfenden erweiterten Merkmalsvektoren v^(k) nicht klar, ob die Zuordnungen zwischen Signal(en) und Detektor sowie die Abstandsangabe korrekt sind. Demzufolge sind die beschriebenen Statusinformationen auch nicht unbedingt korrekt.
Um herauszufinden, ob die Statusinformationen s₁ ^(k), s₂ ^(k), s₃ ^(k) der zu prüfenden erweiterten Merkmalsvektoren v^(k) korrekt sind, wird bei dem Schritt 3.III ein Vergleich zwischen den Merkmalsvektoren m^(k) und Referenz-Merkmalsvektoren m^(l) einer mit Hilfe eines Trainingsverfahrens 200 gewonnenen Referenz-Datenbasis RDB vorgenommen. Die Referenz-Datenbasis RDB umfasst erweiterte verlässliche Referenz-Merkmals-Vektoren v^(l). Entscheidend ist, dass die Referenz-Datenbasis RDB nicht durch Modellüberlegungen, sondern durch einen Lern- oder Trainingsprozess erzeugt wird. Aufgrund des Trainingsprozesses sind die erweiterten Referenz-Merkmalsvektoren v^(l) sehr verlässlich, d.h., die Statusdaten s₁ ^(l), s₂ ^(l), s₃ ^(l) sind höchstwahrscheinlich korrekt. Der Vergleich bei dem Schritt 3.III ist in 6 mit Hilfe eines Flussdiagramms im Detail veranschaulicht.
Um eine verlässliche Referenz-Datenbasis RDB zu erhalten, muss ein Lern- oder Trainingsverfahren mit Trainingsdaten TD durchgeführt werden. Diese Trainingsdaten TD umfassen als korrekt angenommene erweiterte Trainings-Merkmalsvektoren v⁽ⁱ⁾, welche wie die bereits beschriebenen erweiterten Merkmalsvektoren v^(k) aufgebaut sind. Sie umfassen also insbesondere Merkmalsvektoren m⁽ⁱ⁾ und Statusvektoren s⁽ⁱ⁾. Die den Trainingsdaten zugrunde liegenden Messdaten können von anderen Lichtsignalanlagen gewonnen werden, von denen angenommen wird, dass bei diesen die Zuordnung zwischen Detektoren und Signalen korrekt ist. Ein zusätzlicher Optimierungsprozess kann eventuelle Fehler in den verwendeten Testdaten aussortieren.
In 4 ist ein solches Trainingsverfahren 400 in einem Flussdiagramm veranschaulicht. Bei dem Schritt 4.I wird zunächst auf Basis der Trainingsdaten TD eine Menge M_ok von erweiterten Trainings-Merkmalsvektoren v⁽ⁱ⁾ erzeugt, welche Kenngrößen und Statusdaten umfassen, welche jeweils einer Konfiguration von Signalen SG_i und Detektoren D_i einer Lichtsignalanlage L zugeordnet sind.
Bei dem Schritt 4.II wird eine Fehlermenge M_err,dist ∪ M_err,sig von künstlich fehlerhaften erweiterten Trainings-Merkmalsvektoren v^(j) erzeugt, denen eine fehlerhafte Konfiguration von Signalen SG_j und Detektoren D_j einer Lichtsignalanlage L zugeordnet ist und deren Statusdaten s^(j) bekannt sind. Die künstlich fehlerhaften erweiterten Trainings-Merkmalsvektoren v^(j) können zum Beispiel dadurch erzeugt werden, dass über eine Zufallsauswahl aus der Menge M_ok von erweiterten Trainings-Merkmalsvektoren v⁽ⁱ⁾ eine Reihe von erweiterten Trainings-Merkmalsvektoren kopiert und gezielt manipuliert werden. Bei der gezielten Manipulation kann zum Beispiel gezielt der Abstand x um einen gezielten Abstandsfehler ∆x_err geändert werden. D.h., die m₁-Komponente der Merkmalsvektoren m^(j) der ausgewählten erweiterten Merkmalsvektoren v^(j) wird um den Abstandsfehler ∆x_err geändert. Dementsprechend wird dann auch die s₁-Komponente und die s₂-Komponente des zugehörigen Statusvektors s^(j) geändert. D.h. s₁ ^(j) = 0, da ja nun die Konfiguration fehlerhaft ist, und s₂ ^(j) = ∆xerr. Diese fehlerhaften erweiterten Trainings-Merkmalsvektoren ergeben eine erste Teilmenge M_err,dist der Fehlermenge.
Um auch fehlerhafte erweiterte Trainings-Merkmalsvektoren mit falscher Zuordnung von Signalen und Detektor zu erhalten, welche die Menge M_err,sig bilden, werden nun zufallsgesteuert Verknüpfungen zwischen Detektoren und Signalen gebildet, wobei die den jeweiligen Detektoren oder Signalen zugeordneten Abstände x für die m₁-Komponente gewählt werden, je nachdem, ob eine falsche Detektorzuordnung oder eine falsche Signalzuordnung erzeugt werden soll. Dementsprechend werden dann auch die s₁-Komponente und die s₃-Komponente des zugehörigen Statusvektors s^(j) geändert. D.h. s₁ ^(j) = 0, da ja nun die Konfiguration fehlerhaft ist, und s₃ ^(j) = 1, da garantiert ein Zuordnungsfehler vorliegt. Diese fehlerhaften erweiterten Merkmalsvektoren ergeben die zweite Teilmenge M_err,dist der Fehlermenge.
