EP4111434A1 - Verfahren und einrichtung zur restzeitprognose einer signalphase - Google Patents

Verfahren und einrichtung zur restzeitprognose einer signalphase

Info

Publication number
EP4111434A1
EP4111434A1 EP21704446.0A EP21704446A EP4111434A1 EP 4111434 A1 EP4111434 A1 EP 4111434A1 EP 21704446 A EP21704446 A EP 21704446A EP 4111434 A1 EP4111434 A1 EP 4111434A1
Authority
EP
European Patent Office
Prior art keywords
traffic
network
signal
data
tna
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP21704446.0A
Other languages
English (en)
French (fr)
Inventor
Stefan Depeweg
Steffen Udluft
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunex GmbH
Original Assignee
Yunex GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yunex GmbH filed Critical Yunex GmbH
Publication of EP4111434A1 publication Critical patent/EP4111434A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/096—Arrangements for giving variable traffic instructions provided with indicators in which a mark progresses showing the time elapsed, e.g. of green phase

Definitions

  • a method is known from the publication EP3438942A2 in which switching times of a signal system or remaining times until the signal system is switched over are predicted by means of artificial intelligence.
  • By means of this information when approaching a signal system, road users can be prompted to adapt their speed, initiate braking processes early on or avoid unnecessary acceleration processes. In this way, fuel consumption, pollutant emissions, noise emissions and waiting times can often be effectively reduced.
  • the described artificial intelligence usually requires very computationally intensive training and a large amount of training data.
  • the object of the present invention is to create a method for influencing traffic, a traffic influencing device and a method for training them, which allow a better remaining time forecast or require less training.
  • traffic data in an environment of a traffic signal generator and a signal phase specification differing from different signal phases of the traffic signal generator are recorded for influencing traffic.
  • the traffic data are fed as input data to an artificial neural network, which comprises a first subnetwork and a different second subnetwork as well as a combination network for combining output data from both subnetworks.
  • the artificial neural network is trained to use traffic data to reproduce a remaining time until a phase change of the traffic signal generator.
  • an output of the output data of the first sub-network and an output of the output data of the second sub-network are controlled in a manner complementary to one another as a function of the signal phase specification.
  • output data of the combination network or forecast data derived therefrom are transmitted as a remaining time forecast for influencing traffic to a means of transport or to a road user.
  • traffic data of the surroundings of a traffic signal transmitter and a signal phase specification that distinguishes different signal phases of the traffic signal transmitter are recorded.
  • the traffic data is fed as input data to the artificial neural network, which comprises a first subnetwork and a different second subnetwork as well as a combination network for combining output data from both subnetworks.
  • the artificial neural network is trained to use the traffic data to reproduce a remaining time until a phase change of the traffic signal generator.
  • an output of the output data of the first sub-network and an output of the output data of the second sub-network are controlled in a manner that is complementary to one another as a function of the signal phase specification.
  • the method according to the invention and the traffic control device according to the invention can be executed or implemented, for example, by means of one or more processors, computers, application-specific integrated circuits (ASIC), digital signal processors (DSP) and / or so-called "Field Programmable Gate Arrays" (FPGA) .
  • ASIC application-specific integrated circuits
  • DSP digital signal processors
  • FPGA Field Programmable Gate Arrays
  • the quality of a remaining time forecast can generally be improved and / or the required training effort can be reduced.
  • noise emissions, waiting times, pollutant emissions and / or traffic delays can in turn be reduced.
  • only minor or no modifications to existing traffic engineering systems are required to use the invention.
  • the output of the output data of the two subnetworks can be controlled as a function of the signal phase specification in such a way that in a first signal phase the first subnetwork value a prognosis and the second subnetwork output a neutral value to the combina tion network, and that in a second signal phase the second sub-network output a forecast value and the first sub-network output a neutral value for the combination network.
  • a numerical or logical zero or a very small value can be output as the neutral value which, when combined with a quantified forecast value, does not change it or changes it only slightly.
  • the combination network can preferably combine output data from the first sub-network with output data from the second sub-network by means of preferably numerical addition.
  • a neutral value is added to a quantified forecast value, the latter does not change or changes only slightly.
  • a signal phase-specific forecast value of the first subnetwork and in a second signal phase a signal phase-specific forecast value from the second subnetwork can each be output or selected as the result of the addition.
  • a signal-generator-specific signal phase information can be recorded for several traffic signal generators.
  • signal transmitter-specific forecast values for traffic signal transmitters in a first signal phase and signal transmitter-specific forecast values for traffic signal transmitters in a second signal phase can be output to the combination network by the first subnetwork. In this way, signal transmitter-specific forecast values for several or all traffic signal transmitters involved can be determined and output in parallel.
  • the signal phase information and / or other data influencing a switching behavior of the traffic signal generator can be fed to the artificial neural network as input data, the artificial neural network being trained to use signal phase information and / or other data that influence the switching behavior of the traffic signal generator to reproduce a respective phase change.
  • data influencing a switching behavior of the traffic signal transmitter can in particular give time, date information, environmental data, e.g. about weather conditions, lighting conditions, smoothness or pollution, information about peak times and / or event data about events, about the approach of prioritized vehicles. information, accidents or other traffic incidents.
  • an automatic start-stop system, a brake, a recuperation device, an autonomous vehicle, a navigation device and / or a route planner can be controlled or a message sent to the Road users are issued.
  • means of transport or road users can be prompted to adapt their speed, initiate braking processes early, avoid unnecessary acceleration processes or otherwise react to the expected phase change.
  • the artificial neural network can be trained to assign a mean value, a median, a quantile, a probable value, a minimum, a maximum and / or a statistical fluctuation range of the remaining time or a probability for a phase change in a given time interval as a remaining time forecast reproduce.
  • the neural network can be trained to output a probability of a change to green in the next second as a remaining time forecast.
  • Figure 1 shows a street intersection with a traffic signal system
  • FIG. 2 shows a neural network according to the invention
  • FIG. 3 shows a traffic control device according to the invention.
  • FIG. 1 shows, in a schematic representation, an example of a road junction KR with a traffic signal system which comprises several traffic lights S1,..., S4 as traffic signal generators. Traffic lights that are activated in phase each form a signal group.
  • S1 and S3 form a first signal group and S2 and S4 form a second signal group.
  • the traffic signal generators S1, ..., S4 are each used to control or regulate the local traffic depending on current traffic data or other influencing factors.
  • a respective traffic signal generator Sl, ... or. S4 differentiated two mutually complementary signal phases. That is, if a first signal phase is currently not present, then the second and vice versa. A first signal phase “green” for free travel and a complementary second signal phase “not green” for blocked can be provided.
  • the traffic signal generators S1, ..., S4 and their signal phases and phase changes are each controlled by a connected Am pelêtung CTL.
  • the latter can be implemented locally or as part of a cross-signaling traffic control system.
  • the traffic signal generators S1, ..., S4 are controlled by the traffic light control CTL as a function of locally recorded traffic data or other influencing factors.
  • the traffic lights at the KR intersection control which vehicle has free travel and which vehicle has to wait.
  • the traffic light S1 is decisive for the vehicle F1 and the traffic light S2 for the vehicle F2.
  • a traffic influencing device RSU according to the invention is also arranged in the vicinity of the intersection KR.
  • the latter is used to influence the means of transport, here in particular the vehicles Fl and F2 or other road users.
  • internal control of the means of transport or a smartphone can be influenced by cyclists or pedestrians.
  • the traffic influencing device RSU should determine a remaining time forecast, i.e. predict a remaining time until a subsequent phase change of a respective traffic signal generator.
  • a probability of a phase change to green or non-green in the next second or in another predetermined time interval can also be determined as a remaining time forecast.
