-
Ein zunehmendes Verkehrsaufkommen stellt insbesondere Großstädte vor zum Teil erhebliche Herausforderungen. Dementsprechend wird vielerorts angestrebt, durch verschiedene Verkehrsbeeinflussungsmaßnahmen einen Treibstoffverbrauch, einen Schadstoffausstoß, Lärmemissionen sowie Wartezeiten zu verringern.
-
Aus der Publikation
EP3438942A2 ist ein Verfahren bekannt, bei dem Schaltzeitpunkte einer Signalanlage bzw. verbleibende Restzeiten bis zum Umschalten der Signalanlage mittels einer künstlichen Intelligenz vorhergesagt werden. Mittels dieser Information können Verkehrsteilnehmer bei Annäherung an eine Signalanlage dazu veranlasst werden, eine Geschwindigkeitsanpassung vorzunehmen, Bremsvorgänge frühzeitig einzuleiten oder unnötige Beschleunigungsvorgänge zu vermeiden. Auf diese Weise können Treibstoffverbrauch, Schadstoffausstoß, Lärmemissionen und Wartezeiten häufig wirksam verringert werden. Um eine hinreichende Prognosegüte zu erreichen, sind bei der beschriebenen künstlichen Intelligenz jedoch in der Regel ein sehr rechenintensives Training sowie eine große Menge an Trainingsdaten erforderlich.
-
Es ist Aufgabe der vorliegenden Erfindung, ein Verfahren zur Verkehrsbeeinflussung, eine Verkehrsbeeinflussungseinrichtung sowie ein Verfahren zu deren Training zu schaffen, die eine bessere Restzeitprognose erlauben oder einen geringeren Trainingsaufwand erfordern.
-
Gelöst wird diese Aufgabe durch ein Verfahren mit den Merkmalen des Patentanspruchs 1, durch ein Verfahren mit den Merkmalen des Patentanspruchs 8, durch eine Verkehrsbeeinflussungseinrichtung mit den Merkmalen des Patentanspruchs 10, durch ein Computerprogrammprodukt mit den Merkmalen des Patentanspruchs 11 sowie durch ein computerlesbares, vorzugsweise nichtflüchtiges Speichermedium mit den Merkmalen des Patentanspruchs 12.
-
Erfindungsgemäß werden zur Verkehrsbeeinflussung Verkehrsdaten einer Umgebung eines Verkehrssignalgebers sowie eine verschiedene Signalphasen des Verkehrssignalgebers unterscheidende Signalphasenangabe erfasst. Die Verkehrsdaten werden als Eingabedaten einem künstlichen neuronalen Netz zugeführt, das ein erstes Teilnetz und ein davon verschiedenes, zweites Teilnetz sowie ein Kombinationsnetz zum Kombinieren von Ausgabedaten beider Teilnetze umfasst. Das künstliche neuronale Netz ist dabei darauf trainiert, anhand von Verkehrsdaten eine noch verbleibende Restzeit bis zu einem Phasenwechsel des Verkehrssignalgebers zu reproduzieren. Erfindungsgemäß werden ein Ausgeben der Ausgabedaten des ersten Teilnetzes und ein Ausgeben der Ausgabedaten des zweiten Teilnetzes abhängig von der Signalphasenangabe in zueinander komplementärer Weise gesteuert. Ferner werden Ausgabedaten des Kombinationsnetzes oder daraus abgeleitete Prognosedaten als Restzeitprognose zur Verkehrsbeeinflussung zu einem Verkehrsmittel oder zu einem Verkehrsteilnehmer übermittelt.
-
Zum Trainieren einer Verkehrsbeeinflussungseinrichtung mit einem künstlichen neuronalen Netz werden Verkehrsdaten einer Umgebung eines Verkehrssignalgebers sowie eine verschiedene Signalphasen des Verkehrssignalgebers unterscheidende Signalphasenangabe erfasst. Die Verkehrsdaten werden als Eingabedaten dem künstlichen neuronalen Netz zugeführt, das ein erstes Teilnetz und ein davon verschiedenes, zweites Teilnetz sowie ein Kombinationsnetz zum Kombinieren von Ausgabedaten beider Teilnetze umfasst. Das künstliche neuronale Netz wird darauf trainiert, anhand der Verkehrsdaten eine noch verbleibende Restzeit bis zu einem Phasenwechsel des Verkehrssignalgebers zu reproduzieren. Erfindungsgemäß werden dabei ein Ausgeben der Ausgabedaten des ersten Teilnetzes und ein Ausgeben der Ausgabedaten des zweiten Teilnetzes abhängig von der Signalphasenangabe in zueinander komplementärer Weise gesteuert.
-
Zum Ausführen eines erfindungsgemäßen Verfahrens sind eine Verkehrsbeeinflussungseinrichtung, ein Computerprogrammprodukt sowie ein computerlesbares, insbesondere nichtflüchtiges Speichermedium vorgesehen.
-
Die erfindungsgemäßen Verfahren sowie die erfindungsgemäße Verkehrsbeeinflussungseinrichtung können beispielsweise mittels eines oder mehrerer Prozessoren, Computer, anwendungsspezifischer integrierter Schaltungen (ASIC), digitaler Signalprozessoren (DSP) und/oder sogenannter „Field Programmable Gate Arrays“ (FPGA) ausgeführt bzw. implementiert werden.