Bei dem Schritt 4.III werden die erste Menge M_ok und die zweite Menge M_err,dist ∪ M_err,sig zu einer Trainingsmenge M_training vereinigt, die also nun dezidiert falsche Trainingsdaten umfasst und Trainingsdaten umfasst, von denen zunächst angenommen wird, das sie korrekt sind. Schließlich erfolgt bei dem Schritt 4.IV der eigentliche Trainingsprozess, aus dem die gewünschte verlässliche Referenz-Datenbasis RDB erzeugt wird.
Ein solcher Trainingsprozess kann zum Beispiel das Erzeugen einer selbstorganisierenden mehrschichtigen Karte SOM umfassen. Ein derartiges Verfahren 500 ist in einem Flussdiagramm in der 5 veranschaulicht. Eine selbstorganisierende Karte SOM ist in 9 gezeigt und weist mehrere Schichten (in diesem Fall 8 Schichten) mit einer Art Raster von Koordinaten P (in 9 ein Raster von etwa 30·30 Positionen P) auf, denen jeweils ein erweiterter Referenz-Merkmalsvektor v^(l) zugeordnet ist. Den einzelnen Schichten sind entweder Referenz-Statusdaten s₁, s₂, s₃ zugeordnet, was für die drei Schichten oben links in der 9 zutrifft, oder ihnen sind Referenz-Kenngrößen m₁, m₂, m₃, m₄, m₅ zugeordnet, was für die übrigen Schichten der in 9 dargestellten selbstorganisierenden Karte SOM zutrifft. Stellvertretend ist in 9 eine Position P₀ eines erweiterten Referenz-Merkmalsvektors
mit Referenz-Merkmalsdaten
und Referenz-Statusdaten
eingezeichnet. Dabei ist grundsätzlich die Position P eines erweiterten Referenz-Merkmalsvektors v^(l) in jeder Schicht der selbstorganisierenden Karte SOM exakt dieselbe.
Jeder Position P in einer Schicht einer selbstorganisierenden Karte SOM ist eine Farbe (hier als Graustufen dargestellt) zugeordnet. Die Farben (hier als Graustufen dargestellt) visualisieren in der Darstellung der selbstorganisierenden Karte die Werte der Kenngrößen m₁, m₂, m₃, m₄, m₅ und Statusdaten s₁, s₂, s₃ der erweiterten Referenz-Merkmalsvektoren v^(l). Hierfür ist jeweils am rechten Rand einer Schicht der selbstorganisierenden Karte SOM eine Skala mit Farben bzw. Graustufen dargestellt. Diesen Graustufen sind Werte zugeordnet. Beispielsweise weisen diese Werte für die ersten und dritten Statusdaten s₁ und s₃, die sich auf die Korrektheit von Konfigurationen beziehen, einen Wertebereich von 0 bis 1 auf.
Dagegen beziehen sich die zweiten Statusdaten s₂ auf eine Abweichung ∆x eines Abstands eines Detektors D von einer Haltelinie HL. In diesem Fall reicht der Wertebereich der zweiten Statusdaten s₂ von –40 bis 60 Metern. Im Fall der Schichten, welche die Referenz-Kenngrößen m₁, m₂, m₃, m₄, m₅ repräsentieren, reichen die Wertebereiche je nachdem, welche Kenngröße repräsentiert wird, von 0 bis 70, von 0 bis 16, von 0 bis 25, oder von 0 bis 45. Dabei sind erweiterte Referenz-Merkmalsvektoren v^(l) mit ähnlichen Werten der Kenngrößen einander näher als erweiterte Referenz-Merkmalsvektoren v^(l) mit sehr verschiedenen Werten der Kenngrößen. Ein den Aufbau einer solchen selbstorganisierenden Karte SOM ermöglichendes Verfahren wird im Folgenden kurz erklärt.
Bei dem Schritt 5.I wird zunächst eine Art Initialisierung INIT(SOM) einer selbstorganisierenden Karte durchgeführt. Dabei wird die selbstorganisierende Karte SOM (beispielsweise mit zweidimensionalen Schichten) in allen Schichten mit Zufallswerten angelegt. Durch die Zufallsbelegung ist begründet, dass bei jeder Generierung der selbstorganisierenden Karte SOM andere Verteilungen und damit optische Darstellungen entstehen. Bei alternativen Ansätzen können auch gezielte Vorbelegungen auf allen Schichten vorgenommen werden, um für immer näherungsweise die gleichen Anordnungen der Werte zu erreichen.
Bei dem Schritt 5.II wird für einen gewählten erweiterten Trainings-Merkmalsvektor v⁽ⁱ⁾ aus der im Zusammenhang mit der 4 beschriebenen Trainingsmenge M_Training geprüft, an welcher Position P₀ der selbstorganisierenden Karte SOM die größte Ähnlichkeit mit der zu diesem Zeitpunkt aktuellen SOM vorliegt. Dabei kann der erweiterte Trainings-Merkmalsvektor v⁽ⁱ⁾ zufällig aus der Menge M_training der Trainings-Merkmalsvektoren v⁽ⁱ⁾ ausgewählt werden. Alternativ können alle erweiterten Trainings-Merkmalsvektoren v⁽ⁱ⁾ auch in fester Reihenfolge nacheinander ausgewählt werden.