  • means of transport here F1 and F2 or other road users, when approaching the traffic signal system, can be prompted to adapt their speed, initiate braking processes early on or avoid unnecessary acceleration processes.
  • an automatic start / stop system, a brake, a recuperation device, a navigation device, or an autonomous vehicle controller can be controlled in a vehicle or a message can be given to a road user.
  • the traffic influencing device RSU determines signal transmitter-specific or signal group-specific remaining time forecasts RP1 and RP2 and transmits them to vehicles F1 and F2 to influence them.
  • RP1 quantifies a predicted remaining time until the next phase change of the first signal group S1, S3 and RP2 a predicted remaining time until the next phase change of the second signal group S2, S4.
  • the traffic influencing device RSU can preferably be implemented as a so-called roadside unit.
  • the traffic control device RSU can be wholly or partially integrated or coupled to a so-called SPaT box (SPaT: Signal Phase and Timing) be.
  • SPaT box Signal Phase and Timing
  • the remaining time forecasts RP1 and RP2 of the traffic control device RSU can be transmitted to a so-called onboard unit or another control device in a means of transport or to a smartphone of a road user. Remaining time forecasts can also be sent to pedestrians or cyclists in particular via a smartphone.
  • the remaining time forecasts RP1 and RP2 are determined on the basis of traffic data VD, signal phase information SPA and possibly other data influencing a switching behavior of the traffic signal generators S1,.
  • traffic data VD the number and speeds of vehicles, their waiting times, the approach of prioritized vehicles, traffic events such as accidents or other traffic disruptions, or other information about a current traffic load can be recorded as traffic data VD.
  • the traffic influencing device RSU has a sensor system S, which can include, for example, vehicle sensors, cameras, speed sensors or other sensors. Alternatively or additionally, the traffic influencing device RSU can have a receiving device for otherwise recorded data influencing the switching behavior.
  • the signal phase information SPA indicate for a respective traffic signal generator or for a respective signal group in which signal phase the respective traffic signal generator or the respective signal group is currently located. Alternatively or additionally, a respective point in time of a last phase change can also be quantified in a signal transmitter-specific or signal group-specific manner by means of a respective signal phase specification.
  • the current signal phase information SPA is available in the traffic light control CTL and is transmitted continuously or in the event of phase changes from the traffic light control CTL to the traffic control device RSU.
  • the other data influencing the switching behavior of the traffic signal system can in particular include time information, date information, environmental data, e.g. on weather conditions, light conditions, smoothness or pollution, information on peak times and / or event data about events, approaches of prioritized vehicles, accidents or others Traffic incidents include.
  • the traffic control device RSU has an artificial neural network NN that is coupled to the sensor system S.
  • the neural network NN is trained to use the traffic data VD, the signal phase information SPA and possibly the other data influencing the switching behavior of the traffic signal generators S1, ..., S4 to determine the remaining times up to a respective phase change of the traffic signal generators S1, .. ., S4 to forecast.
  • the traffic control device RSU also has a transmitting device TX coupled to the neural network NN.
  • the remaining time predictions RP1 and RP2, which are preferably recalculated every second, are transmitted to the vehicles F1 and F2, preferably on a radio basis, by the transmitting device TX.
  • the invention can also advantageously be used for influencing or controlling rail traffic, robots, ship traffic or air traffic in order to determine remaining time forecasts for traffic signal generators used there, for example radio-based traffic signal generators, in an analogous manner, and to communicate them to the relevant traffic tel or road users.
  • FIG. 2 illustrates a neural network NN according to the invention.
  • the same or corresponding reference symbols are used in FIG. 2 as in FIG. 1, these reference symbols denote the same or corresponding entities activities that can be implemented or designed in particular as described above.
  • the neural network is formed by several neural layers A to M. Data propagation between the neural layers A to M is illustrated in FIG. 2 by arrows.
  • the neural network NN comprises, in particular, two neural subnetworks TNA and TNB, the first neural subnetwork TNA being formed by the layers A, E, G, I and K and the second neural subnetwork TNB being formed by the layers C, F, H, J and L will.
  • the two subnetworks TNA and TNB are separated from one another in the present exemplary embodiment and have separate, mutually independent data propagation paths. In particular, no neurons are shared. Alternatively, the subnetworks TNA and TNB can also be only partially separated, so that the two subnetworks TNA and TNB use individual neurons together.
  • the neural network NN also has an input network EN. This is used to receive input data from the neural network NN and to preprocess them and to pass on the preprocessed input data to both subnetworks TNA and TNB.
  • the input network EN is formed by the input layer B and the hidden layer D.
  • the input layer B is supplied with traffic data VD, signal phase information SPA and other data (not shown) influencing a switching behavior of the traffic signal generator.
  • the input data supplied can be configured as described in connection with FIG.
  • the preprocessed input data, ie the output data of the input network EN are fed from layer D to both layer E of the first sub-network TNA and to layer F of the second sub-network TNB.
  • the neural network NN furthermore comprises a combination network which, in the present exemplary embodiment, is formed by the individual layer M, which at the same time functions as an output layer of the neural network NN.
  • the combination network M is used to combine output data from the subnetworks TNA and TNB.
  • one output neuron of the layer M is provided for a respective signal transmitter or a respective signal group.
  • Each of these signal transmitter-specific or signal group-specific output neurons outputs a quantified remaining time value, here RP1 or RP2 for a respective traffic signal transmitter or a respective signal group.
  • the layers A to M can each comprise one or more neurons.
  • a connection between every two layers is indicated in FIG. 2 by arrows. With such a connection between two layers, each neuron of an output layer can potentially be connected to each neuron of a target layer.
  • the subnetwork TNA with the hidden layers E, G, I and K is used in the present exemplary embodiment for remaining time forecasts of signal groups currently in the "green” signal phase, while the subnetwork TNB with the hidden layers F, H, J and L is used for remaining time forecasts of signal groups currently in the "non-green” phase.
  • both layer I and layer J generate residual time forecasts for all signal groups, but with layer I only those residual time forecasts that are assigned to those signal groups have an influence on the end result that are currently in the "green” signal phase.
  • layer J only those remaining time forecasts that are assigned to the signal groups in the "non-green” signal phase have an influence on the end result.
  • This different, more precisely complementary consideration of the different signal phases by the subnetworks TNA and TNB is carried out or enforced by the layers K and L in conjunction with the layers A and C.
  • Layer K takes over the remaining time forecasts from layer I only for those signal groups that are currently in the "green” signal phase from layer I, while for those signal groups that are currently in the "non-green” signal phase each have a neutral value, e.g. a numeric zero is entered.
  • the information required for this distinction is provided by layer A.
  • the latter outputs, depending on the supplied signal phase information SPA for all signal groups that are currently in the "green” signal phase, a numerical or logical one to the layer K and a logical or numerical zero for those signal groups that are currently in the Signal phase "non-green".
  • the remaining time forecasts of layer J are only adopted by layer L for those signal groups that are currently in the "non-green” phase, while for those signal groups that are currently in the "green” phase, a neutral value is entered.
  • the information required for this distinction is supplied in an analogous manner by the layer C as a function of the supplied signal phase information SPA.
  • the combination network M summarizes the forecast results of the layers K and L, preferably by simply adding them together, so that the combination network M contains the remaining time forecasts of all signal groups, regardless of whether a respective signal group is currently in the signal phase "green” or "non-green". is located.
  • the combination network M outputs a remaining time forecast RP1 for the signal group consisting of the traffic lights S1 and S3 and a remaining time forecast RP2 for the signal group consisting of the traffic lights S2 and S4 as output data of the neural network NN.
  • the normal learning process of the neural network has an effect NN to the effect that the subnetwork TNA is specifically optimized for remaining time forecasts for the green phase and the subnetwork TNB specifically for remaining time forecasts for the non-green phase.
  • FIG. 3 shows a learning-based traffic control device RSU according to the invention in a schematic representation. If the same or corresponding reference symbols are used in FIG. 3 as in the previous figures, these reference symbols denote the same or corresponding entities which, in particular, can be implemented or configured as described above.
