DE102018221046A1

DE102018221046A1 - Verfahren und Vorrichtung zur Prognose eines Schaltzustands und eines Schaltzeitpunkts einer Signalanlage zur Verkehrssteuerung

Info

Publication number: DE102018221046A1
Application number: DE102018221046.2A
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: WO2020114865A1

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren und eine Vorrichtung (100) zur Prognose eines Schaltzustands und eines Schaltzeitpunkts einer ersten Signalanlage (LSA1) zur Verkehrssteuerung. Es werden Prozessdaten (D_LSA2) einer zweiten Signalanlage (LSA2) erfasst, wobei die zweite Signalanlage (LSA2) der ersten Signalanlage (LSA1) über mindestens eine gemeinsame Verkehrsverbindung (TC) zugeordnet ist. Ein datengetriebenes Prognosemodell (NN) wird bereitgestellt, das derart eingerichtet ist, eine Prognose eines Schaltzustands und eines Schaltzeitpunkts der ersten Signalanlage (LSA1) in Abhängigkeit der Prozessdaten (D_LSA2) der zweiten Signalanlage (LSA2) durchzuführen. Mittels des datengetriebenen Prognosemodells (NN) wird ein Schaltzustand und ein Schaltzeitpunkt der ersten Signalanlage (LSA1) prognostiziert. Der prognostizierte Schaltzustand und Schaltzeitpunkt (D_prog) der ersten Signalanlage (LSA1) wird 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 historischer 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 Unteransprüchen sind vorteilhafte Weiterbildungen der Erfindung dargestellt.
Gemäß einem ersten Aspekt betrifft die Erfindung ein computerimplementiertes Verfahren zur Prognose eines Schaltzustands und eines Schaltzeitpunkts einer ersten Signalanlage zur Verkehrssteuerung, umfassend folgende Verfahrensschritte:

- Erfassen von Prozessdaten einer zweiten Signalanlage, wobei die zweite Signalanlage der ersten Signalanlage über mindestens eine gemeinsame Verkehrsverbindung zugeordnet ist,
- Bereitstellen eines datengetriebenen Prognosemodells, das derart eingerichtet ist, eine Prognose eines Schaltzustands und eines Schaltzeitpunkts der ersten Signalanlage in Abhängigkeit der Prozessdaten der zweiten Signalanlage durchzuführen,
- Prognostizieren eines Schaltzustandes und eines Schaltzeitpunkts der ersten Signalanlage mittels des datengetriebenen Prognosemodells und
- Ausgeben des prognostizierten Schaltzustandes und Schaltzeitpunktes der ersten Signalanlage.

Unter einer „Signalanlage zur Verkehrssteuerung“ kann im Zusammenhang mit der Erfindung insbesondere eine Lichtsignalanlage zur Steuerung eines Straßenverkehrs verstanden werden. Eine Verkehrsverbindung zwischen der ersten und der zweiten Signalanlage kann somit insbesondere eine Straße oder eine Schiene sein. Die erste und die zweite Signalanlage können insbesondere an jeweils benachbarten Verkehrskreuzungen installiert sein.
Es ist ein Vorteil der vorliegenden Erfindung, dass mittels der Prozessdaten einer benachbarten Signalanlage der Schaltzustand und der zugeordnete Schaltzeitpunkt einer Signalanlage vorhergesagt werden kann. Insbesondere kann 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 und/oder Kenntnis über die örtlichen Zusammenhänge 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 ersten Signalanlage bzw. eine Folge von Schaltzuständen und Schaltzeitpunkten vorhergesagt und ausgegeben werden. Insbesondere kann ein längerer Prognosehorizont erzielt und/oder Verhaltensempfehlungen für Verkehrsteilnehmer abgeleitet werden. Es kann vorzugsweise ein Konfidenzintervall des Schaltzustands und Schaltzeitpunktes ermittelt und ausgegeben werden, d.h. beispielsweise Rot- und Grünwahrscheinlichkeiten einer Lichtsignalanlage. Des Weiteren können mehr als eine zweite Signalanlage einer ersten Signalanlage zugeordnet sein, so dass Prozessdaten von mehr als einer zweiten Signalanlage zur Prognose eines Schaltzustands und eines Schaltzeitpunkts der ersten Signalanlage genutzt werden können.