-
Durch die Verwendung verschiedener, signalphasenspezifisch angesteuerter Teilnetze kann eine Güte einer Restzeitprognose in aller Regel verbessert und/oder ein erforderlicher Trainingsaufwand verringert werden. Mit einer verbesserten Restzeitprognose können wiederum Lärmemissionen, Wartezeiten, Schadstoffausstoß und/oder Verkehrsverzögerungen verringert werden. Darüber hinaus sind zur Nutzung der Erfindung in vielen Fällen nur geringfügige oder keine Modifikationen existierender verkehrstechnischer Anlagen erforderlich.
-
Vorteilhafte Ausführungsformen und Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen angegeben.
-
Gemäß einer vorteilhaften Ausführungsform der Erfindung kann das Ausgeben der Ausgabedaten der beiden Teilnetze abhängig von der Signalphasenangabe derart gesteuert werden, dass in einer ersten Signalphase das erste Teilnetz einen Prognosewert und das zweite Teilnetz einen Neutralwert zum Kombinationsnetz ausgeben, und dass in einer zweiten Signalphase das zweite Teilnetz einen Prognosewert und das erste Teilnetz einen Neutralwert zum Kombinationsnetz ausgeben. Als Neutralwert kann insbesondere eine numerische oder logische Null oder ein sehr kleiner Wert ausgegeben werden, der beim Kombinieren mit einem quantifizierten Prognosewert diesen nicht oder nur wenig verändert.
-
Vorzugsweise können durch das Kombinationsnetz Ausgabedaten des ersten Teilnetzes mit Ausgabedaten des zweiten Teilnetzes mittels einer vorzugsweise numerischen Addition kombiniert werden. Wenn hierbei ein Neutralwert zu einem quantifizierten Prognosewert addiert wird, ändert sich letzterer nicht oder nur wenig. Auf diese Weise können in einer ersten Signalphase ein signalphasenspezifischer Prognosewert des ersten Teilnetzes und in einer zweiten Signalphase ein signalphasenspezifischer Prognosewert des zweiten Teilnetzes jeweils als Ergebnis der Addition ausgegeben bzw. selektiert werden.
-
Nach einer vorteilhaften Ausführungsform der Erfindung kann für mehrere Verkehrssignalgeber jeweils eine signalgeberspezifische Signalphasenangabe erfasst werden. Abhängig von den erfassten Signalphasenangaben können durch das erste Teilnetz signalgeberspezifische Prognosewerte für in einer ersten Signalphase befindliche Verkehrssignalgeber und durch das zweite Teilnetz signalgeberspezifische Prognosewerte für in einer zweiten Signalphase befindliche Verkehrssignalgeber zum Kombinationsnetz ausgegeben werden. Auf diese Weise können signalgeberspezifische Prognosewerte für mehrere oder alle beteiligten Verkehrssignalgeber parallel ermittelt und ausgegeben werden.
-
Weiterhin können die Signalphasenangabe und/oder andere ein Schaltverhalten des Verkehrssignalgebers beeinflussende Daten dem künstlichen neuronalen Netz als Eingabedaten zugeführt werden, wobei das künstliche neuronale Netz darauf trainiert ist, zusätzlich anhand von Signalphasenangaben und/oder anderen ein Schaltverhalten des Verkehrssignalgebers beeinflussenden Daten Restzeiten bis zu einem jeweiligen Phasenwechsel zu reproduzieren. Derartige ein Schaltverhalten des Verkehrssignalgebers beeinflussenden Daten können insbesondere Zeitangaben, Datumsangaben, Umgebungsdaten, z.B. über Wetterverhältnisse, Lichtverhältnisse, Glätte oder Schadstoffbelastung, Angaben über Stoßzeiten und/oder Ereignisdaten über Veranstaltungen, über Annäherungen von priorisierten Fahrzeugen, über Unfälle oder über andere Verkehrsereignisse umfassen.
-
Gemäß einer weiteren vorteilhaften Ausführungsform der Erfindung kann abhängig von der zum Verkehrsmittel oder zum Verkehrsteilnehmer übermittelten Restzeitprognose eine Start-Stop-Automatik, eine Bremse, eine Rekuperationseinrichtung, ein autonomes Fahrzeug, ein Navigationsgerät und/oder ein Routenplaner gesteuert oder ein Hinweis an den Verkehrsteilnehmer ausgegeben werden. Auf diese Weise können Verkehrsmittel oder Verkehrsteilnehmer dazu veranlasst werden, eine Geschwindigkeitsanpassung vorzunehmen, Bremsvorgänge frühzeitig einzuleiten, unnötige Beschleunigungsvorgänge zu vermeiden oder anderweitig auf den erwarteten Phasenwechsel zu reagieren.
-
Weiterhin kann das künstliche neuronale Netz darauf trainiert werden, einen Mittelwert, einen Median, ein Quantil, einen wahrscheinlichen Wert, ein Minimum, ein Maximum und/oder eine statistische Schwankungsbreite der Restzeit oder eine Wahrscheinlichkeit für einen Phasenwechsel in einem vorgegebenen Zeitintervall als Restzeitprognose zu reproduzieren. So kann beispielsweise das neuronale Netz darauf trainiert werden, eine Wahrscheinlichkeit für einen Wechsel auf Grün in der nächsten Sekunde als Restzeitprognose auszugeben.