  • the traffic influencing device RSU has a processor PROC for executing the method according to the invention as well as a memory MEM coupled to the processor PROC for storing data arising during execution.
  • the traffic influencing device RSU also has a sensor system S.
  • the sensor system S is used to measure or otherwise record traffic data VD or other data influencing a switching behavior of a traffic signal system.
  • traffic data VD traffic data
  • the latter are interpreted below as traffic data and added to the traffic data VD.
  • the traffic influencing device RSU has an artificial neural network NN coupled to the sensor system S.
  • the neural network NN is supplied with the traffic data VD from the sensor system S and signal phase information SPA as input data.
  • the neural network NN is to be trained to use the supplied traffic data VD and signal phase information SPA signal group-specific and signal phase-specific remaining time forecasts, here RP1 and RP2 to be determined and output as output data.
  • the traffic influencing device RSU comprises a transmitting device TX coupled to the neural network NN for preferably radio-based transmission of determined remaining time forecasts, here RP1 and RP2 to means of transport, here vehicles F1 and F2 and / or to other road users.
  • the neural network NN has an input network EN, neural sub-networks TNA and TNB and a combination network M.
  • the traffic data VD and the signal phase information SPA are fed to the input network EN as input data.
  • the input network EN preprocesses the input data VD and SPA and transmits the preprocessed input data to both neural subnetworks TNA and TNB.
  • the subnetworks TNA and TNB are to be trained implicitly to determine signal phase-specific forecast values that each quantify a remaining time until the next phase change.
  • forecast values PIA and P2A are output from the subnetwork TNA and forecast values P1B and P2B from the subnetwork TNB as output data.
  • the forecast values PIA, P2A, P1B and P2B are selected and output by the subnetworks TNA and TNB in each case for a specific signal phase.
  • the sub-network TNA has a selection network SELA and the sub-network TNB has a selection network SELB.
  • the selection network SELA can include the layers K and A described in FIG. 2 and the selection network SELB the layers L and C.
  • the selection networks SELA and SELB are each supplied with the signal phase information SPA in order to select and output the forecast values PIA, P2A, P1B and P2B in a signal phase-specific manner as a function thereof.
  • the selection network SELA outputs a numerical zero as a non-green phase-specific forecast value P2A.
  • the selection network SELB outputs the non-green phase-specific forecast value P2B of the sub-network TNB for all signal groups located in the non-green phase according to the signal phase information SPA.
  • the selection network SELB outputs a numerical zero as a green phase-specific forecast value P1B.
  • the output data of the subnetworks TNA and TNB are therefore set to zero by the selection networks SELA and SELB depending on the signal phase information SPA signal phase-specific in a mutually complementary manner. That is, in the green phase of a respective signal group, a quantified forecast value is output by the sub-network TNA and - complementary to this - a forecast value from the sub-network TNB is suppressed to a certain extent. Analogously to this, in the non-green phase, a quantified forecast value of the sub-network TNB is output and - complementary to this - a forecast value of the sub-network TNA is, as it were, suppressed.
  • the forecast values PIA, P2A, P1B and P2B are output from the subnetworks TNA and TNB to the combination network M, a quantified forecast value being passed on to the combination network M in each signal phase for all signal groups, either from the subnetwork TNA or from the subnetwork TNB. A zero is output from the other subnetwork.
  • the combination network M serves to combine output data from the subnetworks TNA and TNB and to output the remaining time forecasts, here RP1 and RP2.
  • the combination network M adds the forecast values PIA and P2A of the subnetwork TNA to the forecast values P1B and P2B of the subnetwork TNB in a signal phase-specific and signal group-specific manner.
  • the forecast values PIA and P1B are added for the green phase and the forecast values P2A and P2B for the non-green phase.
  • the complementary combination of the output data of the subnetworks TNA and TNB by the combination network M has the effect that quantified forecast values of the subnetwork TNA in the green phase and in the non-green phase quantified forecast values of the sub-network TNB are output as respective quantified remaining time forecast RP1 or RP2. In this way, a quantified forecast value is always available for all signal groups.
  • the neural network NN should first be trained in a training phase to use the input data VD and SPA supplied as training data to reproduce remaining times until the next phase change of the traffic signal generators, i.e. to output remaining time forecasts RP1 and RP2 as precisely as possible.
  • reproducing means that a respective remaining time, which is predicted on the basis of input data available up to a respective point in time, should correspond as closely as possible to a phase change that actually occurs later.
  • Training is generally understood to mean an optimization of a mapping of input data, here VD and SPA of a parameterized system model, here the neural network NN, to output data, here the remaining time forecasts RP1 and RP2.
  • This mapping is optimized according to predetermined criteria that have been learned or are to be learned during a training phase.
  • a minimization of a prediction error can be used as a criterion for prediction models.
  • a network structure of neurons of the neural network NN and / or weights of connections between the neurons can be set or optimized in such a way that the specified criteria are met as well as possible.
  • the training can thus be viewed as an optimization problem for which a large number of efficient optimization methods are available.
  • the parameters optimized in this way, in particular the optimized connection weights between neurons can be stored as a training structure, output or transferred to another neural network in order to configure this in an optimized manner.
  • the neural network NN to train the neural network NN, its output data RP1 and RP2 are compared with times of later actually occurring phase changes and time deviations At between prognosti ed phase changes and actually occurring phase changes are determined.
  • the time discrepancies At can be formed by an amount or a square of a respective time difference.
  • the times of the actual phase changes occurring can be determined using the signal phase information ben SPA.
  • the time discrepancies At represent a prediction error of the neural network NN and are fed back to this.
  • the neural network NN is trained - as indicated in FIG. 3 by a dotted arrow - to minimize the time deviations At on average. This training enables the neural network NN to determine relatively accurate forecasts of the remaining times to be expected until the next respective phase change.
  • the training can also be carried out in whole or in part in a cloud or by another external computer.
  • the training data here VD and SPA
  • VD and SPA are transmitted there in order to train an external neural network according to the invention as described above.
  • the training structure of the trained external neural network obtained in this way can then be obtained from the external neural network are transmitted to the traffic control device RSU in order to occupy their neural network NN with this training structure.
  • the external neural network is, as it were, copied from the external computer to this traffic control device RSU.
  • the signal phase-specific selection of the forecast values of the subnetworks TNA and TNB usually has the effect that changes in the parameterization of the respective subnetwork TNA or TNB for the forecast of non-green phases or green phases do not affect the output of the neural network NN and therefore not optimized in the course of training.
  • the training of the sub-network TNA is not disturbed by data from the non-green phase and the training of the sub-network TNB is not disturbed by data from the green phase.
  • This separation of the training paths is advantageous because the learning tasks in the different signal phases usually differ significantly from one another.
  • the red phase is essentially fixed-time controlled and therefore only varies relatively slightly, while the green phase is often controlled as a function of the traffic and thus variably.
  • the training paths in the neural network NN are so to speak switched on and off in signal phases or switched between the subnetworks TNA and TNB.
  • the normal learning process of the neural network NN then ensures the signal phase-specific learning of the subnetworks TNA and TNB. It turns out that the described neural network NN in many cases delivers considerably better remaining time forecasts or requires considerably less training than conventional neural networks used for remaining time forecasts.
  • the trained neural network NN can be used to influence traffic.
  • current traffic data VD is recorded by the sensor system S and transmitted to the trained neural network NN together with current traffic data from the Am- pel control CTL deriving signal phase information SPA supplied.
  • the trained neural network NN uses this to determine, as described above, remaining time forecasts RP1 and RP2, which are transmitted to the transmitter TX and from there to the means of transport F1 and F2 or to other road users.
  • the neural network NN can preferably be further trained during operation using the currently recorded traffic data VD and the signal phase information SPA.

