-
Die Erfindung betrifft ein Optimierungsverfahren für eine Verkehrsflussvorhersage, ein Verfahren zum ortsabhängigen und zeitabhängigen Vorhersagen einer Verkehrsflusssituation sowie ein System zum Ermitteln einer Verkehrssituation und zum Berechnen einer zukünftigen Verkehrssituation an mindestens einem Ort.
-
Der zunehmende Urbanisierungsgrad und die wachsende Anzahl an Autobesitzern führen zu enormen Herausforderungen für bestehende Straßenverkehrsinfrastrukturen. Durch ein höheres Verkehrsaufkommen werden die Straßennetze stärker belastet sodass Staus und Engpässe häufiger auftreten können.
-
Nicht optimal auf ein Verkehrsaufkommen abgestimmte Verkehrsnetze können zudem die Schadstoffbelastung der Luft erhöhen und ein höheres Risiko für Unfälle aufweisen. Um diese Herausforderungen zu bewältigen, hat sich der Fokus in den letzten Jahrzehnten von der Entwicklung der Infrastruktur selbst zu einer Optimierung der Nutzung von derzeit vorhandenen Infrastruktureinrichtungen verschoben.
-
Intelligente Verkehrssysteme werden entwickelt, um Autofahrer und die Verkehrsinfrastruktur zu unterstützen. Derartige Verkehrssysteme können von Einsatzkräften, Regulierungsbehörden und Verkehrsüberwachungseinrichtungen als effiziente Werkzeuge, beispielsweise für Anpassung von Ampeleinstellungen oder Routenplanung zu einem Einsatzort, verwendet werden.
-
Es sind verschiedene Prognosemodelle bekannt, welche mit steigender Präzision zunehmend komplexer und teurer werden.
-
Es kommen oftmals zwei unterschiedliche Methoden für die Verkehrsflussvorhersage in Betracht. Eine auf einer Zeitreihenanalyse basierende Verkehrsprognose passt die bereits ermittelten Messdaten an ein zeitdiskretes Modell, wie beispielsweise ein sogenanntes „Autoregressive-Moving Average“ -Modell, an und charakterisiert den ermittelten Verkehrsfluss als eine zeitabhängige Serie bzw. Ereignisabfolge. Die Verkehrsprognose wird im Rahmen einer Fortsetzung der Ereignisabfolge durchgeführt. Eine zweite Methode zum Durchführen von Verkehrsprognosen besteht aus Verfahren, welche auf maschinellem Lernen basieren. Es werden dabei aus den historisch ermittelten Messwerten zu Verkehrssituationen Annahmen entwickelt, welche Aufschlüsse über zukünftige Entwicklungen liefern können. Derartige Verfahren sind auf Vorhersagen trainiert und können beispielsweise eine zukünftige Verkehrssituation in einem zeitlichen Bereich von 5 bis 60 Minuten vorhersagen. Es können dabei sogenannte „Support Vector Maschinen“ und neuronale Netzwerke eingesetzt werden.
-
Aktuelle Modelle verwenden entweder nur die Messdaten von wenigen Überwachungsstation für eine zukünftige Verkehrssituation eines Gebiets oder sie verwenden globalen Modelle mit Messdaten unterschiedlicher Verkehrssysteme mit einer Vielzahl an Überwachungsstationen. Die entsprechenden Verfahren zum Vorhersagen einer Verkehrssituation können somit entweder ungenau oder umfangreich und rechenintensiv sein.
-
Des Weiteren können insbesondere umfangreiche Verkehrsprognosen aufgrund ihrer Komplexität unflexibel sein. Anpassungen des Modells können üblicherweise nur in einer Gesamtheit und nicht selektiv innerhalb definierter Verkehrsgebiete erfolgen. Sie erlauben keine Einblicke in das Verhalten des Verkehrsnetzes, wodurch derartige Modelle im Wesentlichen einer Black Box ähneln.
