-
Technisches Gebiet
-
Die Erfindung betrifft ein Computer-implementiertes Verfahren zum Konfigurieren eines Anlagemodells sowie ein Computer-implementiertes Verfahren zum Konfigurieren eines Sensormodells.
-
Die Erfindung betrifft ferner ein Computer-implementiertes Verfahren zum Bestimmen eines zukünftigen Schaltverhaltens einer Anlageeinheit. Die Erfindung ist ebenfalls auf ein entsprechendes Computerprogrammprodukt gerichtet.
-
Stand der Technik
-
Lichtsignalanlagen („LSAs“) sind bereits aus dem Stand der Technik bekannt. Üblicherweise werden die Lichtsignalanlagen im öffentlichen Bereich zur Verkehrsregelung eingesetzt. Die Lichtsignalanlage kann beispielsweise als Ampeleinheit und folglich dreifarbig ausgebildet sein, wobei drei Farben rot, grün, gelb jeweils einer Lampe zugeordnete Detektoren aufweist.
-
Die Lichtsignalanlage kann zum Umschaltzeitpunkt von einem Betriebszustand in einen anderen Betriebszustand umschalten oder wechseln, beispielsweise von einem Grünlicht zu einem Rotlicht. Mit anderen Worten erfolgt ein Signalwechsel zum Umschaltzeitpunkt. Bei „Grün“ kann ein Verkehrsteilnehmer annehmen, dass die entsprechende Verkehrsrichtung freigegeben ist.
-
Hinsichtlich der Lichtsignalanlagen sind unterschiedliche Informationen oder signalbezogene Daten relevant. Die Daten umfassen beispielsweise die Restzeit, das bedeutet die Zeitdauer bis zum nächsten Umschalten, auch Umschaltzeitpunkt genannt, der Lichtsignalanlage und eine Wahrscheinlichkeitsverteilung der Zustände der Lichtsignalanlage, wie Signalgruppen in der Zukunft. Diese Daten sind für die Verringerung von Brems- und Anfahrvorgängen und Routing der Verkehrsteilnehmer im Verkehr erforderlich.
-
Oftmals gibt die Lichtsignalanlage die Restzeit oder Grünwahrscheinlichkeit jedoch nicht oder nicht hinreichend nach außen an die Verkehrsteilnehmer weiter. Ferner ist die Restzeit oftmals nicht bekannt, da diese vom Verkehrsfluss, dem Verhalten der Verkehrsteilnehmer oder anderen Faktoren abhängt.
-
In diesen Fällen ist eine möglichst zuverlässige und zutreffende Prognose erforderlich. Eine KI („Künstliche Intelligenz“), welche die Prognose bereitstellt, sollte die folgenden Kriterien erfüllen:
- Interpretierbarkeit und Transparenz: Die vorgegebenen und gelernten Anteile der KI sollten für menschliche Experten verständlich sowie nachvollziehbar sein, insbesondere zur Validierung und Kontrolle der gefundenen Lösung.
-
Die Unsicherheit in der Prognose sollte modelliert werden, um Entscheidungsprobleme, wie Routing und Geschwindigkeitskontrolle der Fahrzeuge abwägen zu können.
-
Der hierarchische Prozess, wie eine Änderung des Zustandes von Signalgruppen ausgelöst wird, sollte in einer KI möglichst genau sowie korrekt nachgebildet werden.
-
Ferner sollte Expertenwissen über das Schaltverhalten einer LSA in dem Modellierungsprozess berücksichtigt werden.
-
Bisherige Lösungsansätze gemäß dem Stand der Technik basieren auf etablierten Machine Learning-Modellen, wie Neuronale Netzen und Random Forests. Diese Modelle führen auf Basis der gegebenen Signale der Detektoren, der Signalgruppen, der ÖV-Telegramme, der Kamerasignale und/oder anderen bekannten Daten eine Prognose der Restzeit oder Grünlichtwahrscheinlichkeit durch. Diese Modelle werden auch als Black-Box-Verfahren bezeichnet. Ihr innerer Aufbau ist geeignet beliebige Funktionen zu approximieren. Mit anderen Worten bilden diese Verfahren einen direkten Zusammenhang von Eingangsgrößen zu Ausgangsgrößen ab.