-
Ein Ausführungsbeispiel der Erfindung wird nachfolgend anhand der Zeichnung näher erläutert. Dabei zeigen jeweils in schematischer Darstellung:
- 1 eine Straßenkreuzung mit einer Verkehrssignalanlage,
- 2 ein erfindungsgemäßes neuronales Netz und
- 3 eine erfindungsgemäße Verkehrsbeeinflussungseinrichtung.
-
1 zeigt in schematischer Darstellung beispielhaft eine Straßenkreuzung KR mit einer Verkehrssignalanlage, die mehrere Ampeln S1,...,S4 als Verkehrssignalgeber umfasst. Gleichphasig angesteuerte Ampeln bilden dabei jeweils eine Signalgruppe. Im vorliegenden Ausführungsbeispiel bilden S1 und S3 eine erste Signalgruppe und S2 und S4 eine zweite Signalgruppe. Die Verkehrssignalgeber S1,...,S4 dienen jeweils zum Steuern oder Regeln des lokalen Verkehrs abhängig von aktuellen Verkehrsdaten oder anderen Einflussfaktoren.
-
Im vorliegenden Ausführungsbeispiel werden bei einem jeweiligen Verkehrssignalgeber S1,... bzw. S4 zwei zueinander komplementäre Signalphasen unterschieden. Das heißt, wenn eine erste Signalphase aktuell nicht vorliegt, dann die zweite und umgekehrt. So kann eine erste Signalphase „grün“ für freie Fahrt und eine dazu komplementäre, zweite Signalphase „nicht-grün“ für gesperrt vorgesehen sein.
-
Die Verkehrssignalgeber S1,...,S4 und deren Signalphasen und Phasenwechsel werden jeweils durch eine daran gekoppelte Ampelsteuerung CTL gesteuert. Letztere kann lokal oder als Teil eines signalanlagenübergreifenden Verkehrsregelungssystems implementiert sein. Die Ansteuerung der Verkehrssignalgeber S1,...,S4 durch die Ampelsteuerung CTL erfolgt in Abhängigkeit von lokal erfassten Verkehrsdaten oder anderen Einflussfaktoren.
-
Im vorliegenden Ausführungsbeispiel werden zwei auf die Kreuzung KR zufahrende Fahrzeuge F1 und F2 betrachtet. Entsprechend den üblichen Verkehrsregeln steuern die Ampeln der Kreuzung KR, welches Fahrzeug freie Fahrt hat und welches Fahrzeug warten muss. Im vorliegenden Ausführungsbeispiel ist die Ampel S1 für das Fahrzeug F1 und die Ampel S2 für das Fahrzeug F2 maßgeblich.
-
In einer Umgebung der Kreuzung KR ist weiterhin eine erfindungsgemäße Verkehrsbeeinflussungseinrichtung RSU angeordnet. Letztere dient zur Einflussnahme auf Verkehrsmittel, hier insbesondere die Fahrzeuge F1 und F2 oder andere Verkehrsteilnehmer. Hierbei kann insbesondere eine interne Steuerung der Verkehrsmittel oder ein Smartphone von Radfahrern oder Fußgängern beeinflusst werden.
-
Erfindungsgemäß soll die Verkehrsbeeinflussungseinrichtung RSU eine Restzeitprognose ermitteln, d.h. eine noch verbleibende Restzeit bis zu einem nachfolgenden Phasenwechsel eines jeweiligen Verkehrssignalgebers vorhersagen. Alternativ oder zusätzlich kann als Restzeitprognose auch eine Wahrscheinlichkeit für einen Phasenwechsel auf grün bzw. nicht-grün in der nächsten Sekunde oder in einem anderen vorgegebenen Zeitintervall ermittelt werden. Anhand der ermittelten Restzeitprognosen können Verkehrsmittel, hier F1 und F2 oder andere Verkehrsteilnehmer bei Annäherung an die Verkehrssignalanlage dazu veranlasst werden, eine Geschwindigkeitsanpassung vorzunehmen, Bremsvorgänge frühzeitig einzuleiten oder unnötige Beschleunigungsvorgänge zu vermeiden. Zu diesem Zweck können, abhängig von der Restzeitprognose, ein Start/Stop-Automatik, eine Bremse, eine Rekuperationseinrichtung, ein Navigationsgerät, oder eine autonome Fahrzeugsteuerung in einem Fahrzeug gesteuert oder ein Hinweis an einen Verkehrsteilnehmer ausgegeben werden.
-
Im vorliegenden Ausführungsbeispiel werden durch die Verkehrsbeeinflussungseinrichtung RSU signalgeberspezifische bzw. signalgruppenspezifische Restzeitprognosen RP1 und RP2 ermittelt und zu den Fahrzeugen F1 und F2 zu deren Beeinflussung übertragen. Dabei quantifiziert RP1 eine prognostizierte Restzeit bis zum nächsten Phasenwechsel der ersten Signalgruppe S1, S3 und RP2 eine prognostizierte Restzeit bis zum nächsten Phasenwechsel der zweiten Signalgruppe S2, S4.
-
Die Verkehrsbeeinflussungseinrichtung RSU kann vorzugsweise als sogenannte Roadside-Unit implementiert werden. Alternativ oder zusätzlich kann die Verkehrsbeeinflussungseinrichtung RSU ganz oder teilweise in einer sogenannten SPaT-Box (SPaT: Signal Phase and Timing) integriert oder daran gekoppelt sein. Die Restzeitprognosen RP1 und RP2 der Verkehrsbeeinflussungseinrichtung RSU können an eine sogenannte Onboard-Unit oder eine andere Steuereinrichtung in einem Verkehrsmittel oder an ein Smartphone eines Verkehrsteilnehmers übertragen werden. Über ein Smartphone können Restzeitprognosen insbesondere auch an Fußgänger oder Radfahrer übermittelt werden.
