WO2021190799A1 - Bestimmen eines zukünftigen schaltverhaltens einer anlageeinheit - Google Patents

Bestimmen eines zukünftigen schaltverhaltens einer anlageeinheit Download PDF

Info

Publication number
WO2021190799A1
WO2021190799A1 PCT/EP2021/051302 EP2021051302W WO2021190799A1 WO 2021190799 A1 WO2021190799 A1 WO 2021190799A1 EP 2021051302 W EP2021051302 W EP 2021051302W WO 2021190799 A1 WO2021190799 A1 WO 2021190799A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
unit
sensor
computer
switching behavior
Prior art date
Application number
PCT/EP2021/051302
Other languages
English (en)
French (fr)
Inventor
Stefan Depeweg
Markus Kaiser
Daniel Hein
Michel Tokic
Steffen Udluft
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
Priority to US17/909,044 priority Critical patent/US20230092466A1/en
Priority to EP21704409.8A priority patent/EP4115402A1/de
Publication of WO2021190799A1 publication Critical patent/WO2021190799A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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

Definitions

  • the invention relates to a computer-implemented method for configuring a system model and a computer-implemented method for configuring a sensor model.
  • the invention also relates to a computer-implemented method for determining a future switching behavior of a system unit.
  • the invention is also directed to a corresponding computer program product.
  • LSAs Light signal systems
  • the light signal systems are usually used in public areas for traffic control.
  • the light signal systems can have detectors, signal groups and controllers for activation.
  • the detectors are also referred to below as sensor units.
  • signal aspects of a signal group are activated by the controller.
  • the traffic light system can switch or change from one operating state to another operating state at the time of the switchover, for example from a green light to a red light. In other words, there is a signal change at the time of the switchover. If it is "green", a road user can assume that the corresponding traffic direction has been released.
  • the data include, for example, the remaining time, that means the Time until the next switchover, also known as the switchover time, of the traffic light system and a probability distribution of the states of the traffic light system, such as signal groups in the future. These data are useful for reducing braking and braking
  • the traffic light system does not pass on the remaining time or green probability to the outside world to the road users.
  • the remaining time is often not known, as it depends on the traffic flow, the behavior of the road users or other factors.
  • An AI that provides the forecast should meet the following criteria:
  • the uncertainty in the forecast should be modeled around decision problems, such as routing and
  • the hierarchical process of how a change in the status of signal groups is triggered should be reproduced as accurately and correctly as possible in an AI.
  • Green light probability through are also known as the black box process. Their internal structure is suitable to approximate any functions. In other words, these methods map a direct relationship between input variables and output variables.
  • the present invention therefore sets itself the objective technical task of providing a method for determining a future switching behavior of a system unit, which is more reliable and efficient.
  • a computer-implemented method for configuring a system model the system model being a machine learning model for determining a switching behavior of a system unit, comprising the steps: a. Providing at least one training data set with a plurality of known input elements of the system unit for a specific point in time or period of time; where b. the plurality of known input elements of the system unit has at least one sensor data record of a sensor unit; c. Configuring the system model by means of a machine learning method with the at least one training data set; and d. Provision of the configured plant model as output.
  • the machine learning process is a rule-based approach, selected from the group consisting of:
  • the invention is directed to a method for configuring a plant model.
  • the system can be a traffic light system or other system in the area of traffic.
  • the term configuration can be interpreted in the sense of learning or training in the context of machine learning.
  • the plant model is a machine learning model.
  • the training data set is received with the input elements.
  • the training data set can be received via one or more interfaces of any computing unit.
  • the sensor data set can have signals from a sensor unit for a specific period of time.
  • the concrete and actual behavior of the sensor unit is used for the further steps. This can be represented as follows: t-30, ..., t-1 t.
  • the system model which is a machine learning model, is configured based on the training data set and made available as an output.
  • the machine learning process is a rule-based approach to determine the deterministic switching behavior of the system unit.
  • the switching behavior can be derived in the form of a rule.