Für die Prüfung der Ähnlichkeit werden nur die Merkmals-Elemente m₁ ⁽ⁱ⁾, .. m₅ ⁽ⁱ⁾ (ohne s₁ ⁽ⁱ⁾ .. s₃ ⁽ⁱ⁾), ausgewählt. Die Ähnlichkeit wird durch Bildung einer Norm aus den Elementen der Trainings-Merkmalsvektoren m⁽ⁱ⁾ und entsprechender Referenz-Merkmalswerte m^(l) der Schichten der selbstorganisierenden Karte ermittelt. Als Norm kann zum Beispiel der Euklidische Abstand verwendet werden. Alternativ können auch andere Abstandsmaße, wie zum Beispiel die „Minkowski-Metrik“ oder Abstandsmaße mit speziellen Gewichtungen zur Ähnlichkeitsbestimmung verwendet werden.
Bei dem Schritt 5.III wird die selbstorgansierende Karte SOM mit Hilfe des Trainingsvektors v⁽ⁱ⁾ angepasst, am stärksten an der Position P₀, mit über den Abstand exponentiell oder alternativ quadratisch abnehmender Wirkung auch an den Nachbarpositionen P der selbstorgansierenden Karte SOM. Die Anpassung wird im Verlauf der Berechnungen zusätzlich reduziert, d.h. die Lernrate lr sinkt mit steigender Anzahl von Durchgängen t, so dass später nur noch minimale Anpassungen erfolgen. Zur Anpassung der selbstorganisierenden Karte SOM wird der komplette erweiterte Trainings-Merkmalsvektor v⁽ⁱ⁾ verwendet. Dadurch bilden sich auch für die Schichten s₁, s₂, s₃ des Status-Vektors s^(l) des jeweiligen erweiterten Referenz-Merkmalsvektors v^(l) der selbstorganisierenden Karte SOM Werte-Verläufe heraus, entsprechend der Positionierung der erweiterten Trainings-Merkmalsvektoren v⁽ⁱ⁾ auf Basis des Merkmals-Anteils m₁ .. m₅ ihrer Merkmalsvektoren m⁽ⁱ⁾.
Die Anpassung der selbstorganisierenden Karte SOM bzw. der sie repäsentierenden erweiterten Referenz-Merkmalsvektoren v^(l) geschieht nach folgender rekursiven Formel: v^(l)(P, t + 1) = v^(l)(P, t) + lr(t)·Φ(t)·(v⁽ⁱ⁾(P₀, t) – v^(l)(P, t)) (4)
Die Formel (4) wird nur angewandt, falls der euklidische Abstand dist(P, P₀) zwischen P und P₀ nicht größer als r(t) ist.
Dabei ist r(t) rekursiv gegeben durch: r(t) = r(t – 1)·exp(–1/λ) (5) und Ф(t) gegeben durch:
und lr(t) gegeben durch: lr(t) = lr(t – 1)·exp(–1/λ) (7)
Für alle erweiterten Referenz-Merkmalsvektoren v^(l) außerhalb des rekursiv definierten Abstands r(t) gilt: v^(l)(P, t + 1) = v^(l)(P, t) (8)
Dabei ist t der Index des aktuellen Berechnungsschritts bzw. Schleifendurchgangs und bedeutet r einen maximalen Abstand zwischen den erweiterten Merkmalsvektoren v⁽ⁱ⁾ und v^(l), in dem der erweiterte Trainings-Merkmalsvektor v⁽ⁱ⁾(P₀) noch eine Wirkung auf die Umgebung P der Position P₀ auf der selbstorganisierenden Karte SOM hat. Dieser Abstand nimmt mit der Anzahl der Schritte t exponentiell ab. Der Parameter lr gibt die Lernrate an, welche ebenfalls mit der Anzahl bereits gemachten Schleifendurchgängen t exponentiell abnimmt. Die Konstante λ parametriert den Exponenten der genannten exponentiellen Zusammenhänge. Der Gewichtungsfaktor Phi errechnet sich aus dem Abstand r.
Typische Startwerte für die Lernrate sind 0.1, für den Abstand r(t = 0) 0.5·dim_max und λ = t_max/log(r(t = 0)).
Dabei ist t_max die maximale Anzahl der Schritte bzw. Schleifendurchgänge t und dim_max die Ausdehnung der Dimension mit der größten Ausdehnung der selbstorganisierenden Karte SOM.
Bei dem Schritt 5.IV wird ermittelt, ob eine maximale Anzahl von Schleifendurchgängen t_max erreicht ist. Falls das nicht der Fall ist, was in 5 mit „n“ gekennzeichnet ist, wird bei dem Schritt 5.V der Schrittfaktor t um den Wert 1 erhöht und anschließend zu dem Schritt 5.II zurückgekehrt. Die maximale Anzahl t_max der Schleifendurchgänge kann zum Beispiel 16000 betragen und die Anzahl der erweiterten Trainings-Merkmalsvektoren v⁽ⁱ⁾ kann zum Beispiel 800 betragen. Ist bei dem Schritt 5.IV die Anzahl t_max der maximalen Schleifendurchgänge erreicht, was in der 5 mit „j“ gekennzeichnet ist, so wird zu dem Schritt 5.VI übergegangen, bei dem der Trainingsprozess beendet wird und die bei dem letzten Schleifendurchgang erhaltene selbstorganisierenden Karte SOM als Referenz-Datenbasis RDB für das in 3 veranschaulichte Verfahren festgelegt wird.