Die Prognose kann insbesondere zur Anzeige einer Restzeit bis zum Schaltzeitpunkt des nächsten Schaltzustands genutzt werden. Außerdem kann mittels 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. Die Datenbasis umfasst insbesondere die Prozessdaten der zweiten Signalanlage. Somit kann das tatsächliche, aktuelle Verkehrsaufkommen bei der Prognose berücksichtigt werden. Die Prozessdaten können beispielsweise mittels eines Sensors, der der zweiten Signalanlage zugeordnet ist, erfasst werden. Ein Sensor kann beispielsweise eine Kamera, ein Infrarotsensor, ein Drucksensor, eine Induktionsschleife, oder ähnliches sein.
Unter „computerimplementiert“ oder „computer-/rechnergestützt“ 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 Prozessdaten einer Signalanlage 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.
Es können Prozessdaten der ersten und/oder zweiten Signalanlage erfasst werden. Es können insbesondere auch historische Prozessdaten der ersten und/oder zweiten Signalanlage und/oder weiteren Signalanlagen erfasst, gespeichert und/oder bereitgestellt werden. Ein Sensor kann beispielsweise eine Kamera oder eine Induktivschleife sein, wobei der Sensor insbesondere der entsprechenden Signalanlage zugeordnet ist.
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. historische 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 Schaltzustandes 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 ersten Signalanlage trainiert worden sein, wobei die Trainingsdaten historische Prozessdaten der ersten Signalanlage, mindestens eine Zeitinformation, ÖPNV-Meldepunkt-Information eines öffentlichen Verkehrsmittels und historische Prozessdaten der zweiten Signalanlage umfassen können.
Trainingsdaten können insbesondere historische Prozessdaten der ersten und zweiten Signalanlage umfassen, die beispielsweise mittels einer Speichereinheit bereitgestellt werden können. 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 verstanden werden. Dazu werden bereitgestellte Trainingsdaten eingelesen und das datengetriebene Prognosemodell anschließend derart angepasst, dass eine vorgegebene Ausgabe erzielt wird. Es können insbesondere die Gewichte der künstlichen Neuronen des Neuronalen Netzes angepasst werden, wobei insbesondere iterativ die Eingabe und die Ausgabe miteinander verglichen werden.
In einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens kann eine Korrelationsanalyse zwischen historischen Prozessdaten der ersten Signalanlage und den historischen Prozessdaten der zweiten Signalanlage durchgeführt werden und anhand der Korrelationsanalyse können Muster und/oder Abhängigkeiten des Verkehrsflusses der mindestens einen gemeinsamen Verkehrsverbindung der ersten und der zweiten Signalanlage ermittelt werden.
Mittels einer Korrelationsanalyse auf Basis der historischen Prozessdaten der ersten und zweiten Signalanlage können Muster und/oder Abhängigkeiten des Verkehrsflusses und/oder des Verkehrsverhaltens abgeleitet werden. Beispielsweise können anhand der Korrelationsergebnisse Modelle, wie z.B. Rechenmodelle oder Simulationsmodelle oder Wahrscheinlichkeitsmodelle, für Fahrzeiten und Verkehrsflüsse erstellt werden. Die Ergebnisse der Korrelationsanalyse können beim Training des datengetriebenen Prognosemodells berücksichtigt und einbezogen werden. Dies kann vorzugsweise eine präzisere Modellierung des Verkehrsaufkommens zwischen der ersten und der zweiten Signalanlage ermöglichen.
In einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens können abhängig von den ermittelten Mustern und/oder Abhängigkeiten des Verkehrsflusses die Trainingsdaten gewichtet werden und mit den gewichteten Trainingsdaten kann das datengetriebene Prognosemodell präzisiert werden.
