WO2020114865A1 - Verfahren und vorrichtung zur prognose eines schaltzustands und eines schaltzeitpunkts einer signalanlage zur verkehrssteuerung - Google Patents

Verfahren und vorrichtung zur prognose eines schaltzustands und eines schaltzeitpunkts einer signalanlage zur verkehrssteuerung Download PDF

Info

Publication number
WO2020114865A1
WO2020114865A1 PCT/EP2019/082787 EP2019082787W WO2020114865A1 WO 2020114865 A1 WO2020114865 A1 WO 2020114865A1 EP 2019082787 W EP2019082787 W EP 2019082787W WO 2020114865 A1 WO2020114865 A1 WO 2020114865A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal system
data
switching
computer
lsa1
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.)
Ceased
Application number
PCT/EP2019/082787
Other languages
English (en)
French (fr)
Inventor
Harald Frank
Felix Rudolph
Volkmar Sterzing
Michel Tokic
Anja von Beuningen
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.)
Siemens Mobility GmbH
Original Assignee
Siemens Mobility 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 Siemens Mobility GmbH filed Critical Siemens Mobility GmbH
Publication of WO2020114865A1 publication Critical patent/WO2020114865A1/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/095—Traffic lights
    • 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
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096716—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information does not generate an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096783—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a roadside individual element

