DE102018221044A1

DE102018221044A1 - Verfahren und Vorrichtung zur Prognose eines Schaltzustands und eines Schaltzeitpunkts einer Signalanlage zur Verkehrssteuerung

Info

Publication number: DE102018221044A1
Application number: DE102018221044.6A
Authority: DE
Inventors: Harald Frank; Felix Rudolph; Volkmar Sterzing; Michel Tokic; Anja von Beuningen
Original assignee: Siemens Mobility GmbH
Current assignee: Siemens Mobility GmbH
Priority date: 2018-12-05
Filing date: 2018-12-05
Publication date: 2020-06-10
Also published as: WO2020114863A1

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren und eine Vorrichtung zur Prognose eines Schaltzustands und eines Schaltzeitpunkts einer Signalanlage (LSA) zur Verkehrssteuerung. Es werden Zustandsdaten (ZD) mindestens eines Verkehrsteilnehmers (V) erfasst und in Verkehrsflussdaten mit einer Positions- und Geschwindigkeitsinformation, wobei die Verkehrsflussdaten von einer Verkehrsteilnehmeranzahl unabhängig sind, transformiert. Mittels eines bereitgestellten datengetriebenen Prognosemodells (NN), das derart eingerichtet ist, eine Prognose eines Schaltzeitpunkts und eines Schaltzustands der Signalanlage (LSA) in Abhängigkeit der von einer Verkehrsteilnehmeranzahl unabhängigen Verkehrsflussdaten durchzuführen, wird ein Schaltzustand und Schaltzeitpunkt der Signalanlage (LSA) prognostiziert und ausgegeben.

Description

Die Erfindung betrifft ein computerimplementiertes Verfahren und eine Vorrichtung zur Prognose eines Schaltzustands und eines Schaltzeitpunkts einer Signalanlage zur Verkehrssteuerung, ein Computerprogrammprodukt und ein computerlesbares Speichermedium.
Es sind Signalanlagen, insbesondere Lichtsignalanlagen, mit Signalgruppen an Verkehrskreuzungen bekannt, die einen Verkehr, z.B. Straßenverkehr, regeln können. Die Signalanlagen werden mittels einer Steuereinheit gesteuert. Die Signalanlagen können mit mindestens einem Sensor gekoppelt sein, der beispielsweise ein ankommendes Fahrzeug detektiert, so dass abhängig von den erfassten Sensordaten die Signalanlage gesteuert werden kann. Eine Vorhersage eines Schaltzustands und eines Schaltzeitpunkts einer Signalanlage kann beispielsweise auf Basis eigener historischen Schaltzustände und Schaltzeitpunkte der Signalanlage erfolgen, wobei eine Prognosegüte in der Regel abhängig von der Qualität der Datenbasis ist.
Es ist eine Aufgabe der vorliegenden Erfindung eine Prognosegüte eines Schaltzustands und eines Schaltzeitpunkts einer Signalanlage zu verbessern.
Die Aufgabe wird durch die in den unabhängigen Ansprüchen beschriebenen Maßnahmen gelöst. In den abhängigen Ansprüchen sind vorteilhafte Weiterbildungen der Erfindung dargestellt.
Gemäß einem ersten Aspekt betrifft die Erfindung ein computerimplementiertes Verfahren zur Prognose eines Schaltzustands und eines Schaltzeitpunkts einer Signalanlage zur Verkehrssteuerung, umfassend folgende Verfahrensschritte:

- Erfassen von Zustandsdaten mindestens eines Verkehrsteilnehmers,
- Transformieren der Zustandsdaten des mindestens einen Verkehrsteilnehmers in Verkehrsflussdaten mit einer Positions- und Geschwindigkeitsinformation, wobei die Verkehrsflussdaten unabhängig von einer Verkehrsteilnehmeranzahl sind,
- Bereitstellen eines datengetriebenen Prognosemodells, das derart eingerichtet ist, eine Prognose eines Schaltzeitpunkts und eines Schaltzustands der Signalanlage in Abhängigkeit der Verkehrsflussdaten durchzuführen,
- Prognostizieren eines Schaltzustandes und des Schaltzeitpunkts der Signalanlage mittels des datengetriebenen Prognosemodells, und
- Ausgeben des prognostizierten Schaltzustandes und Schaltzeitpunktes der Signalanlage.

Unter einer „Signalanlage zur Verkehrssteuerung“ kann im Zusammenhang mit der Erfindung insbesondere eine Lichtsignalanlage zur Steuerung eines Straßenverkehrs verstanden werden.
Es ist ein Vorteil der vorliegenden Erfindung, dass mittels der Zustandsdaten des mindestens einen Verkehrsteilnehmers der nächste Schaltzustand und diesem zugeordnete Schaltzeitpunkt einer Signalanlage vorhergesagt werden kann. Unter Zustandsdaten eines Verkehrsteilnehmers können insbesondere fahrzeugseitig generierte Daten, wie z.B. Position und Geschwindigkeit, verstanden werden, die beispielsweise vom Verkehrsteilnehmer gesendet werden können. Vorzugsweise befindet sich ein Verkehrsteilnehmer innerhalb einer vorgegebenen Distanz zur zu prognostizierenden Signalanlage. Die Zustandsdaten des Verkehrsteilnehmers werden in Verkehrsteilnehmeranzahl unabhängigen Verkehrsflussdaten transformiert, die als Eingabedaten für das datengetriebene Prognosemodell geeignet sind. Das datengetriebene Prognosemodell kann insbesondere eine konstante Menge an Eingangsgrößen benötigen. Somit können Zustandsdaten von einer Vielzahl an Verkehrsteilnehmern in Verkehrsflussdaten, die von der Anzahl der Verkehrsteilnehmer, von denen Zustandsdaten erfasst werden, unabhängig sind, transformiert und derart dem datengetriebenen Prognosemodell übergeben werden. Unter „unabhängig“ kann im Zusammenhang der Erfindung insbesondere „im Wesentlichen unabhängig“, „nicht direkt abhängig“, „nicht gekoppelt mit“ oder ähnliches verstanden werden und bezieht sich insbesondere auf die benötigte konstante Anzahl an Eingangsgrößen für das Prognosemodell, die sich insbesondere nicht durch eine variable Anzahl von Verkehrsteilnehmern ändert. In anderen Worten, die Zustandsdaten der Verkehrsteilnehmer wird insbesondere auf eine konstante Menge von Eingangsgrößen für das Prognosemodell, d.h. die Verkehrsflussdaten, abgebildet.