-
Die Restzeitprognosen RP1 und RP2 werden anhand von aktuell in einer Umgebung der Verkehrssignalgeber S1,...,S4 erfassten Verkehrsdaten VD, Signalphasenangaben SPA sowie ggf. anderen ein Schaltverhalten der Verkehrssignalgeber S1,...,S4 beeinflussenden Daten ermittelt. Als Verkehrsdaten VD können insbesondere Anzahl und Geschwindigkeiten von Fahrzeugen, deren Wartezeiten, Annäherungen von priorisierten Fahrzeugen, Verkehrsereignisse wie Unfälle oder andere Verkehrsstörungen, oder weitere Angaben über eine aktuelle Verkehrsbelastung erfasst werden. Zur Erfassung oder Messung der Verkehrsdaten verfügt die Verkehrsbeeinflussungseinrichtung RSU über eine Sensorik S, die beispielsweise Fahrzeugsensoren, Kameras, Geschwindigkeitssensoren oder andere Sensoren umfassen kann. Alternativ oder zusätzlich kann die Verkehrsbeeinflussungseinrichtung RSU über eine Empfangseinrichtung für anderweitig erfasste, das Schaltverhalten beeinflussende Daten verfügen.
-
Die Signalphasenangaben SPA geben für einen jeweiligen Verkehrssignalgeber bzw. für eine jeweilige Signalgruppe an, in welcher Signalphase sich der jeweilige Verkehrssignalgeber bzw. die jeweilige Signalgruppe aktuell befindet. Alternativ oder zusätzlich kann auch ein jeweiliger Zeitpunkt eines letzten Phasenwechsels signalgeberspezifisch bzw. signalgruppenspezifisch durch eine jeweilige Signalphasenangabe quantifiziert werden. Die aktuellen Signalphasenangaben SPA liegen in der Ampelsteuerung CTL vor und werden fortlaufend oder bei Phasenwechseln von der Ampelsteuerung CTL zur Verkehrsbeeinflussungseinrichtung RSU übermittelt.
-
Die anderen ein Schaltverhalten der Verkehrssignalanlage beeinflussenden Daten können insbesondere Zeitangaben, Datumsangaben, Umgebungsdaten, z.B. über Wetterverhältnisse, Lichtverhältnisse, Glätte oder Schadstoffbelastung, Angaben über Stoßzeiten und/oder Ereignisdaten über Veranstaltungen, über Annäherungen von priorisierten Fahrzeugen, über Unfälle oder über andere Verkehrsereignisse umfassen.
-
Zum Ermitteln der Restzeitprognosen RP1 und RP2 verfügt die Verkehrsbeeinflussungseinrichtung RSU über ein künstliches neuronales Netz NN, das mit der Sensorik S gekoppelt ist. Das neuronale Netz NN ist darauf trainiert, anhand der Verkehrsdaten VD, der Signalphasenangaben SPA sowie ggf. den anderen ein Schaltverhalten der Verkehrssignalgeber S1,...,S4 beeinflussenden Daten verbleibende Restzeiten bis zu einem jeweiligen Phasenwechsel der Verkehrssignalgeber S1,...,S4 zu prognostizieren.
-
Die Verkehrsbeeinflussungseinrichtung RSU verfügt weiterhin über eine mit dem neuronalen Netz NN gekoppelte Sendeeinrichtung TX. Durch die Sendeeinrichtung TX werden die vorzugsweise jede Sekunde neu berechneten Restzeitprognosen RP1 und RP2 vorzugsweise funkbasiert an die Fahrzeuge F1 und F2 übermittelt.
-
Außer zur Beeinflussung oder Steuerung von Straßenverkehr kann die Erfindung auch in vorteilhafter Weise zur Beeinflussung oder Steuerung von Schienenverkehr, Robotern, Schiffverkehr oder Luftverkehr verwendet werden, um in analoger Weise Restzeitprognosen für dort genutzte, z.B. funkbasierte Verkehrssignalgeber zu ermitteln und an betroffene Verkehrsmittel oder Verkehrsteilnehmer zu übermitteln.
-
2 veranschaulicht ein erfindungsgemäßes neuronales Netz NN. Insofern in 2 die gleichen oder korrespondierende Bezugszeichen wie in 1 verwendet werden, bezeichnen diese Bezugszeichen die gleichen oder korrespondierende Entitäten, die insbesondere wie oben beschrieben, implementiert oder ausgestaltet sein können.
-
Das neuronale Netz wird durch mehrere neuronale Schichten A bis M gebildet. Eine Datenpropagation zwischen den neuronalen Schichten A bis M wird in 2 durch Pfeile veranschaulicht.
-
Das neuronale Netz NN umfasst insbesondere zwei neuronale Teilnetze TNA und TNB, wobei das erste neuronale Teilnetz TNA durch die Schichten A, E, G, I und K und das zweite neuronale Teilnetz TNB durch die Schichten C, F, H, J und L gebildet wird. Die beiden Teilnetze TNA und TNB sind im vorliegenden Ausführungsbeispiel voneinander separiert und verfügen über separierte, voneinander unabhängige Datenpropagationspfade. Insbesondere werden keine Neuronen gemeinsam genutzt. Alternativ dazu können die Teilnetze TNA und TNB aber auch nur teilweise separiert sein, so dass die beiden Teilnetze TNA und TNB einzelne Neuronen gemeinsam nutzen.