-
Aktuell eingesetzte Modelle verwenden entweder ein begrenzt leistungsfähiges lokales Modell für jede Kreuzung oder jede Überwachungsstation, oder ein umfangreiches Modell für ein komplettes Verkehrsnetzwerk, welches langsam trainierbar ist und Interaktionen zwischen unterschiedlichen Überwachungsstationen berücksichtigen muss.
-
Aufgabe der Erfindung ist es eine Optimierung für eine Verkehrsflussvorhersage sowie eine Verkehrsflussvorhersage vorzuschlagen, welche flexibel und robust unterschiedliche zukünftige Verkehrsaufkommen ermitteln kann.
-
Gelöst wird die Aufgabe durch die Gegenstände der unabhängigen Patentansprüche 1, 7 und 10. Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand von jeweils abhängigen Unteransprüchen.
-
Nach einem Aspekt der Erfindung wird ein Optimierungsverfahren für eine Verkehrsflussvorhersage bereitgestellt. Gemäß einem Schritt werden zeitabhängige Verkehrsmuster aus Messdaten von mindestens zwei Detektoren ermittelt.
-
Die durch die mindestens zwei Detektoren ermittelten Verkehrsmuster werden anschließend miteinander verglichen. Der Vergleich erfolgt dabei basierend auf mindestens einem im Vorfeld definierten Kriterium.
-
Die mindestens zwei Detektoren werden bei einer ermittelten Korrelation der von den mindestens zwei Detektoren ermittelten Verkehrsmuster zu mindestens einem Cluster gruppiert.
-
Derartige Verkehrsflussvorhersagen bzw. Verkehrsprognosen können mit Verkehrsmanagementsystemen gekoppelt oder von diesen ausgeführt werden. Sie können die Bewegung von Fahrzeugen optimieren, indem sie gegenwärtige Verkehrssituationen in Echtzeit ermitteln und Einfluss auf ein Verkehrsgeschehen ausüben. Dabei können beispielsweise Verkehrssignale automatisiert angepasst werden.
-
Hierfür können die Verkehrsmanagementsysteme zentrale oder dezentrale Steuereinheiten oder Rechner aufweisen, welche mit Detektoren bzw. Überwachungsstationen gekoppelt sind. Es können somit Echtzeitinformationen über eine Verkehrssituation ermittelt und durch die Steuereinheiten analysiert werden. Beispielsweise können die Detektoren in Form von Induktionsspulen an Straßenkreuzungen Informationen zu aktuellen und vergangenen Verkehrsflusssituationen an der entsprechenden Detektorposition liefern. Des Weiteren können die Detektoren Lichtschranken, Radar- oder LIDAR-Vorrichtungen und dergleichen sein. Die Detektoren können drahtgebunden oder drahtlos direkt oder über Messauswertevorrichtungen mit einer oder mehreren Steuereinheiten datenleitend verbunden sein.
-
Zum Optimieren von Verkehrsinfrastrukturen kann das Wissen von zukünftigen Entwicklungen und zukünftigen Infrastrukturauslastungen eingesetzt werden. Hierzu wird basierend auf gemessenen Verkehrsinformationen bzw. vergangenen Verkehrssituationen ein zukünftiges Verkehrsaufkommen bzw. eine zukünftige Verkehrssituation in einem Gebiet simuliert bzw. abgeschätzt.
-
Durch das Wissen über zukünftige Verkehrssituationen können beispielsweise Staus vermieden oder das Risiko von Verkehrsunfällen gesenkt werden. Des Weiteren können Ampelschaltungen bzw. der Verkehr derart gesteuert werden, dass eine Luftverschmutzung, beispielsweise aufgrund von „Grünen Wellen“, reduziert wird.
-
Durch das erfindungsgemäße Optimierungsverfahren können insbesondere umfangreiche und komplexe Simulationsmodelle durch Bildung von Clustern in mehrere kleinere Modelle unterteilt werden. Jedes Teilmodell kann unabhängig voneinander flexibel und unkompliziert angepasst und modifiziert werden. Hierfür können Messwerte von unterschiedlichen Detektoren explizit auf Ähnlichkeiten hin analysiert werden.