Definitions

  • the invention relates to a computer implemented method and apparatus for predicting a switching condition and a switching signal Z eithuis a plant for simulatorsteue tion, a computer program product and a computer readable storage medium.
  • signal systems in particular light signal systems, with signal groups at traffic intersections, which can regulate traffic, for example road traffic.
  • the signaling systems are controlled by a control unit.
  • the signal systems can be coupled to at least one sensor which, for example, detects an incoming vehicle, so that the signal system can be controlled as a function of the sensed sensor data.
  • the invention relates to a method for prognosis of a compu terimplement Arthurs GmbH and a switching Z eithuis a first signal system for traffic control, comprising the following method steps: Acquisition of process data of a second signaling system, the second signaling system being assigned to the first signaling system via at least one common traffic connection,
  • a “signal system for traffic control” can in particular be understood to mean a light signal system for controlling road traffic.
  • a traffic connection between the first and the second signal system can thus in particular be a road or a rail.
  • the first and the second signal system can be installed in particular at neighboring traffic intersections.
  • It is an advantage of the present invention is that by means of the process data of an adjacent signal contact of the switching state and of the associated switching Z eit Vietnamese ge can be predicted.
  • a prediction can be made before a sensor assigned to the signal system triggers a change in a switching state. It is preferably no information about a control logic of the signal system and / or knowledge of the local contexts necessary.
  • the switching behavior of the signal system can be predicted precisely, which in particular enables more efficient regulation of traffic.
  • a longer forecast horizon can be achieved and / or recommendations for behavior for road users can be derived.
  • It may preferably be a Kon confidence interval of the switching state and switching Z eitins it averages and output, for example, red and green probabilities that a light signal system.
  • Can be utilized can ren the length longer be assigned as a second set of signals a first signal system so that process data from more than one second signal ge plant for the prognosis of a Heidelbergzu stands and a switching Z eitddlings the first signal system.
  • the prognosis is particularly applicable to display a remaining time until switching Z eit Vietnamese the next switching state used the who.
  • the forecast can be used to optimize start-stop systems for drive motors and / or traffic control.
  • the forecast for energy recovery of a vehicle can be used by optimizing the driving speed.
  • the forecast quality of a data-driven forecast model is increased in particular due to an improved database.
  • the database includes in particular the process data of the second signal system.
  • the actual, current traffic volume can thus be taken into account in the forecast.
  • the process data can be acquired, for example, by means of a sensor that is assigned to the second signal system.
  • a sensor can be, for example, a camera, an infrared sensor, a pressure sensor, an induction loop, or the like.
  • Computer-aided can be understood in connection with the invention, for example, as an implementation of the method in which, in particular, a processor executes at least one method step of the method.
  • the terms “carry out”, “calculate”, “computer-assisted”, “calculate”, “determine”, “generate”, “configure”, “reconstruct” and The like preferably on actions and / or processes and / or processing steps that change and / or generate data and / or convert the data into other data, the data being represented or being able to be present in particular as physical quantities, for example as an electrical pulse se.
  • the term “computer” should be interpreted as broadly as possible, in particular to cover all electronic devices with data processing properties. Compu ter can thus be, for example, personal computers, servers, handheld computer systems, pocket PC devices, mobile radio devices and other communication devices that can process data with computer support, processors and other electronic devices for data processing.
  • Process data of the first and / or second signal system can be recorded.
  • historical process data of the first and / or second signal system can also be used
  • a sensor can be, for example, a camera or an inductive loop, the sensor being assigned in particular to the corresponding signal system.
  • the data-driven forecast model can be implemented as a machine learning method.
  • a machine learning process also referred to as artificial intelligence, includes in particular an automated process using machine learning methods.
  • a machine learning method can preferably be trained using the training data provided, for example historical data, and then applied using current data.
  • the data-driven forecast model can be implemented as a recurrent neural network, convolutional neural network (deep learning), a Gaussian process-based model, a Gaussian mixture model or a Bayesian neural network.
  • Machine learning processes can be used to model complex, non-linear relationships from a large amount of input data.
  • the data-driven forecast model can be implemented as a neural network.
  • the data-driven forecast model can be used in particular as a neural network, e.g. as a recurrent neural network.
  • Neural networks are in particular parametric functions that can be trained in a data-driven manner using (stochastic) gradient descent methods.
  • a recursive neural network enables, in particular, an integrated forecast of a switching status and a switching time.
  • the data-driven forecast model can have been trained by means of training data for predicting a switching time and a switching state of the first signal system, the training data being historical process data of the first signal system, at least one time information, public transport reporting point.
  • Information of a public transport and historical process data of the second signal system can include.
  • Training data can in particular include historical process data of the first and second signal system, which can be provided, for example, by means of a storage unit.
  • Time information can include, for example, calendar data.
  • a public transport reporting point information of a public transport can be, for example, a public transport telegram (local public transport, short public transport), which includes information about the public transport, eg type, travel times, privileges, etc.
  • the training data can in particular be recorded in advance, stored on a storage unit and made available from there.
  • Training a data-driven forecasting model e.g. a neural network, in particular the modeling of a complex system can be understood.
  • a data-driven forecasting model e.g. a neural network
  • the data-driven forecast model is then adapted in such a way that a predetermined output is achieved.
  • the weights of the artificial neurons of the neural network can be adapted, the input and the output being compared iteratively in particular.
  • a correlation analysis can be carried out between historical process data of the first signal system and the historical process data of the second signal system, and on the basis of the correlation analysis, patterns and / or dependencies of the traffic flow of the at least one common traffic connection of the first and the second can be carried out Signal system can be determined.
  • patterns and / or dependencies of the traffic flow and / or traffic behavior can be derived. For example, based on the correlation results, models such as computing models or simulation models or probability models le, for travel times and traffic flows.
  • the results of the correlation analysis can be taken into account and included in the training of the data-driven forecast model. This can preferably enable more precise modeling of the traffic volume between the first and the second signal system.
  • the training data can be weighted depending on the determined patterns and / or dependencies of the traffic flow, and the data-driven forecasting model can be specified with the weighted training data.
  • the training data in particular can be weighted in such a way that preferably determined dependencies and / or patterns can be taken into account more strongly in the prognosis semodell.
  • the data-driven prognosis model can be trained using the weighted training data.
  • the second signal system can be determined on the basis of the location information of its process data.
  • Location information can be provided, for example, as GPS coordinates (“Global Positioning System”, or GPS for short).
  • GPS coordinates Global Positioning System
  • GPS for short an adjacent second signal system can thus be determined.
  • the process data of the second signal system can be transmitted to a central processing unit and / or to a computing unit of the first signal system.
  • the process data of the second signal system can in particular be sent from a computing unit of the second signal system to a central computing unit and / or to a computing unit of the first signal system are transmitted.
  • a computing unit can in particular comprise at least one processor and / or a storage unit.
  • a large number of process data can be transmitted from a large number of further signal systems to a central processing unit and, depending on the respective location information of these signal systems, those signal systems that the first signal system can have over at least one common traffic connection are assigned, it averages detected their respective process data and eit Vietnameses and the switching state are provided ers th signal conditioning for a forecast of the switching of the Z.
  • those signaling systems can be selected from a large number of signaling systems which are assigned to the signaling system to be forecasted via a traffic connection.
  • the prognosis can a meeting future switching state and switching Z performed eit Vietnameses the signal system preferably.
  • the forecast can be improved in particular by the process data from more than one second signal system.
  • the computerimplemen formatted data-driven prediction model can be applied to the central processing unit or the arithmetic unit of the first signal conditioning prior to prognosing a Wegzu and the switching Z are guided eitrios the first set of signals from.
  • the forecast model can be executed on the central computing unit and the forecast result can then be transmitted to the computing unit of the first signal system.
  • "Run" under the concept of data-driven prediction model may, in particular, the computerized reading of the current process data of the at least one second signal to location, the computer-based forecasting a future switching state and switching Z eithuis the first signal conditioning means of the trained data-driven prediction model and the computerized outputting the predicted Wegzu stands and Z are switching eithuis understood.
  • the data-driven forecasting model can be trained on the central processing unit and / or on the computing unit of the first signal system by means of the training data and can be provided from there after the training.
  • the central processing unit can in particular be coupled to a central memory, on which the training data can be stored and made available for the training.
  • a central memory on which the training data can be stored and made available for the training.
  • historical process data from a large number of signal systems can be stored on a central processing unit and used for training the data-driven forecasting model.
  • the training of the data-driven forecasting model can take place in particular on the computing unit of the first signal system, preferably only process data from neighboring signal systems being transmitted to the computing unit of the first signal system and taken into account during training.
  • a display device can be, for example, a screen, an audio device, a signal transmitter or the like.
  • a display device can be integrated in a vehicle or coupled to the first signal system.
  • the display device can in particular be coupled to a roadside unit (RSU) of the first signal system.
  • RSU roadside unit
  • the invention relates to a device for predicting a switching state and switching time of a first signal system for traffic control, the device having at least one processor for carrying out the steps of a method according to the invention.
  • a processor can be understood in connection with the invention, for example, a machine or an electronic circuit device.
  • a processor can in particular be a main processor (Central Processing Unit, CPU), a microprocessor or a microcontroller.
  • CPU Central Processing Unit
  • microprocessor or a microcontroller.
  • the invention relates to a computer program product set up for executing a computer-implemented method according to the invention and a computer-readable storage medium with a computer program product.
  • the computer program product preferably comprises program code parts for carrying out the steps of a method according to the invention.
  • a computer program product such as a computer program means, for example as a storage medium, e.g.
  • Memory card USB stick, CD-ROM, DVD, or in the form of a downloadable file from a server in a network.
  • this can be achieved by a corresponding file with the computer program product or the computer program means.
  • Fig. 1 is a flowchart of a method according to the invention
  • Fig. 3 is a schematic representation of an inventive device.
  • FIG. 1 shows a flowchart of a com puter-implemented method according to the invention for the prognosis of a Wegzu stands and a switching Z eit Vietnameses a first signal system.
  • a future switch state and a switching state that can associated switching Z eit Vietnamese the first signal are determined by means of computer-implemented system procedural proceedings.
  • process data of a second signal system which is assigned to the first signal system over at least one traffic connection, are recorded and provided.
  • the first signal system and the second signal system can thus via a common traffic connection, e.g. a street to be connected.
  • traffic can flow via the common traffic connection, which is initially controlled by the second and then by the first signaling system.
  • the process data of the second signal conditioning, sensor data of a coupled to the second signal system sensor, to status data of the second signal conditioning, switching states and switching Z eit include.
  • the process data of the second signal system preferably relate to traffic that flows from the second signal system to the first signal system via the common traffic connection.
  • the common traffic connection can be a direct traffic connection or a traffic connection interrupted, for example by a traffic intersection. An assignment of the second signal system to the first signal system can consequently be determined on the basis of a traffic flow.
  • a data-driven forecasting model is provided and the process data of the second signaling system are transferred to it.
  • the data-driven forecast model can be designed as a machine learning process, such as a neural network. In particular, it can be a recurrent neural network.
  • the data-driven prediction model is trained in particular such a Prog nose of a switching condition and a switching Z eithuis the ers th signal conditioning depending on the process data of the second signal conditioning to be performed.
  • Training a machine learning process can be understood in particular to mean the modeling and / or adaptation of a computer-based model using training data.
  • Training data are provided for the training, in particular historical process data of the first signal system, at least one time information, such as Calendar information and reporting point information of a public transport, such as include a public transport telegram and historical process data of the second signal system.
  • the data-driven forecast model can be further specified.
  • a correlation analysis based on the training data in particular between the historical process data of the first and the second signal system, can be carried out, for example to identify dependencies and / or patterns in the traffic flow.
  • traffic flow models can be generated using the correlation analysis.
  • the data-driven forecast model can then be retrained or refined.
  • weighted training data can be used for this purpose, weighting based on the patterns and / or dependencies.
  • a next step S3 in particular the process data of the second set of signals, a circuit condition and a circuit by means of the data-driven prediction model and the data read, Z eitrios the first signal conditioning predicted.
  • the at least one prognostic ed switching state and associated switching Z are the output ers th signal conditioning eit Vietnamese.
  • the predictive ti considerede switching state and switching is Z eit Vietnamese the first signal conditioning on a central processing unit and the determined prediction result is output from there.
  • the data-driven forecast model can also be carried out on a computing unit of the first signal system and the forecast result can be output from there, for example to a road user.
  • the computer-implemented method enables, in particular, a prediction of a switching behavior of the first signal system on the basis of current traffic flow data and before a sensor coupled to the first signal system is triggered. This makes it possible, for example, to regulate traffic taking into account the predicted switching behavior.
  • the computer-implemented method has in particular a high degree of scalability and generalizability with regard to different signaling systems and / or complexity of the traffic connections, since the method depends on a can be calibrated. Furthermore, the data-driven forecasting model can be used in real time and retrained with current data.
  • FIG. 2 shows a schematic representation of a method according to the invention.
  • Two traffic junctions K 1, K 2 are shown in a top view.
  • a signal system LSA1 or LSA2 is installed at each of the two traffic intersections K1, K2 in order to regulate the traffic.
  • each is a light signal system, which for example comprises a certain number of signal groups.
  • the first traffic intersection Kl is connected via a common traffic connection TC to the second traffic intersection K2, with a traffic flow between the first and second intersection Kl, K2.
  • the second signal system LSA2 is thus assigned to the first signal system LSA1.
  • the traffic connection TC can be a direct or an indirect traffic connection.
  • first signal system LSA1 and the second signal system LSA2 can each be equipped and / or coupled with a computing unit (not shown).
  • current process data D_LSA2 of the second signal system LSA2 can be transmitted to the central processing unit CC via a wireless or wired communication link.
  • the data-driven forecasting model NN can preferably be provided and executed on the central processing unit CC in a trained manner.
  • the data-driven forecast model NN is preferably trained in such a way that, depending on the current process data D_LSA2 of the second signal system LSA2, a future switching state and switching Z eitrios D_prog the first signal conditioning LSA1 to decorate prognostic.
  • the predicted switching state and switching Z eit Vietnamese D_prog example can be transmitted LSA1 via a wireless or wired communication link to a computing unit of the first signal system. May further, the predicted switching state and switching Z eit Vietnamese D_prog to a road users V and / or a adosvorrich transmitted tung.
  • the data-driven forecasting model NN can be trained in particular on the central processing unit CC. Training data are provided for the training, which preferably include historical process data of the first signal system LSA1, at least time information, reporting point information of a public transport and historical process data of the second signal system LSA2. The trained data-driven forecasting model NN is then provided, e.g. stored on the central computing unit CC and / or transmitted to the computing unit of the first signal system LSA1.
  • the data-driven forecasting model NN can be made more precise by means of a correlation analysis.
  • a correlation analysis can be carried out on the basis of historical process data of the first and the second signal system LSA1, LSA2, whereby patterns and / or dependencies of a typical traffic flow can be determined. This is at playful in Figure 2 by the dashed arrows Wl,
  • the first signal system LSA1 can in particular have a plurality of adjacent second signal systems (not shown). From a multiplicity of signaling systems, those signaling systems that have a common traffic connection TC with the first signaling system LSA1 can be determined in particular on the basis of the location information of the process data of a signaling system. The process data of these selected signal systems can be used as input data for the forecast, in particular to improve the forecast quality.
  • Figure 3 shows an inventive device 100 for Prog a switching state and switching nose Z eit Vietnameses a first signal system for traffic control.
  • the device 100 has at least one processor and is set up to carry out the steps of a computer-implemented method according to the invention.
  • the device 100 can further comprise a storage unit M, for example for storing training data according to the invention.
  • the device 100 can in particular be designed as software (component) and / or as hardware (component).
  • the device 100 can be implemented as part of a signaling system or as part of a central processing unit.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