-
Das neuronale Netz NN verfügt weiterhin über ein Eingabenetz EN. Dieses dient zum Empfangen von Eingabedaten des neuronalen Netzes NN sowie zu deren Vorverarbeitung und zur Weitergabe der vorverarbeiteten Eingabedaten an beide Teilnetze TNA und TNB. Im vorliegenden Ausführungsbeispiel wird das Eingabenetz EN durch die Eingabeschicht B und die verdeckte Schicht D gebildet. Als Eingabedaten werden der Eingabeschicht B Verkehrsdaten VD, Signalphasenangaben SPA sowie andere ein Schaltverhalten der Verkehrssignalgeber beeinflussende Daten (nicht dargestellt) zugeführt. Die zugeführten Eingabedaten können wie im Zusammenhang mit 1 beschrieben, ausgestaltet sein. Die vorverarbeiteten Eingabedaten, d.h. die Ausgabedaten des Eingabenetzes EN werden von der Schicht D sowohl der Schicht E des ersten Teilnetzes TNA als auch der Schicht F des zweiten Teilnetzes TNB zugeführt. Alternativ dazu kann auf ein solches Eingabenetz auch verzichtet werden. In diesem Fall können die Eingabedaten beiden Teilnetzen TNA und TNB direkt zugeführt werden.
-
Das neuronale Netz NN umfasst weiterhin ein Kombinationsnetz, das im vorliegenden Ausführungsbeispiel durch die einzelne Schicht M gebildet wird, die gleichzeitig als Ausgabeschicht des neuronalen Netzes NN fungiert. Das Kombinationsnetz M dient zum Kombinieren von Ausgabedaten der Teilnetze TNA und TNB. Im vorliegenden Ausführungsbeispiel ist je ein Ausgabeneuron der Schicht M für einen jeweiligen Signalgeber bzw. eine jeweilige Signalgruppe vorgesehen. Jedes dieser signalgeberspezifischen bzw. signalgruppenspezifischen Ausgabeneuronen gibt einen quantifizierten Restzeitwert, hier RP1 bzw. RP2 für einen jeweiligen Verkehrssignalgeber bzw. eine jeweilige Signalgruppe aus.
-
Die Schichten A bis M können jeweils ein oder mehrere Neuronen umfassen. Eine Verbindung zwischen je zwei Schichten ist in 2 durch Pfeile angedeutet. Bei einer derartigen Verbindung zweier Schichten kann potentiell jedes Neuron einer Ausgangsschicht mit jedem Neuron einer Zielschicht verbunden sein.
-
Das Teilnetz TNA mit den verdeckten Schichten E, G, I und K wird im vorliegenden Ausführungsbeispiel für Restzeitprognosen von aktuell in der Signalphase „grün“ befindlichen Signalgruppen genutzt, während des Teilnetz TNB mit den verdeckten Schichten F, H, J und L für Restzeitprognosen von aktuell in der Phase „nicht-grün“ befindlichen Signalgruppen genutzt wird. Insofern beiden Teilnetzen TNA und TNB vom Eingabenetz EN die gleichen Daten zugeführt werden, erzeugen sowohl die Schicht I als auch die Schicht J Restzeitprognosen für alle Signalgruppen, doch haben bei der Schicht I nur diejenigen Restzeitprognosen einen Einfluss auf das Endergebnis, die denjenigen Signalgruppen zugeordnet sind, die sich aktuell in der Signalphase „grün“ befinden. Entsprechend haben bei der Schicht J nur diejenigen Restzeitprognosen einen Einfluss auf das Endergebnis, die den sich in der Signalphase „nicht-grün“ befindlichen Signalgruppen zugeordnet sind.
-
Diese unterschiedliche, genauer gesagt komplementäre Berücksichtigung der verschiedenen Signalphasen durch die Teilnetze TNA und TNB wird durch die Schichten K und L in Verbindung mit den Schichten A und C vorgenommen bzw. erzwungen. So werden durch die Schicht K die Restzeitprognosen der Schicht I nur für diejenigen Signalgruppen, die sich aktuell in der Signalphase „grün“ befinden, aus Schicht I übernommen, während für diejenigen Signalgruppen, die sich aktuell in der Signalphase „nicht-grün“ befinden jeweils ein Neutralwert, z.B. eine numerische Null eingetragen wird. Die für diese Unterscheidung erforderliche Information wird von der Schicht A bereitgestellt. Letztere gibt abhängig von der zugeführten Signalphaseninformation SPA für alle Signalgruppen, die sich aktuell in der Signalphase „grün“ befinden, eine numerische oder logische Eins an die Schicht K aus und eine logische oder numerische Null für diejenigen Signalgruppen, die sich aktuell in der Signalphase „nicht-grün“ befinden. Analog dazu werden durch die Schicht L die Restzeitprognosen der Schicht J nur für diejenigen Signalgruppen übernommen, die sich aktuell in der Phase „nicht-grün“ befinden, während für diejenigen Signalgruppen, die sich aktuell in der Phase „grün“ befinden, ein Neutralwert eingetragen wird. Die für diese Unterscheidung erforderliche Information wird in analoger Weise von der Schicht C in Abhängigkeit von der zugeführten Signalphaseninformation SPA geliefert.