Unter einer „Transformation“ kann im Zusammenhang mit der Erfindung insbesondere eine Umwandlung von Daten verstanden werden, wobei beispielsweise eine Dimensionsreduktion durchgeführt wird. Eine Transformation gemäß der Erfindung kann insbesondere eine Aggregation und/oder Abbildung und/oder eine statistische Analyse umfassen.
Mit dem computerimplementierten Verfahren kann insbesondere eine Vorhersage getroffen werden bevor ein der Signalanlage zugeordneter Sensor eine Änderung eines Schaltzustands auslöst. Es ist vorzugsweise keine Information über eine Steuerungslogik der Signalanlage notwendig. Es kann das Schaltverhalten der Signalanlage präzise vorhergesagt werden, was insbesondere eine effizientere Regelung des Verkehrs ermöglicht. Es können insbesondere mehr als ein Schaltzustand und zugehöriger Schaltzeitpunkt der Signalanlage bzw. eine Folge von Schaltzuständen und Schaltzeitpunkten vorhergesagt und ausgegeben werden.
Die Prognose kann insbesondere zur Anzeige einer Restzeit bis zum Schaltzeitpunkt des nächsten Schaltzustands genutzt werden. Außerdem kann auf Basis der Prognose eine Optimierung von Start-Stop-Automatiken für Antriebsmotoren und/oder der Verkehrsregelung durchgeführt werden. Des Weiteren kann die Prognose zur Energierückgewinnung eines Fahrzeugs durch Optimierung der Fahrgeschwindigkeit genutzt werden.
Die Prognosegüte eines datengetriebenen Prognosemodells wird insbesondere aufgrund einer verbesserten Datenbasis erhöht. Insbesondere kann ein längerer Prognosehorizont erzielt werden, da steuerungsrelevante Details frühzeitig bekannt sein können. Die Datenbasis umfasst insbesondere die Zustandsdaten mindestens eines Verkehrsteilnehmers. Somit kann das tatsächliche, aktuelle Verkehrsaufkommen bei der Prognose berücksichtigt werden. Die Zustandsdaten eines Verkehrsteilnehmers können beispielsweise mittels eines Sensors erfasst werden. Ein Sensor kann beispielsweise eine Kamera, ein Infrarotsensor, ein Drucksensor, ein Radar, eine Induktions-/Kontaktschleife oder ähnliches sein.
Unter „computerimplementiert“ oder „rechner-/computergestützt“ kann im Zusammenhang mit der Erfindung beispielsweise eine Implementierung des Verfahrens verstanden werden, bei dem insbesondere ein Prozessor mindestens einen Verfahrensschritt des Verfahrens ausführt.
Sofern es in der nachfolgenden Beschreibung nicht anders angegeben ist, beziehen sich die Begriffe „durchführen“, „berechnen“, „rechnergestützt“, „rechnen“, „feststellen“, „generieren“, „konfigurieren“, „rekonstruieren“ und dergleichen, vorzugsweise auf Handlungen und/oder Prozesse und/oder Verarbeitungsschritte, die Daten verändern und/oder erzeugen und/oder die Daten in andere Daten überführen, wobei die Daten insbesondere als physikalische Größen dargestellt werden oder vorliegen können, beispielsweise als elektrische Impulse. Insbesondere sollte der Ausdruck „Computer“ möglichst breit ausgelegt werden, um insbesondere alle elektronischen Geräte mit Datenverarbeitungseigenschaften abzudecken. Computer können somit beispielsweise Personal Computer, Server, Handheld-Computer-Systeme, Pocket-PC-Geräte, Mobilfunkgeräte und andere Kommunikationsgeräte, die rechnergestützt Daten verarbeiten können, Prozessoren und andere elektronische Geräte zur Datenverarbeitung sein.
In einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens können die Zustandsdaten des mindestens einen Verkehrsteilnehmers eine Information über die Geschwindigkeit, eine Information über die Bewegungsrichtung, eine Ortsinformation und/oder eine Zeitinformation des Verkehrsteilnehmers umfassen.
Des Weiteren können die Zustandsdaten auch eine Typinformation über den Typ des Verkehrsteilnehmers, wie z.B. ein Fahrzeug, Fußgänger, öffentliches Verkehrsmittel, umfassen. Diese Informationen können beispielsweise genutzt werden, um Rückstaulängen, Abbiegeraten, Verkehrsdichte, Verkehrsfluss oder Anzahl der Halte pro Fahrzeug zu approximieren und damit das aktuelle Verkehrsaufkommen abzuschätzen.
Die Zustandsdaten der Verkehrsteilnehmer können insbesondere analysiert und abhängig von der Analyse transformiert werden. Beispielsweise kann eine Mittelung der Geschwindigkeit mehrerer Verkehrsteilnehmer an einem vorgegebenen Ort durchgeführt werden. Die gemittelte Geschwindigkeit kann als Verkehrsteilnehmeranzahl unabhängigen Verkehrsflussdaten ausgegeben werden.
In einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens können die Verkehrsverbindungen, die der Signalanlage zugeordnet sind, in ortsabhängige Abschnitte unterteilt werden und die Zustandsdaten des mindestens einen Verkehrsteilnehmers können anhand der ortsabhängigen Abschnitte der Verkehrsverbindungen in Verkehrsflussdaten mit Positions- und Geschwindigkeitsinformation, wobei die Verkehrsflussdaten unabhängig von einer Verkehrsteilnehmeranzahl sind, transformiert werden.
Vorzugsweise können Verkehrsflussdaten, die von einer Verkehrsteilnehmeranzahl unabhängig sind, derart bereitgestellt werden, dass diese als Eingabedaten für das datengetriebene Prognosemodell geeignet sind. Es können beispielsweise Verkehrsflussdaten pro Fahrspur einer Verkehrsverbindung ermittelt und als Eingabedaten dem datengetriebenen Prognosemodell übergeben werden. Beispielsweise können die Verkehrsverbindungen in ortsabhängige Abschnitte unterteilt werden und für jeden Abschnitt können beispielsweise Mittelwerte der Geschwindigkeiten und der Positionen einer Vielzahl von Verkehrsteilnehmern ermittelt werden. Die Anzahl der Eingabegrößen für das Prognosemodell kann folglich insbesondere konstant bleiben, d.h. unabhängig von der Anzahl der Verkehrsteilnehmer.
In einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens kann ein Konfidenzintervall für den prognostizierten Schaltzustand und Schaltzeitpunkt ausgegeben werden.
Vorzugsweise kann eine Unsicherheit auf den prognostizierten Schaltzustand und Schaltzeitpunkt ermittelt und ausgegeben werden. Insbesondere kann die Wahrscheinlichkeit für eine Phase ausgegeben werden, wie z.B. die Grün- und Rotwahrscheinlichkeiten einer Lichtsignalanlage.
In einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens kann das datengetriebene Prognosemodell als maschinelles Lernverfahren realisiert sein.
Ein maschinelles Lernverfahren, auch als künstliche Intelligenz bezeichnet, umfasst insbesondere ein automatisiertes Verfahren mittels maschineller Lernmethoden. Vorzugsweise kann ein maschinelles Lernverfahren mittels bereitgestellter Trainingsdaten, z.B. historischer Daten, trainiert und anschließend mittels aktueller Daten angewandt werden. Das datengetriebene Prognosemodell kann als ein Rekurrentes Neuronales Netzwerk, Convolutional Neural Network (Deep Learning), Gauß-Prozess basiertes Modell, Gaußian Mixture Model oder ein Bayesian Neural Network realisiert sein. Mittels maschineller Lernverfahren können insbesondere komplexe, nichtlineare Zusammenhänge aus einer großen Eingabedatenmenge modelliert werden.
In einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens kann das datengetriebene Prognosemodell als Neuronales Netz realisiert sein.
Das datengetriebene Prognosemodell kann insbesondere als Neuronales Netz, wie z.B. als rekurrentes Neuronales Netz, ausgebildet sein. Neuronale Netze sind insbesondere parametrische Funktionen, die datengetrieben über (stochastische) Gradientenabstiegsverfahren trainiert werden können. Ein rekurrentes Neuronales Netz ermöglicht insbesondere eine integrierte Prognose eines Schaltzeitpunktes und eines Schaltzeitpunktes.
In einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens kann das datengetriebene Prognosemodell mittels Trainingsdaten für eine Prognose eines Schaltzeitpunkts und eines Schaltzustands der Signalanlage trainiert worden sein, wobei die Trainingsdaten historische Prozessdaten der Signalanlage, mindestens eine Zeitinformation, ÖPNV-Meldepunkt-Information eines öffentlichen Verkehrsmittels, und historische von einer Verkehrsteilnehmeranzahl unabhängige Verkehrsflussdaten auf der Basis von historischen Zustandsdaten von mindestens einem Verkehrsteilnehmer umfassen können.
Unter „Prozessdaten einer Signalanlage“ können insbesondere Sensordaten eines mit der Signalanlage gekoppelten Sensors, Schaltzustände und Schaltzeitpunkte der Signalanlage, Signalgruppenzustände der Signalanlage, eine Umlaufzeit der Signalanlage und/oder eine Ortsinformation der Signalanlage umfassen.
Trainingsdaten können insbesondere historische Verkehrsflussdaten, die von einer Verkehrsteilnehmeranzahl unabhängig sind und die auf historischen Zustandsdaten von mindestens einem Verkehrsteilnehmer basieren, umfassen. Die historischen Verkehrsflussdaten können beispielsweise mittels einer Speichereinheit bereitgestellt werden. Eine Zeitinformation kann beispielsweise kalendarische Daten umfassen. Eine ÖPNV-Meldepunkt-Information eines öffentlichen Verkehrsmittels kann beispielsweise ein ÖPNV-Telegramm (Öffentlicher Personennahverkehr, kurz ÖPNV) sein, welche Informationen über das öffentliche Verkehrsmittel, z.B. Typ, Fahrtzeiten, Bevorrechtigung, etc. umfasst. Die Trainingsdaten können insbesondere vorab erfasst, auf einer Speichereinheit gespeichert und von dort bereitgestellt werden.