Ausgehend von den Korrelationsergebnissen können insbesondere die Trainingsdaten derart gewichtet werden, dass vorzugsweise ermittelte Abhängigkeiten und/oder Muster stärker im Prognosemodell berücksichtigt werden können. Insbesondere kann mittels der gewichteten Trainingsdaten das datengetriebene Prognosemodell trainiert werden.
In einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens kann die zweite Signalanlage anhand der Ortsinformation ihrer Prozessdaten ermittelt werden.
Eine Ortsinformation kann beispielsweise als GPS-Koordinaten („Global Positioning System“, kurz GPS) bereitgestellt werden. Damit kann insbesondere eine benachbarte zweite Signalanlage ermittelt werden.
In einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens können die Prozessdaten der zweiten Signalanlage an eine zentrale Recheneinheit und/oder an eine Recheneinheit der ersten Signalanlage übermittelt werden.
Die Prozessdaten der zweiten Signalanlage können insbesondere von einer Recheneinheit der zweiten Signalanlage an eine zentrale Recheneinheit und/oder an eine Recheneinheit der ersten Signalanlage übermittelt werden. Eine Recheneinheit kann insbesondere mindestens einen Prozessor und/oder eine Speichereinheit umfassen.
In einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens können eine Vielzahl von Prozessdaten von einer Vielzahl von weiteren Signalanlagen an eine zentrale Recheneinheit übermittelt werden und es können abhängig von einer jeweiligen Ortsinformation dieser Signalanlagen, diejenigen Signalanlagen, die der ersten Signalanlage über mindestens eine gemeinsame Verkehrsverbindung zugeordnet sind, ermittelt, deren jeweilige Prozessdaten erfasst und für eine Prognose des Schaltzeitpunkts und des Schaltzustands der ersten Signalanlage bereitgestellt werden.
Vorzugsweise können aus einer Vielzahl von Signalanlagen diejenigen Signalanlagen selektiert werden, die über eine Verkehrsverbindung der zu prognostizierenden Signalanlage zugeordnet sind. Mittels der Prozessdaten dieser selektierten Signalanlagen kann vorzugsweise die Prognose eines zukünftigen Schaltzustands und Schaltzeitpunkts der Signalanlage durchgeführt werden. Die Prognose kann insbesondere durch die Prozessdaten von mehr als einer zweiten Signalanlage verbessert werden.
In einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens kann das datengetriebene Prognosemodell auf der zentralen Recheneinheit oder auf der Recheneinheit der ersten Signalanlage zum Prognostizieren eines Schaltzustandes und des Schaltzeitpunkts der ersten Signalanlage ausgeführt werden.
Insbesondere kann das Prognosemodell auf der zentralen Recheneinheit ausgeführt und das Prognoseergebnis anschließend an die Recheneinheit der ersten Signalanlage übermittelt werden.
Unter dem Begriff „ausführen“ des datengetriebenen Prognosemodells kann insbesondere das computergestützte Einlesen von aktuellen Prozessdaten der mindestens einen zweiten Signalanlage, das computergestützte Prognostizieren eines zukünftigen Schaltzustands und Schaltzeitpunkts der ersten 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 der Recheneinheit der ersten Signalanlage mittels der Trainingsdaten 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 Prozessdaten von einer Vielzahl von Signalanlagen gespeichert und für ein Training des datengetriebenen Prognosemodells genutzt werden.
Das Training des datengetriebenen Prognosemodells kann insbesondere auf der Recheneinheit der ersten Signalanlage erfolgen, wobei vorzugsweise lediglich Prozessdaten von benachbarten Signalanlagen an die Recheneinheit der ersten Signalanlage übermittelt und beim Training berücksichtigt werden.
In einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens kann der prognostizierte Schaltzustand und Schaltzeitpunkt der ersten Signalanlage an einen Verkehrsteilnehmer und/oder eine Anzeigevorrichtung übermittelt werden.