-
Das Kombinationsnetz M fasst die Prognoseergebnisse der Schichten K und L vorzugsweise durch einfaches Addieren zusammen, so dass das Kombinationsnetz M die Restzeitprognosen aller Signalgruppen enthält, unabhängig davon, ob sich eine jeweilige Signalgruppe aktuell in der Signalphase „grün“ oder „nicht-grün“ befindet. Im vorliegenden Ausführungsbeispiel werden durch das Kombinationsnetz M eine Restzeitprognose RP1 für die aus den Ampeln S1 und S3 bestehende Signalgruppe und eine Restzeitprognose RP2 für die aus den Ampeln S2 und S4 bestehende Signalgruppe als Ausgabedaten des neuronalen Netzes NN ausgegeben.
-
Insofern beim Training des gesamten neuronalen Netzes NN aufgrund der zueinander komplementären Ansteuerung der Schichten K und L nur Prognosen des Teilnetzes TNA für „grün“ und des Teilnetzes TNB für in „nicht-grün“ berücksichtigt werden, wirkt sich der normale Lernprozess des neuronalen Netzes NN dahingehend aus, dass das Teilnetz TNA spezifisch auf Restzeitprognosen für die Grünphase und das Teilnetz TNB spezifisch auf Restzeitprognosen für die Nicht-grün-Phase optimiert werden.
-
3 zeigt eine erfindungsgemäße, lernbasierte Verkehrsbeeinflussungseinrichtung RSU in schematischer Darstellung. Insofern in 3 die gleichen oder korrespondierende Bezugszeichen wie in den vorangegangenen Figuren verwendet werden, bezeichnen diese Bezugszeichen die gleichen oder korrespondierende Entitäten, die insbesondere wie oben beschrieben, implementiert oder ausgestaltet sein können.
-
Die Verkehrsbeeinflussungseinrichtung RSU verfügt über einen Prozessor PROC zum Ausführen der erfindungsgemäßen Verfahren sowie über eine mit dem Prozessor PROC gekoppelten Speicher MEM zum Speichern von bei der Ausführung anfallenden Daten.
-
Weiterhin weist die Verkehrsbeeinflussungseinrichtung RSU eine Sensorik S auf. Die Sensorik S dient im vorliegenden Ausführungsbeispiel zur Messung oder anderweitigen Erfassung von Verkehrsdaten VD oder anderen ein Schaltverhalten einer Verkehrssignalanlage beeinflussenden Daten. Letztere werden aus Übersichtlichkeitsgründen im Folgenden als Verkehrsdaten aufgefasst und den Verkehrsdaten VD zugerechnet.
-
Weiterhin verfügt die Verkehrsbeeinflussungseinrichtung RSU über ein an die Sensorik S gekoppeltes künstliches neuronales Netz NN. Dem neuronalen Netz NN werden die Verkehrsdaten VD von der Sensorik S sowie Signalphasenangaben SPA als Eingabedaten zugeführt. Das neuronale Netz NN soll im vorliegenden Ausführungsbeispiel darauf trainiert werden, für alle Signalgruppen anhand der zugeführten Verkehrsdaten VD und Signalphasenangaben SPA signalgruppenspezifische und signalphasenspezifische Restzeitprognosen, hier RP1 und RP2 zu ermitteln und als Ausgabedaten auszugeben.
-
Weiterhin umfasst die Verkehrsbeeinflussungseinrichtung RSU eine mit dem neuronalen Netz NN gekoppelte Sendeinrichtung TX zum vorzugsweise funkbasierten Übertragen von ermittelten Restzeitprognosen, hier RP1 und RP2 an Verkehrsmittel, hier Fahrzeuge F1 und F2 und/oder an andere Verkehrsteilnehmer.
-
Wie oben bereits erläutert, weist das neuronale Netz NN ein Eingabenetz EN, neuronale Teilnetze TNA und TNB sowie ein Kombinationsnetz M auf. Die Verkehrsdaten VD und die Signalphasenangaben SPA werden dem Eingabenetz EN als Eingabedaten zugeführt. Das Eingabenetz EN führt eine Vorverarbeitung der Eingabedaten VD und SPA durch und übermittelt die vorverarbeiteten Eingabedaten beiden neuronalen Teilnetzen TNA und TNB.
-
Indem das neuronale Netz NN als Ganzes trainiert wird, sollen die Teilnetze TNA und TNB gewissermaßen implizit darauf trainiert werden, signalphasenspezifische, jeweils eine Restzeit bis zum nächsten Phasenwechsel quantifizierende Prognosewerte zu ermitteln. Im vorliegenden Ausführungsbeispiel werden vom Teilnetz TNA Prognosewerte P1A und P2A und vom Teilnetz TNB Prognosewerte P1B und P2B als Ausgabedaten ausgegeben. Die Prognosewerte P1A, P2A, P1B und P2B werden durch die Teilnetze TNA und TNB jeweils signalphasenspezifisch selektiert und ausgegeben. Zur Selektion der Prognosewerte verfügt das Teilnetz TNA über ein Selektionsnetz SELA und das Teilnetz TNB über ein Selektionsnetz SELB. Das Selektionsnetz SELA kann hierbei die in 2 beschriebenen Schichten K und A und das Selektionsnetz SELB die Schichten L und C umfassen.