-
Dabei können insbesondere Verkehrsmuster bzw. Muster im Verkehrsaufkommen oder einem Verkehrsfluss zum Ermitteln von Gemeinsamkeiten oder Korrelationen zwischen unterschiedlichen Detektoren herangezogen werden. Eine derartige Identifizierung der Muster zwischen verschiedenen Detektoren kann als ein Vorverarbeitungsschritt einem Verfahren zum Durchführen einer Verkehrsprognose hinzugefügt werden.
-
Unterschiedliche Detektoren an verschiedenen Orten können dabei verschiedene Eigenschaften aufweisen. Beispielsweise kann sich ein Verkehrsmuster eines Detektors zum Überwachen einer Fahrbahn mit vier Spuren von einem Detektor zum Überwachen von fünf Spuren unterscheiden. Verschiedene Geschwindigkeitsbegrenzungen, Standorte der Detektoren in Wohngebieten oder Industriegebieten, Verbindungen zu Autobahnen oder Landstraßen und dergleichen können zu erkennbaren Unterschieden der Verkehrsmuster bzw. der Muster der Messdaten der jeweiligen Detektoren führen.
-
Gemäß dem Verfahren können alle Detektoren einer Region oder eines Verkehrsnetzes basierend auf ihrem historischen Verkehrsfluss bzw. basierend auf den in der Vergangenheit ermittelten Messdaten in verschiedene Cluster unterteilt werden. In jedem Cluster können somit Detektoren mit ermittelten ähnlichen Messwerten bzw. ähnlichen Verkehrsflusseigenschaften zusammengefasst werden. Es können somit kleinere Teilmodelle erstellt bzw. eingesetzt werden, welche detaillierter und präziser eine zukünftige Verkehrssituation darstellen können als einfache Modelle, welche jeweils nur einzelne Straßenzüge oder Kreuzungen berücksichtigen und welche flexibler sind als komplexe und umfangreiche globale Simulationsmodelle.
-
Des Weiteren ermöglichen derartige Teilmodelle bzw. Cluster-spezifische Modelle voneinander unabhängige Lernvorgänge oder Anpassungsvorgänge, wodurch eine schnellere Anpassungsfähigkeit gegenüber globalen Simulationsmodellen realisierbar ist.
-
Die jeweiligen Detektoren müssen dabei nicht örtlich benachbart zueinander angeordnet sein. Anders als eine rein geografisch-räumliche Gruppierung von Detektoren, beispielsweise innerhalb einer Stadt, können die Detektoren geografisch voneinander beabstandet sein und dennoch einem Cluster zugeordnet sein, da sie miteinander vergleichbare Verkehrsflussmuster beobachten bzw. messen. Dabei können auch Messdaten unterschiedlicher Detektorarten oder unterschiedlicher Verkehrsadern miteinander kombiniert werden. Beispielsweise können somit Messdaten von Kreuzungen zwischen zwei Hauptverkehrsadern gemeinsam mit Messdaten der Hauptverkehrsadern zu Clustern zusammengefasst werden.
-
Es ist somit möglich trotzt geringer Anzahl an Detektoren ein robustes und präzises Verfahren zum Vorhersagen einer Verkehrssituation bereitzustellen, da die Gesamtheit aller Messdaten des Clusters bei der Vorhersage berücksichtigt werden kann.
-
Gemäß einer Ausführungsform des Optimierungsverfahrens werden die zeitabhängigen Verkehrsmuster durch Messdaten von mindestens zwei mobilen und/oder stationären Detektoren ermittelt. Die Detektoren können somit stationäre Überwachungsstationen oder an Fahrzeugen angeordnete Detektoren sein. Beispielsweise können die Detektoren an öffentlichen Personenverkehrsmitteln, wie beispielsweise Straßenbahnen oder Busfahrzeugen, angeordnet sein. Die mobil ausgestalteten Detektoren können durch ein regelmäßiges Befahren planmäßiger Linien kontinuierlich Informationen über aktuelle ortsvariable Verkehrssituationen messen.