Unter einem Training eines datengetriebenen Prognosemodells, z.B. eines Neuronalen Netzes, kann insbesondere die Modellierung eines komplexen Systems mittels Trainingsdaten verstanden werden. Dazu werden bereitgestellte Trainingsdaten eingelesen und das Prognosemodell anschließend derart angepasst, dass eine vorgegebene Ausgabe erzielt wird, wobei iterativ die Eingabe und die Ausgabe miteinander verglichen werden.
In einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens können die Zustandsdaten des mindestens einen Verkehrsteilnehmers an eine zentrale Recheneinheit und/oder an eine Recheneinheit der Signalanlage übermittelt und dort in Verkehrsflussdaten, die von einer Verkehrsteilnehmeranzahl unabhängig sind, transformiert werden.
Eine Recheneinheit kann insbesondere mindestens einen Prozessor und/oder eine Speichereinheit umfassen. Eine Recheneinheit der Signalanlage kann insbesondere lokal an der Signalanlage installiert sein.
In einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens kann das datengetriebene Prognosemodell auf der zentralen Recheneinheit und/oder auf der Recheneinheit der Signalanlage zum Prognostizieren eines Schaltzustandes und des Schaltzeitpunkts der Signalanlage ausgeführt werden.
Insbesondere kann das Prognosemodell auf der zentralen Recheneinheit ausgeführt und das Prognoseergebnis anschließend an die Recheneinheit der Signalanlage übermittelt werden.
Unter dem Begriff „ausführen“ des datengetriebenen Prognosemodells kann insbesondere das computergestützte Einlesen von aktuellen Zustandsdaten mindestens einen Verkehrsteilnehmers bzw. von einer Verkehrsteilnehmeranzahl unabhängige Verkehrsflussdaten, das computergestützte Prognostizieren eines zukünftigen Schaltzustands und Schaltzeitpunkts der Signalanlage mittels des trainierten datengetriebenen Prognosemodells und das computergestützte Ausgeben des prognostizierten Schaltzustands und Schaltzeitpunkts verstanden werden.
In einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens kann das datengetriebene Prognosemodell auf der zentralen Recheneinheit und/oder auf einer Recheneinheit der Signalanlage trainiert und von dort nach dem Training bereitgestellt werden.
Die zentrale Recheneinheit kann insbesondere mit einem zentralen Speicher gekoppelt sein, auf dem die Trainingsdaten gespeichert und für das Training bereitgestellt werden können. Insbesondere können auf einer zentralen Recheneinheit historische Zustandsdaten von einer Vielzahl von Verkehrsteilnehmern gespeichert und für ein Training des datengetriebenen Prognosemodells bereitgestellt werden.
Das Training des datengetriebenen Prognosemodells kann insbesondere auf der Recheneinheit der Signalanlage erfolgen, wobei vorzugsweise lediglich Zustandsdaten von Verkehrsteilnehmern, die sich in der Nähe oder in einer definierten Distanz der Signalanlage befinden, an die Recheneinheit der Signalanlage übermittelt und beim Training berücksichtigt werden. Die Zustandsdaten der relevanten Verkehrsteilnehmer können beispielsweise anhand einer Ortsinformation selektiert werden.
In einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens kann der prognostizierte Schaltzustand und Schaltzeitpunkt der Signalanlage an einen Verkehrsteilnehmer übermittelt werden.
Damit kann vorzugsweise eine effiziente Regelung des Verkehrs erreicht werden. Der prognostizierte Schaltzustand und Schaltzeitpunkt der Signalanlage kann an den Verkehrsteilnehmer übermittelt werden. Beispielsweise kann der prognostizierte Schaltzustand und Schaltzeitpunkt an eine Anzeigevorrichtung des Verkehrsteilnehmers übermittelt werden. Insbesondere kann eine Anzeigevorrichtung in einem Fahrzeug integriert sein oder mit der Signalanlage gekoppelt sein. Die Anzeigevorrichtung kann insbesondere mit einer Roadside Unit (RSU) der Signalanlage gekoppelt sein.
Gemäß einem zweiten Aspekt betrifft die Erfindung eine Vorrichtung zur Prognose eines Schaltzustands und eines Schaltzeitpunkts einer Signalanlage zur Verkehrssteuerung, wobei die Vorrichtung mindestens einen Prozessor aufweist und zum Durchführen der Schritte eines erfindungsgemäßen computerimplementierten Verfahrens geeignet ist.
Unter einem Prozessor kann im Zusammenhang mit der Erfindung beispielsweise eine Maschine oder eine elektronische Schaltung verstanden werden. Bei einem Prozessor kann es sich insbesondere um einen Hauptprozessor (engl. Central Processing Unit, CPU), einen Mikroprozessor oder einen Mikrokontroller handeln.
Des Weiteren betrifft die Erfindung ein Computerprogrammprodukt eingerichtet zum Ausführen eines erfindungsgemäßen computerimplementierten Verfahrens und ein computerlesbares Speichermedium mit einem Computerprogrammprodukt. Das Computerprogrammprodukt umfasst vorzugsweise Programmcodeteile zum Durchführen der Schritte eines erfindungsgemäßen Verfahrens.
Ein Computerprogrammprodukt, wie z.B. ein Computerprogramm-Mittel, kann beispielsweise als Speichermedium, wie z.B. Speicherkarte, USB-Stick, CD-ROM, DVD, oder auch in Form einer herunterladbaren Datei von einem Server in einem Netzwerk bereitgestellt oder geliefert werden. Dies kann zum Beispiel in einem drahtlosen Kommunikationsnetzwerk durch die Übertragung einer entsprechenden Datei mit dem Computerprogrammprodukt oder dem Computerprogramm-Mittel erfolgen.