Insbesondere kann zunächst mindestens ein sich in der Nähe der ersten Signalanlage befindliches Fahrzeug oder Verkehrsteilnehmer bestimmt werden. Somit kann vorzugsweise eine effiziente Regelung des Verkehrs erreicht werden. Der prognostizierte Schaltzustand und Schaltzeitpunkt der ersten Signalanlage kann an den Verkehrsteilnehmer und/oder an eine Anzeigevorrichtung übermittelt werden. Eine Anzeigevorrichtung kann beispielsweise ein Bildschirm, ein Audiogerät, ein Signalgeber oder ähnliches sein. Insbesondere kann eine Anzeigevorrichtung in einem Fahrzeug integriert sein oder mit der ersten Signalanlage gekoppelt sein. Die Anzeigevorrichtung kann insbesondere mit einer Roadside Unit (RSU) der ersten Signalanlage gekoppelt sein.
Gemäß einem zweiten Aspekt betrifft die Erfindung eine Vorrichtung zur Prognose eines Schaltzustands und Schaltzeitpunkts einer ersten Signalanlage zur Verkehrssteuerung, wobei die Vorrichtung mindestens einen Prozessor zum Durchführen der Schritte eines erfindungsgemäßen Verfahrens aufweist.
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 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 ersten Signalanlage. Insbesondere kann mittels des computerimplementierten Verfahrens mindestens ein zukünftiger Schaltzustand und ein diesem Schaltzustand zugeordneter Schaltzeitpunkt der ersten Signalanlage ermittelt werden.
Im ersten Schritt S1 des Verfahrens werden Prozessdaten einer zweiten Signalanlage, die der ersten Signalanlage über mindestens eine Verkehrsverbindung zugeordnet ist, erfasst und bereitgestellt. Die erste Signalanlage und die zweite Signalanlage können somit über eine gemeinsame Verkehrsverbindung, z.B. eine Straße, miteinander verbunden sein. Über die gemeinsame Verkehrsverbindung kann insbesondere ein Verkehr fließen, der zunächst von der zweiten und anschließend von der ersten Signalanlage geregelt wird.
Die Prozessdaten der zweiten Signalanlage können Sensordaten eines mit der zweiten Signalanlage gekoppelten Sensors, Zustandsdaten der zweiten Signalanlage, Schaltzustände und Schaltzeitpunkte der zweiten Signalanlage, Signalgruppenzustände der zweiten Signalanlage, eine Umlaufzeit der zweiten Signalanlage und/oder eine Ortsinformation der zweiten Signalanlage umfassen. Die Prozessdaten der zweiten Signalanlage betreffen vorzugsweise einen Verkehr, der von der zweiten Signalanlage zu der ersten Signalanlage über die gemeinsame Verkehrsverbindung fließt. Die gemeinsame Verkehrsverbindung kann eine direkte Verkehrsverbindung oder eine, beispielsweise durch eine Verkehrskreuzung, unterbrochene Verkehrsverbindung sein. Eine Zuordnung der zweiten Signalanlage zur ersten Signalanlage kann folglich anhand eines Verkehrsflusses ermittelt werden.
Im nächsten Schritt S2 wird ein datengetriebenes Prognosemodell bereitgestellt und die Prozessdaten der zweiten Signalanlage 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 ersten Signalanlage in Abhängigkeit der Prozessdaten der zweiten Signalanlage durchzuführen.
Das Training des datengetriebenen Prognosemodells kann insbesondere vor der Bereitstellung durchgeführt werden. Unter einem Training eines maschinellen Lernverfahrens kann insbesondere die Modellierung und/oder Anpassung eines computergestützten Modells anhand von Trainingsdaten verstanden werden.
Für das Training werden Trainingsdaten bereitgestellt, die insbesondere historische Prozessdaten der ersten Signalanlage, mindestens eine Zeitinformation, wie z.B. eine kalendarische Information und eine Meldepunkt-Information eines öffentlichen Verkehrsmittels, wie z.B. ein ÖPNV-Telegramm und historische Prozessdaten der zweiten Signalanlage umfassen.