-
Nachteilig daran ist jedoch, dass diese Verfahren den tatsächlichen hierarchischen Prozess nicht hinreichend modellieren. Daher ist mit diesen herkömmlichen Verfahren keine Anpassung an ein gegebenes Problem möglich. Ferner erfüllen diese Verfahren nicht die oben genannten Kriterien, wie Interpretierbarkeit. Beispielsweise ist nicht ersichtlich oder nachvollziehbar, ob eine fehlerhafte Prognose der Restzeit aufgrund von unzureichender Modellierung des Schaltverhaltens der LSA oder aus unzureichender Prognose zukünftiger Detektorsignale resultiert. Mit anderen Worten kann die Fehlerursache nicht effizient und zuverlässig erfolgen. Ferner kann das Expertenwissen unzureichend in die Prognose miteinfließen.
-
Die vorliegende Erfindung stellt sich daher die objektive technische Aufgabe ein Verfahren zum Bestimmen eines zukünftigen Schaltverhaltens einer Anlageeinheit bereitzustellen, welches zuverlässiger und effizienter ist.
-
Zusammenfassung der Erfindung
-
Die oben genannte Aufgabe wird erfindungsgemäß durch ein Computer-implementiertes Verfahren zum Konfigurieren eines Anlagemodells gelöst, wobei das Anlagemodell ein Machine Learning Modell zum Bestimmen eines Schaltverhaltens einer Anlage ist, aufweisend die Schritte:
- a. Bereitstellen mindestens eines Trainingsdatensatzes mit einer Mehrzahl von bekannten Eingangselementen einer Anlageeinheit für jeweils einen bestimmten Zeitpunkt oder Zeitraum; wobei
- b. die Mehrzahl der bekannten Eingangselemente der Anlageeinheit mindestens einen Sensordatensatz einer Sensoreinheit aufweist;
- c. Konfigurieren des Anlagemodells durch ein Maschinelles Lernverfahren mit dem mindestens einen Trainingsdatensatz; und
- d. Bereitstellen des konfigurierten Anlagemodells als Ausgabe.
-
In einer Ausgestaltung ist das maschinelle Lernverfahren ein regelbasierter Ansatz, ausgewählt aus der Gruppe bestehend aus:
- Neuronales Netz und Entscheidungsbaum.
-
Dementsprechend ist die Erfindung auf ein Verfahren zum Konfigurieren eines Anlagemodells gerichtet. Die Anlage kann eine Lichtsignalanlage oder sonstige Anlage im Bereich des Verkehrs sein. Der Begriff Konfigurieren kann im Sinne von Lernen oder auch Trainieren im Kontext Machine Learning ausgelegt werden. Das Anlagemodell ist ein Machine Learning Modell.
-
In einem ersten Schritt wird der Trainingsdatensatz mit den Eingangselementen empfangen. Der Trainingsdatensatz kann über eine oder mehrere Schnittstellen einer beliebigen Recheneinheit empfangen werden. Mit anderen Worten wird eine Reihe oder Array mit bekannten Eingangselementen betrachtet. Bekannt bedeutet in diesem Zusammenhang, dass die Eingangselemente beispielsweise von Verkehrsteilnehmern aus der Vergangenheit im Verkehr gesammelt oder gewonnen wurden. Folglich handelt es sich hierbei um historische Daten.