Es gibt Festregeln für die Zahl der Wiederholungen, letztendlich muss man aber experimentieren, in Abhängigkeit von der Aufgabenstellung, der Matrix-Größe etc. Wichtig ist, dass die Lernrate im Verlauf der vielen Anpassungen der selbstorganisierenden Karte SOM geeignet reduziert wird, so dass nach schnellen Anpassungen der selbstorganisierenden Karte SOM am Anfang bald nur noch kleine Anpassungen erfolgen, um am Schluss die kontinuierlichen (glatten) Verläufe der Werte in den Schichten zu erhalten.
In 6 ist der Vergleichsschritt, wie er gemäß dem Verfahren 300 zum Ermitteln von fehlerhaften Konfigurationen von Signalen SG_k und Detektoren D_k einer Lichtsignalanlage L angewandt wird, im Detail veranschaulicht. Dabei erfolgt eine Plausibilitätsprüfung PPR von Konfigurationen von Detektoren und Signalen von Lichtsignalanlagen. Bei dem Vergleich wird ein jeweiliger zu prüfender Merkmalsvektor m^(k) dem erweiterten Referenz-Merkmalsvektor v^(l) zugeordnet, dessen Referenz-Merkmalsvektor m^(l) dem zu prüfenden Merkmalsvektor m^(k) am „nächsten“ ist. Genauer gesagt, werden bei dem Schritt 6.I die Abstände DIST(k, l) mit DIST(k, l) = ║m^(k) – m^(l)║ (9) zwischen dem Merkmalsvektor m^(k) den Referenz-Merkmalsvektoren m^(l) der erweiterten Referenz-Merkmalsvektoren v^(l) der Referenz-Datenbasis RDB ermittelt. Als Abstandsnorm kann zum Beispiel die euklidische Abstandsnorm verwendet werden. Anschließend wird bei dem Schritt 6.II der dem Minimum min_l(DIST(k, l)) der ermittelten Abstände DIST(k, l) zugeordnete verlässliche erweiterte Referenz-Merkmalsvektor
ermittelt. Dabei ist l₀ demjenigen erweiterten Referenz-Merkmalsvektor
zugeordnet, dessen Referenz-Merkmalsvektor
dem zu prüfenden Merkmalsvektor m^(k) gemäß der Abstandsnorm ║...║ am „nächsten“ ist. Bei dem Schritt 6.III werden die Statusdaten
des ermittelten verlässlichen erweiterten Referenz-Merkmalsvektors
ausgewertet, denn dieser weist nun im Gegensatz zu dem zu prüfenden erweiterten Merkmalsvektor v^(k) verlässliche Statusdaten
auf, welche Auskunft darüber geben, ob die dem zu prüfenden erweiterten Merkmalsvektor v^(k) zugeordnete Konfiguration aus Detektor D_k und Signal SG_k ohne Zuordnungsfehler ist (s₁ ^(k) = 1), ob ein Abstandsfehler (s₂ ^(k) = ∆x) vorliegt und ob die Zuordnung zwischen Detektor D_k und Signal SG_k korrekt ist (s₃ ^(k) = 1). Falls jedoch der verlässliche erweiterte Referenz-Merkmalsvektor
davon abweichende Statusdaten

aufweist, kann mit großer Sicherheit auf eine fehlerhafte Konfiguration des Detektors D_k und des Signals der Signalanlage L_k und damit auch auf fehlerhafte Statusdaten des erweiterten Merkmalsvektors v^(k) der zu prüfenden Konfiguration geschlossen werden. Aufgrund der differenzierten Statusdaten des verlässlichen erweiterten Referenz-Merkmalsvektors
kann also nicht nur allgemein ein Fehler in der Konfiguration des Detektors D_k und des Signals SG_k der Signalanlage L konstatiert werden, vielmehr kann detailliert ermittelt werden, welche Art von Fehler vorliegt, insbesondere, ob ein Abstandsfehler oder ein Zuordnungsfehler vorliegt.