  • the invention also relates to a computer-implemented method for configuring a sensor model, the sensor model being a machine learning model for determining a behavior of a sensor unit, comprising the steps: a. Providing at least one training data set with a plurality of known input elements of a sensor unit for a specific point in time or time period in each case; where b. the plurality of known input elements of the sensor unit has at least one sensor data set for a specific point in time; c. Configuring the sensor model using a machine learning method with the at least one training data set; where d. the configured sensor model is a probability distribution of how the sensor unit will behave in the specific time period; e. Providing the configured sensor model as output.
  • the machine learning method is a stochastic approach, preferably a Poisson process.
  • the invention is directed to a method for configuring a sensor model.
  • the sensor unit can be designed as a detector unit or detector.
  • the term configuration can be interpreted in the sense of learning or training in the context of machine learning.
  • the sensor model is a machine learning model.
  • the training data set is received with the input elements; this is also historical data, see above.
  • these input elements relate to the sensor unit itself and comprise at least one sensor data set, such as the state of the detector unit.
  • the sensor model which is a machine learning model
  • the machine learning process is a stochastic approach to determine the stochastic detector behavior and thus a probability distribution about how the detectors will behave in the next 30 seconds, for example.
  • a forecast is made, for example of t t + 1, ..., t + 30.
  • the invention also relates to a computer-implemented method for determining a future switching behavior of a system unit, comprising the steps: a. Receiving the configured plant model; b. Receiving the configured sensor model; where c. the configured sensor model is a probability distribution of how the sensor unit will behave in the specific time period; d. Determining at least one sample of a behavior of a sensor unit by sampling from the probability distribution; e. Determining the future switching behavior of the system unit and / or at least one associated statistical value using the trained system model on the basis of the at least one determined sample.
  • the future switching behavior of the system unit can be determined by combining the two different configured models in the
  • the configured sensor model is evaluated in order to distribute the sensor unit over the next T, ex.
  • the statistical value is calculated in step e. certainly. In one embodiment, the statistical value is selected from the group consisting of median, mean and variance.
  • the method also has the step:
  • one or more measures can be initiated after the future switching behavior of the system unit has been predicted.
  • the measures can be carried out simultaneously, one after the other or also in stages.
  • the output data set can be displayed to the user on a display unit of a computing unit. Furthermore, the output data set can be stored or transmitted in the form of a corresponding message or message to another unit, such as a terminal, a control unit or other processing unit.
  • the receiving computing unit can also initiate further appropriate measures after receipt. Further measures are route planning, starting an engine of a vehicle or other control measures of a vehicle. The information on the switching behavior can be used, for example, to reduce Braking and starting processes as well as routing can be used advantageously.
  • the computing unit of a vehicle can receive the output data set and trigger a control measure as a function of the reliability value of the median.
  • the invention also relates to a computer program product with a computer program, the means for carrying out the method described above when the computer program is executed on a program-controlled device.
  • a computer program product such as a computer program means, for example, can be provided or delivered as a storage medium such as a memory card, USB stick, CD-ROM, DVD, or also in the form of a downloadable file from a server in a network. This can take place, for example, in a wireless communication network by transmitting a corresponding file with the computer program product or the computer program means.
  • a control device such as an industrial control PC or a programmable logic controller or a programmable logic controller, PLC for short, or a microprocessor for a smart card or the like can be used as the program-controlled device.
  • the internal deterministic switching behavior of a traffic light system is approximated using a mathematical or logical function as a decision tree.
  • the approximation assumes that the true or actual switching behavior of the traffic light system is unknown.
  • the switching behavior follows fixed rules, for example as a circuit diagram for the intelligent logic module from Siemens "LOGO".
  • Siemens "LOGO" Siemens "LOGO"
  • These permissible rules for a control of the traffic light system are mapped as a decision tree.
  • the search for the internal deterministic switching behavior of the traffic light system is implemented using decision trees that can explain the historical data as precisely as possible.
  • Evolutionary or particle-based optimization methods can be used to search in these symbolic search spaces.
  • the permissible rules are modeled as function blocks and through the
  • the input elements can also be referred to as context features.
  • the behavior of the sensor units of an LSA is not predetermined by deterministic rules, but depends on environmental influences.
  • Traffic-related signals such as detectors and local public transport (public transport telegrams) are therefore used as a stochastic process, e.g. B. as a Poisson process, modeled.