Abstract

Erfindungsgemäß werden Verkehrsdaten (VD) sowie eine verschiedene Signalphasen eines Verkehrssignalgebers (S1-S4) unterscheidende Signalphasenangabe (SPA) erfasst. Die Verkehrsdaten (VD) werden als Eingabedaten einem künstlichen neuronalen Netz (NN) zugeführt, das ein erstes Teilnetz (TNA) und ein zweites Teilnetz (TNB) sowie ein Kombinationsnetz (M) zum Kombinieren von Ausgabedaten (P1A, P2A, P1B, P2B) beider Teilnetze (TNA, TNB) umfasst. Das künstliche neuronale Netz (NN) ist darauf trainiert, anhand von Verkehrsdaten (VD) eine noch verbleibende Restzeit bis zu einem Phasenwechsel des Verkehrssignalgebers (S1-S4) zu reproduzieren. Erfindungsgemäß werden ein Ausgeben der Ausgabedaten (P1A, P2A) des ersten Teilnetzes (TNA) und ein Ausgeben der Ausgabedaten (P1B, P2B) des zweiten Teilnetzes (TNB) abhängig von der Signalphasenangabe (SPA) in zueinander komplementärer Weise gesteuert. Schließlich werden Ausgabedaten des Kombinationsnetzes (M) oder daraus abgeleitete Prognosedaten als Restzeitprognose (RP1, RP2) zur Verkehrsbeeinflussung zu einem Verkehrsmittel (F1, F2) oder zu einem Verkehrsteilnehmer übermittelt.