Nach dem Trainingsprozess kann zusätzlich auch ein Iterationsprozess 700 zur Optimierung bzw. Reduzierung der Trainingsmenge M_Training durchgeführt werden, welcher in der 7 mit Hilfe eines Flussdiagramms im Detail veranschaulicht ist, wobei damit die Verlässlichkeit einer auf Basis der optimierten Trainingsmenge aufgebauten Referenz-Datenbasis erhöht wird. Dies wird dadurch erreicht, dass eine Prüfung der für den Aufbau der Referenzdatenbasis verwendeten erweiterten Trainings-Merkmalsvektoren v⁽ⁱ⁾ auf Verlässlichkeit durchgeführt wird und nur die verlässlichsten erweiterten Trainings-Merkmalsvektoren v⁽ⁱ⁾ für den Aufbau der Referenzdatenbasis zugelassen werden. Bei dem Schritt 7.I wird die in 6 gezeigte Plausibilitätsprüfung PPR nun auf alle für das Training verwendeten Detektoren bzw. Konfigurationen angewandt, um deren Plausibilität zu prüfen. Es werden also insbesondere die wahrscheinlich korrekten Statusdaten s⁽ⁱ⁾ der erweiterten Merkmalsvektoren v⁽ⁱ⁾ der Trainingsmenge M_Training auf Korrektheit überprüft, indem die Konfigurationen v⁽ⁱ⁾ mit der Referenz-Datenbasis RDB, welche auf Basis der Trainingsmenge M_Training erstellt wurde, gemäß dem in 6 gezeigten Vergleichsverfahren 600 auf Plausibilität geprüft werden. Bei dem Schritt 7.II wird ein Ranking R(v⁽ⁱ⁾, s⁽ⁱ⁾) aller Detektoren bzw. den Konfigurationen zugeordneten erweiterten Merkmalsvektoren v⁽ⁱ⁾ anhand deren Status-Werten (s⁽ⁱ⁾) aufgestellt. Bei dem Schritt 7.III wird eine optimierte Trainingsmenge M_opt durch Aussondern eines vorbestimmten Anteils der erweiterten Trainings-Merkmalsvektoren v⁽ⁱ⁾ gebildet, deren Statusdaten s⁽ⁱ⁾ die höchste Fehlerwahrscheinlichkeit anzeigen.
Anschließend wird bei dem Schritt 7.IV der Aufbau der Referenz-Datenbasis RDB auf Basis der optimierten Trainingsmenge M_opt sowie erneut gebildeter fehlerhafter erweiterter Merkmalsvektoren v^(j) wiederholt. Der Aufbau kann zum Beispiel mit Hilfe des in 5 gezeigten Trainingsverfahrens 500 realisiert werden. Selbstverständlich sind auch andere selbstorganisierende Verfahren, beispielsweise basierend auf neuronalen Netzen, ebenfalls anwendbar. Bei dem Schritt 7.V wird ermittelt, ob die auf Basis der optimierten Trainingsmenge M_opt ermittelte Referenz-Datenbasis RDB eine minimale Größe überschreitet. Falls das der Fall ist, was in 7 mit „j“ gekennzeichnet ist, so wird bei dem Schritt 7.VI als Trainingsmenge M_Training die ermittelte optimierte Trainingsmenge M_opt festgelegt. Anschließend wird zu dem Schritt 7.I zurückgekehrt und eine erneute Iteration mit der neuen Trainingsmenge M_Training durchgeführt. Falls bei dem Schritt 7.V ermittelt wurde, dass die optimierte Trainingsmenge M_opt eine minimale Größe nicht mehr überschreitet, was in 7 mit „n“ gekennzeichnet ist, so wird die Iteration beendet und bei dem Schritt 7.VII die bei dem Schritt 7.IV ermittelte Referenz-Datenbasis RDB(M_opt) als optimierte Referenz-Datenbasis RDB für das in 3 veranschaulichte Verfahren 300 zum Ermitteln von fehlerhaften Konfigurationen von Signalen SG_k und Detektoren D_k einer Lichtsignalanlage L angewandt.
In 8 ist eine Einrichtung 90 zum Ermitteln von fehlerhaften Konfigurationen von Signalen und Detektoren D_k einer Lichtsignalanlage L gemäß einem Ausführungsbeispiel der Erfindung schematisch gezeigt. Die Einrichtung 90 kann zum Beispiel in einer Verkehrsleitzentrale 80 installiert sein. Die Einrichtung 90 umfasst eine Eingangsschnittstelle 91 zum Erfassen von den jeweiligen Konfigurationen zugeordneten Messdaten MD bezüglich des Verkehrsverhaltens im Umfeld der Lichtsignalanlage L. Die Messdaten MD können beispielsweise über eine Messdatenschnittstelle 81 der Verkehrsleitzentrale 90, auch Detektor/-Signal-Empfangseinrichtung 81 genannt, erfasst werden und zwischenzeitlich in einer Datenbank DB gespeichert werden und vor dem Prüfvorgang bereits vollständig in der Datenbank DB vorliegen. Die Einrichtung 90 weist zudem eine Kenngrößenerzeugungseinheit 92 zum Erzeugen von den jeweiligen Konfigurationen zugeordneten Kenngrößen m₁ ^(k), ..., m₅ ^(k) auf Basis der empfangenen Messdaten MD auf. Die Kenngrößenerzeugungseinheit 92 erzeugt die Kenngrößen m₁ ^(k), ..., m₅ ^(k) in der Beschreibung der 3 ausführlich erläuterten Weise. Die Kenngrößen m₁ ^(k), ..., m₅ ^(k) werden dabei vorteilhaft zu Merkmalsvektoren m^(k) zusammengefasst, wobei der Wert des Indexes k einer bestimmten Konfiguration zugewiesen ist.