-
Nach einer weiteren Ausführungsform des Optimierungsverfahrens wird eine Korrelation von mindestens zwei Verkehrsmustern durch eine Übereinstimmung oder eine näherungsweise Übereinstimmung von mindestens einem Kriterium ermittelt. Die Verkehrsmuster können aus den ermittelten Messdaten der Detektoren abgeleitet werden. Beispielsweise sind Schwankungen oder definierte Änderungscharakteristiken der Messwerte als Verkehrsmuster vorteilhaft und können in definierten Grenzwerten miteinander verglichen werden. Die jeweiligen Messwerte können dabei unbearbeitet miteinander verglichen werden oder definierten Datenverarbeitungsschritten unterzogen werden. Beispielsweise können die Messdaten vor einem Vergleich geglättet oder gefiltert werden.
-
Gemäß einer weiteren Ausführungsform des Optimierungsverfahrens ist das mindestens eine Kriterium eine zeitlich abhängige Verkehrsdichte, Anzahl an Fahrspuren, eine Geschwindigkeitsbegrenzung, eine zeitlich abhängige Variation einer Verkehrsteilnehmerzahl und/oder eine zeitlich abhängige Verkehrsteilnehmerzahl. Es können somit unterschiedliche Faktoren zum Durchführen eines Vergleichs und damit zur Bildung von Clustern berücksichtigt werden. Hierdurch können ähnliche Verkehrsmuster präzise ermittelt und gemeinsam in einem Cluster abgelegt werden bzw. einem Cluster zugeordnet werden.
-
Nach einer weiteren Ausführungsform des Optimierungsverfahrens werden Messdaten von zu einem Cluster zusammengefassten Detektoren zum Erzeugen eines Verkehrsflussmodells verwendet. Derzeit eingesetzte Modelle zum Berechnen zukünftiger Verkehrssituationen ignorieren Ähnlichkeiten oder Zusammenhänge zwischen unterschiedlichen Detektoren bzw. Überwachungsstationen oder implizieren derartige Zusammenhänge statisch.
-
Durch das erfindungsgemäße Optimierungsverfahren ist es möglich Zusammenhänge zwischen unterschiedlichen Detektoren zu ermitteln und die miteinander korrelierenden Detektoren kontrolliert und gezielt zusammenzufassen. Derartiges Clustern der Detektoren ermöglicht ein Bilden bzw. Programmieren von Teilmodellen zum Durchführen von Verkehrsprognosen, welche unkompliziert anpassbar sind und schnell an sich ändernde Ereignisse trainierbar sind. Hierdurch können die zu jeweiligen Clustern entsprechenden Verkehrsflussmodelle bzw. Teilmodelle effizient und flexibel auf Änderungen in Verkehrsflussmustern reagieren bzw. an diese Änderungen angepasst werden.
-
Gemäß einer weiteren Ausführungsform des Optimierungsverfahrens werden die durch Messwerte mindestens zweier Detektoren ermittelten Verkehrsmuster kontinuierlich, in definierten zeitlichen Abständen oder bei einer nachträglich ermittelten Abweichung zum Bilden von Clustern miteinander verglichen. Hierdurch kann ein Aufwand zum Bilden von Clustern und zum Gruppieren der Detektoren bzw. der Überwachungsstationen verringert werden. Eine Änderung oder Aktualisierung der Gruppierung der Detektoren kann nur bei nachträglichen Abweichungen der ermittelten Messwerte notwendig sein. Dies kann beispielsweise bei geänderten Verkehrsführungen oder Baustellen im Messgebiet der Detektoren zutreffen.