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

Description

Beschreibung
Verfahren und Vorrichtung zur Prognose eines Schaltzustands und eines SchaltZeitpunkts einer Signalanlage zur Verkehrs steuerung
Die Erfindung betrifft ein computerimplementiertes Verfahren und eine Vorrichtung zur Prognose eines Schaltzustands und eines SchaltZeitpunkts einer Signalanlage zur Verkehrssteue rung, ein Computerprogrammprodukt und ein computerlesbares Speichermedium.
Es sind Signalanlagen, insbesondere Lichtsignalanlagen, mit Signalgruppen an Verkehrskreuzungen bekannt, die einen Ver kehr, z.B. Straßenverkehr, regeln können. Die Signalanlagen werden mittels einer Steuereinheit gesteuert. Die Signalanla gen können mit mindestens einem Sensor gekoppelt sein, der beispielsweise ein ankommendes Fahrzeug detektiert, so dass abhängig von den erfassten Sensordaten die Signalanlage ge steuert werden kann. Eine Vorhersage eines Schaltzustands und eines SchaltZeitpunkts einer Signalanlage kann beispielsweise auf Basis eigener historischer Schaltzustande und Schaltzeit punkte der Signalanlage erfolgen, wobei eine Prognosegüte in der Regel abhängig von der Qualität der Datenbasis ist.
Es ist eine Aufgabe der vorliegenden Erfindung eine Prognose güte eines Schaltzustands und eines SchaltZeitpunkts einer Signalanlage zu verbessern.
Die Aufgabe wird durch die in den unabhängigen Ansprüchen be schriebenen Maßnahmen gelöst. In den Unteransprüchen sind vorteilhafte Weiterbildungen der Erfindung dargestellt.
Gemäß einem ersten Aspekt betrifft die Erfindung ein compu terimplementiertes Verfahren zur Prognose eines Schaltzu stands und eines SchaltZeitpunkts einer ersten Signalanlage zur Verkehrssteuerung, umfassend folgende Verfahrensschritte: - Erfassen von Prozessdaten einer zweiten Signalanlage, wobei die zweite Signalanlage der ersten Signalanlage über mindes tens eine gemeinsame Verkehrsverbindung zugeordnet ist,
- Bereitstellen eines datengetriebenen Prognosemodells, das derart eingerichtet ist, eine Prognose eines Schaltzustands und eines SchaltZeitpunkts der ersten Signalanlage in Abhän gigkeit der Prozessdaten der zweiten Signalanlage durchzufüh ren,
- Prognostizieren eines Schaltzustandes und eines Schaltzeit punkts der ersten Signalanlage mittels des datengetriebenen Prognosemodells
und
- Ausgeben des prognostizierten Schaltzustandes und Schalt zeitpunktes der ersten Signalanlage.
Unter einer „Signalanlage zur Verkehrssteuerung" kann im Zu sammenhang mit der Erfindung insbesondere eine Lichtsignalan lage zur Steuerung eines Straßenverkehrs verstanden werden. Eine Verkehrsverbindung zwischen der ersten und der zweiten Signalanlage kann somit insbesondere eine Straße oder eine Schiene sein. Die erste und die zweite Signalanlage können insbesondere an jeweils benachbarten Verkehrskreuzungen in stalliert sein.
Es ist ein Vorteil der vorliegenden Erfindung, dass mittels der Prozessdaten einer benachbarten Signalanlage der Schalt zustand und der zugeordnete SchaltZeitpunkt einer Signalanla ge vorhergesagt werden kann. Insbesondere kann eine Vorhersa ge getroffen werden bevor ein der Signalanlage zugeordneter Sensor eine Änderung eines Schaltzustands auslöst. Es ist vorzugsweise keine Information über eine Steuerungslogik der Signalanlage und/oder Kenntnis über die örtlichen Zusammen hänge notwendig. Es kann das Schaltverhalten der Signalanlage präzise vorhergesagt werden, was insbesondere eine effizien tere Regelung des Verkehrs ermöglicht.
Es können insbesondere mehr als ein Schaltzustand und zugehö riger SchaltZeitpunkt der ersten Signalanlage bzw. eine Folge von Schaltzuständen und SchaltZeitpunkten vorhergesagt und ausgegeben werden. Insbesondere kann ein längerer Prognoseho rizont erzielt und/oder Verhaltensempfehlungen für Verkehrs teilnehmer abgeleitet werden. Es kann vorzugsweise ein Kon fidenzintervall des Schaltzustands und SchaltZeitpunktes er mittelt und ausgegeben werden, d.h. beispielsweise Rot- und Grünwahrscheinlichkeiten einer Lichtsignalanlage. Des Weite ren können mehr als eine zweite Signalanlage einer ersten Signalanlage zugeordnet sein, so dass Prozessdaten von mehr als einer zweiten Signalanlage zur Prognose eines Schaltzu stands und eines SchaltZeitpunkts der ersten Signalanlage ge nutzt werden können.
Die Prognose kann insbesondere zur Anzeige einer Restzeit bis zum SchaltZeitpunkt des nächsten Schaltzustands genutzt wer den. Außerdem kann mittels der Prognose eine Optimierung von Start-Stop-Automatiken für Antriebsmotoren und/oder der Ver kehrsregelung durchgeführt werden. Des Weiteren kann die Prognose zur Energierückgewinnung eines Fahrzeugs durch Opti mierung der Fahrgeschwindigkeit genutzt werden.
Die Prognosegüte eines datengetriebenen Prognosemodells wird insbesondere aufgrund einer verbesserten Datenbasis erhöht. Die Datenbasis umfasst insbesondere die Prozessdaten der zweiten Signalanlage. Somit kann das tatsächliche, aktuelle Verkehrsaufkommen bei der Prognose berücksichtigt werden. Die Prozessdaten können beispielsweise mittels eines Sensors, der der zweiten Signalanlage zugeordnet ist, erfasst werden. Ein Sensor kann beispielsweise eine Kamera, ein Infrarotsensor, ein Drucksensor, eine Induktionsschleife, oder ähnliches sein .
Unter „computerimplementiert" oder „computer-
/rechnergestützt" kann im Zusammenhang mit der Erfindung bei spielsweise eine Implementierung des Verfahrens verstanden werden, bei dem insbesondere ein Prozessor mindestens einen Verfahrensschritt des Verfahrens ausführt. Sofern es in der nachfolgenden Beschreibung nicht anders an gegeben ist, beziehen sich die Begriffe „durchführen", „be rechnen", „rechnergestützt", „rechnen", „feststellen", „gene rieren", „konfigurieren", „rekonstruieren" und dergleichen, vorzugsweise auf Handlungen und/oder Prozesse und/oder Verar beitungsschritte, die Daten verändern und/oder erzeugen und/oder die Daten in andere Daten überführen, wobei die Da ten insbesondere als physikalische Größen dargestellt werden oder vorliegen können, beispielsweise als elektrische Impul se. Insbesondere sollte der Ausdruck "Computer" möglichst breit ausgelegt werden, um insbesondere alle elektronischen Geräte mit Datenverarbeitungseigenschaften abzudecken. Compu ter können somit beispielsweise Personal Computer, Server, Handheld-Computer-Systeme, Pocket-PC-Geräte, Mobilfunkgeräte und andere Kommunikationsgeräte, die rechnergestützt Daten verarbeiten können, Prozessoren und andere elektronische Ge räte zur Datenverarbeitung sein.
In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens können die Prozessdaten einer Signalanlage Sensordaten eines mit der Signalanlage gekoppelten Sensors, Schaltzustände und SchaltZeitpunkte der Signalanlage, Signal gruppenzustände der Signalanlage, eine Umlaufzeit der Signal anlage und/oder eine Ortsinformation der Signalanlage umfas sen .
Es können Prozessdaten der ersten und/oder zweiten Signalan lage erfasst werden. Es können insbesondere auch historische Prozessdaten der ersten und/oder zweiten Signalanlage
und/oder weiteren Signalanlagen erfasst, gespeichert und/oder bereitgestellt werden. Ein Sensor kann beispielsweise eine Kamera oder eine Induktivschleife sein, wobei der Sensor ins besondere der entsprechenden Signalanlage zugeordnet ist.
In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann das datengetriebene Prognosemodell als maschinelles Lernverfahren realisiert sein. Ein maschinelles Lernverfahren, auch als künstliche Intelli genz bezeichnet, umfasst insbesondere ein automatisiertes Verfahren mittels maschineller Lernmethoden. Vorzugsweise kann ein maschinelles Lernverfahren mittels bereitgestellter Trainingsdaten, z.B. historische Daten, trainiert und an schließend mittels aktueller Daten angewandt werden. Das da tengetriebene Prognosemodell kann als ein Rekurrentes Neuro nales Netzwerk, Convolutional Neural Network (Deep Learning) , Gauß-Prozess basiertes Modell, Gaußian Mixture Model oder ein Bayesian Neural Network realisiert sein. Mittels maschineller Lernverfahren können insbesondere komplexe, nichtlineare Zu sammenhänge aus einer großen Eingabedatenmenge modelliert werden .