Ausführungsbeispiele des erfindungsgemäßen computerimplementierten Verfahrens und der Vorrichtung sind in den Zeichnungen beispielhaft dargestellt und werden anhand der nachfolgenden Beschreibung näher erläutert. Es zeigen:

1 ein Ablaufdiagramm eines erfindungsgemäßen Verfahrens;
2 eine schematische Darstellung eines erfindungsgemäßen Verfahrens; und
3 eine weitere schematische Darstellung eines erfindungsgemäßen Verfahrens; und
4 eine schematische Darstellung einer erfindungsgemäßen Vorrichtung.

Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.
Insbesondere zeigen die nachfolgenden Ausführungsbeispiele lediglich beispielhafte Realisierungsmöglichkeiten, wie insbesondere solche Realisierungen der erfindungsgemäßen Lehre aussehen könnten, da es unmöglich und auch für das Verständnis der Erfindung nicht zielführend oder notwendig ist, all diese Realisierungsmöglichkeiten zu benennen.
Auch sind insbesondere einem (einschlägigen) Fachmann in Kenntnis des/der Verfahrensanspruchs/Verfahrensansprüche alle im Stand der Technik üblichen Möglichkeiten zur Realisierung der Erfindung selbstverständlich bekannt, sodass es insbesondere einer eigenständigen Offenbarung in der Beschreibung nicht bedarf. Insbesondere können diese gebräuchlichen und dem Fachmann bekannten Realisierungsvarianten ausschließlich per Hardware(komponenten) oder ausschließlich per Software(komponenten) realisiert werden. Alternativ und/oder zusätzlich kann der Fachmann im Rahmen seines fachmännischen Könnens weitestgehend beliebige erfindungsgemäße Kombinationen aus Hardware(komponenten) und Software(komponenten) wählen, um erfindungsgemäße Realisierungsvarianten umzusetzen.
1 zeigt ein Ablaufdiagramm eines erfindungsgemäßen computerimplementierten Verfahrens zur Prognose eines Schaltzustands und eines Schaltzeitpunkts einer Signalanlage. Insbesondere kann das Verfahren von einer Vorrichtung, die mindestens einen Prozessor umfasst, durchgeführt werden. Insbesondere kann mittels des computerimplementierten Verfahrens mindestens ein zukünftiger Schaltzustand und ein diesem Schaltzustand zugeordneter Schaltzeitpunkt der Signalanlage ermittelt werden.
Im ersten Schritt S1 des Verfahrens werden Zustandsdaten mindestens eines Verkehrsteilnehmers erfasst. Ein Verkehrsteilnehmer kann beispielsweise ein Fahrzeug, ein Fußgänger, ein öffentliches Verkehrsmittel etc. sein. Zustandsdaten eines Verkehrsteilnehmers können eine Information über die Geschwindigkeit, Bewegungsrichtung, eine Ortsinformation und/oder eine Zeitinformation des Verkehrsteilnehmers umfassen. Vorzugsweise können Zustandsdaten einer Vielzahl von Verkehrsteilnehmern erfasst und anhand einer jeweiligen Ortsinformation diejenigen Verkehrsteilnehmer selektiert werden, die sich in einem vorgegebenen Radius oder Umgebung der zu prognostizierenden Signalanlage befinden und lediglich deren Zustandsdaten zur Prognose genutzt werden.
Im nächsten Schritt S2 werden die erfassten Zustandsdaten in von einer Verkehrsteilnehmeranzahl unabhängige Verkehrsflussdaten mit Positions- und Geschwindigkeitsinformation transformiert. In anderen Worten, die erfassten Zustandsdaten der Verkehrsteilnehmer sind abhängig von der Anzahl der Verkehrsteilnehmer, von denen die Zustandsdaten erfasst werden. Um eine Datenbasis zu schaffen, die unabhängig von einer, gegebenenfalls variablen, Verkehrsteilnehmeranzahl ist, werden die erfassten Zustandsdaten derart umgewandelt, dass sie in einer Form, die unabhängig von der Anzahl der Verkehrsteilnehmer ist, vorliegen. Insbesondere können die transformierten Zustandsdaten derart als Eingabedaten für ein datengetriebenes Prognosemodell genutzt werden, das in der Regel eine fest vorgegebene Menge an Eingabedaten aufweist.
Im nächsten Schritt S3 wird ein datengetriebenes Prognosemodell bereitgestellt und die Verkehrsteilnehmeranzahl unabhängige Verkehrsflussdaten werden diesem übergeben. Das datengetriebene Prognosemodell kann als maschinelles Lernverfahren, wie z.B. als Neuronales Netz, ausgestaltet sein. Es kann sich insbesondere um ein rekurrentes Neuronales Netz handeln. Das datengetriebene Prognosemodell ist insbesondere derart trainiert, eine Prognose eines Schaltzustands und eines Schaltzeitpunkts der Signalanlage in Abhängigkeit der Verkehrsflussdaten durchzuführen.
Ein maschinelles Lernverfahren, insbesondere ein Neuronales Netz, benötigt für eine Ausführung eine konstante Menge an Eingabedaten. Aufgrund der Transformation der Zustandsdaten der Verkehrsteilnehmer in Verkehrsteilnehmeranzahl unabhängige Verkehrsflussdaten kann eine benötigte konstante Menge an Eingabedaten gewährleistet werden.
Das Training des datengetriebenen Prognosemodell kann insbesondere vor der Bereitstellung durchgeführt werden. Das trainierte datengetriebene Prognosemodell wird anschließend bereitgestellt. Unter „Training eines maschinellen Lernverfahrens“ kann insbesondere die Modellierung und/oder Anpassung eines computergestützten Modells anhand von Trainingsdaten verstanden werden.