-
Nach einem weiteren Aspekt der Erfindung wird ein Verfahren zum ortsabhängigen und zeitabhängigen Vorhersagen einer Verkehrsflusssituation bereitgestellt, wobei bereits ermittelte Messdaten mindestens eines ersten Detektors eines Clusters zumindest teilweise zum Ermitteln einer zukünftigen Verkehrsflusssituation von mindestens einem zweiten Detektor desselben Clusters herangezogen werden.
-
Die von den Detektoren eines Clusters ermittelten Messdaten können aufgrund der systematisch ermittelten Korrelation der Messdaten gemeinsam zum Erstellen von Simulationsmodellen und zum Durchführen von Prognosen über zukünftige Verkehrssituationen eingesetzt werden. Die Modelle können durch das gebildete Cluster auf einen größeren Messdaten-Speicher von mehreren Detektoren zugreifen und somit Vorhersagen mit einer höheren Präzision berechnen.
-
Derartige Modelle bleiben weiterhin flexibel, sodass nachträgliche Anpassungen an sich ändernde Verkehrssituationen dynamisch antrainiert oder in Form von Updates durchgeführt werden können.
-
Derartige Teilmodelle bzw. Cluster-spezifische Modelle können das Verhalten des Verkehrs an jedem beliebigen Messpunkt der Detektoren des Clusters widergeben bzw. beschreiben. Hierdurch kann ein Cluster-spezifisches Modell von jedem Detektor oder jeder Überwachungsstation verwendet werden. Hierdurch kann eine genauere Verkehrsflussvorhersage an den Detektorpositionen realisiert werden.
-
Des Weiteren kann die zu lernende bzw. zu trainierende Datenmenge eines derartigen Cluster-spezifischen Modells verringert werden, da in jedem Cluster mehrere Detektoren zusammengefasst sind, wodurch sich ein Geschwindigkeitsvorteil bei einer Aktualisierung des Modells ergeben kann.
-
Gemäß einer Ausführungsform des Verfahrens werden die bereits ermittelten Messdaten des mindestens einen ersten Detektors eines Clusters gewichtet und/oder selektiv für eine Ermittlung einer zukünftigen Verkehrsflusssituation eingesetzt. Es können tägliche oder jährliche Schwankungen des Verkehrsaufkommens bei der Durchführung einer Verkehrsprognose berücksichtigt werden. Dabei können die Messdaten vorzugsweise mit einem Faktor gewichtet von anderen Detektoren bzw. zum Vorhersagen einer Verkehrssituation an unterschiedlichen Detektorpositionen übernommen oder verwendet werden. Hierdurch können auch ältere Messdaten weniger stark berücksichtigt werden als aktuelle Messdaten eines Detektors des Clusters. Entsprechend können auch wiederkehrende Phasen mit einem erhöhten oder verringerten Verkehrsaufkommen extrahiert und separat für die Berechnung zukünftiger Verkehrssituationen eingesetzt werden.
-
Nach einer weiteren Ausführungsform des Verfahrens wird eine zukünftige Verkehrsflusssituation an einem Ort mindestens eines Detektors durch maschinelles Lernen von Messwerten aller Detektoren eines Clusters ermittelt. Es können somit die von allen Detektoren eines Clusters ermittelten Messdaten zum Erstellen eines Modells und zum Berechnen einer zukünftigen Verkehrssituation übernommen werden. Dies kann direkt oder indirekt, beispielsweise über Gewichtungsfaktoren, umgesetzt werden.
-
Gemäß einem weiteren Aspekt der Erfindung wird ein System zum Ermitteln einer Verkehrssituation und zum Berechnen einer zukünftigen Verkehrssituation an mindestens einem Ort bereitgestellt.
-
Das System weist mindestens zwei Detektoren zum Messen von Verkehrssituationen an mindestens zwei Orten auf.
-
Mindestens eine Vergleichseinheit dient zum Empfangen von Messdaten von den mindestens zwei Detektoren und zum Vergleichen von Messdaten und Messdatenmustern der mindestens zwei Detektoren zum Ermitteln mindestens eines Clusters.