Description

Beschreibung
VERFAHREN UND EINRICHTUNG ZUR RESTZEITPROGNOSE EINER SIGNALPHASE
Ein zunehmendes Verkehrsaufkommen stellt insbesondere Groß städte vor zum Teil erhebliche Herausforderungen. Dementspre chend wird vielerorts angestrebt, durch verschiedene Ver kehrsbeeinflussungsmaßnahmen einen Treibstoffverbrauch, einen Schadstoffausstoß, Lärmemissionen sowie Wartezeiten zu ver ringern.
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 Geschwindigkeitsan passung vorzunehmen, Bremsvorgänge frühzeitig einzuleiten o- der unnötige Beschleunigungsvorgänge zu vermeiden. Auf diese Weise können Treibstoffverbrauch, Schadstoffausstoß, Lärmemissionen und Wartezeiten häufig wirksam verringert wer den. 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 Trai ningsaufwand erfordern.
Gelöst wird diese Aufgabe durch ein Verfahren mit den Merkma len des Patentanspruchs 1, durch ein Verfahren mit den Merk malen des Patentanspruchs 8, durch eine Verkehrsbeeinflus sungseinrichtung mit den Merkmalen des Patentanspruchs 10, durch ein Computerprogrammprodukt mit den Merkmalen des Pa- tentanspruchs 11 sowie durch ein computerlesbares, vorzugs weise nichtflüchtiges Speichermedium mit den Merkmalen des Patentanspruchs 12.
Erfindungsgemäß werden zur Verkehrsbeeinflussung Verkehrsda ten einer Umgebung eines Verkehrssignalgebers sowie eine ver schiedene Signalphasen des Verkehrssignalgebers unterschei dende 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 Aus gabedaten beider Teilnetze umfasst. Das künstliche neuronale Netz ist dabei darauf trainiert, anhand von Verkehrsdaten ei ne 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 ge steuert. Ferner werden Ausgabedaten des Kombinationsnetzes oder daraus abgeleitete Prognosedaten als RestZeitprognose zur Verkehrsbeeinflussung zu einem Verkehrsmittel oder zu ei nem Verkehrsteilnehmer übermittelt.
Zum Trainieren einer Verkehrsbeeinflussungseinrichtung mit einem künstlichen neuronalen Netz werden Verkehrsdaten einer Umgebung eines Verkehrssignalgebers sowie eine verschiedene Signalphasen des Verkehrssignalgebers unterscheidende Signal phasenangabe erfasst. Die Verkehrsdaten werden als Eingabeda ten 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 Signal phasenangabe in zueinander komplementärer Weise gesteuert. Zum Ausführen eines erfindungsgemäßen Verfahrens sind eine Verkehrsbeeinflussungseinrichtung, ein Computerprogrammpro dukt sowie ein computerlesbares, insbesondere nichtflüchtiges Speichermedium vorgesehen.
Die erfindungsgemäßen Verfahren sowie die erfindungsgemäße Verkehrsbeeinflussungseinrichtung können beispielsweise mit tels eines oder mehrerer Prozessoren, Computer, anwendungs spezifischer integrierter Schaltungen (ASIC), digitaler Sig nalprozessoren (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 Trai ningsaufwand verringert werden. Mit einer verbesserten Rest zeitprognose können wiederum Lärmemissionen, Wartezeiten, Schadstoffausstoß und/oder Verkehrsverzögerungen verringert werden. Darüber hinaus sind zur Nutzung der Erfindung in vie len Fällen nur geringfügige oder keine Modifikationen exis tierender verkehrstechnischer Anlagen erforderlich.
Vorteilhafte Ausführungsformen und Weiterbildungen der Erfin dung 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 Prognose wert und das zweite Teilnetz einen Neutralwert zum Kombina tionsnetz ausgeben, und dass in einer zweiten Signalphase das zweite Teilnetz einen Prognosewert und das erste Teilnetz ei nen Neutralwert zum Kombinationsnetz ausgeben. Als Neutral wert kann insbesondere eine numerische oder logische Null o- der ein sehr kleiner Wert ausgegeben werden, der beim Kombi nieren 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 Teilnet zes und in einer zweiten Signalphase ein signalphasenspezifi scher Prognosewert des zweiten Teilnetzes jeweils als Ergeb nis der Addition ausgegeben bzw. selektiert werden.
Nach einer vorteilhaften Ausführungsform der Erfindung kann für mehrere Verkehrssignalgeber jeweils eine signalgeberspe zifische Signalphasenangabe erfasst werden. Abhängig von den erfassten Signalphasenangaben können durch das erste Teilnetz signalgeberspezifische Prognosewerte für in einer ersten Sig nalphase befindliche Verkehrssignalgeber und durch das zweite Teilnetz signalgeberspezifische Prognosewerte für in einer zweiten Signalphase befindliche Verkehrssignalgeber zum Kom binationsnetz ausgegeben werden. Auf diese Weise können sig nalgeberspezifische Prognosewerte für mehrere oder alle be teiligten Verkehrssignalgeber parallel ermittelt und ausgege ben 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 ande ren ein Schaltverhalten des Verkehrssignalgebers beeinflus senden Daten Restzeiten bis zu einem jeweiligen Phasenwechsel zu reproduzieren. Derartige ein Schaltverhalten des Verkehrs signalgebers beeinflussenden Daten können insbesondere Zeit angaben, Datumsangaben, Umgebungsdaten, z.B. über Wetterver hältnisse, Lichtverhältnisse, Glätte oder Schadstoffbelas tung, Angaben über Stoßzeiten und/oder Ereignisdaten über Veranstaltungen, über Annäherungen von priorisierten Fahrzeu- gen, über Unfälle oder über andere Verkehrsereignisse umfas sen.
Gemäß einer weiteren vorteilhaften Ausführungsform der Erfin dung kann abhängig von der zum Verkehrsmittel oder zum Ver kehrsteilnehmer 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 Verkehrsteil nehmer ausgegeben werden. Auf diese Weise können Verkehrs mittel oder Verkehrsteilnehmer dazu veranlasst werden, eine Geschwindigkeitsanpassung vorzunehmen, Bremsvorgänge frühzei tig einzuleiten, unnötige Beschleunigungsvorgänge zu vermei den oder anderweitig auf den erwarteten Phasenwechsel zu rea gieren.
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 Wahr scheinlichkeit 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 sche matischer Darstellung:
Figur 1 eine Straßenkreuzung mit einer Verkehrssignalanlage,
Figur 2 ein erfindungsgemäßes neuronales Netz und
Figur 3 eine erfindungsgemäße Verkehrsbeeinflussungseinrich tung. Figur 1 zeigt in schematischer Darstellung beispielhaft eine Straßenkreuzung KR mit einer Verkehrssignalanlage, die mehre re Ampeln S1,...,S4 als Verkehrssignalgeber umfasst. Gleichpha sig angesteuerte Ampeln bilden dabei jeweils eine Signalgrup pe. 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 Ver kehrsdaten oder anderen Einflussfaktoren.
Im vorliegenden Ausführungsbeispiel werden bei einem jeweili gen Verkehrssignalgeber Sl,...bzw. S4 zwei zueinander komple mentäre Signalphasen unterschieden. Das heißt, wenn eine ers te 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 Am pelsteuerung 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 Einflussfakto ren.
Im vorliegenden Ausführungsbeispiel werden zwei auf die Kreu zung KR zufahrende Fahrzeuge Fl und F2 betrachtet. Entspre chend 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 Sl für das Fahrzeug Fl und die Ampel S2 für das Fahrzeug F2 maßgeblich.
In einer Umgebung der Kreuzung KR ist weiterhin eine erfin dungsgemäße Verkehrsbeeinflussungseinrichtung RSU angeordnet. Letztere dient zur Einflussnahme auf Verkehrsmittel, hier insbesondere die Fahrzeuge Fl und F2 oder andere Verkehrs teilnehmer. 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 verblei bende Restzeit bis zu einem nachfolgenden Phasenwechsel eines jeweiligen Verkehrssignalgebers Vorhersagen. Alternativ oder zusätzlich kann als RestZeitprognose auch eine Wahrschein lichkeit für einen Phasenwechsel auf grün bzw. nicht-grün in der nächsten Sekunde oder in einem anderen vorgegebenen Zeit intervall ermittelt werden. Anhand der ermittelten Restzeit prognosen können Verkehrsmittel, hier Fl und F2 oder andere Verkehrsteilnehmer bei Annäherung an die Verkehrssignalanlage dazu veranlasst werden, eine Geschwindigkeitsanpassung vorzu nehmen, 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 Navigations gerät, oder eine autonome Fahrzeugsteuerung in einem Fahrzeug gesteuert oder ein Hinweis an einen Verkehrsteilnehmer ausge geben werden.
Im vorliegenden Ausführungsbeispiel werden durch die Ver kehrsbeeinflussungseinrichtung RSU signalgeberspezifische bzw. signalgruppenspezifische RestZeitprognosen RP1 und RP2 ermittelt und zu den Fahrzeugen Fl und F2 zu deren Beeinflus sung übertragen. Dabei quantifiziert RP1 eine prognostizierte Restzeit bis zum nächsten Phasenwechsel der ersten Signal gruppe Sl, 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 Verkehrsbeein flussungseinrichtung RSU können an eine sogenannte Onboard- Unit oder eine andere Steuereinrichtung in einem Verkehrsmit tel oder an ein Smartphone eines Verkehrsteilnehmers übertra gen werden. Über ein Smartphone können RestZeitprognosen ins besondere auch an Fußgänger oder Radfahrer übermittelt wer den.
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 beein flussenden Daten ermittelt. Als Verkehrsdaten VD können ins besondere Anzahl und Geschwindigkeiten von Fahrzeugen, deren Wartezeiten, Annäherungen von priorisierten Fahrzeugen, Ver kehrsereignisse wie Unfälle oder andere Verkehrsstörungen, oder weitere Angaben über eine aktuelle Verkehrsbelastung er fasst werden. Zur Erfassung oder Messung der Verkehrsdaten verfügt die Verkehrsbeeinflussungseinrichtung RSU über eine Sensorik S, die beispielsweise Fahrzeugsensoren, Kameras, Ge- schwindigkeitssensoren oder andere Sensoren umfassen kann. Alternativ oder zusätzlich kann die Verkehrsbeeinflussungs einrichtung RSU über eine Empfangseinrichtung für anderweitig erfasste, das Schaltverhalten beeinflussende Daten verfügen.
Die Signalphasenangaben SPA geben für einen jeweiligen Ver kehrssignalgeber 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. signalgrup penspezifisch durch eine jeweilige Signalphasenangabe quanti fiziert werden. Die aktuellen Signalphasenangaben SPA liegen in der Ampelsteuerung CTL vor und werden fortlaufend oder bei Phasenwechseln von der Ampelsteuerung CTL zur Verkehrsbeein flussungseinrichtung RSU übermittelt. Die anderen ein Schaltverhalten der Verkehrssignalanlage be einflussenden Daten können insbesondere Zeitangaben, Datums angaben, Umgebungsdaten, z.B. über Wetterverhältnisse, Licht verhältnisse, 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 Verkehrs daten VD, der Signalphasenangaben SPA sowie ggf. den anderen ein Schaltverhalten der Verkehrssignalgeber S1,...,S4 beein flussenden Daten verbleibende Restzeiten bis zu einem jewei ligen Phasenwechsel der Verkehrssignalgeber S1,...,S4 zu prog nostizieren .
Die Verkehrsbeeinflussungseinrichtung RSU verfügt weiterhin über eine mit dem neuronalen Netz NN gekoppelte Sendeeinrich tung TX. Durch die Sendeeinrichtung TX werden die vorzugswei se jede Sekunde neu berechneten RestZeitprognosen RP1 und RP2 vorzugsweise funkbasiert an die Fahrzeuge Fl und F2 übermit telt.