In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann das datengetriebene Prognosemodell als Neuronales Netz realisiert sein.
Das datengetriebene Prognosemodell kann insbesondere als Neu ronales Netz, wie z.B. als rekurrentes Neuronales Netz, aus gebildet sein. Neuronale Netze sind insbesondere parametri sche Funktionen, die datengetrieben über (stochastische) Gra dientenabstiegsverfahren trainiert werden können. Ein rekur rentes Neuronales Netz ermöglicht insbesondere eine inte grierte Prognose eines Schaltzustandes und eines Schaltzeit punktes .
In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann das datengetriebene Prognosemodell mittels Trainingsdaten für eine Prognose eines Schaltzeit punkts und eines Schaltzustands der ersten Signalanlage trai niert worden sein, wobei die Trainingsdaten historische Pro zessdaten der ersten Signalanlage, mindestens eine Zeitinfor mation, ÖPNV-Meldepunkt-Information eines öffentlichen Ver kehrsmittels und historische Prozessdaten der zweiten Signal anlage umfassen können. Trainingsdaten können insbesondere historische Prozessdaten der ersten und zweiten Signalanlage umfassen, die beispiels weise mittels einer Speichereinheit bereitgestellt werden können. Eine Zeitinformation kann beispielsweise kalendari sche Daten umfassen. Eine ÖPNV-Meldepunkt-Information eines öffentlichen Verkehrsmittels kann beispielsweise ein ÖPNV- Telegramm (Öffentlicher Personennahverkehr, kurz ÖPNV) sein, welche Informationen über das öffentliche Verkehrsmittel, z.B. Typ, Fahrtzeiten, Bevorrechtigung, etc. umfasst. Die Trainingsdaten können insbesondere vorab erfasst, auf einer Speichereinheit gespeichert und von dort bereitgestellt wer den .
Unter einem Training eines datengetriebenen Prognosemodells, z.B. eines Neuronalen Netzes, kann insbesondere die Modellie rung eines komplexen Systems verstanden werden. Dazu werden bereitgestellte Trainingsdaten eingelesen und das datenge triebene Prognosemodell anschließend derart angepasst, dass eine vorgegebene Ausgabe erzielt wird. Es können insbesondere die Gewichte der künstlichen Neuronen des Neuronalen Netzes angepasst werden, wobei insbesondere iterativ die Eingabe und die Ausgabe miteinander verglichen werden.
In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann eine Korrelationsanalyse zwischen historischen Prozessdaten der ersten Signalanlage und den historischen Prozessdaten der zweiten Signalanlage durchge führt werden und anhand der Korrelationsanalyse können Muster und/oder Abhängigkeiten des Verkehrsflusses der mindestens einen gemeinsamen Verkehrsverbindung der ersten und der zwei ten Signalanlage ermittelt werden.
Mittels einer Korrelationsanalyse auf Basis der historischen Prozessdaten der ersten und zweiten Signalanlage können Mus ter und/oder Abhängigkeiten des Verkehrsflusses und/oder des Verkehrsverhaltens abgeleitet werden. Beispielsweise können anhand der Korrelationsergebnisse Modelle, wie z.B. Rechenmo delle oder Simulationsmodelle oder Wahrscheinlichkeitsmodel- le, für Fahrzeiten und Verkehrsflüsse erstellt werden. Die Ergebnisse der Korrelationsanalyse können beim Training des datengetriebenen Prognosemodells berücksichtigt und einbezo gen werden. Dies kann vorzugsweise eine präzisere Modellie rung des Verkehrsaufkommens zwischen der ersten und der zwei ten Signalanlage ermöglichen.
In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens können abhängig von den ermittelten Mus tern und/oder Abhängigkeiten des Verkehrsflusses die Trai ningsdaten gewichtet werden und mit den gewichteten Trai ningsdaten kann das datengetriebene Prognosemodell präzisiert werden .
Ausgehend von den Korrelationsergebnissen können insbesondere die Trainingsdaten derart gewichtet werden, dass vorzugsweise ermittelte Abhängigkeiten und/oder Muster stärker im Progno semodell berücksichtigt werden können. Insbesondere kann mit tels der gewichteten Trainingsdaten das datengetriebene Prog nosemodell trainiert werden.
In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann die zweite Signalanlage anhand der Ortsinformation ihrer Prozessdaten ermittelt werden.
Eine Ortsinformation kann beispielsweise als GPS-Koordinaten („Global Positioning System", kurz GPS) bereitgestellt wer den. Damit kann insbesondere eine benachbarte zweite Signal anlage ermittelt werden.
In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens können die Prozessdaten der zweiten Sig nalanlage an eine zentrale Recheneinheit und/oder an eine Re cheneinheit der ersten Signalanlage übermittelt werden.
Die Prozessdaten der zweiten Signalanlage können insbesondere von einer Recheneinheit der zweiten Signalanlage an eine zentrale Recheneinheit und/oder an eine Recheneinheit der ersten Signalanlage übermittelt werden. Eine Recheneinheit kann insbesondere mindestens einen Prozessor und/oder eine Speichereinheit umfassen.
In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens können eine Vielzahl von Prozessdaten von einer Vielzahl von weiteren Signalanlagen an eine zentrale Recheneinheit übermittelt werden und es können abhängig von einer jeweiligen Ortsinformation dieser Signalanlagen, dieje nigen Signalanlagen, die der ersten Signalanlage über mindes tens eine gemeinsame Verkehrsverbindung zugeordnet sind, er mittelt, deren jeweilige Prozessdaten erfasst und für eine Prognose des SchaltZeitpunkts und des Schaltzustands der ers ten Signalanlage bereitgestellt werden.
Vorzugsweise können aus einer Vielzahl von Signalanlagen die jenigen Signalanlagen selektiert werden, die über eine Ver kehrsverbindung der zu prognostizierenden Signalanlage zuge ordnet sind. Mittels der Prozessdaten dieser selektierten Signalanlagen kann vorzugsweise die Prognose eines zukünfti gen Schaltzustands und SchaltZeitpunkts der Signalanlage durchgeführt werden. Die Prognose kann insbesondere durch die Prozessdaten von mehr als einer zweiten Signalanlage verbes sert werden.
In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann das datengetriebene Prognosemodell auf der zentralen Recheneinheit oder auf der Recheneinheit der ersten Signalanlage zum Prognostizieren eines Schaltzu standes und des SchaltZeitpunkts der ersten Signalanlage aus geführt werden.
Insbesondere kann das Prognosemodell auf der zentralen Re cheneinheit ausgeführt und das Prognoseergebnis anschließend an die Recheneinheit der ersten Signalanlage übermittelt wer den . Unter dem Begriff „ausführen" des datengetriebenen Prognose modells kann insbesondere das computergestützte Einlesen von aktuellen Prozessdaten der mindestens einen zweiten Signalan lage, das computergestützte Prognostizieren eines zukünftigen Schaltzustands und SchaltZeitpunkts der ersten Signalanlage mittels des trainierten datengetriebenen Prognosemodells und das computergestützte Ausgeben des prognostizierten Schaltzu stands und SchaltZeitpunkts verstanden werden.
In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann das datengetriebene Prognosemodell auf der zentralen Recheneinheit und/oder auf der Rechenein heit der ersten Signalanlage mittels der Trainingsdaten trai niert und von dort nach dem Training bereitgestellt werden.
Die zentrale Recheneinheit kann insbesondere mit einem zent ralen Speicher gekoppelt sein, auf dem die Trainingsdaten ge speichert und für das Training bereitgestellt werden können. Insbesondere können auf einer zentralen Recheneinheit histo rische Prozessdaten von einer Vielzahl von Signalanlagen ge speichert und für ein Training des datengetriebenen Prognose modells genutzt werden.