-
Diese Eingangselemente beziehen sich auf die Anlageeinheit und umfassen zumindest einen Sensordatensatz. Der Sensordatensatz kann Signale einer Sensoreinheit eines bestimmten Zeitraums aufweisen. Die Sensoreinheit kann als Detektoreinheit ausgebildet sein. In diesem Fall können die Detektorsignale der letzten t-T Sekunden betrachtet werden, wobei t ein laufender Index ist und T die Anzahl der betrachteten Sekunden. T kann beispielsweise 30 Sekunden betragen mit T = 30. Mit anderen Worten wird das konkrete und tatsächliche Verhalten der Sensoreinheit für die weiteren Schritte herangezogen und es erfolgt keine Prognose. Dies kann wie folgt dargestellt werden: t-30,..., t-1 → t.
-
In weiteren Schritten wird das Anlagemodell, welches ein Machine Learning Modell ist, basierend auf dem Trainingsdatensatz konfiguriert und als Ausgabe bereitgestellt. Das maschinelle Lernverfahren ist dabei ein regelbasierter Ansatz, um das deterministische Schaltverhalten der Anlageeinheit zu bestimmen. Im beispielhaften Fall eines Entscheidungsbaums kann das Schaltverhalten in Form einer Regel abgeleitet werden.
-
Die Erfindung betrifft ferner ein Computer-implementiertes Verfahren zum Konfigurieren eines Sensormodells, wobei das Sensormodell ein Machine Learning Modell zum Bestimmen eines Verhaltens einer Sensoreinheit ist, aufweisend die Schritte:
- a. Bereitstellen mindestens eines Trainingsdatensatzes mit einer Mehrzahl von bekannten Eingangselementen einer Sensoreinheit für jeweils einen bestimmten Zeitpunkt oder Zeitraum; wobei
- b. die Mehrzahl der bekannten Eingangselemente der Sensoreinheit mindestens einen Sensordatensatz für einen bestimmten Zeitpunkt aufweist;
- c. Konfigurieren des Sensormodells durch ein Maschinelles Lernverfahren mit dem mindestens einen Trainingsdatensatz; wobei
- d. das konfigurierte Sensormodell eine Wahrscheinlichkeitsverteilung darüber ist, wie sich die Sensoreinheit in dem bestimmten Zeitraum verhalten wird;
- e. Bereitstellen des konfigurierten Sensormodells als Ausgabe.
-
In einer Ausgestaltung ist das maschinelle Lernverfahren ein stochastischer Ansatz, bevorzugt ein Poissonprozess.
-
Dementsprechend ist die Erfindung auf ein Verfahren zum Konfigurieren eines Sensormodells gerichtet. Die Sensoreinheit kann als Detektoreinheit bzw. Detektor ausgebildet sein. Der Begriff Konfigurieren kann im Sinne von Lernen oder auch Trainieren im Kontext Machine Learning ausgelegt werden. Das Sensormodell ist ein Machine Learning Modell.
-
In einem ersten Schritt wird der Trainingsdatensatz mit den Eingangselementen empfangen, auch hierbei handelt es sich um historische Daten, siehe weiter oben. Diese Eingangselemente beziehen sich jedoch auf die Sensoreinheit selbst und umfassen zumindest einen Sensordatensatz, wie den Zustand der Detektoreinheit
-
In weiteren Schritten wird das Sensormodell, welches ein Machine Learning Modell ist, basierend auf dem Trainingsdatensatz konfiguriert und als Ausgabe bereitgestellt. Das maschinelle Lernverfahren ist dabei ein stochastischer Ansatz, um das stochastische Detektorverhalten zu bestimmen und somit eine Wahrscheinlichkeitsverteilung darüber, wie sich die Detektoren beispielsweise in den nächsten 30 Sekunden verhalten. Mit anderen Worten wird eine Prognose erstellt, beispielsweise von t → t+1,..., t+30.