  • This process predicts given the training data set with input elements such as B. Calendar data (time, day of the week, public holiday), detector statuses, public transport in the last T seconds, a probability distribution across detectors and public transport for a horizon of the coming H seconds (e.g. 5 minutes).
  • the stochastic switching behavior of the detectors is determined given the context.
  • the input elements can also be referred to as context features.
  • the probability distribution is modeled in the form of the parameters of a Poisson distribution.
  • a Bayesian method in particular a Gaussian process or uses a Bayesian neural network.
  • a stochastic process is modeled by predicting the parameters of a Poisson distribution using a Bayesian method. This stochastic process cannot explicitly predict the time of the next detector activation in reality. Instead, statistics about the activity can be calculated (e.g. mean waiting time for the next activity, variance or quantile of this waiting time) or random samples can be drawn. Such samples are used for forecasting.
  • the distribution of possible switching behavior is generated by probabilistic roll-outs, which take into account the multitude of possible developments in the future. The roll-outs are created as follows:
  • the entire architecture in particular the stochastic model, can additionally be trained directly with regard to the prognosis quality.
  • the error signal of the prognosis eg the remaining time
  • the parameters of the stochastic model step 2.
  • special emphasis is placed on the stochastic patterns of the DET / OEV signals in training, which are also important for the prognosis of the remaining time.

Abstract

Die Erfindung betrifft ein Computer-implementiertes Verfahren zum Konfigurieren eines Anlagemodells sowie ein Computer- implementiertes Verfahren zum Konfigurieren eines Sensormodells. Die Erfindung betrifft ferner ein Computer-implementiertes Verfahren zum Bestimmen eines zukünftigen Schaltverhaltens einer Anlageeinheit, aufweisend die Schritte: a. Empfangen des konfigurierten Anlagemodells; b. Empfangen des konfigurierten Sensormodells; wobei c. das konfigurierte Sensormodell eine Wahrscheinlichkeitsverteilung darüber ist, wie sich die Sensoreinheit in dem bestimmten Zeitraum verhalten wird; d. Ermitteln mindestens einer Stichprobe eines Verhaltens einer Sensoreinheit durch Sampeln aus der Wahrscheinlichkeitsverteilung; und e. Bestimmen des zukünftigen Schaltverhaltens der Anlageeinheit und/oder mindestens eines zugehörigen statistischen Wertes anhand des trainierten Anlagemodells auf Basis der ermittelten Stichprobe. Ferner ist die Erfindung auf ein entsprechendes Computerprogrammprodukt gerichtet.

Description

Beschreibung
Bestimmen eines zukünftigen Schaltverhaltens einer Anlageeinheit
1. Technisches Gebiet
Die Erfindung betrifft ein Computer-implementiertes Verfahren zum Konfigurieren eines Anlagemodells sowie ein Computer implementiertes Verfahren zum Konfigurieren eines Sensormodells .
Die Erfindung betrifft ferner ein Computer-implementiertes Verfahren zum Bestimmen eines zukünftigen Schaltverhaltens einer Anlageeinheit. Die Erfindung ist ebenfalls auf ein entsprechendes Computerprogrammprodukt gerichtet.
2. Stand der Technik
Lichtsignalanlagen („LSAs") sind bereits aus dem Stand der Technik bekannt. Üblicherweise werden die Lichtsignalanlagen im öffentlichen Bereich zur Verkehrsregelung eingesetzt. Die LSA kann Detektoren, Signalgruppen sowie Controller zur Ansteuerung aufweisen. Die Detektoren werden im Folgenden auch als Sensoreinheiten bezeichnet.
Typischerweise werden Signalbilder einer Signalgruppe (rot/gelb/grün) vom Controller angesteuert. Die Lichtsignalanlage kann zum UmschaltZeitpunkt von einem Betriebszustand in einen anderen Betriebszustand umschalten oder wechseln, beispielsweise von einem Grünlicht zu einem Rotlicht. Mit anderen Worten erfolgt ein Signalwechsel zum UmschaltZeitpunkt . Bei "Grün" kann ein Verkehrsteilnehmer annehmen, dass die entsprechende Verkehrsrichtung freigegeben ist.