-
Den Selektionsnetzen SELA und SELB werden jeweils die Signalphasenangaben SPA zugeführt, um abhängig davon die Prognosewerte P1A, P2A, P1B und P2B signalphasenspezifisch zu selektieren und auszugeben. Im vorliegenden Ausführungsbeispiel gibt das Selektionsnetz SELA für alle gemäß der Signalphasenangaben SPA in der Grünphase befindlichen Signalgruppen jeweils den eine Restzeit quantifizierenden, grünphasenspezifischen Prognosewert P1A des Teilnetzes TNA aus. Dagegen wird für alle in der Nicht-grün-Phase befindlichen Signalgruppen durch das Selektionsnetz SELA jeweils eine numerische Null als nicht-grün-phasenspezifischer Prognosewert P2A ausgegeben. Analog dazu gibt das Selektionsnetz SELB für alle gemäß den Signalphasenangaben SPA in der Nicht-grün-Phase befindlichen Signalgruppen jeweils den eine Restzeit quantifizierenden, nicht-grün-phasenspezifischen Prognosewert P2B des Teilnetzes TNB aus. Entsprechend wird für alle in der Grünphase befindlichen Signalgruppen durch das Selektionsnetz SELB jeweils eine numerische Null als grünphasenspezifischer Prognosewert P1B ausgegeben.
-
Die Ausgabedaten der Teilnetze TNA und TNB werden also durch die Selektionsnetze SELA und SELB abhängig von den Signalphasenangaben SPA signalphasenspezifisch in zueinander komplementärer Weise auf Null gesetzt. D.h. in der Grünphase einer jeweiligen Signalgruppe wird ein quantifizierter Prognosewert durch das Teilnetz TNA ausgegeben und - komplementär dazu - ein Prognosewert des Teilnetzes TNB gewissermaßen unterdrückt. Analog dazu wird in der Nicht-grün-Phase ein quantifizierter Prognosewert des Teilnetzes TNB ausgegeben und - komplementär dazu - ein Prognosewert des Teilnetzes TNA gewissermaßen unterdrückt.
-
Die Prognosewerte P1A, P2A, P1B und P2B werden von den Teilnetzen TNA und TNB zum Kombinationsnetz M ausgegeben, wobei in jeder Signalphase für alle Signalgruppen jeweils ein quantifizierter Prognosewert, entweder vom Teilnetz TNA oder vom Teilnetz TNB zum Kombinationsnetz M weitergegeben wird. Vom jeweils anderen Teilnetz wird jeweils eine Null ausgegeben. Das Kombinationsnetz M dient, wie oben bereits erwähnt, zum Kombinieren von Ausgabedaten der Teilnetze TNA und TNB sowie zur Ausgabe der Restzeitprognosen, hier RP1 und RP2.
-
Durch das Kombinationsnetz M werden die Prognosewerte P1A und P2A des Teilnetzes TNA zu den Prognosewerten P1B und P2B des Teilnetzes TNB signalphasenspezifisch und signalgruppenspezifisch addiert. D.h. für die Grünphase werden die Prognosewerte P1A und P1B addiert und für die Nicht-grün-Phase die Prognosewerte P2A und P2B. Ein jeweiliges Ergebnis wird dann als Restzeitprognose RP1=P1A+P1B bzw. als Restzeitprognose RP2=P2A+P2B durch das Kombinationsnetz M ausgegeben.
-
Insofern eine Addition von Null zu einem quantifizierten Prognosewert diesen nicht verändert, wirkt sich die komplementäre Kombination der Ausgabedaten der Teilnetze TNA und TNB durch das Kombinationsnetz M derart aus, dass in der Grünphase quantifizierte Prognosewerte des Teilnetzes TNA und in der Nicht-grün-Phase quantifizierte Prognosewerte des Teilnetzes TNB als jeweilige quantifizierte Restzeitprognose RP1 bzw. RP2 ausgegeben werden. Auf diese Weise liegt stets für alle Signalgruppen ein quantifizierter Prognosewert vor.
-
Wie oben bereits erwähnt, soll das neuronale Netz NN zunächst in einer Trainingsphase darauf trainiert werden, anhand der als Trainingsdaten zugeführten Eingabedaten VD und SPA verbleibende Restzeiten bis zum nächsten Phasenwechsel der Verkehrssignalgeber zu reproduzieren, also möglichst genaue Restzeitprognosen RP1 und RP2 auszugeben. Reproduzieren heißt in diesem Fall, dass eine jeweilige Restzeit, die anhand von bis zu einem jeweiligen Zeitpunkt vorliegenden Eingabedaten prognostiziert wird, möglichst gut mit einem später tatsächlich eintretenden Phasenwechsel übereinstimmen soll.