Das datengetriebene Prognosemodell kann insbesondere weiter präzisiert werden. Dazu kann eine Korrelationsanalyse auf Basis der Trainingsdaten, insbesondere zwischen den historischen Prozessdaten der ersten und der zweiten Signalanlage, durchgeführt werden, um z.B. Abhängigkeiten und/oder Muster im Verkehrsfluss zu identifizieren. Beispielsweise können mittels der Korrelationsanalyse Verkehrsflussmodelle generiert werden. Abhängig von den Ergebnissen der Korrelationsanalyse kann anschließend das datengetriebene Prognosemodell nachtrainiert bzw. präzisiert werden. Dazu können insbesondere gewichtete Trainingsdaten genutzt werden, wobei eine Gewichtung auf Basis der Muster und/oder Abhängigkeiten erfolgt.
Als nächster Schritt S3 werden mittels des datengetriebenen Prognosemodells und der eingelesenen Daten, insbesondere der Prozessdaten der zweiten Signalanlage, ein Schaltzustand und ein Schaltzeitpunkt der ersten 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 Prozessdaten der zweiten Signalanlage, aktuelle und/oder historische Prozessdaten der ersten Signalanlage, mindestens eine Zeitinformation, wie z.B. eine kalendarische Information, und Verkehrsinformation eines öffentlichen Verkehrsmittels, wie z.B. ein ÖPNV-Telegramm, übergeben. Auf Basis dieser Information- bzw. Datenmenge kann eine Prognose eines zukünftigen Schaltverhaltens der ersten Signalanlage durchgeführt werden.
Als nächster Schritt S4 werden der mindestens eine prognostizierte Schaltzustand und zugehöriger Schaltzeitpunkt der ersten Signalanlage ausgegeben. Beispielsweise wird der prognostizierte Schaltzustand und Schaltzeitpunkt der ersten Signalanlage auf einer zentralen Recheneinheit ermittelt und das Prognoseergebnis wird von dort ausgegeben. Alternativ kann das datengetriebene Prognosemodell auch auf einer Recheneinheit der ersten Signalanlage ausgeführt und das Prognoseergebnis von dort, beispielswiese an einen Verkehrsteilnehmer, ausgegeben werden.
Das computerimplementierte Verfahren ermöglicht insbesondere eine Prognose eines Schaltverhaltens der ersten Signalanlage auf Basis aktueller Verkehrsflussdaten und bevor ein mit der ersten 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 sind zwei Verkehrskreuzungen K1, K2 in Draufsicht gezeigt. An beiden Verkehrskreuzungen K1, K2 ist jeweils eine Signalanlage LSA1 bzw. LSA2 installiert, um den Verkehr zu regeln. Beispielsweise handelt es sich hierbei jeweils um eine Lichtsignalanlage, die beispielsweise jeweils eine bestimmte Anzahl von Signalgruppen umfasst. Die erste Verkehrskreuzung K1 ist über eine gemeinsame Verkehrsverbindung TC mit der zweiten Verkehrskreuzung K2 verbunden, wobei ein Verkehrsfluss zwischen der ersten und zweiten Kreuzung K1, K2 besteht. Somit ist die zweite Signalanlage LSA2 der ersten Signalanlage LSA1 zugeordnet. Die Verkehrsverbindung TC kann eine direkte oder eine indirekte Verkehrsverbindung sein.
Des Weiteren ist schematisch die Kopplung der ersten Signalanlage LSA1 und der zweiten Signalanlage LSA2 mit einer zentralen Recheneinheit CC, z.B. eine Cloud, dargestellt. Die erste Signalanlage LSA1 und/oder zweite Signalanlage LSA2 können jeweils mit einer Recheneinheit (nicht dargestellt) ausgestattet und/oder gekoppelt sein.