Hinsichtlich der Lichtsignalanlagen sind unterschiedliche Informationen oder signalbezogene Daten relevant. Die Daten umfassen beispielsweise die Restzeit, das bedeutet die Zeitdauer bis zum nächsten Umschalten, auch UmschaltZeitpunkt genannt, der Lichtsignalanlage und eine Wahrscheinlichkeitsverteilung der Zustände der Lichtsignalanlage, wie Signalgruppen in der Zukunft. Diese Daten sind für die Verringerung von Brems- und
Anfahrvorgängen und Routing der Verkehrsteilnehmer im Verkehr erforderlich .
Oftmals gibt die Lichtsignalanlage die Restzeit oder Grünwahrscheinlichkeit jedoch nicht oder nicht hinreichend nach außen an die Verkehrsteilnehmer weiter. Ferner ist die Restzeit oftmals nicht bekannt, da diese vom Verkehrsfluss, dem Verhalten der Verkehrsteilnehmer oder anderen Faktoren abhängt.
In diesen Fällen ist eine möglichst zuverlässige und zutreffende Prognose erforderlich. Eine KI („Künstliche Intelligenz"), welche die Prognose bereitstellt, sollte die folgenden Kriterien erfüllen:
Interpretierbarkeit und Transparenz: Die vorgegebenen und gelernten Anteile der KI sollten für menschliche Experten verständlich sowie nachvollziehbar sein, insbesondere zur Validierung und Kontrolle der gefundenen Lösung.
Die Unsicherheit in der Prognose sollte modelliert werden, um Entscheidungsprobleme, wie Routing und
Geschwindigkeitskontrolle der Fahrzeuge abwägen zu können.
Der hierarchische Prozess, wie eine Änderung des Zustandes von Signalgruppen ausgelöst wird, sollte in einer KI möglichst genau sowie korrekt nachgebildet werden.
Ferner sollte Expertenwissen über das Schaltverhalten einer LSA in dem Modellierungsprozess berücksichtigt werden.
Bisherige Lösungsansätze gemäß dem Stand der Technik basieren auf etablierten Machine Learning-Modellen, wie Neuronale Netzen und Random Forests. Diese Modelle führen auf Basis der gegebenen Signale der Detektoren, der Signalgruppen, der ÖV- Telegramme, der Kamerasignale und/oder anderen bekannten Daten eine Prognose der Restzeit oder
Grünlichtwahrscheinlichkeit durch. Diese Modelle werden auch als Black-Box-Verfahren bezeichnet. Ihr innerer Aufbau ist geeignet beliebige Funktionen zu approximieren. Mit anderen Worten bilden diese Verfahren einen direkten Zusammenhang von Eingangsgrößen zu Ausgangsgrößen ab.
Nachteilig daran ist jedoch, dass diese Verfahren den tatsächlichen hierarchischen Prozess nicht hinreichend modellieren. Daher ist mit diesen herkömmlichen Verfahren keine Anpassung an ein gegebenes Problem möglich. Ferner erfüllen diese Verfahren nicht die oben genannten Kriterien, wie Interpretierbarkeit. Beispielsweise ist nicht ersichtlich oder nachvollziehbar, ob eine fehlerhafte Prognose der Restzeit aufgrund von unzureichender Modellierung des Schaltverhaltens der LSA oder aus unzureichender Prognose zukünftiger Detektorsignale resultiert. Mit anderen Worten kann die Fehlerursache nicht effizient und zuverlässig erfolgen. Ferner kann das Expertenwissen unzureichend in die Prognose miteinfließen.
Die vorliegende Erfindung stellt sich daher die objektive technische Aufgabe ein Verfahren zum Bestimmen eines zukünftigen Schaltverhaltens einer Anlageeinheit bereitzustellen, welches zuverlässiger und effizienter ist.