-
Die Erfindung betrifft ferner ein Computer-implementiertes Verfahren zum Bestimmen eines zukünftigen Schaltverhaltens einer Anlageeinheit, aufweisend die Schritte:
- a. Empfangen des konfigurierten Anlagemodells;
- b. Empfangen des konfigurierten Sensormodells; wobei
- c. das konfigurierte Sensormodell eine Wahrscheinlichkeitsverteilung darüber ist, wie sich die Sensoreinheit in dem bestimmten Zeitraum verhalten wird;
- d. Ermitteln mindestens einer Stichprobe eines Verhaltens einer Sensoreinheit durch Sampeln aus der Wahrscheinlichkeitsverteilung;
- e. Bestimmen des zukünftigen Schaltverhaltens der Anlageeinheit und/oder mindestens eines zugehörigen statistischen Wertes anhand des trainierten Anlagemodells auf Basis der mindestens einen ermittelten Stichprobe.
-
Das zukünftige Schaltverhalten der Anlageeinheit kann durch Kombination der zwei unterschiedlichen konfigurierten Modelle bestimmt werden, in dem das konfigurierte Sensormodell ausgewertet wird, um eine Verteilung der Sensoreinheit über die nächsten T, bsp. 30 Sekunden zu bekommen aus dieser Verteilung ein Sample (synonym zu einer Trajektorie) gezogen wird, das eine mögliche Realisierung der nächsten T = 30 Sekunden repräsentiert und diese Realisierung der Sensoreinheit mit Hilfe des Anlagemodells in das Schaltverhalten der Anlageeinheit übersetzt wird und diese Schritte wiederholt werden bis genügend Realisierungen vorhanden sind, um eine statistische Aussage für treffen zu können. Der statistische Wert wird in Schritt e. bestimmt.
-
In einer Ausgestaltung ist der statistische Wert ausgewählt aus der Gruppe, bestehend aus Median, Mittelwert und Varianz.
-
In einer Ausgestaltung weist das Verfahren weiterhin den Schritt auf:
- Durchführen einer Maßnahme, wobei die Maßnahme ausgewählt ist aus der Gruppe bestehend aus:
- - Ausgeben des zukünftigen Schaltverhaltens der Anlageeinheit und/oder mindestens eines zugehörigen statistischen Wertes auf einer Anzeigeeinheit,
- - Speichern des zukünftigen Schaltverhaltens der Anlageeinheit und/oder mindestens eines zugehörigen statistischen Wertes in einer Speichereinheit, und
- - Übermitteln des zukünftigen Schaltverhaltens der Anlageeinheit und/oder mindestens eines zugehörigen statistischen Wertes an eine Recheneinheit.
-
Dementsprechend können eine oder mehrere Maßnahmen nach der Vorhersage des zukünftigen Schaltverhaltens der Anlageeinheit eingeleitet werden. Die Maßnahmen können gleichzeitig, nacheinander oder auch stufenweise durchgeführt werden.
-
Als erstes kann der Ausgabedatensatz dem Nutzer oder Anwender auf einer Anzeigeeinheit einer Recheneinheit angezeigt werden. Weiterhin kann der Ausgabedatensatz gespeichert werden oder in Form einer entsprechenden Nachricht oder Mitteilung an eine andere Einheit, wie ein Endgerät, eine Steuereinheit oder sonstige Recheneinheit übertragen werden. Die empfangende Recheneinheit kann nach Empfang ebenfalls weitere entsprechende Maßnahmen einleiten. Weitere Maßnahmen sind Routenplanung, Starten eines Motors eines Fahrzeugs oder sonstige Steuerungsmaßnahmen eines Fahrzeugs. Die Information des Schaltverhaltens kann beispielsweise zur Verringerung von Brems- und Anfahrvorgängen sowie Routing vorteilhaft eingesetzt werden.
-
Beispielsweise kann die Recheneinheit eines Fahrzeugs den Ausgabedatensatz empfangen und in Abhängigkeit des Zuverlässigkeitswerts des Medians eine Steuerungsmaßnahme triggern.