Die ermittelten Merkmals-Vektoren m^(k) werden anschließend an eine Fehlerermittlungseinheit 93 übergeben, welche dazu eingerichtet ist, zu ermitteln, ob eine Konfiguration fehlerhaft ist. Diese Prüfung, auch Plausibilitätsprüfung genannt, erfolgt auf Basis eines Vergleichs zwischen den der jeweiligen Konfiguration zugeordneten Kenngrößen bzw. Merkmalsvektoren m^(k) und einer mit Hilfe eines Trainingsverfahrens 400 gewonnenen Referenz-Datenbasis RDB. Hierzu werden die von der Referenz-Datenbasis umfassten Referenz-Daten RD, welche z.B. in Form einer selbstorganisierenden Karte SOM in der Datenbank DB gespeichert sind, für den Vergleich aus der Datenbank DB ausgelesen und mit Hilfe der Eingangsschnittstelle 91 der Einrichtung 90 an die Fehlerermittlungseinheit 93 übergeben. Der Vergleich ist im Zusammenhang mit der Beschreibung der 6 ausführlich erläutert. Die ermittelten Vergleichsergebnisse, welche insbesondere zuverlässige erweiterte Referenz-Merkmalsvektoren v^(l) mit zuverlässigen Statusdaten s^(l) umfassen, werden anschließend über eine Ausgangsschnittstelle 94 der Einrichtung 90 zum Ermitteln von fehlerhaften Konfigurationen ausgegeben. Beispielsweise können die zuverlässigen Daten v^(l) an die Datenbank DB übermittelt werden, bzw. zur Korrektur der dort abgespeicherten fehlerhaften Messdaten MD dienen. Weiterhin können die ermittelten zuverlässigen Daten v^(l) auch an eine Steuereinrichtung 82 der Verkehrsleitzentrale 80 übermittelt werden, die mit Hilfe der zuverlässigen Daten v^(l) eine korrekte Ansteuerung der Lichtsignalanlage L durch Aussenden von Steuerbefehlen SB an die Lichtsignalanlage L vornimmt.
In 9 ist eine selbstorganisierende Karte SOM mit mehreren Schichten gezeigt, wie sie bereits im Zusammenhang mit den 4 und 5 ausführlich beschrieben wurde. In diesem Zusammenhang wird auf die dort getätigten Erläuterungen verwiesen.
Es wird abschließend noch einmal darauf hingewiesen, dass es sich bei den vorbeschriebenen Verfahren und Vorrichtungen lediglich um bevorzugte Ausführungsbeispiele der Erfindung handelt und dass die Erfindung vom Fachmann variiert werden kann, ohne den Bereich der Erfindung zu verlassen, soweit er durch die Ansprüche vorgegeben ist. So wurden das Verfahren und die Einrichtung zum Ermitteln von fehlerhaften Konfigurationen von Signalen SG_k und Detektoren D_k einer Lichtsignalanlage L und die Einstelleinrichtung 90 in erster Linie anhand einer Anwendung für eine Lichtsignalanlage L im Straßenverkehr erläutert. Die Erfindung ist jedoch weder auf die Anwendung im Straßenverkehr noch auf eine Anwendung in Lichtsignalanlagen L beschränkt, sondern die Erfindung kann auch grundsätzlich auf andere Leitsysteme und Warnsysteme, wie zum Beispiel akustische Systeme oder dergleichen, angewandt werden. Es wird der Vollständigkeit halber auch darauf hingewiesen, dass die Verwendung der unbestimmten Artikel „ein“ bzw. „eine“ nicht ausschließt, dass die betreffenden Merkmale auch mehrfach vorhanden sein können. Insbesondere können die beschriebenen Konfigurationen von Detektoren und Signalen auch mehrere Detektoren und Signale umfassen, was auch für die entsprechenden Kenngrößen der Merkmalsvektoren und erweiterten Merkmalsvektoren gilt, die sich auf diese Konfigurationen beziehen. Ebenso schließt der Begriff „Einheit“ nicht aus, dass diese aus mehreren Komponenten besteht, die gegebenenfalls auch räumlich verteilt sein können.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Nicht-Patentliteratur

Lehnhoff, Nicola: „Überprüfung und Verbesserung der Qualität von automatisch erhobenen Daten an Lichtsignalanlagen“, Veröffentlichungen des Instituts für Verkehrswirtschaft, Straßenwesen und Städtebau, Universität Hannover, Band 34, (2005) [0008]
Maier, Peter; Finke, Timo: Quality Assessment and Surveillance of Detector Data – Practical experiences from Traffic IQ, Mobil.TUM 2013 Conference, June 18 & 19, 2013, Munich [0009]
www.traffic-iq.de [0009]

Claims

Verfahren (300) zum Ermitteln von fehlerhaften Konfigurationen von Signalen (SG_k) und Detektoren (D_k) einer Lichtsignalanlage (L)), aufweisend die Schritte: – Erfassen von den jeweiligen Konfigurationen zugeordneten Messdaten (MD) bezüglich des Verkehrsverhaltens im Umfeld der Lichtsignalanlage (L), – Erzeugen von den jeweiligen Konfigurationen zugeordneten Kenngrößen (m₁ ^(k), ..., m₅ ^(k)) auf Basis der empfangenen Messdaten (MD), – Ermitteln, ob eine Konfiguration fehlerhaft ist, auf Basis eines Vergleichs zwischen den der jeweiligen Konfiguration zugeordneten Kenngrößen (m₁ ^(k), ..., m₅ ^(k)) und einer mit Hilfe eines Trainingsverfahrens (400) gewonnenen Referenz-Datenbasis (RDB).