3. Zusammenfassung der Erfindung
Die oben genannte Aufgabe wird erfindungsgemäß durch ein Computer-implementiertes Verfahren zum Konfigurieren eines Anlagemodells gelöst, wobei das Anlagemodell ein Machine Learning Modell zum Bestimmen eines Schaltverhaltens einer Anlageeinheit ist, aufweisend die Schritte: a. Bereitstellen mindestens eines Trainingsdatensatzes mit einer Mehrzahl von bekannten Eingangselementen der Anlageeinheit für jeweils einen bestimmten Zeitpunkt oder Zeitraum; wobei b. die Mehrzahl der bekannten Eingangselemente der Anlageeinheit mindestens einen Sensordatensatz einer Sensoreinheit aufweist; c. Konfigurieren des Anlagemodells durch ein Maschinelles Lernverfahren mit dem mindestens einen Trainingsdatensatz; und d. Bereitstellen des konfigurierten Anlagemodells als Ausgabe.
In einer Ausgestaltung ist das maschinelle Lernverfahren ein regelbasierter Ansatz, ausgewählt aus der Gruppe bestehend aus:
Neuronales Netz und Entscheidungsbaum.
Dementsprechend ist die Erfindung auf ein Verfahren zum Konfigurieren eines Anlagemodells gerichtet. Die Anlage kann eine Lichtsignalanlage oder sonstige Anlage im Bereich des Verkehrs sein. Der Begriff Konfigurieren kann im Sinne von Lernen oder auch Trainieren im Kontext Machine Learning ausgelegt werden. Das Anlagemodell ist ein Machine Learning Modell.
In einem ersten Schritt wird der Trainingsdatensatz mit den Eingangselementen empfangen. Der Trainingsdatensatz kann über eine oder mehrere Schnittstellen einer beliebigen Recheneinheit empfangen werden. Mit anderen Worten wird eine Reihe oder Array mit bekannten Eingangselementen betrachtet. Bekannt bedeutet in diesem Zusammenhang, dass die Eingangselemente beispielsweise von Verkehrsteilnehmern aus der Vergangenheit im Verkehr gesammelt oder gewonnen wurden. Folglich handelt es sich hierbei um historische Daten. Diese Eingangselemente beziehen sich auf die Anlageeinheit und umfassen zumindest einen Sensordatensatz. Der Sensordatensatz kann Signale einer Sensoreinheit eines bestimmten Zeitraums aufweisen. Die Sensoreinheit kann als Detektoreinheit ausgebildet sein. In diesem Fall können die Detektorsignale der letzten t-T Sekunden betrachtet werden, wobei t ein laufender Index ist und T die Anzahl der betrachteten Sekunden. T kann beispielsweise 30 Sekunden betragen mit T = 30. Mit anderen Worten wird das konkrete und tatsächliche Verhalten der Sensoreinheit für die weiteren Schritte herangezogen. Dies kann wie folgt dargestellt werden: t-30,..., t-1
Figure imgf000007_0001
t.
In weiteren Schritten wird das Anlagemodell, welches ein Machine Learning Modell ist, basierend auf dem Trainingsdatensatz konfiguriert und als Ausgabe bereitgestellt. Das maschinelle Lernverfahren ist dabei ein regelbasierter Ansatz, um das deterministische Schaltverhalten der Anlageeinheit zu bestimmen. Im beispielhaften Fall eines Entscheidungsbaums kann das Schaltverhalten in Form einer Regel abgeleitet werden.
Die Erfindung betrifft ferner ein Computer-implementiertes Verfahren zum Konfigurieren eines Sensormodells, wobei das Sensormodell ein Machine Learning Modell zum Bestimmen eines Verhaltens einer Sensoreinheit ist, aufweisend die Schritte: a. Bereitstellen mindestens eines Trainingsdatensatzes mit einer Mehrzahl von bekannten Eingangselementen einer Sensoreinheit für jeweils einen bestimmten Zeitpunkt oder Zeitraum; wobei b. die Mehrzahl der bekannten Eingangselemente der Sensoreinheit mindestens einen Sensordatensatz für einen bestimmten Zeitpunkt aufweist; c. Konfigurieren des Sensormodells durch ein Maschinelles Lernverfahren mit dem mindestens einen Trainingsdatensatz; wobei d. das konfigurierte Sensormodell eine Wahrscheinlichkeitsverteilung darüber ist, wie sich die Sensoreinheit in dem bestimmten Zeitraum verhalten wird; e. Bereitstellen des konfigurierten Sensormodells als Ausgabe.