Für das Training des datengetriebenen Prognosemodells werden Trainingsdaten bereitgestellt, die insbesondere historische Prozessdaten der Signalanlage, wie z.B. Schaltzustände, Schaltzeitpunkte und Detektordaten, mindestens eine Zeitinformation, ÖPNV-Meldepunkt-Information eines öffentlichen Verkehrsmittels, und historische von einer Verkehrsteilnehmeranzahl unabhängige Verkehrsflussdaten auf der Basis von historischen Zustandsdaten von mindestens einem Verkehrsteilnehmer umfassen.
Als nächster Schritt S4 werden mittels des datengetriebenen Prognosemodells und der eingelesenen Daten, insbesondere der Verkehrsteilnehmeranzahl unabhängige Verkehrsflussdaten, ein zukünftiger Schaltzustand und Schaltzeitpunkt der Signalanlage prognostiziert. Es können insbesondere auch mehrere Schaltzustände und zugehörige Schaltzeitpunkte bzw. eine Folge von Schaltzuständen und Schaltzeitpunkten vorhergesagt werden. Dazu werden dem trainierten datengetriebenen Prognosemodell aktuelle Verkehrsteilnehmeranzahl unabhängige Verkehrsflussdaten, aktuelle und/oder historische Prozessdaten der Signalanlage, mindestens eine Zeitinformation, wie z.B. eine kalendarische Information, und eine Meldepunkt-Information eines öffentlichen Verkehrsmittels, wie z.B. ein ÖPNV-Telegramm, übergeben. Auf Basis dieser Information- bzw. Datenmenge kann eine Prognose eines zukünftigen Schaltverhaltens der Signalanlage mittels des datengetriebenen Prognosemodells durchgeführt werden.
Als nächster Schritt S5 werden der prognostizierte Schaltzustand und Schaltzeitpunkt der Signalanlage ausgegeben. Beispielsweise wird der prognostizierte Schaltzustand und Schaltzeitpunkt der Signalanlage auf einer zentralen Recheneinheit ermittelt und das Prognoseergebnis wird von dort bereitgestellt. Alternativ kann das datengetriebene Prognosemodell auch auf einer Recheneinheit der Signalanlage ausgeführt und das Prognoseergebnis von dort, beispielswiese an einen Verkehrsteilnehmer, ausgegeben werden.
Das computerimplementierte Verfahren ermöglicht insbesondere eine Prognose eines Schaltverhaltens der Signalanlage auf Basis aktueller Verkehrsflussdaten und bevor ein mit der Signalanlage gekoppelter Sensor auslöst. Dies ermöglicht beispielsweise eine Regelung des Verkehrs unter Berücksichtigung des prognostizierten Schaltverhaltens.
Das computerimplementierte Verfahren verfügt insbesondere über eine hohe Skalierbarkeit und Generalisierbarkeit bezüglich verschiedener Signalanlagen und/oder Komplexität der Verkehrsverbindungen, da die Methode abhängig von einem gegebenen Datensatz kalibriert werden kann. Des Weiteren kann das datengetriebene Prognosemodell in Echtzeit genutzt und mit aktuellen Daten nachtrainiert werden.
2 zeigt eine schematische Darstellung eines erfindungsgemäßen Verfahrens. Es ist eine Verkehrskreuzung K in Draufsicht gezeigt, wobei eine Signalanlage LSA an der Verkehrskreuzung K zur Regelung des Verkehrs installiert ist. Beispielsweise handelt es sich hierbei um eine Lichtsignalanlage, die beispielsweise eine bestimmte Anzahl von Signalgruppen umfasst. Es sind Verkehrsteilnehmer V gezeigt, welche über eine drahtlose Kommunikationsverbindung Zustandsdaten ZD an eine zentrale Recheneinheit CC, z.B. eine Cloud, übermitteln können. Zustandsdaten von Fahrzeugen können beispielsweise auch als „Floating Car data“ bezeichnet werden.
Die von einer Fahrzeuganzahl abhängigen Zustandsdaten ZD können beispielsweise auf der zentralen Recheneinheit CC in fahrzeuganzahlunabhängige Verkehrsflussdaten mit einer Positions- und Geschwindigkeitsinformation transformiert werden. Auf der zentralen Recheneinheit CC kann ein trainiertes datengetriebenes Prognosemodell NN zur Prognose eines zukünftigen Schaltzustands und Schaltzeitpunkts der Signalanlage LSA bereitgestellt werden. Das datengetriebene Prognosemodell NN kann auf der zentralen Recheneinheit CC vorzugsweise trainiert bereitgestellt und ausgeführt werden. Das datengetriebene Prognosemodell NN ist vorzugsweise derart trainiert, in Abhängigkeit der aktuellen fahrzeuganzahlunabhängigen Verkehrsflussdaten einen zukünftigen Schaltzustand und Schaltzeitpunkt D_prog der Signalanlage LSA zu prognostizieren. Vorzugsweise kann ein Konfidenzintervall des Schaltzeitpunkts angegeben werden.
Der prognostizierte Schaltzustand und Schaltzeitpunkt D_prog kann beispielsweise an eine Recheneinheit der Signalanlage LSA über eine drahtlose oder drahtgebundene Kommunikationsverbindung übermittelt werden. Weiterhin kann der prognostizierte Schaltzustand und Schaltzeitpunkt D_prog an einen Verkehrsteilnehmer V übermittelt werden.