Verfahren (300) nach Anspruch 1, wobei das Trainingsverfahren (400) die folgenden Schritte aufweist: – Erstellen einer ersten Menge (M_ok) von erweiterten Trainings-Merkmalsvektoren (v⁽ⁱ⁾), welche je einer Konfiguration von Signalen (SG_i) und Detektoren (D_i) einer Lichtsignalanlage (L) zugeordnet sind, aufweisend: – Kenngrößen (m₁ ⁽ⁱ⁾, ..., m₅ ⁽ⁱ⁾) bezüglich des Verkehrsverhaltens im Umfeld der Lichtsignalanlage (L) und – Statusdaten (s₁ ⁽ⁱ⁾, s₂ ⁽ⁱ⁾, s₃ ⁽ⁱ⁾) bezüglich der betreffenden Konfiguration, – Erzeugen einer zweiten Menge (M_err) von künstlich fehlerhaften erweiterten Trainings-Merkmalsvektoren (v^(j)), denen eine fehlerhafte Konfiguration von Signalen (SG_j) und Detektoren (D_j) einer Lichtsignalanlage (L) zugeordnet ist und deren Trainings-Statusdaten (s₁ ^(j), s₂ ^(j), s₃ ^(j)) bekannt sind, – Zusammenführen der ersten Menge (M_ok) und der zweiten Menge (M_err) zu einer Trainingsmenge (M_training), – Bilden einer Referenz-Datenbasis (RDB) mit erweiterten Referenz-Merkmalsvektoren (V^(l)) auf Basis der Trainingsmenge (M_training).
Verfahren (300) nach einem der Ansprüche 1 oder 2, wobei das Trainingsverfahren (400) folgende Optimier-Schritte umfasst: – Bilden einer optimierten Trainingsmenge (M_opt) durch Aussondern eines vorbestimmten Anteils der erweiterten Trainings-Merkmalsvektoren (v⁽ⁱ⁾), deren aus der Referenz-Datenbasis (RDB) ermittelte Statusdaten (s₁ ⁽ⁱ⁾, s₂ ⁽ⁱ⁾, s₃ ⁽ⁱ⁾) nach Vergleich mit der Referenz-Datenbasis (RDB) die höchste Fehlerwahrscheinlichkeit anzeigen, – Erneutes Bilden von künstlich fehlerhaften erweiterten Merkmalsvektoren (v^(j)) auf Basis der optimierten Traningsmenge (M_opt), – Wiederholen des Aufbaus der Referenz-Datenbasis (RDB) auf Basis der optimierten Trainingsmenge (M_opt) sowie der neu gebildeten künstlich fehlerhaften erweiterten Merkmalsvektoren (v^(j)).
Verfahren (300) nach einem der Ansprüche 1 bis 3, wobei als künstlich fehlerhafte Trainings-Merkmalsvektoren (v^(j)) Trainings-Merkmalsvektoren (v^(j)) mit verschiedenen Fehlerarten erzeugt werden.
Verfahren (300) nach einem der Ansprüche 1 bis 4, wobei die Messdaten (MD) umfassen: – die Anzahl (cr) der Fahrzeuge, die sich während der Gesperrt-Zeiten zwischen der einer Konfiguration aus Signal (SG_k) und Detektor (D_k) zugeordneten Haltlinie und dem Detektor (D_k) aufstellen, und – die Zeitdauer (sw) von dem Zeitpunkt des Umschaltens auf Freigabe bis zu dem Moment, in dem sich das Fahrzeug, das auf dem Detektor (D_k) steht, in Bewegung setzt und den Detektor (D_k) verlässt.
Verfahren (300) nach einem der Ansprüche 1 bis 5, wobei die Kenngrößen (m^(k)) untere und obere Percentilwerte von Verteilungen (t(Pc)) der empfangenen Messdaten (MD) umfassen.
Verfahren (300) nach einem der Ansprüche 1 bis 6, wobei die Referenz-Datenbasis (RDB) erweiterte Merkmalsvektoren (v^(k), v^(l)), umfassend eine Konfiguration betreffende Statusdaten (s^(k), s^(l)) und der Konfiguration zugeordnete Kenngrößen (m^(k), m^(l)) klassifiziert und/oder bewertet.
Verfahren (300) nach einem der Ansprüche 2 bis 7, wobei die Statusdaten (s^(k)) Informationen (s₍₁₎ ^(k)) bezüglich einer korrekten Konfiguration, Informationen (s₍₂₎ ^(k)) bezüglich einer korrekten Angabe eines Abstands des Detektors (D_k) zu einer der Konfiguration zugeordneten Haltelinie und Informationen (s₍₃₎ ^(k)) bezüglich einer korrekten Zuordnung eines Detektors (D_k) zu einem Signal (SG_k) umfassen.
Verfahren (300, 500) nach einem der Ansprüche 1 bis 8, wobei die Referenz-Datenbasis eine selbstorganisierende Karte (SOM) umfasst, wobei die wertmäßige Ausprägung jeder Referenz-Kenngröße v^(l) = (m₁ ^(l), ..., m₅ ^(l), s₁ ^(l), ..., s₃ ^(l)) einer Farbe an einer Position (P) einer Kartenschicht entspricht und die erweiterten Referenz-Merkmalsvektoren (v^(l)) derart auf der selbstorganisierenden Karte (SOM) angeordnet werden, dass ähnliche erweiterte Referenz-Merkmalsvektoren (v^(l)) nahe beieinander und stark verschiedene Referenz-Merkmalsvektoren (v^(l)) voneinander entfernt angeordnet sind.