In einer Ausgestaltung ist das maschinelle Lernverfahren ein stochastischer Ansatz, bevorzugt ein Poissonprozess.
Dementsprechend ist die Erfindung auf ein Verfahren zum Konfigurieren eines Sensormodells gerichtet. Die Sensoreinheit kann als Detektoreinheit bzw. Detektor ausgebildet sein. Der Begriff Konfigurieren kann im Sinne von Lernen oder auch Trainieren im Kontext Machine Learning ausgelegt werden. Das Sensormodell ist ein Machine Learning Modell.
In einem ersten Schritt wird der Trainingsdatensatz mit den Eingangselementen empfangen, auch hierbei handelt es sich um historische Daten, siehe weiter oben. Diese Eingangselemente beziehen sich jedoch auf die Sensoreinheit selbst und umfassen zumindest einen Sensordatensatz, wie den Zustand der Detektoreinheit .
In weiteren Schritten wird das Sensormodell, welches ein Machine Learning Modell ist, basierend auf dem Trainingsdatensatz konfiguriert und als Ausgabe bereitgestellt. Das maschinelle Lernverfahren ist dabei ein stochastischer Ansatz, um das stochastische Detektorverhalten zu bestimmen und somit eine Wahrscheinlichkeitsverteilung darüber, wie sich die Detektoren beispielsweise in den nächsten 30 Sekunden verhalten. Mit anderen Worten wird eine Prognose erstellt, beispielsweise von t t+1,..., t+30. Die Erfindung betrifft ferner ein Computer-implementiertes Verfahren zum Bestimmen eines zukünftigen Schaltverhaltens einer Anlageeinheit, aufweisend die Schritte: a. Empfangen des konfigurierten Anlagemodells; b. Empfangen des konfigurierten Sensormodells; wobei c. das konfigurierte Sensormodell eine Wahrscheinlichkeitsverteilung darüber ist, wie sich die Sensoreinheit in dem bestimmten Zeitraum verhalten wird; d. Ermitteln mindestens einer Stichprobe eines Verhaltens einer Sensoreinheit durch Sampeln aus der Wahrscheinlichkeitsverteilung; e. Bestimmen des zukünftigen Schaltverhaltens der Anlageeinheit und/oder mindestens eines zugehörigen statistischen Wertes anhand des trainierten Anlagemodells auf Basis der mindestens einen ermittelten Stichprobe.
Das zukünftige Schaltverhalten der Anlageeinheit kann durch Kombination der zwei unterschiedlichen konfigurierten Modelle bestimmt werden, in dem
- das konfigurierte Sensormodell ausgewertet wird, um eine Verteilung der Sensoreinheit über die nächsten T, bsp.
30 Sekunden zu bekommen
- aus dieser Verteilung ein Sample (synonym zu einer Trajektorie) gezogen wird, das eine mögliche Realisierung der nächsten T = 30 Sekunden repräsentiert und diese Realisierung der Sensoreinheit mit Hilfe des Anlagemodells in das Schaltverhalten der Anlageeinheit übersetzt wird und diese Schritte wiederholt werden bis genügend Realisierungen vorhanden sind, um eine statistische Aussage treffen zu können. Der statistische Wert wird in Schritt e. bestimmt. In einer Ausgestaltung ist der statistische Wert ausgewählt aus der Gruppe, bestehend aus Median, Mittelwert und Varianz.
In einer Ausgestaltung weist das Verfahren weiterhin den Schritt auf:
Durchführen einer Maßnahme, wobei die Maßnahme ausgewählt ist aus der Gruppe bestehend aus:
- Ausgeben des zukünftigen Schaltverhaltens der Anlageeinheit und/oder mindestens eines zugehörigen statistischen Wertes auf einer Anzeigeeinheit,
- Speichern des zukünftigen Schaltverhaltens der Anlageeinheit und/oder mindestens eines zugehörigen statistischen Wertes in einer Speichereinheit, und
- Übermitteln des zukünftigen Schaltverhaltens der Anlageeinheit und/oder mindestens eines zugehörigen statistischen Wertes an eine Recheneinheit.