-
Des Weiteren weist das System mindestens eine mit den mindestens zwei Detektoren datenleitend verbundene Steuereinheit zum Empfangen und zum Auswerten von Messdaten der mindestens zwei Detektoren und zum Berechnen von mindestens einem Teilmodell zum Vorhersagen einer Verkehrssituation basierend auf Messdaten eines erzeugten Clusters.
-
Da die Datenmenge und der Berechnungsaufwand zum Berechnen von Verkehrsprognosen gegenüber globalen Simulationsmodellen reduziert werden, können die entsprechenden Steuereinheiten und Vergleichseinheiten leistungsschwächer und kompakter ausgestaltet sein. Somit kann die zum Auswerten der Detektoren eingesetzte Hardware beispielsweise als ein eingebettetes System in die Infrastruktur integriert werden. Beispielsweise kann die Hardware in bestehende Ampelanlagen implementiert sein.
-
Durch die gebildeten Cluster können zudem die ermittelten Messdaten optimal und verlustarm für die Simulation zukünftiger Verkehrssituationen berücksichtigt werden.
-
Des Weiteren bietet das Bilden derartiger Cluster weitere Vorteile. Durch das Teilen eines globalen Modells in mehrere kleinere Teilmodelle, welche jeweils Verkehrssituationen eines Clusters abbilden, kann die Rechenleistung gesenkt und die Modelle schneller und flexibler ausgestaltet sein. Des Weiteren können die Teilmodelle jeweiliger Cluster unabhängig voneinander modifiziert oder optimiert werden.
-
Die oben beschriebenen Eigenschaften, Merkmale und Vorteile dieser Erfindung sowie die Art und Weise, wie diese erreicht werden, werden klarer und deutlicher verständlich durch die Erläuterung der folgenden stark vereinfachten schematischen Darstellungen bevorzugter Ausführungsbeispiele.
-
Hierbei zeigt die 1 eine schematische Darstellung eines Systems 1 zum Ermitteln einer Verkehrssituation und zum Berechnen einer zukünftigen Verkehrssituation an mindestens einem Ort. Das System 1 ist in ein Verkehrsnetz einer Stadt integriert.
-
Die Detektoren 2, 3, 4 des Systems sind hier der Einfachheit halber als stationäre Überwachungseinheiten ausgeführt. Insbesondere bestehen hier die Überwachungseinheiten aus Induktionsspulen, welche vorbeifahrende Fahrzeuge spurabhängig registrieren können. Die Detektoren 2, 3, 4 könnten über zwei Vergleichseinheiten 6, 8 in zwei unterschiedliche Cluster 10, 12 eingeteilt werden.
-
Die Vergleichseinheiten 6, 8 können die Messdaten der Detektoren 2, 3, 4 empfangen und analysieren. Die Vergleichseinheiten 6, 8 könnten somit einen Cluster 10 zum Abbilden eines Verkehrs des Stadtzentrums und einen Cluster 12 zum Abbilden eines Randbereichs ermitteln. Die entsprechenden Cluster 10, 12 bzw. zu den Clustern entsprechenden Stadteile und Verkehrsstraßen sind auf der Stadtkarte eingekreist dargestellt.
-
Neben den Vergleichseinheiten 6, 8 weist jedes Cluster 10, 12 eine eigene Steuereinheit 14, 16 auf. Die Steuereinheiten 14, 16 können die Messdaten der Detektoren 2, 3, 4 empfangen und auswerten. Basierend auf den Messdaten der Detektoren 2, 3, 4 kann von jeder Steuereinheit 14, 16 für die entsprechenden Cluster 10, 12 ein Simulationsmodell erzeugt werden, welches die Verkehrssituation der jeweiligen Cluster 10, 12 auch in der Zukunft beschreiben bzw. abschätzen kann. Die jeweiligen Detektoren 2, 3, 4 können hierbei unterschiedlich weit voneinander beabstandet sein. Die Gebiete der jeweiligen Cluster 10, 12 können sich dabei zumindest bereichsweise überschneiden.