Das Training des datengetriebenen Prognosemodells NN kann insbesondere auf der zentralen Recheneinheit CC durchgeführt werden. Für das Training werden Trainingsdaten bereitgestellt, die vorzugsweise historische Prozessdaten der Signalanlage LSA, mindestens eine Zeitinformation, Meldepunkt-Informationen eines öffentlichen Verkehrsmittels und historische von einer fahrzeuganzahlunabhängige Verkehrsflussdaten umfassen. Das trainierte datengetriebene Prognosemodell NN kann nach dem Training bereitgestellt werden, wie z.B. auf der zentralen Recheneinheit CC gespeichert und/oder an die Recheneinheit der Signalanlage LSA übermittelt werden. Alternativ kann das Training des datengetriebenen Prognosemodells NN auch auf der Recheneinheit der Signalanlage LSA durchgeführt und bereitgestellt werden.
3 zeigt eine schematische Darstellung eines erfindungsgemäßen Verfahrens. Es ist eine Verkehrskreuzung K in Draufsicht gezeigt. Eine Signalanlage LSA ist an der Verkehrskreuzung K zur Regelung des Verkehrs installiert. Es sind Verkehrsteilnehmer V gezeigt, die sich auf einer Verkehrsverbindung TC befinden, wobei die Verkehrsverbindung der Signalanlage LSA zugeordnet ist.
Die Verkehrsteilnehmer können jeweils Zustandsdaten an eine Recheneinheit übermitteln, wie beispielhaft in 2 dargestellt. Um die Zustandsdaten als Eingabedaten für das datengetriebene Prognosemodell zu nutzen, werden die Zustandsdaten in verkehrsteilnehmeranzahlunabhängige Verkehrsflussdaten umgewandelt. In anderen Worten, die Anzahl der Eingabegrößen für das Prognosemodell ist insbesondere stets konstant und unabhängig von der Anzahl der Verkehrsteilnehmer, die ihre Zustandsdaten übertragen. Die Eingangsgrößen sind beispielsweise Mittelwerte der Geschwindigkeiten oder Positionen der vorhandenen Verkehrsteilnehmer.
Insbesondere kann dazu die Verkehrsverbindung TC, z.B. eine Fahrspur, in eine Menge von ortsabhängigen Abschnitten SEC1, SEC2, SEC3 unterteilt werden. Die Unterteilung erfolgt beispielsweise virtuell durch einen Computer. Die ortsabhängigen Abschnitte können beispielsweise unterschiedlich groß sein, wie z.B. abhängig von der Entfernung zur Signalanlage LSA in Größe zunehmen. Für jeden Abschnitt können jeweils zwei Merkmale, d.h. eine Positions- und eine Geschwindigkeitsinformation, bestimmt werden, die als Eingabedaten dem datengetriebenen Prognosemodell übergeben werden. Beispielsweise kann der Mittelpunkt eines Abschnitts oder die durchschnittliche Position aller Verkehrsteilnehmer V zu einem vorgegebenen Zeitpunkt als Ortsinformation ermittelt werden. Als Geschwindigkeitsinformation kann beispielsweise die mittlere, minimale oder maximale Geschwindigkeit aller Verkehrsteilnehmer V verwendet werden.
Alternativ kann die Verkehrsverbindung TC in ortsabhängige Abschnitte unterteilt werden, für die jeweils eine Anzahl der Verkehrsteilnehmer im jeweiligen Abschnitt pro Länge des Streckenabschnittes und die Geschwindigkeit der Verkehrsteilnehmer innerhalb des Abschnitts als Durchschnitt, Minimum oder Maximum angegeben werden.
Als weitere Alternative können die Zustandsdaten der Verkehrsteilnehmer V mittels einer statistischen Analyse ermittelt werden. Beispielsweise kann die Verkehrsverbindung TC in ortsabhängige Abschnitte SEC1, SEC2, SEC3, ... unterteilt werden. Die Anzahl der Abschnitte SEC1, SEC2, SEC3, ... kann einer Anzahl von Modi einer Dichtefunktion entsprechen, wobei die Dichtefunktion beispielsweise durch die Formel V(x) = Summe über j von f(x | mj, sj*sj) bestimmt ist, wobei mj dem Mittelwert der Positionen und sj der Standardabweichung der Positionen aller Verkehrsteilnehmer V im jeweiligen Abschnitt entspricht. Die Funktion f(x) kann beispielsweise als Dichtefunktion der Normalverteilung gewählt werden. Die Anzahl der Parameter, die zusätzlich für jede Fahrspur in das Prognosemodell eingegeben werden, entspricht dann 2*j. Der Parameter j kann insbesondere unabhängig von der Anzahl der Verkehrsteilnehmer innerhalb eines Abschnittes sein.
Als weitere Variante können Convolutional Neural Networks (CNN), zu Deutsch „faltendes neuronales Netzwerk“, genutzt werden, um Verkehrsteilnehmeranzahl unabhängige Verkehrsflussdaten aus den Zustandsdaten der Verkehrsteilnehmer zu ermitteln. Convolutional Neural Networks erlauben vorzugsweise eine Reduktion der Anzahl der Eingabemenge. Die Verkehrsverbindung TC wird in ortsabhängige Abschnitte SEC1, SEC2, SEC3, ... unterteilt. Für jeden Abschnitt werden Kenngrößen, wie z.B. durchschnittliche Position oder Geschwindigkeit ermittelt, wobei jedem Abschnitt eine Menge an Werten zugeordnet wird. Die so entstehende Matrix kann als Eingangsgröße für das Convolutional Neural Network genutzt werden. Durch Operationen wie Filterung und Pooling werden die Eingangsmatrizen auf Vektoren oder Matrizen niedriger Dimensionen abgebildet bzw. transformiert. Diese können als Eingabedaten für das datengetriebene Prognosemodell genutzt werden.