Dementsprechend können eine oder mehrere Maßnahmen nach der Vorhersage des zukünftigen Schaltverhaltens der Anlageeinheit eingeleitet werden. Die Maßnahmen können gleichzeitig, nacheinander oder auch stufenweise durchgeführt werden.
Als erstes kann der Ausgabedatensatz dem Nutzer oder Anwender auf einer Anzeigeeinheit einer Recheneinheit angezeigt werden. Weiterhin kann der Ausgabedatensatz gespeichert werden oder in Form einer entsprechenden Nachricht oder Mitteilung an eine andere Einheit, wie ein Endgerät, eine Steuereinheit oder sonstige Recheneinheit übertragen werden. Die empfangende Recheneinheit kann nach Empfang ebenfalls weitere entsprechende Maßnahmen einleiten. Weitere Maßnahmen sind Routenplanung, Starten eines Motors eines Fahrzeugs oder sonstige Steuerungsmaßnahmen eines Fahrzeugs. Die Information des Schaltverhaltens kann beispielsweise zur Verringerung von Brems- und Anfahrvorgängen sowie Routing vorteilhaft eingesetzt werden.
Beispielsweise kann die Recheneinheit eines Fahrzeugs den Ausgabedatensatz empfangen und in Abhängigkeit des Zuverlässigkeitswerts des Medians eine Steuerungsmaßnahme triggern.
Die Erfindung betrifft ferner ein Computerprogrammprodukt mit einem Computerprogramm, das Mittel zur Durchführung des oben beschriebenen Verfahrens, wenn das Computerprogramm auf einer programmgesteuerten Einrichtung zur Ausführung gebracht wird.
Ein Computerprogrammprodukt, wie z.B. ein Computerprogramm- Mittel, kann beispielsweise als Speichermedium, wie z.B. Speicherkarte, USB-Stick, CD-ROM, DVD, oder auch in Form einer herunterladbaren Datei von einem Server in einem Netzwerk bereitgestellt oder geliefert werden. Dies kann zum Beispiel in einem drahtlosen Kommunikationsnetzwerk durch die Übertragung einer entsprechenden Datei mit dem Computerprogrammprodukt oder dem Computerprogramm-Mittel erfolgen. Als programmgesteuerte Einrichtung kommt insbesondere eine Steuereinrichtung, wie beispielsweise ein Industriesteuerungs-PC oder eine Speicherprogrammierbare Steuerung oder ein Programmable Logic Controller, kurz PLC, oder ein Mikroprozessor für eine Smartcard oder dergleichen in Frage.
4. Kurze Beschreibung der Zeichnungen
In der folgenden detaillierten Beschreibung werden vorliegend bevorzugte Ausführungsformen der Erfindung weiter beschrieben mit Bezug auf die folgenden Figuren.
FIG 1 zeigt eine beispielhafte Detektor-Trajektorie.
5. Beschreibung der bevorzugten Ausführungsformen Im Folgenden werden bevorzugte Ausführungsformen der vorliegenden Erfindung in Bezug auf die Figur beschrieben.
Verfahren zum Konfigurieren eines Anlagemodells
(Deterministisches Schaltverhalten)
Gemäß einer Ausführungsform der Erfindung wird das interne deterministische Schaltverhalten einer Lichtsignalanlage („LSA") als Anlageeinheit mithilfe einer mathematischen oder logischen Funktion als Entscheidungsbaum approximiert. Bei der Approximation wird angenommen, dass das wahre oder tatsächliche Schaltverhalten der LSA unbekannt ist. Jedoch folgt das Schaltverhalten festen Regeln, beispielsweise als Schaltplan für das intelligente Logikmodul von Siemens "LOGO". Ferner ist bekannt welche Regeln möglich sind. Diese zulässigen Regeln einer Steuerung der LSA werden als Entscheidungsbaum abgebildet. Die Suche nach dem internen deterministischen Schaltverhalten der LSA wird realisiert, indem Entscheidungsbäume erzeugt werden, die die historischen Daten möglichst genau erklären können.