Außer zur Beeinflussung oder Steuerung von Straßenverkehr kann die Erfindung auch in vorteilhafter Weise zur Beeinflus sung oder Steuerung von Schienenverkehr, Robotern, Schiffver kehr oder Luftverkehr verwendet werden, um in analoger Weise Restzeitprognosen für dort genutzte, z.B. funkbasierte Ver kehrssignalgeber zu ermitteln und an betroffene Verkehrsmit tel oder Verkehrsteilnehmer zu übermitteln.
Figur 2 veranschaulicht ein erfindungsgemäßes neuronales Netz NN. Insofern in Figur 2 die gleichen oder korrespondierende Bezugszeichen wie in Figur 1 verwendet werden, bezeichnen diese Bezugszeichen die gleichen oder korrespondierende Enti- täten, 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 Figur 2 durch Pfeile veranschau licht.
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. Alter nativ 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 neurona len Netzes NN sowie zu deren Vorverarbeitung und zur Weiter gabe der vorverarbeiteten Eingabedaten an beide Teilnetze TNA und TNB. Im vorliegenden Ausführungsbeispiel wird das Einga benetz EN durch die Eingabeschicht B und die verdeckte Schicht D gebildet. Als Eingabedaten werden der Eingabe schicht B Verkehrsdaten VD, Signalphasenangaben SPA sowie an dere ein Schaltverhalten der Verkehrssignalgeber beeinflus sende Daten (nicht dargestellt) zugeführt. Die zugeführten Eingabedaten können wie im Zusammenhang mit Figur 1 beschrie ben, 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. Al ternativ dazu kann auf ein solches Eingabenetz auch verzich tet 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 Ausgabe neuron der Schicht M für einen jeweiligen Signalgeber bzw. eine jeweilige Signalgruppe vorgesehen. Jedes dieser signal geberspezifischen bzw. signalgruppenspezifischen Ausgabeneu ronen gibt einen quantifizierten Restzeitwert, hier RP1 bzw. RP2 für einen jeweiligen Verkehrssignalgeber bzw. eine jewei lige Signalgruppe aus.
Die Schichten A bis M können jeweils ein oder mehrere Neuro nen umfassen. Eine Verbindung zwischen je zwei Schichten ist in Figur 2 durch Pfeile angedeutet. Bei einer derartigen Ver bindung 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 Restzeitprogno- sen von aktuell in der Signalphase „grün" befindlichen Sig nalgruppen genutzt, während des Teilnetz TNB mit den verdeck ten 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 Berück sichtigung 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 wer den 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, wäh rend 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 Un terscheidung 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 o- der 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 aktu ell in der Phase „nicht-grün" befinden, während für diejeni gen Signalgruppen, die sich aktuell in der Phase „grün" be finden, ein Neutralwert eingetragen wird. Die für diese Un terscheidung erforderliche Information wird in analoger Weise von der Schicht C in Abhängigkeit von der zugeführten Signal phaseninformation SPA geliefert.
Das Kombinationsnetz M fasst die Prognoseergebnisse der Schichten K und L vorzugsweise durch einfaches Addieren zu sammen, 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 Net zes NN ausgegeben. Insofern beim Training des gesamten neuronalen Netzes NN auf grund 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 Rest- zeitprognosen für die Grünphase und das Teilnetz TNB spezi fisch auf Restzeitprognosen für die Nicht-grün-Phase opti miert werden.
Figur 3 zeigt eine erfindungsgemäße, lernbasierte Verkehrsbe einflussungseinrichtung RSU in schematischer Darstellung. In sofern in Figur 3 die gleichen oder korrespondierende Bezugs zeichen wie in den vorangegangenen Figuren verwendet werden, bezeichnen diese Bezugszeichen die gleichen oder korrespon dierende 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 ei ne Sensorik S auf. Die Sensorik S dient im vorliegenden Aus führungsbeispiel zur Messung oder anderweitigen Erfassung von Verkehrsdaten VD oder anderen ein Schaltverhalten einer Ver kehrssignalanlage beeinflussenden Daten. Letztere werden aus Übersichtlichkeitsgründen im Folgenden als Verkehrsdaten auf gefasst 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 Eingabe daten zugeführt. Das neuronale Netz NN soll im vorliegenden Ausführungsbeispiel darauf trainiert werden, für alle Signal gruppen anhand der zugeführten Verkehrsdaten VD und Signal- phasenangaben SPA signalgruppenspezifische und signalphasen spezifische 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 Fl 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 Signal phasenangaben SPA werden dem Eingabenetz EN als Eingabedaten zugeführt. Das Eingabenetz EN führt eine Vorverarbeitung der Eingabedaten VD und SPA durch und übermittelt die vorverar beiteten 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 trai niert werden, signalphasenspezifische, jeweils eine Restzeit bis zum nächsten Phasenwechsel quantifizierende Prognosewerte zu ermitteln. Im vorliegenden Ausführungsbeispiel werden vom Teilnetz TNA Prognosewerte PIA und P2A und vom Teilnetz TNB Prognosewerte P1B und P2B als Ausgabedaten ausgegeben. Die Prognosewerte PIA, P2A, P1B und P2B werden durch die Teilnet ze TNA und TNB jeweils signalphasenspezifisch selektiert und ausgegeben. Zur Selektion der Prognosewerte verfügt das Teil netz TNA über ein Selektionsnetz SELA und das Teilnetz TNB über ein Selektionsnetz SELB. Das Selektionsnetz SELA kann hierbei die in Figur 2 beschriebenen Schichten K und A und das Selektionsnetz SELB die Schichten L und C umfassen.
Den Selektionsnetzen SELA und SELB werden jeweils die Signal phasenangaben SPA zugeführt, um abhängig davon die Prognose werte PIA, P2A, P1B und P2B signalphasenspezifisch zu selek tieren und auszugeben. Im vorliegenden Ausführungsbeispiel gibt das Selektionsnetz SELA für alle gemäß der Signalphasen angaben SPA in der Grünphase befindlichen Signalgruppen je weils den eine Restzeit quantifizierenden, grünphasenspezifi schen Prognosewert PIA 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 ausgege ben. Analog dazu gibt das Selektionsnetz SELB für alle gemäß den Signalphasenangaben SPA in der Nicht-grün-Phase befindli chen Signalgruppen jeweils den eine Restzeit quantifizieren den, nicht-grün-phasenspezifischen Prognosewert P2B des Teil netzes TNB aus. Entsprechend wird für alle in der Grünphase befindlichen Signalgruppen durch das Selektionsnetz SELB je weils eine numerische Null als grünphasenspezifischer Progno sewert P1B ausgegeben.
Die Ausgabedaten der Teilnetze TNA und TNB werden also durch die Selektionsnetze SELA und SELB abhängig von den Signalpha senangaben SPA signalphasenspezifisch in zueinander komple mentärer 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 unter drückt. Analog dazu wird in der Nicht-grün-Phase ein quanti fizierter Prognosewert des Teilnetzes TNB ausgegeben und - komplementär dazu - ein Prognosewert des Teilnetzes TNA ge wissermaßen unterdrückt.
Die Prognosewerte PIA, P2A, P1B und P2B werden von den Teil netzen TNA und TNB zum Kombinationsnetz M ausgegeben, wobei in jeder Signalphase für alle Signalgruppen jeweils ein quan tifizierter 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 PIA und P2A des Teilnetzes TNA zu den Prognosewerten P1B und P2B des Teilnetzes TNB signalphasenspezifisch und signalgruppenspezi fisch addiert. D.h. für die Grünphase werden die Prognosewer te PIA und P1B addiert und für die Nicht-grün-Phase die Prog nosewerte 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 komple mentäre 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 ver bleibende Restzeiten bis zum nächsten Phasenwechsel der Ver kehrssignalgeber 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 tatsäch lich eintretenden Phasenwechsel übereinstimmen soll.
Unter einem Training sei allgemein eine Optimierung einer Ab bildung von Eingabedaten, hier VD und SPA eines parametri- sierten Systemmodells, hier des neuronalen Netzes NN, auf Ausgabedaten, hier die RestZeitprognosen RP1 und RP2 verstan den. Diese Abbildung wird nach vorgegebenen, gelernten oder zu lernenden Kriterien während einer Trainingsphase opti miert. Als Kriterium kann bei Prädiktionsmodellen eine Mini mierung 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 Optimierungs verfahren verfügbar sind. Die auf diese Weise optimierten Pa rameter, 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 Phasenwech seln verglichen und Zeitabweichungen At zwischen prognosti zierten Phasenwechseln und tatsächlich eintretenden Phasen wechseln ermittelt. Die Zeitabweichungen At können hierbei durch einen Betrag oder ein Quadrat einer jeweiligen Zeitdif ferenz gebildet werden. Die Zeitpunkte der tatsächlichen ein tretenden Phasenwechseln können anhand der Signalphasenanga ben SPA bestimmt werden. Die Zeitabweichungen At repräsen tieren einen Prädiktionsfehler des neuronalen Netzes NN und werden zu diesem zurückgeführt. Anhand der zurückgeführten Zeitabweichung At wird das neuronale Netz NN - wie in Figur 3 durch einen punktierten Pfeil angedeutet - darauf trainiert, die Zeitabweichungen At im Mittel zu minimieren. Durch die ses Training wird das neuronale Netz NN dazu befähigt, ver hältnismäßig 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 Trai ningsdaten, hier VD und SPA dorthin übermittelt, um ein er findungsgemäßes, externes neuronales Netz wie oben beschrie ben 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 exter ne neuronale Netz gewissermaßen vom externen Rechner auf die se Verkehrsbeeinflussungseinrichtung RSU kopiert.
Die signalphasenspezifische Selektion der Prognosewerte der Teilnetze TNA und TNB bewirkt in der Regel, dass sich Ände rungen in der Parametrisierung des jeweiligen Teilnetzes TNA bzw. TNB für die Prognose von Nicht-grün-Phasen bzw. Grünpha sen nicht auf die Ausgabe des neuronalen Netzes NN auswirken und deshalb auch nicht im Zuge des Trainings optimiert wer den. Insbesondere wird das Training des Teilnetzes TNA nicht durch Daten der Nicht-grün-Phase und das Training des Teil netzes 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 festzeitge steuert und variiert deshalb nur verhältnismäßig geringfügig, während die Grünphase häufig verkehrsabhängig und damit vari abel 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 signalphasenspe zifische Lernen der Teilnetze TNA und TNB. Es erweist sich, dass das beschriebene neuronale Netz NN in vielen Fällen er heblich bessere RestZeitprognosen liefert oder einen erheb lich 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 trai nierten neuronalen Netz NN zusammen mit aktuellen von der Am- pelsteuerung CTL stammenden Signalphasenangaben SPA zugelei tet. Das trainierte neuronale Netz NN ermittelt daraus, wie oben beschrieben, RestZeitprognosen RP1 und RP2, die zur Sen deeinrichtung TX und von dieser zu den Verkehrsmitteln Fl 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 Signal phasenangaben SPA weitertrainiert werden.