Beispielsweise können aktuelle Prozessdaten D_LSA2 der zweiten Signalanlage LSA2 über eine drahtlose oder drahtgebundene Kommunikationsverbindung an die zentrale Recheneinheit CC übermittelt werden. Dort kann ein trainiertes datengetriebenes Prognosemodell NN zur Prognose eines zukünftigen Schaltzustands und Schaltzeitpunkts der ersten Signalanlage LSA1 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 Prozessdaten D_LSA2 der zweiten Signalanlage LSA2 einen zukünftigen Schaltzustand und Schaltzeitpunkt D_prog der ersten Signalanlage LSA1 zu prognostizieren. Der prognostizierte Schaltzustand und Schaltzeitpunkt D_prog kann beispielsweise an eine Recheneinheit der ersten Signalanlage LSA1 über eine drahtlose oder drahtgebundene Kommunikationsverbindung übermittelt werden. Weiterhin kann der prognostizierte Schaltzustand und Schaltzeitpunkt D_prog an einen Verkehrsteilnehmer V und/oder eine Anzeigevorrichtung 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 ersten Signalanlage LSA1, mindestens eine Zeitinformation, Meldepunkt-Informationen eines öffentlichen Verkehrsmittels und historische Prozessdaten der zweiten Signalanlage LSA2 umfassen. Das trainierte datengetriebene Prognosemodell NN wird anschließend bereitgestellt, wie z.B. auf der zentralen Recheneinheit CC gespeichert und/oder an die Recheneinheit der ersten Signalanlage LSA1 übermittelt.
Das datengetriebene Prognosemodell NN kann insbesondere mittels einer Korrelationsanalyse präzisiert werden. Eine Korrelationsanalyse kann auf Basis historischer Prozessdaten der ersten und der zweiten Signalanlage LSA1, LSA2 durchgeführt werden, wodurch Muster und/oder Abhängigkeiten eines typischen Verkehrsflusses bestimmt werden können. Dies ist beispielshaft in 2 mittels der gestrichelten Pfeile W1, W2, W3 dargestellt. Beispielsweise kann anhand der historischen Prozessdaten der ersten und zweiten Signalanlage LSA1, LSA2 ermittelt werden, dass sich Verkehrsteilnehmer V jeweils mit einer bestimmten Wahrscheinlichkeit an der Kreuzung K2 rechts abbiegen W1, links abbiegen W3 oder sich geradeaus W2 Richtung Kreuzung K1 bewegen. Ein solches Muster im Verkehrsfluss kann insbesondere genutzt werden, um die Trainingsdaten zu gewichten, mit denen das datengetriebene Prognosemodell NN trainiert bzw. präzisiert werden kann.
Die erste Signalanlage LSA1 kann insbesondere mehrere benachbarte zweite Signalanlagen aufweisen (nicht dargestellt). Aus einer Vielzahl von Signalanlagen können insbesondere anhand der Ortsinformation der Prozessdaten einer Signalanlage diejenigen Signalanlagen ermittelt werden, die eine gemeinsame Verkehrsverbindung TC mit der ersten Signalanlage LSA1 aufweisen. Die Prozessdaten dieser selektieren Signalanlagen können als Eingangsdaten zur Prognose genutzt werden, um insbesondere die Prognosegüte zu verbessern.
3 zeigt eine erfindungsgemäße Vorrichtung 100 zur Prognose eines Schaltzustands und Schaltzeitpunkts einer ersten 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 ersten Signalanlage (LSA1) zur Verkehrssteuerung, umfassend folgende Verfahrensschritte: - Erfassen (S1) von Prozessdaten (D_LSA2) einer zweiten Signalanlage (LSA2), wobei die zweite Signalanlage (LSA2) der ersten Signalanlage (LSA1) über mindestens eine gemeinsame Verkehrsverbindung (TC) zugeordnet ist, - Bereitstellen (S2) eines datengetriebenen Prognosemodells (NN), das derart eingerichtet ist, eine Prognose eines Schaltzustands und eines Schaltzeitpunkts der ersten Signalanlage (LSA1) in Abhängigkeit der Prozessdaten (D_LSA2) der zweiten Signalanlage (LSA2) durchzuführen, - Prognostizieren (S3) eines Schaltzustandes und eines Schaltzeitpunkts der ersten Signalanlage (LSA1) mittels des datengetriebenen Prognosemodells (NN) und - Ausgeben (S4) des prognostizierten Schaltzustandes und Schaltzeitpunktes (D_prog) der ersten Signalanlage (LSA1).