Das Training des datengetriebenen Prognosemodells kann insbe sondere auf der Recheneinheit der ersten Signalanlage erfol gen, wobei vorzugsweise lediglich Prozessdaten von benachbar ten Signalanlagen an die Recheneinheit der ersten Signalanla ge übermittelt und beim Training berücksichtigt werden.
In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann der prognostizierte Schaltzustand und SchaltZeitpunkt der ersten Signalanlage an einen Verkehrs teilnehmer und/oder eine Anzeigevorrichtung übermittelt wer den .
Insbesondere kann zunächst mindestens ein sich in der Nähe der ersten Signalanlage befindliches Fahrzeug oder Verkehrs teilnehmer bestimmt werden. Somit kann vorzugsweise eine ef- fiziente Regelung des Verkehrs erreicht werden. Der prognos tizierte Schaltzustand und SchaltZeitpunkt der ersten Signal anlage kann an den Verkehrsteilnehmer und/oder an eine Anzei gevorrichtung übermittelt werden. Eine Anzeigevorrichtung kann beispielsweise ein Bildschirm, ein Audiogerät, ein Sig nalgeber oder ähnliches sein. Insbesondere kann eine Anzeige vorrichtung in einem Fahrzeug integriert sein oder mit der ersten Signalanlage gekoppelt sein. Die Anzeigevorrichtung kann insbesondere mit einer Roadside Unit (RSU) der ersten Signalanlage gekoppelt sein.
Gemäß einem zweiten Aspekt betrifft die Erfindung eine Vor richtung zur Prognose eines Schaltzustands und Schaltzeit punkts einer ersten Signalanlage zur Verkehrssteuerung, wobei die Vorrichtung mindestens einen Prozessor zum Durchführen der Schritte eines erfindungsgemäßen Verfahrens aufweist.
Unter einem Prozessor kann im Zusammenhang mit der Erfindung beispielsweise eine Maschine oder eine elektronische Schal tung verstanden werden. Bei einem Prozessor kann es sich ins besondere um einen Hauptprozessor (engl. Central Processing Unit, CPU) , einen Mikroprozessor oder einen Mikrokontroller handeln .
Des Weiteren betrifft die Erfindung ein Computerprogrammpro dukt eingerichtet zum Ausführen eines erfindungsgemäßen com puterimplementierten Verfahrens und ein computerlesbares Speichermedium mit einem Computerprogrammprodukt. Das Compu terprogrammprodukt umfasst vorzugsweise Programmcodeteile zum Durchführen der Schritte eines erfindungsgemäßen Verfahrens.
Ein Computerprogrammprodukt, wie z.B. ein Computerprogramm- Mittel, kann beispielsweise als Speichermedium, wie z.B.
Speicherkarte, USB-Stick, CD-ROM, DVD, oder auch in Form ei ner herunterladbaren Datei von einem Server in einem Netzwerk bereitgestellt oder geliefert werden. Dies kann zum Beispiel in einem drahtlosen Kommunikationsnetzwerk durch die Übertra- gung einer entsprechenden Datei mit dem Computerprogrammpro dukt oder dem Computerprogramm-Mittel erfolgen.
Ausführungsbeispiele des erfindungsgemäßen computerimplemen tierten Verfahrens und der Vorrichtung sind in den Zeichnun gen beispielhaft dargestellt und werden anhand der nachfol genden Beschreibung näher erläutert. Es zeigen:
Fig. 1 ein Ablaufdiagramm eines erfindungsgemäßen Verfah rens ;
Fig. 2 eine schematische Darstellung eines erfindungsgemä ßen Verfahrens; und
Fig. 3 eine schematische Darstellung einer erfindungsgemä ßen Vorrichtung.
Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.
Insbesondere zeigen die nachfolgenden Ausführungsbeispiele lediglich beispielhafte Realisierungsmöglichkeiten, wie ins besondere solche Realisierungen der erfindungsgemäßen Lehre aussehen könnten, da es unmöglich und auch für das Verständ nis der Erfindung nicht zielführend oder notwendig ist, all diese Realisierungsmöglichkeiten zu benennen.
Auch sind insbesondere einem (einschlägigen) Fachmann in Kenntnis des/der Verfahrensanspruchs/Verfahrensansprüche alle im Stand der Technik üblichen Möglichkeiten zur Realisierung der Erfindung selbstverständlich bekannt, sodass es insbeson dere einer eigenständigen Offenbarung in der Beschreibung nicht bedarf. Insbesondere können diese gebräuchlichen und dem Fachmann bekannten Realisierungsvarianten ausschließlich per Hardware ( komponenten) oder ausschließlich per Soft ware ( komponenten) realisiert werden. Alternativ und/oder zu sätzlich kann der Fachmann im Rahmen seines fachmännischen Könnens weitestgehend beliebige erfindungsgemäße Kombinatio- nen aus Hardware (komponenten) und Software ( komponenten) wäh len, um erfindungsgemäße Realisierungsvarianten umzusetzen.
Figur 1 zeigt ein Ablaufdiagramm eines erfindungsgemäßen com puterimplementierten Verfahrens zur Prognose eines Schaltzu stands und eines SchaltZeitpunkts einer ersten Signalanlage. Insbesondere kann mittels des computerimplementierten Verfah rens mindestens ein zukünftiger Schaltzustand und ein diesem Schaltzustand zugeordneter SchaltZeitpunkt der ersten Signal anlage ermittelt werden.
Im ersten Schritt S1 des Verfahrens werden Prozessdaten einer zweiten Signalanlage, die der ersten Signalanlage über min destens eine Verkehrsverbindung zugeordnet ist, erfasst und bereitgestellt. Die erste Signalanlage und die zweite Signal anlage können somit über eine gemeinsame Verkehrsverbindung, z.B. eine Straße, miteinander verbunden sein. Über die ge meinsame Verkehrsverbindung kann insbesondere ein Verkehr fließen, der zunächst von der zweiten und anschließend von der ersten Signalanlage geregelt wird.
Die Prozessdaten der zweiten Signalanlage können Sensordaten eines mit der zweiten Signalanlage gekoppelten Sensors, Zu standsdaten der zweiten Signalanlage, Schaltzustände und SchaltZeitpunkte der zweiten Signalanlage, Signalgruppenzu stände der zweiten Signalanlage, eine Umlaufzeit der zweiten Signalanlage und/oder eine Ortsinformation der zweiten Sig nalanlage umfassen. Die Prozessdaten der zweiten Signalanlage betreffen vorzugsweise einen Verkehr, der von der zweiten Signalanlage zu der ersten Signalanlage über die gemeinsame Verkehrsverbindung fließt. Die gemeinsame Verkehrsverbindung kann eine direkte Verkehrsverbindung oder eine, beispielswei se durch eine Verkehrskreuzung, unterbrochene Verkehrsverbin dung sein. Eine Zuordnung der zweiten Signalanlage zur ersten Signalanlage kann folglich anhand eines Verkehrsflusses er mittelt werden. Im nächsten Schritt S2 wird ein datengetriebenes Prognosemo dell bereitgestellt und die Prozessdaten der zweiten Signal anlage werden diesem übergeben. Das datengetriebene Prognose modell kann als maschinelles Lernverfahren, wie z.B. als Neu ronales Netz, ausgestaltet sein. Es kann sich insbesondere um ein rekurrentes Neuronales Netz handeln. Das datengetriebene Prognosemodell ist insbesondere derart trainiert, eine Prog nose eines Schaltzustands und eines SchaltZeitpunkts der ers ten Signalanlage in Abhängigkeit der Prozessdaten der zweiten Signalanlage durchzuführen.
Das Training des datengetriebenen Prognosemodells kann insbe sondere vor der Bereitstellung durchgeführt werden. Unter ei nem Training eines maschinellen Lernverfahrens kann insbeson dere die Modellierung und/oder Anpassung eines computerge stützten Modells anhand von Trainingsdaten verstanden werden.
Für das Training werden Trainingsdaten bereitgestellt, die insbesondere historische Prozessdaten der ersten Signalanla ge, mindestens eine Zeitinformation, wie z.B. eine kalendari sche Information und eine Meldepunkt-Information eines öf fentlichen Verkehrsmittels, wie z.B. ein ÖPNV-Telegramm und historische Prozessdaten der zweiten Signalanlage umfassen.