-
Die Erfindung betrifft ferner ein Computerprogrammprodukt mit einem Computerprogramm, das Mittel zur Durchführung des oben beschriebenen Verfahrens, wenn das Computerprogramm auf einer programmgesteuerten Einrichtung zur Ausführung gebracht wird.
-
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. Als programmgesteuerte Einrichtung kommt insbesondere eine Steuereinrichtung, wie beispielsweise eine Industriesteuerungs-PC oder eine Speicherprogrammierbare Steuerung oder ein Programmable Logic Controller, kurz PLC, oder ein Mikroprozessor für eine Smartcard oder dergleichen in Frage.
-
Figurenliste
-
In der folgenden detaillierten Beschreibung werden vorliegend bevorzugte Ausführungsformen der Erfindung weiter beschrieben mit Bezug auf die folgenden Figuren.
- 1 zeigt eine beispielhafte Detektor-Trajektorie.
-
Beschreibung der bevorzugten Ausführungsformen
-
Im Folgenden werden bevorzugte Ausführungsformen der vorliegenden Erfindung in Bezug auf die Figur beschrieben.
-
Verfahren zum Konfigurieren eines Anlagemodells (Deterministisches Schaltverhalten)
-
Gemäß einer Ausführungsform der Erfindung wird das interne deterministische Schaltverhalten einer Lichtsignalanlage („LSA“) als Anlageeinheit mithilfe einer mathematischen oder logischen Funktion als Entscheidungsbaum approximiert. Bei der Approximation wird angenommen, dass das wahre oder tatsächliche Schaltverhalten der LSA unbekannt ist. Jedoch folgt das Schaltverhalten festen Regeln, beispielsweise als Schaltplan für das intelligente Logikmodul von Siemens „LOGO“. Ferner ist bekannt welche Regeln möglich sind. Diese zulässigen Regeln einer Steuerung der LSA werden als Entscheidungsbaum abgebildet. Die Suche nach dem internen deterministischen Schaltverhalten der LSA wird realisiert, indem Entscheidungsbäume erzeugt werden, die die historischen Daten möglichst genau erklären können.
-
Dabei können evolutionäre oder partikelbasierte Optimierungsverfahren zur Suche in diesen symbolischen Suchräumen verwendet werden. Die zulässigen Regeln werden als Funktionsblöcke modelliert und durch das Optimierungsverfahren verschaltet, getestet und verbessert. Sowohl evolutionäre als auch partikelbasierte Optimierungsverfahren betrachten Generationen von möglichen Lösungen. Die besten Lösungen einer Elterngeneration geben dabei bevorzugt Informationen an ihre Kindgeneration weiter, sodass mit der Zeit die gesamte Population erfolgreich wird.
-
Gegeben den Trainingsdatensatz mit Eingangselementen, wie z.B. die Sensorsignale der letzten t-T Sekunden, der momentane Signalplan (als Index) zum Zeitpunkt t, der Zustand der SGR („Signalgruppe“) der letzten t-T Sekunden, wird der aktuelle Zustand aller SGR („Signalgruppen“) berechnet. Die Sensoreinheit kann als Detektor und die LSA als Ampel ausgebildet sein. Mit anderen Worten wird das deterministische Schaltverhalten der LSA gegeben dem Kontext abgebildet. Folglich können die Eingangselemente auch als Kontext-Features bezeichnet werden.
-
Verfahren zum Konfigurieren eines Sensormodells (Stochastisches Detektorverhalten)
-
Im Gegensatz zum deterministischen Schaltverhalten ist das Verhalten der Sensoreinheiten einer LSA nicht durch deterministische Regeln vorbestimmt, sondern von Umwelteinflüssen abhängig. Die Sensoreinheit kann als Detektor und die LSA als Ampel ausgebildet sein.