Verfahren (300, 500) nach Anspruch 9, wobei jeder Koordinate der selbstorganisierenden Karte (SOM) ein trainierter erweiterter Referenz-Merkmalsvektor (v^(l)), umfassend Referenz-Kenngrößen (m₁ ^(l), ..., m₅ ^(l)) und Referenz-Statusdaten (s₁ ^(l), s₂ ^(l), s₃ ^(l)), zugeordnet ist.
Verfahren (300, 600) nach einem der Ansprüche 9 oder 10, wobei der Vergleich einen Vergleich zwischen den einer jeweiligen untersuchten Konfiguration von Signalen (SG_k) und Detektoren (D_k) einer Lichtsignalanlage (L) zugeordneten Kenngrößen (m^(k)) und den Referenz-Kenngrößen (m^(l)) der selbstorganisierenden Karte (SOM) umfasst und/oder bei dem Ermitteln, ob eine Konfiguration fehlerhaft ist, die der jeweiligen untersuchten Konfiguration zugeordneten Kenngrößen (m^(k)) den Koordinaten (P) der selbstorganisierenden mehrschichtigen Karte (SOM) zugeordnet werden, deren zugeordnete Referenz-Kenngrößen (m^(l)) bei dem Vergleich als mit den der jeweiligen untersuchten Konfiguration zugeordneten Kenngrößen (m^(k)) am ähnlichsten ermittelt wurden und/oder der Vergleich ein Bilden eines Abstandsmaßes, vorzugsweise einer euklidischen Norm, zwischen einer untersuchten Konfiguration zugeordneten Kenngrößen (m^(k)) und den jeweiligen Referenz-Kenngrößen (m^(l)) der selbstorganisierenden Karte (SOM) umfasst und/oder das Ermitteln, ob eine Konfiguration fehlerhaft ist, in Abhängigkeit von den Referenz-Statusdaten (s^(l)) der erweiterten Referenz-Merkmalsvektoren (v^(l)) der selbstorganisierenden Karte (SOM) durchgeführt wird, deren Referenz-Kenngrößen (m^(l)) bei dem Vergleich als mit den der untersuchten Konfiguration zugeordneten Kenngrößen (m^(k)) am ähnlichsten ermittelt wurden, und/oder bei der Optimierung der Trainingsmenge die erweiterten Trainings-Merkmalsvektoren (v⁽ⁱ⁾) der ersten Menge (M_ok) zunächst keine Trainings-Statusdaten (s⁽ⁱ⁾) aufweisen und bei der Optimierung den erweiterten Trainings-Merkmalsvektoren (v⁽ⁱ⁾) der ersten Menge (M_ok) Trainings-Statusdaten (s⁽ⁱ⁾) zugeordnet werden, welche ihrer Position in der selbstorganisierenden mehrschichtigen Karte (SOM) entsprechen.
Verfahren (300, 500) nach einem der Ansprüche 3 bis 11, wobei die Optimier-Schritte des Trainingsverfahrens (400) mehrfach wiederholt werden und/oder die Anzahl der Wiederholungen 20 beträgt.
Einrichtung (90) zum Ermitteln von fehlerhaften Konfigurationen von Signalen (SG_k) und Detektoren (D_k) einer Lichtsignalanlage (L), aufweisend: – eine Eingangsschnittstelle (91) zum Erfassen von den jeweiligen Konfigurationen zugeordneten Messdaten (MD) bezüglich des Verkehrsverhaltens im Umfeld der Lichtsignalanlage (L), – eine Kenngrößenerzeugungseinheit (92) zum Erzeugen von den jeweiligen Konfigurationen zugeordneten Kenngrößen (m^(k)) auf Basis der empfangenen Messdaten (MD), – eine Fehlerermittlungseinheit (93) zum Ermitteln, ob eine Konfiguration fehlerhaft ist, auf Basis eines Vergleichs zwischen den der jeweiligen Konfiguration zugeordneten Kenngrößen (m^(k)) und einer mit Hilfe eines Trainingsverfahrens (400) gewonnenen Referenz-Datenbasis (RDB).
Verkehrsleitzentrale (80), aufweisend: – eine Detektor/-Signal-Empfangseinrichtung (81) zum Empfangen von Daten bezüglich einer Verkehrssituation von Detektoren und Signalen einer Lichtsignalanlage (L), – eine Lichtsignalanlagen-Steuerungseinrichtung (82) zum Ansteuern der Lichtsignalanlage (L), – eine Einrichtung (90) nach Anspruch 13.
Computerprogrammprodukt, welches direkt in einen Speicher einer programmierbaren Speichereinrichtung einer Verkehrsleitzentrale (80) gemäß Anspruch 14 ladbar ist, mit Programmcodeabschnitten, um alle Schritte eines Verfahrens (300) nach einem der Ansprüche 1 bis 12 auszuführen, wenn das Programm in der Speichereinrichtung ausgeführt wird.