Das datengetriebene Prognosemodell kann insbesondere weiter präzisiert werden. Dazu kann eine Korrelationsanalyse auf Ba sis der Trainingsdaten, insbesondere zwischen den histori schen Prozessdaten der ersten und der zweiten Signalanlage, durchgeführt werden, um z.B. Abhängigkeiten und/oder Muster im Verkehrsfluss zu identifizieren. Beispielsweise können mittels der Korrelationsanalyse Verkehrsflussmodelle gene riert werden. Abhängig von den Ergebnissen der Korrelations analyse kann anschließend das datengetriebene Prognosemodell nachtrainiert bzw. präzisiert werden. Dazu können insbesonde re gewichtete Trainingsdaten genutzt werden, wobei eine Ge wichtung auf Basis der Muster und/oder Abhängigkeiten er folgt . Als nächster Schritt S3 werden mittels des datengetriebenen Prognosemodells und der eingelesenen Daten, insbesondere der Prozessdaten der zweiten Signalanlage, ein Schaltzustand und ein SchaltZeitpunkt der ersten Signalanlage prognostiziert.
Es können insbesondere auch mehrere Schaltzustande und zuge hörige SchaltZeitpunkte bzw. eine Folge von Schaltzuständen und SchaltZeitpunkten vorhergesagt werden. Dazu werden dem trainierten datengetriebenen Prognosemodell aktuelle Prozess daten der zweiten Signalanlage, aktuelle und/oder historische Prozessdaten der ersten Signalanlage, mindestens eine Zeitin formation, wie z.B. eine kalendarische Information, und Ver kehrsinformation eines öffentlichen Verkehrsmittels, wie z.B. ein ÖPNV-Telegramm, übergeben. Auf Basis dieser Information- bzw. Datenmenge kann eine Prognose eines zukünftigen Schalt verhaltens der ersten Signalanlage durchgeführt werden.
Als nächster Schritt S4 werden der mindestens eine prognosti zierte Schaltzustand und zugehöriger SchaltZeitpunkt der ers ten Signalanlage ausgegeben. Beispielsweise wird der prognos tizierte Schaltzustand und SchaltZeitpunkt der ersten Signal anlage auf einer zentralen Recheneinheit ermittelt und das Prognoseergebnis wird von dort ausgegeben. Alternativ kann das datengetriebene Prognosemodell auch auf einer Rechenein heit der ersten Signalanlage ausgeführt und das Prognoseer gebnis von dort, beispielswiese an einen Verkehrsteilnehmer, ausgegeben werden.
Das computerimplementierte Verfahren ermöglicht insbesondere eine Prognose eines Schaltverhaltens der ersten Signalanlage auf Basis aktueller Verkehrsflussdaten und bevor ein mit der ersten Signalanlage gekoppelter Sensor auslöst. Dies ermög licht beispielsweise eine Regelung des Verkehrs unter Berück sichtigung des prognostizierten Schaltverhaltens.
Das computerimplementierte Verfahren verfügt insbesondere über eine hohe Skalierbarkeit und Generalisierbarkeit bezüg lich verschiedener Signalanlagen und/oder Komplexität der Verkehrsverbindungen, da die Methode abhängig von einem gege- benen Datensatz kalibriert werden kann. Des Weiteren kann das datengetriebene Prognosemodell in Echtzeit genutzt und mit aktuellen Daten nachtrainiert werden.
Figur 2 zeigt eine schematische Darstellung eines erfindungs gemäßen Verfahrens. Es sind zwei Verkehrskreuzungen Kl, K2 in Draufsicht gezeigt. An beiden Verkehrskreuzungen Kl, K2 ist jeweils eine Signalanlage LSA1 bzw. LSA2 installiert, um den Verkehr zu regeln. Beispielsweise handelt es sich hierbei je weils um eine Lichtsignalanlage, die beispielsweise jeweils eine bestimmte Anzahl von Signalgruppen umfasst. Die erste Verkehrskreuzung Kl ist über eine gemeinsame Verkehrsverbin dung TC mit der zweiten Verkehrskreuzung K2 verbunden, wobei ein Verkehrsfluss zwischen der ersten und zweiten Kreuzung Kl, K2 besteht. Somit ist die zweite Signalanlage LSA2 der ersten Signalanlage LSA1 zugeordnet. Die Verkehrsverbindung TC kann eine direkte oder eine indirekte Verkehrsverbindung sein .
Des Weiteren ist schematisch die Kopplung der ersten Signal anlage LSA1 und der zweiten Signalanlage LSA2 mit einer zent ralen Recheneinheit CC, z.B. eine Cloud, dargestellt. Die erste Signalanlage LSA1 und/oder zweite Signalanlage LSA2 können jeweils mit einer Recheneinheit (nicht dargestellt) ausgestattet und/oder gekoppelt sein.
Beispielsweise können aktuelle Prozessdaten D_LSA2 der zwei ten Signalanlage LSA2 über eine drahtlose oder drahtgebundene Kommunikationsverbindung an die zentrale Recheneinheit CC übermittelt werden. Dort kann ein trainiertes datengetriebe nes Prognosemodell NN zur Prognose eines zukünftigen Schalt zustands und SchaltZeitpunkts der ersten Signalanlage LSA1 bereitgestellt werden. Das datengetriebene Prognosemodell NN kann auf der zentralen Recheneinheit CC vorzugsweise trai niert bereitgestellt und ausgeführt werden. Das datengetrie bene Prognosemodell NN ist vorzugsweise derart trainiert, in Abhängigkeit der aktuellen Prozessdaten D_LSA2 der zweiten Signalanlage LSA2 einen zukünftigen Schaltzustand und Schalt- Zeitpunkt D_prog der ersten Signalanlage LSA1 zu prognosti zieren. Der prognostizierte Schaltzustand und SchaltZeitpunkt D_prog kann beispielsweise an eine Recheneinheit der ersten Signalanlage LSA1 über eine drahtlose oder drahtgebundene Kommunikationsverbindung übermittelt werden. Weiterhin kann der prognostizierte Schaltzustand und SchaltZeitpunkt D_prog an einen Verkehrsteilnehmer V und/oder eine Anzeigevorrich tung übermittelt werden.
Das Training des datengetriebenen Prognosemodells NN kann insbesondere auf der zentralen Recheneinheit CC durchgeführt werden. Für das Training werden Trainingsdaten bereitge stellt, die vorzugsweise historische Prozessdaten der ersten Signalanlage LSA1, mindestens eine Zeitinformation, Melde- punkt-Informationen eines öffentlichen Verkehrsmittels und historische Prozessdaten der zweiten Signalanlage LSA2 umfas sen. Das trainierte datengetriebene Prognosemodell NN wird anschließend bereitgestellt, wie z.B. auf der zentralen Re cheneinheit CC gespeichert und/oder an die Recheneinheit der ersten Signalanlage LSA1 übermittelt.
Das datengetriebene Prognosemodell NN kann insbesondere mit tels einer Korrelationsanalyse präzisiert werden. Eine Korre lationsanalyse kann auf Basis historischer Prozessdaten der ersten und der zweiten Signalanlage LSA1, LSA2 durchgeführt werden, wodurch Muster und/oder Abhängigkeiten eines typi schen Verkehrsflusses bestimmt werden können. Dies ist bei spielshaft in Figur 2 mittels der gestrichelten Pfeile Wl,
W2, W3 dargestellt. Beispielsweise kann anhand der histori schen Prozessdaten der ersten und zweiten Signalanlage LSA1, LSA2 ermittelt werden, dass sich Verkehrsteilnehmer V jeweils mit einer bestimmten Wahrscheinlichkeit an der Kreuzung K2 rechts abbiegen Wl, links abbiegen W3 oder sich geradeaus W2 Richtung Kreuzung Kl bewegen. Ein solches Muster im Verkehrs fluss kann insbesondere genutzt werden, um die Trainingsdaten zu gewichten, mit denen das datengetriebene Prognosemodell NN trainiert bzw. präzisiert werden kann. Die erste Signalanlage LSA1 kann insbesondere mehrere benach barte zweite Signalanlagen aufweisen (nicht dargestellt) . Aus einer Vielzahl von Signalanlagen können insbesondere anhand der Ortsinformation der Prozessdaten einer Signalanlage die jenigen Signalanlagen ermittelt werden, die eine gemeinsame Verkehrsverbindung TC mit der ersten Signalanlage LSA1 auf weisen. Die Prozessdaten dieser selektieren Signalanlagen können als Eingangsdaten zur Prognose genutzt werden, um ins besondere die Prognosegüte zu verbessern.
Figur 3 zeigt eine erfindungsgemäße Vorrichtung 100 zur Prog nose eines Schaltzustands und SchaltZeitpunkts einer ersten Signalanlage zur Verkehrssteuerung. Die Vorrichtung 100 weist mindestens einen Prozessor auf und ist derart eingerichtet die Schritte eines erfindungsgemäßen computerimplementierten Verfahrens durchzuführen. Die Vorrichtung 100 kann des Weite ren eine Speichereinheit M umfassen, um beispielsweise Trai ningsdaten gemäß der Erfindung zu speichern. Die Vorrichtung 100 kann insbesondere als Software (komponente) und/oder als Hardware (komponente) ausgestaltet sein. Insbesondere kann die Vorrichtung 100 als Teil einer Signalanlage oder als Teil ei ner zentralen Recheneinheit realisiert sein.
Alle beschriebenen und/oder gezeichneten Merkmale können im Rahmen der Erfindung vorteilhaft miteinander kombiniert wer den. Die Erfindung ist nicht auf die beschriebenen Ausfüh rungsbeispiele beschränkt.