-
Es ist beispielsweise nicht möglich vorherzusagen, wann der Taster einer Fußgängerampel betätigt werden wird. Dies liegt darin begründet, dass es unbekannt ist, wann ein Fußgänger die Ampel erreichen wird. Jedoch kann aus historischen Daten gelernt werden wie oft mit einem Fußgänger zu rechnen ist. Beispielsweise können an einer LSA abends etwa 2 Fußgänger pro 5 Minuten erwartet werden.
-
Verkehrssituative Signale, wie Detektoren und öffentlicher Nahverkehr (ÖV-Telegramme) werden deshalb als stochastischer Prozess, z. B. als Poisson-Prozess, modelliert. Dieser Prozess prognostiziert gegeben den Trainingsdatensatz mit Eingangselementen wie z. B. Kalenderdaten (Uhrzeit, Wochentag, Feiertag), Detektorzuständen, ÖV der letzten T Sekunden eine Wahrscheinlichkeitsverteilung über Detektoren und ÖV für einen Horizont der kommenden H Sekunden (z. B. 5 Minuten). Mit anderen Worten wird das stochastische Schaltverhalten der Detektoren gegeben dem Kontext bestimmt. Folglich können die Eingangselemente auch als Kontext-Features bezeichnet werden.
-
Gemäß einer Ausführungsform der Erfindung wird die Wahrscheinlichkeitsverteilung in Form der Parameter einer Poissonverteilung modelliert. Als Regressor, der aus dem Kontext die Parameter der Poissonverteilung prognostiziert, wird ein Bayes'sches Verfahren, insb. ein Gauß-Prozess oder ein Bayes'sches neuronales Netz verwendet. Durch die Prognose der Parameter einer Poissonverteilung mithilfe eines Bayes'schen Verfahrens wird ein stochastischer Prozess modelliert. Dieser stochastische Prozess kann explizit nicht den Zeitpunkt der nächsten Detektorbetätigung in der Realität vorhersagen. Stattdessen können Statistiken über die Betätigung errechnet werden (z.B. mittlere Wartezeit zur nächsten Betätigung, Varianz oder Quantile dieser Wartezeit) oder Stichproben gezogen werden. Solche Stichproben werden zur Prognose verwendet.
-
Verfahrens zum Bestimmen eines zukünftigen Schaltverhaltens einer Anlageeinheit (Prognose durch Roll-Outs)
-
Da das Verhalten der Detektoren nicht exakt vorhergesagt werden kann, ist auch eine exakte Vorhersage des Schaltverhaltens der Anlageeinheit in der Zukunft nicht möglich. Stattdessen wird die Verteilung möglicher Schaltverhalten der LSA in der Zukunft vorhergesagt. Aus dieser Verteilung können Statistiken errechnet werden. Die Verteilung möglicher Schaltverhalten wird durch probabilistische Roll-Outs erzeugt, die die Vielzahl möglicher Entwicklungen in der Zukunft berücksichtigen. Die Roll-Outs werden folgendermaßen erzeugt:
- 1. Sampeln von Detektor-Trajektorien aus dem stochastischem Detektormodell. Eine beispielhafte Detektor-Trajektorie ist in 1 gezeigt.
- 2. Sampeln von Signalgruppen-Trajektorien / Entfaltung des Ampelmodells mit Detektoren-Trajektorien aus Schritt (1).
- 3. Berechnung relevanter Statistiken aus den Signalgruppen-Trajektorien, z. B. Median (Prognose), Varianz (Unsicherheit) Optional kann die gesamte Architektur, insbesondere das stochastische Modell, zusätzlich direkt hinsichtlich der Prognosegüte trainiert werden/ Dazu wird das Fehlersignal der Prognose (z.B. der Restzeit) zurückpropagiert durch das symbolische Modell (Schritt 1) und dann weiter zu den Parametern des stochastischen Modelles (Schritt 2). Dadurch kann eine Fokussierung des Lernens erreicht werden: es wird besonders auf die stochastischen Muster der DET/OEV Signale im Training wert gelegt, die auch für die Prognose der Restzeit wichtig sind.