4 zeigt eine erfindungsgemäße Vorrichtung 100 zur Prognose eines Schaltzustands und Schaltzeitpunkts einer Signalanlage zur Verkehrssteuerung. Die Vorrichtung 100 weist mindestens einen Prozessor auf und ist derart eingerichtet die Schritte eines erfindungsgemäßen computerimplementierten Verfahrens durchzuführen. Die Vorrichtung 100 kann des Weiteren eine Speichereinheit M umfassen, um beispielsweise Trainingsdaten gemäß der Erfindung zu speichern. Die Vorrichtung 100 kann insbesondere als Software(komponente) und/oder als Hardware(komponente) ausgestaltet sein. Insbesondere kann die Vorrichtung 100 als Teil einer Signalanlage oder als Teil einer zentralen Recheneinheit realisiert sein.
Alle beschriebenen und/oder gezeichneten Merkmale können im Rahmen der Erfindung vorteilhaft miteinander kombiniert werden. Die Erfindung ist nicht auf die beschriebenen Ausführungsbeispiele beschränkt.

Claims

Computerimplementiertes Verfahren zur Prognose eines Schaltzustands und eines Schaltzeitpunkts einer Signalanlage (LSA) zur Verkehrssteuerung, umfassend folgende Verfahrensschritte: - Erfassen (S1) von Zustandsdaten (ZD) mindestens eines Verkehrsteilnehmers (V), - Transformieren (S2) der Zustandsdaten (ZD) des mindestens einen Verkehrsteilnehmers (V) in Verkehrsflussdaten mit einer Positions- und Geschwindigkeitsinformation, wobei die Verkehrsflussdaten unabhängig von einer Verkehrsteilnehmeranzahl sind, - Bereitstellen (S3) eines datengetriebenen Prognosemodells (NN), das derart eingerichtet ist, eine Prognose eines Schaltzeitpunkts und eines Schaltzustands der Signalanlage (LSA) in Abhängigkeit der Verkehrsflussdaten durchzuführen, - Prognostizieren (S4) eines Schaltzustandes und des Schaltzeitpunkts der Signalanlage (LSA) mittels des datengetriebenen Prognosemodells (NN) und - Ausgeben (S5) des prognostizierten Schaltzustandes und Schaltzeitpunktes (D_prog) der Signalanlage (LSA).
Computerimplementiertes Verfahren nach Anspruch 1, wobei die Zustandsdaten (ZD) des mindestens einen Verkehrsteilnehmers (V) eine Information über die Geschwindigkeit, eine Information einer Bewegungsrichtung, eine Ortsinformation und/oder eine Zeitinformation des Verkehrsteilnehmers umfassen.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei - Verkehrsverbindungen, die der Signalanlage (LSA) zugeordnet sind, in ortsabhängige Abschnitte (SEC1, SEC2, SEC3, ...) unterteilt werden, - und die Zustandsdaten des mindestens einen Verkehrsteilnehmers anhand der ortsabhängigen Abschnitte (SEC1, SEC2, SEC3, ...) der Verkehrsverbindungen in Verkehrsflussdaten mit Positions- und Geschwindigkeitsinformation, wobei die Verkehrsflussdaten unabhängig von einer Verkehrsteilnehmeranzahl sind, transformiert werden.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei ein Konfidenzintervall für den prognostizierten Schaltzustand und Schaltzeitpunkt ausgegeben wird.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei das datengetriebene Prognosemodell (NN) als maschinelles Lernverfahren realisiert ist.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei das datengetriebene Prognosemodell (NN) als Neuronales Netz realisiert ist.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei das datengetriebene Prognosemodell (NN) mittels Trainingsdaten für eine Prognose eines Schaltzeitpunkts und eines Schaltzustands der Signalanlage trainiert wurde, wobei die Trainingsdaten historische Prozessdaten der Signalanlage, mindestens eine Zeitinformation, ÖPNV-Meldepunkt-Information eines öffentlichen Verkehrsmittels, und historische von einer Verkehrsteilnehmeranzahl unabhängige Verkehrsflussdaten auf der Basis von historischen Zustandsdaten von mindestens einem Verkehrsteilnehmer umfassen.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei die Zustandsdaten (ZD) des mindestens einen Verkehrsteilnehmers an eine zentrale Recheneinheit und/oder an eine Recheneinheit der Signalanlage übermittelt und dort in Verkehrsflussdaten, die von einer Verkehrsteilnehmeranzahl unabhängig sind, transformiert werden.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei das datengetriebene Prognosemodell (NN) auf der zentralen Recheneinheit (CC) und/oder auf der Recheneinheit der Signalanlage zum Prognostizieren eines Schaltzustandes und des Schaltzeitpunkts der Signalanlage ausgeführt wird.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei das datengetriebene Prognosemodell (NN) auf der zentralen Recheneinheit (CC) und/oder auf einer Recheneinheit der Signalanlage trainiert und von dort nach dem Training bereitgestellt wird.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei der prognostizierte Schaltzustand und Schaltzeitpunkt (D_prog) der Signalanlage (LSA) an einen Verkehrsteilnehmer (V) übermittelt wird.
Vorrichtung (100) zur Prognose eines Schaltzustands und eines Schaltzeitpunkts einer Signalanlage zur Verkehrssteuerung, wobei die Vorrichtung (100) mindestens einen Prozessor (P) zum Durchführen der Schritte eines computerimplementierten Verfahrens nach den vorhergehenden Ansprüchen aufweist.
Computerprogrammprodukt eingerichtet zum Ausführen eines computerimplementierten Verfahrens nach einem der Ansprüche 1 bis 11.
Computerlesbares Speichermedium mit einem Computerprogrammprodukt nach Anspruch 13.