Claims

Patentansprüche
1. Computerimplementiertes Verfahren zur Prognose eines Schaltzustands und eines SchaltZeitpunkts einer ersten Sig nalanlage (LSA1) zur Verkehrssteuerung, umfassend folgende Verfahrensschritte :
- Erfassen (Sl) von Prozessdaten (D_LSA2) einer zweiten Sig nalanlage (LSA2), wobei die zweite Signalanlage (LSA2) der ersten Signalanlage (LSA1) über mindestens eine gemeinsame Verkehrsverbindung (TC) zugeordnet ist,
- Bereitstellen (S2) eines datengetriebenen Prognosemodells (NN) , das derart eingerichtet ist, eine Prognose eines
Schaltzustands und eines SchaltZeitpunkts der ersten Signal anlage (LSA1) in Abhängigkeit der Prozessdaten (D_LSA2) der zweiten Signalanlage (LSA2) durchzuführen,
- Prognostizieren (S3) eines Schaltzustandes und eines
SchaltZeitpunkts der ersten Signalanlage (LSA1) mittels des datengetriebenen Prognosemodells (NN)
und
- Ausgeben (S4) des prognostizierten Schaltzustandes und SchaltZeitpunktes (D_prog) der ersten Signalanlage (LSA1).
2. Computerimplementiertes Verfahren nach Anspruch 1, wobei Prozessdaten einer Signalanlage Sensordaten eines mit der Signalanlage gekoppelten Sensors, Schaltzustande und Schalt zeitpunkte der Signalanlage, Signalgruppenzustände der Sig nalanlage, eine Umlaufzeit der Signalanlage und/oder eine Ortsinformation der Signalanlage umfassen.
3. Computerimplementiertes Verfahren nach einem der vorherge henden Ansprüche, wobei das datengetriebene Prognosemodell (NN) als maschinelles Lernverfahren realisiert ist.
4. Computerimplementiertes Verfahren nach einem der vorherge henden Ansprüche, wobei das datengetriebene Prognosemodell (NN) als Neuronales Netz realisiert ist.
5. Computerimplementiertes Verfahren nach einem der vorherge henden Ansprüche, wobei das datengetriebene Prognosemodell (NN) mittels Trainingsdaten für eine Prognose eines Schalt zeitpunkts und eines Schaltzustands der ersten Signalanlage (LSA1) trainiert wurde, wobei die Trainingsdaten historische Prozessdaten der ersten Signalanlage, mindestens eine Zeitin formation, ÖPNV-Meldepunkt-Information eines öffentlichen Verkehrsmittels und historische Prozessdaten der zweiten Sig nalanlage (LSA2) umfassen.
6. Computerimplementiertes Verfahren nach einem der vorherge henden Ansprüche, wobei eine Korrelationsanalyse zwischen historischen Prozessdaten der ersten Signalanlage und den historischen Prozessdaten der zweiten Signalanlage durchge führt und anhand der Korrelationsanalyse Muster und/oder Ab hängigkeiten des Verkehrsflusses der mindestens einen gemein samen Verkehrsverbindung (TC) der ersten und der zweiten Sig nalanlage (LSA1, LSA2) ermittelt werden.
7. Computerimplementiertes Verfahren nach einem der vorherge henden Ansprüche, wobei abhängig von den ermittelten Mustern und/oder Abhängigkeiten des Verkehrsflusses die Trainingsda ten gewichtet werden und mit den gewichteten Trainingsdaten das datengetriebene Prognosemodell (NN) präzisiert wird.
8. Computerimplementiertes Verfahren nach einem der vorherge henden Ansprüche, wobei die zweite Signalanlage (LSA2) anhand der Ortsinformation ihrer Prozessdaten (D_LSA2) ermittelt wird .
9. Computerimplementiertes Verfahren nach einem der vorherge henden Ansprüche, wobei die Prozessdaten der zweiten Signal anlage (LSA2) an eine zentrale Recheneinheit (CC) und/oder eine Recheneinheit der ersten Signalanlage (LSA1) übermittelt werden .
10. Computerimplementiertes Verfahren nach einem der vorher gehenden Ansprüche, wobei eine Vielzahl von Prozessdaten von einer Vielzahl von weiteren Signalanlagen an eine zentrale Recheneinheit übermittelt werden und abhängig von einer je weiligen Ortsinformation dieser Signalanlagen, diejenigen Signalanlagen, die der ersten Signalanlage (LSA1) über min destens eine gemeinsame Verkehrsverbindung (TC) zugeordnet sind, ermittelt, deren jeweilige Prozessdaten erfasst und für eine Prognose des SchaltZeitpunkts und des Schaltzustands der ersten Signalanlage (LSA1) bereitgestellt werden.
11. Computerimplementiertes Verfahren nach einem der vorher gehenden Ansprüche, wobei das datengetriebene Prognosemodell (NN) auf der zentralen Recheneinheit (CC) oder auf der Re cheneinheit der ersten Signalanlage zum Prognostizieren eines Schaltzustandes und des SchaltZeitpunkts der ersten Signalan lage (LSA1) ausgeführt wird.
12. Computerimplementiertes Verfahren nach einem der vorher gehenden Ansprüche, wobei das datengetriebene Prognosemodell (NN) auf der zentralen Recheneinheit (CC) und/oder auf der Recheneinheit der ersten Signalanlage (LSA1) mittels der Trainingsdaten trainiert und von dort nach dem Training be reitgestellt wird.
13. Computerimplementiertes Verfahren nach einem der vorher gehenden Ansprüche, wobei der prognostizierte Schaltzustand und SchaltZeitpunkt (D_prog) der ersten Signalanlage (LSA1) an einen ÖPNV-Meldepunkt-Informationen eines öffentlichen Verkehrsmittels (V) und/oder eine Anzeigevorrichtung übermit telt wird.
14. Vorrichtung (100) zur Prognose eines Schaltzustands und SchaltZeitpunkts einer ersten Signalanlage (LSA1) zur Ver kehrssteuerung, wobei die Vorrichtung mindestens einen Pro zessor (P) zum Durchführen der Schritte eines Verfahrens nach den vorhergehenden Ansprüchen aufweist.
15. Computerprogrammprodukt eingerichtet zum Ausführen eines computerimplementierten Verfahrens nach einem der Ansprüche 1 bis 13.
16. Computerlesbares Speichermedium mit einem Computerpro grammprodukt nach Anspruch 15.
PCT/EP2019/082787 2018-12-05 2019-11-27 Verfahren und vorrichtung zur prognose eines schaltzustands und eines schaltzeitpunkts einer signalanlage zur verkehrssteuerung Ceased WO2020114865A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018221046.2 2018-12-05
DE102018221046.2A DE102018221046A1 (de) 2018-12-05 2018-12-05 Verfahren und Vorrichtung zur Prognose eines Schaltzustands und eines Schaltzeitpunkts einer Signalanlage zur Verkehrssteuerung