Computerimplementiertes Verfahren nach Anspruch 1, wobei Prozessdaten einer Signalanlage 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.
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 ersten Signalanlage (LSA1) trainiert wurde, wobei die Trainingsdaten historische Prozessdaten der ersten Signalanlage, mindestens eine Zeitinformation, ÖPNV-Meldepunkt-Information eines öffentlichen Verkehrsmittels und historische Prozessdaten der zweiten Signalanlage (LSA2) umfassen.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei eine Korrelationsanalyse zwischen historischen Prozessdaten der ersten Signalanlage und den historischen Prozessdaten der zweiten Signalanlage durchgeführt und anhand der Korrelationsanalyse Muster und/oder Abhängigkeiten des Verkehrsflusses der mindestens einen gemeinsamen Verkehrsverbindung (TC) der ersten und der zweiten Signalanlage (LSA1, LSA2) ermittelt werden.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei abhängig von den ermittelten Mustern und/oder Abhängigkeiten des Verkehrsflusses die Trainingsdaten gewichtet werden und mit den gewichteten Trainingsdaten das datengetriebene Prognosemodell (NN) präzisiert wird.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei die zweite Signalanlage (LSA2) anhand der Ortsinformation ihrer Prozessdaten (D_LSA2) ermittelt wird.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei die Prozessdaten der zweiten Signalanlage (LSA2) an eine zentrale Recheneinheit (CC) und/oder eine Recheneinheit der ersten Signalanlage (LSA1) übermittelt werden.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei eine Vielzahl von Prozessdaten von einer Vielzahl von weiteren Signalanlagen an eine zentrale Recheneinheit übermittelt werden und abhängig von einer jeweiligen Ortsinformation dieser Signalanlagen, diejenigen Signalanlagen, die der ersten Signalanlage (LSA1) über mindestens eine gemeinsame Verkehrsverbindung (TC) zugeordnet sind, ermittelt, deren jeweilige Prozessdaten erfasst und für eine Prognose des Schaltzeitpunkts und des Schaltzustands der ersten Signalanlage (LSA1) bereitgestellt werden.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei das datengetriebene Prognosemodell (NN) auf der zentralen Recheneinheit (CC) oder auf der Recheneinheit der ersten Signalanlage zum Prognostizieren eines Schaltzustandes und des Schaltzeitpunkts der ersten Signalanlage (LSA1) ausgeführt wird.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei das datengetriebene Prognosemodell (NN) auf der zentralen Recheneinheit (CC) und/oder auf der Recheneinheit der ersten Signalanlage (LSA1) mittels der Trainingsdaten 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 ersten Signalanlage (LSA1) an einen ÖPNV-Meldepunkt-Informationen eines öffentlichen Verkehrsmittels (V) und/oder eine Anzeigevorrichtung übermittelt wird.
Vorrichtung (100) zur Prognose eines Schaltzustands und Schaltzeitpunkts einer ersten Signalanlage (LSA1) zur Verkehrssteuerung, wobei die Vorrichtung mindestens einen Prozessor (P) zum Durchführen der Schritte eines Verfahrens nach den vorhergehenden Ansprüchen aufweist.
Computerprogrammprodukt eingerichtet zum Ausführen eines computerimplementierten Verfahrens nach einem der Ansprüche 1 bis 13.
Computerlesbares Speichermedium mit einem Computerprogrammprodukt nach Anspruch 15.