-
Unter einem Training sei allgemein eine Optimierung einer Abbildung von Eingabedaten, hier VD und SPA eines parametrisierten Systemmodells, hier des neuronalen Netzes NN, auf Ausgabedaten, hier die Restzeitprognosen RP1 und RP2 verstanden. Diese Abbildung wird nach vorgegebenen, gelernten oder zu lernenden Kriterien während einer Trainingsphase optimiert. Als Kriterium kann bei Prädiktionsmodellen eine Minimierung eines Prädiktionsfehlers herangezogen werden. Durch das Training kann z.B. eine Vernetzungsstruktur von Neuronen des neuronalen Netzes NN und/oder Gewichte von Verbindungen zwischen den Neuronen so eingestellt bzw. optimiert werden, dass die vorgegebenen Kriterien möglichst gut erfüllt werden. Das Training kann somit als Optimierungsproblem aufgefasst werden, für das eine Vielzahl von effizienten Optimierungsverfahren verfügbar sind. Die auf diese Weise optimierten Parameter, insbesondere die optimierten Verbindungsgewichte zwischen Neuronen können als Trainingsstruktur gespeichert, ausgegeben oder auf ein anderes neuronales Netz übertragen werden, um dieses in optimierter Weise zu konfigurieren.
-
Im vorliegenden Ausführungsbeispiel werden zum Trainieren des neuronalen Netzes NN dessen Ausgabedaten RP1 und RP2 mit Zeitpunkten von später tatsächlich eintretenden Phasenwechseln verglichen und Zeitabweichungen Δt zwischen prognostizierten Phasenwechseln und tatsächlich eintretenden Phasenwechseln ermittelt. Die Zeitabweichungen Δt können hierbei durch einen Betrag oder ein Quadrat einer jeweiligen Zeitdifferenz gebildet werden. Die Zeitpunkte der tatsächlichen eintretenden Phasenwechseln können anhand der Signalphasenangaben SPA bestimmt werden. Die Zeitabweichungen Δt repräsentieren einen Prädiktionsfehler des neuronalen Netzes NN und werden zu diesem zurückgeführt. Anhand der zurückgeführten Zeitabweichung Δt wird das neuronale Netz NN - wie in 3 durch einen punktierten Pfeil angedeutet - darauf trainiert, die Zeitabweichungen Δt im Mittel zu minimieren. Durch dieses Training wird das neuronale Netz NN dazu befähigt, verhältnismäßig genaue Prognosen von zu erwartenden Restzeiten bis zum nächsten jeweiligen Phasenwechsel zu ermitteln.
-
Alternativ oder zusätzlich kann das Training auch ganz oder teilweise in einer Cloud oder durch einen anderen externen Rechner durchgeführt werden. In diesem Fall werden die Trainingsdaten, hier VD und SPA dorthin übermittelt, um ein erfindungsgemäßes, externes neuronales Netz wie oben beschrieben zu trainieren. Die so erhaltene Trainingsstruktur des trainierten externen neuronalen Netzes kann dann vom externen neuronalen Netz zur Verkehrsbeeinflussungseinrichtung RSU übertragen werden, um deren neuronales Netz NN mit dieser Trainingsstruktur zu belegen. Auf diese Weise wird das externe neuronale Netz gewissermaßen vom externen Rechner auf diese Verkehrsbeeinflussungseinrichtung RSU kopiert.
-
Die signalphasenspezifische Selektion der Prognosewerte der Teilnetze TNA und TNB bewirkt in der Regel, dass sich Änderungen in der Parametrisierung des jeweiligen Teilnetzes TNA bzw. TNB für die Prognose von Nicht-grün-Phasen bzw. Grünphasen nicht auf die Ausgabe des neuronalen Netzes NN auswirken und deshalb auch nicht im Zuge des Trainings optimiert werden. Insbesondere wird das Training des Teilnetzes TNA nicht durch Daten der Nicht-grün-Phase und das Training des Teilnetzes TNB nicht durch Daten der Grünphase gestört. Diese Trennung der Trainingspfade ist insofern vorteilhaft, da sich die Lernaufgaben in den unterschiedlichen Signalphasen in der Regel deutlich voneinander unterscheiden. So ist die Rotphase bei vielen Verkehrssignalanlagen im Wesentlichen festzeitgesteuert und variiert deshalb nur verhältnismäßig geringfügig, während die Grünphase häufig verkehrsabhängig und damit variabel gesteuert wird.
-
Die Trainingspfade im neuronalen Netz NN werden gewissermaßen signalphasenweise ein- und ausgeschaltet bzw. zwischen den Teilnetzen TNA und TNB umgeschaltet. Der normale Lernprozess des neuronalen Netzes NN sorgt dann für das signalphasenspezifische Lernen der Teilnetze TNA und TNB. Es erweist sich, dass das beschriebene neuronale Netz NN in vielen Fällen erheblich bessere Restzeitprognosen liefert oder einen erheblich geringeren Trainingsaufwand erfordert als herkömmliche für Restzeitprognosen genutzte neuronale Netze.
-
Nach Absolvieren einer Trainingsphase kann das trainierte neuronale Netz NN zu Verkehrsbeeinflussung genutzt werden. Zu diesem Zweck werden, wie oben bereits beschrieben, durch die Sensorik S aktuelle Verkehrsdaten VD erfasst und dem trainierten neuronalen Netz NN zusammen mit aktuellen von der Ampelsteuerung CTL stammenden Signalphasenangaben SPA zugeleitet. Das trainierte neuronale Netz NN ermittelt daraus, wie oben beschrieben, Restzeitprognosen RP1 und RP2, die zur Sendeeinrichtung TX und von dieser zu den Verkehrsmitteln F1 und F2 oder zu anderen Verkehrsteilnehmern übermittelt werden. Vorzugsweise kann das neuronale Netz NN im laufenden Betrieb anhand der aktuell erfassten Verkehrsdaten VD und der Signalphasenangaben SPA weitertrainiert werden.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