Publications (1)

Publication Number Publication Date
WO2020114865A1 true WO2020114865A1 (de) 2020-06-11

Family

ID=68887386

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/082787 Ceased WO2020114865A1 (de) 2018-12-05 2019-11-27 Verfahren und vorrichtung zur prognose eines schaltzustands und eines schaltzeitpunkts einer signalanlage zur verkehrssteuerung

Country Status (2)

Country Link
DE (1) DE102018221046A1 (de)
WO (1) WO2020114865A1 (de)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3144918A1 (de) * 2015-09-21 2017-03-22 Urban Software Institute GmbH Computersystem und verfahren zur überwachung eines verkehrssystem

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004039854A1 (de) * 2004-08-17 2006-03-09 Siemens Ag Verfahren zum Ermitteln von Verkehrsinformationen, Verfahren zum Steuern des Verkehrs, sowie System zum Durchführen der Verfahren

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3144918A1 (de) * 2015-09-21 2017-03-22 Urban Software Institute GmbH Computersystem und verfahren zur überwachung eines verkehrssystem

Also Published As

Publication number Publication date
DE102018221046A1 (de) 2020-06-10

Similar Documents

Publication Publication Date Title
DE102022112059B3 (de) Verfahren, System und Computerprogrammprodukt zur Kalibrierung und Validierung eines Fahrerassistenzsystems (ADAS) und/oder eines automatisierten Fahrsystems (ADS)
DE102013211632B4 (de) Verfahren zum Bereitstellen von Parkinformationen zu freien Parkplätzen
DE102019209736A1 (de) Verfahren zur Bewertung möglicher Trajektorien
DE102015007493B4 (de) Verfahren zum Trainieren eines in einem Kraftfahrzeug eingesetzten Entscheidungsalgorithmus und Kraftfahrzeug
DE112017006530T5 (de) Rückmeldung für ein autonomes fahrzeug
CN108256431A (zh) 一种手部位置标识方法及装置
DE102017207790B4 (de) Verfahren zum Fusionieren von Daten auf hoher Fusionsebene für ein Strassenmodell zum beispielhaften Anwenden bei mehrspurigen Geschwindigkeitsbegrenzungs-Inferenzen, und eine Vorrichtung zur Durchführung des Verfahrens
DE102020200169B3 (de) Verfahren zur Zusammenführung mehrerer Datensätze für die Erzeugung eines aktuellen Spurmodells einer Fahrbahn und Vorrichtung zur Datenverarbeitung
DE102019215147A1 (de) Verfahren und Fahrerassistenzvorrichtung zur Führung eines Ego-Fahrzeugs
DE112018001182T5 (de) Fahrzeugfahrtsteuersystem für einen Parkplatz und Steuerverfahren eines Fahrzeugfahrtsteuersystems für einen Parkplatz
EP4548047B1 (de) Verfahren zur ermittlung und bereitstellung von fahrspurverläufen
EP3333823B1 (de) Prognose einer signalisierung einer lichtsignalanlage mittels künstlicher intelligenz
EP3438946A2 (de) Verfahren zur vorhersage eines schaltzeitpunktes einer signalgruppe einer signalanlage
EP3673471A1 (de) System und verfahren zum unterstützen einer prognose einer zukünftigen signalisierung eines verkehrsinfrastrukturelements
WO2021094222A1 (de) Verfahren zur abschätzung einer abdeckung des raums von verkehrsszenarien
DE102020207792A1 (de) Training eines künstlichen neuronalen Netzwerkes, künstliches neuronales Netzwerk, Verwendung, Computerprogramm, Speichermedium und Vorrichtung
WO2021110370A1 (de) Verfahren und anordnung zur vorhersage von schaltzeitpunkten einer signalgruppe einer signalanlage zur steuerung eines verkehrsflusses
EP3789983A1 (de) Zentralisierte regulierung eines verkehrsflusses
EP0884708B1 (de) Verfahren und Vorrichtung zur Verkehrszustandsprognose
DE102014019106B4 (de) Verfahren zum Betrieb eines Fahrzeugsystems zur Auswahl einer Fahrspur und Kraftfahrzeug
DE102023119010A1 (de) Verfahren und System zur Erzeugung von Szenarien zum Testen und Validieren von automatisierten Fahrfunktionen
WO2020114863A1 (de) Verfahren und vorrichtung zur prognose eines schaltzustands und eines schaltzeitpunkts einer signalanlage zur verkehrssteuerung
DE112022005806T5 (de) Dynamische verkehrssignaloptimierung unter verwendung empfangener fahrzeuginformationen
DE102022210504B4 (de) System und Verfahren zur Prädiktion einer zukünftigen Position eines Verkehrsteilnehmers
EP4109194B1 (de) Sensordatengenerierung zum steuern eines autonomen fahrzeugs

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19821020

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19821020

Country of ref document: EP

Kind code of ref document: A1