Claims

Patentansprüche
1. Computerimplementiertes Verfahren zur Verkehrsbeeinflus sung, wobei a) Verkehrsdaten (VD) einer Umgebung eines Verkehrssignalge bers (S1-S4) erfasst werden, b) eine verschiedene Signalphasen des Verkehrssignalgebers (S1-S4) unterscheidende Signalphasenangabe (SPA) erfasst wird, c) die Verkehrsdaten (VD) als Eingabedaten einem künstlichen neuronalen Netz (NN) zugeführt werden, das ein erstes Teilnetz (TNA) und ein davon verschiedenes, zweites Teil netz (TNB) sowie ein Kombinationsnetz (M) zum Kombinieren von Ausgabedaten (PIA, P2A, P1B, P2B) beider Teilnetze (TNA, TNB) umfasst, wobei das künstliche neuronale Netz (NN) darauf trainiert ist, anhand von Verkehrsdaten (VD) eine noch verbleibende Restzeit bis zu einem Phasenwechsel des Verkehrssignalgebers (S1-S4) zu reproduzieren, d) ein Ausgeben der Ausgabedaten (PIA, P2A) des ersten Teil netzes (TNA) und ein Ausgeben der Ausgabedaten (P1B, P2B) des zweiten Teilnetzes (TNB) abhängig von der Signalpha senangabe (SPA) in zueinander komplementärer Weise gesteu ert werden, und e) Ausgabedaten des Kombinationsnetzes (M) oder daraus abge leitete Prognosedaten als RestZeitprognose (RP1, RP2) zur Verkehrsbeeinflussung zu einem Verkehrsmittel (Fl, F2) o- der zu einem Verkehrsteilnehmer übermittelt werden.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Ausgeben der Ausgabedaten (PIA, P2A, P1B, P2B) der beiden
Teilnetze (TNA, TNB) abhängig von der Signalphasenangabe
(SPA) derart gesteuert wird, dass
- in einer ersten Signalphase das erste Teilnetz (TNA) einen Prognosewert (PIA) und das zweite Teilnetz einen Neutral wert (P1B) zum Kombinationsnetz (M) ausgeben, und
- in einer zweiten Signalphase das zweite Teilnetz (TNB) ei nen Prognosewert (P2B) und das erste Teilnetz (TNA) einen Neutralwert (P2A) zum Kombinationsnetz ausgeben.
3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass durch das Kombinationsnetz Ausgabedaten des ersten Teil netzes (TNA) mit Ausgabedaten des zweiten Teilnetzes (TNB) mittels einer Addition kombiniert werden.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für mehrere Verkehrssignalgeber (S1-S4) jeweils eine signalgeberspezifische Signalphasenangabe (SPA) erfasst wird, und dass abhängig von den erfassten Signalphasenangaben (SPA)
- durch das erste Teilnetz (TNA) signalgeberspezifische Prog nosewerte (PIA) für in einer ersten Signalphase befindliche Verkehrssignalgeber und
- durch das zweite Teilnetz (TNB) signalgeberspezifische Prognosewerte (P2B) für in einer zweiten Signalphase be findliche Verkehrssignalgeber zum Kombinationsnetz (M) ausgegeben werden.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Signalphasenangabe (SPA) und/oder andere ein Schalt verhalten des Verkehrssignalgebers beeinflussende Daten dem künstlichen neuronalen Netz (NN) als Eingabedaten zugeführt werden, wobei das künstliche neuronale Netz (NN) darauf trai niert ist, zusätzlich anhand von Signalphasenangaben (SPA) und/oder anderen ein Schaltverhalten des Verkehrssignalgebers beeinflussenden Daten Restzeiten bis zu einem jeweiligen Pha senwechsel zu reproduzieren.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass abhängig von der zum Verkehrsmittel (Fl, F2) oder zum Verkehrsteilnehmer übermittelten RestZeitprognose (RP1, RP2) eine Start-Stop-Automatik, eine Bremse, eine Rekuperations- einrichtung, ein autonomes Fahrzeug, ein Navigationsgerät und/oder ein Routenplaner gesteuert oder ein Hinweis an den Verkehrsteilnehmer ausgegeben wird.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Eingabedaten einem Eingabenetz (EN) des künstlichen neuronalen Netzes (NN) zugeführt werden und Ausgabedaten des Eingabenetzes (EN) beiden Teilnetzen (TNA, TNB) zugeführt werden.
8. Computerimplementiertes Verfahren zum Trainieren einer Verkehrsbeeinflussungseinrichtung (RSU) mit einem künstlichen neuronalen Netz (NN), wobei a) Verkehrsdaten (VD) einer Umgebung eines Verkehrssignalge bers (S1-S4) erfasst werden, b) eine verschiedene Signalphasen des Verkehrssignalgebers (S1-S4) unterscheidende Signalphasenangabe (SPA) erfasst wird, c) die Verkehrsdaten (VD) als Eingabedaten dem künstlichen neuronalen Netz (NN) zugeführt werden, das ein erstes Teilnetz (TNA) und ein davon verschiedenes, zweites Teil netz (TNB) sowie ein Kombinationsnetz (M) zum Kombinieren von Ausgabedaten (PIA, P2A, P1B, P2B) beider Teilnetze (TNA, TNB) umfasst, und d) das künstliche neuronale Netz (NN) darauf trainiert wird, anhand der Verkehrsdaten (VD) eine noch verbleibende Rest zeit bis zu einem Phasenwechsel des Verkehrssignalgebers (S1-S4) zu reproduzieren, wobei ein Ausgeben der Ausgabe daten (PIA, P2A) des ersten Teilnetzes (TNA) und ein Aus geben der Ausgabedaten (P1B, P2B) des zweiten Teilnetzes (TNB) abhängig von der Signalphasenangabe (SPA) in zuei nander komplementärer Weise gesteuert werden.
9. Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass das künstliche neuronale Netz (NN) darauf trainiert wird, - einen Mittelwert, einen Median, ein Quantil, einen wahr scheinlichen Wert, ein Minimum, ein Maximum und/oder eine statistische Schwankungsbreite der Restzeit oder
- eine Wahrscheinlichkeit für einen Phasenwechsel in einem vorgegebenen Zeitintervall als RestZeitprognose (RP1, RP2) zu reproduzieren.
10. Verkehrsbeeinflussungseinrichtung (RSU) eingerichtet zum Ausführen eines Verfahrens nach einem der vorhergehenden An- Sprüche.
11. Computerprogrammprodukt eingerichtet zum Ausführen eines Verfahrens nach einem der Ansprüche 1 bis 9.
12. Computerlesbares Speichermedium mit einem Computerpro grammprodukt nach Anspruch 11.
EP21704446.0A 2020-02-25 2021-02-04 Verfahren und einrichtung zur restzeitprognose einer signalphase Pending EP4111434A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020202380.8A DE102020202380A1 (de) 2020-02-25 2020-02-25 Verfahren zur Verkehrsbeeinflussung und Verkehrsbeeinflussungseinrichtung
PCT/EP2021/052624 WO2021170360A1 (de) 2020-02-25 2021-02-04 Verfahren und einrichtung zur restzeitprognose einer signalphase

Publications (1)

Publication Number Publication Date
EP4111434A1 true EP4111434A1 (de) 2023-01-04

Family

ID=74586993

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21704446.0A Pending EP4111434A1 (de) 2020-02-25 2021-02-04 Verfahren und einrichtung zur restzeitprognose einer signalphase

Country Status (4)

Country Link
US (1) US20230080193A1 (de)
EP (1) EP4111434A1 (de)
DE (1) DE102020202380A1 (de)
WO (1) WO2021170360A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019219748A1 (de) * 2019-12-16 2021-06-17 Siemens Mobility GmbH Verfahren zum Bestimmen mindestens eines zu bestimmenden Restzeitwerts für eine Anlage
CN117681656A (zh) * 2022-08-25 2024-03-12 纬创资通股份有限公司 用于配置抬头显示器的电子装置和方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013204241A1 (de) 2013-03-12 2014-09-18 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zur Ermittlung eines erwarteten Umschaltzeitpunkts einer Signalgruppe
EP3333823B1 (de) * 2016-12-07 2024-01-10 Yunex GmbH Prognose einer signalisierung einer lichtsignalanlage mittels künstlicher intelligenz
US10652464B2 (en) 2017-07-31 2020-05-12 Honeywell International Inc. Systems and methods for automatically switching a surveillance camera into an auto corridor mode
DE102017213350A1 (de) 2017-08-02 2019-02-07 Siemens Aktiengesellschaft Verfahren zur Vorhersage eines Schaltzeitpunktes einer Signalgruppe einer Signalanlage
DE102017223579A1 (de) 2017-12-21 2019-06-27 Siemens Aktiengesellschaft System und Verfahren zum Unterstützen einer Prognose einer zukünftigen Signalisierung eines Verkehrsinfrastrukturelements

Also Published As

Publication number Publication date
US20230080193A1 (en) 2023-03-16
WO2021170360A1 (de) 2021-09-02
DE102020202380A1 (de) 2021-08-26

Similar Documents

Publication Publication Date Title
EP3365741B1 (de) Verfahren zur vollautomatischen führung eines fahrzeugsystems und kraftfahrzeug
DE102019104974A1 (de) Verfahren sowie System zum Bestimmen eines Fahrmanövers
AT518444A2 (de) Verfahren zum Erzeugen von Steuerdaten für ein regelbasiertes Unterstützen eines Fahrers
DE102016205152A1 (de) Fahrerassistenzsystem zum Unterstützen eines Fahrers beim Führen eines Fahrzeugs
WO2009037164A1 (de) Erstellung von qualitätsparametern einer digitalen karte
DE102008023972A1 (de) Verfahren und Vorrichtung zur Erkennung von verkehrsrelevanten Informationen
WO2005052883A1 (de) Verfahren und system zur ermittlung der fahrsituation
WO2021170360A1 (de) Verfahren und einrichtung zur restzeitprognose einer signalphase
DE102018203583B4 (de) Verfahren, Fahrerassistenzsystem sowie Kraftfahrzeug zur Prädiktion einer Position oder einer Trajektorie mittels eines graphbasierten Umgebungsmodells
DE102019108644A1 (de) Verfahren und vorrichtung zum automatischen lernen von regeln für autonomes fahren
DE102017213350A1 (de) Verfahren zur Vorhersage eines Schaltzeitpunktes einer Signalgruppe einer Signalanlage
DE102019002790A1 (de) Verfahren zur Prädiktion einer Verkehrssituation für ein Fahrzeug
EP3688538A1 (de) Verfahren und system zum aktualisieren eines steuerungsmodells für eine automatische steuerung zumindest einer mobilen einheit
DE102015223656A1 (de) Fahrerassistenzsystem und -Verfahren zur Fahrspurempfehlung
DE102015212027A1 (de) Verfahren und Vorrichtung zum automatischen Ermitteln von Verkehrsregelungen an Straßenkreuzungen
DE102012207864A1 (de) Verfahren zum Reduzieren einer Staugefahr
DE102017209258A1 (de) Verfahren und Vorrichtung zum Überwachen einer Fahrstabilität eines Fahrzeugs auf einer vorausliegenden Fahrroute
DE102019114626A1 (de) System und Verfahren zur Hardware-Überprüfung in einem Kraftfahrzeug
EP4046150A1 (de) Verfahren und anordnung zur vorhersage von schaltzeitpunkten einer signalgruppe einer signalanlage zur steuerung eines verkehrsflusses
DE102018221044A1 (de) Verfahren und Vorrichtung zur Prognose eines Schaltzustands und eines Schaltzeitpunkts einer Signalanlage zur Verkehrssteuerung
DE102018202498A1 (de) Verfahren und Steuergerät zum Betreiben eines Antriebsstrangs
EP3402126A1 (de) Verfahren und system zum verteilten erkennen von objekten und gefahren
DE102016204808A1 (de) Verfahren zur Verkehrsflusssteuerung und Verkehrsmanagementsystem
DE102021107796A1 (de) Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeug
DE102021002004A1 (de) Verfahren zum Betrieb von Fahrzeugen innerhalb eines Platooning Konvois

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20220916

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)