Dabei können evolutionäre oder partikelbasierte Optimierungsverfahren zur Suche in diesen symbolischen Suchräumen verwendet werden. Die zulässigen Regeln werden als Funktionsblöcke modelliert und durch das
Optimierungsverfahren verschaltet, getestet und verbessert. Sowohl evolutionäre als auch partikelbasierte Optimierungsverfahren betrachten Generationen von möglichen Lösungen. Die besten Lösungen einer Elterngeneration geben dabei bevorzugt Informationen an ihre Kindgeneration weiter, sodass mit der Zeit die gesamte Population erfolgreich wird.
Gegeben den Trainingsdatensatz mit Eingangselementen, wie z.B. die Sensorsignale der letzten t-T Sekunden, der momentane Signalplan (als Index) zum Zeitpunkt t, der Zustand der SGR („Signalgruppe") der letzten t-T Sekunden, wird der aktuelle Zustand aller SGR („Signalgruppen") berechnet. Mit anderen Worten wird das deterministische Schaltverhalten der LSA gegeben dem Kontext abgebildet. Folglich können die Eingangselemente auch als Kontext- Features bezeichnet werden.
Verfahren zum Konfigurieren eines Sensormodells (Stochastisches Detektorverhalten)
Im Gegensatz zum deterministischen Schaltverhalten ist das Verhalten der Sensoreinheiten einer LSA nicht durch deterministische Regeln vorbestimmt, sondern von Umwelteinflüssen abhängig.
Es ist beispielsweise nicht möglich vorherzusagen, wann der Taster einer Fußgängerampel betätigt werden wird. Dies liegt darin begründet, dass es unbekannt ist, wann ein Fußgänger die Ampel erreichen wird. Jedoch kann aus historischen Daten gelernt werden wie oft mit einem Fußgänger zu rechnen ist. Beispielsweise können an einer LSA abends etwa 2 Fußgänger pro 5 Minuten erwartet werden.
Verkehrssituative Signale, wie Detektoren und öffentlicher Nahverkehr (ÖV-Telegramme) werden deshalb als stochastischer Prozess, z. B. als Poisson-Prozess, modelliert. Dieser Prozess prognostiziert gegeben den Trainingsdatensatz mit Eingangselementen wie z. B. Kalenderdaten (Uhrzeit, Wochentag, Feiertag), Detektorzuständen, ÖV der letzten T Sekunden eine Wahrscheinlichkeitsverteilung über Detektoren und ÖV für einen Horizont der kommenden H Sekunden (z. B. 5 Minuten). Mit anderen Worten wird das stochastische Schaltverhalten der Detektoren gegeben dem Kontext bestimmt. Folglich können die Eingangselemente auch als Kontext- Features bezeichnet werden.
Gemäß einer Ausführungsform der Erfindung wird die Wahrscheinlichkeitsverteilung in Form der Parameter einer Poissonverteilung modelliert. Als Regressor, der aus dem Kontext die Parameter der Poissonverteilung prognostiziert, wird ein Bayes'sches Verfahren, insb. ein Gauß-Prozess oder ein Bayes'sches neuronales Netz verwendet. Durch die Prognose der Parameter einer Poissonverteilung mithilfe eines Bayes'sehen Verfahrens wird ein stochastischer Prozess modelliert. Dieser stochastische Prozess kann explizit nicht den Zeitpunkt der nächsten Detektorbetätigung in der Realität Vorhersagen. Stattdessen können Statistiken über die Betätigung errechnet werden (z.B. mittlere Wartezeit zur nächsten Betätigung, Varianz oder Quantile dieser Wartezeit) oder Stichproben gezogen werden. Solche Stichproben werden zur Prognose verwendet.
Verfahrens zum Bestimmen eines zukünftigen Schaltverhaltens einer Anlageeinheit (Prognose durch Roll-Outs)
Da das Verhalten der Detektoren nicht exakt vorhergesagt werden kann, ist auch eine exakte Vorhersage des Schaltverhaltens der Anlageeinheit in der Zukunft nicht möglich. Stattdessen wird die Verteilung möglicher Schaltverhalten der LSA in der Zukunft vorhergesagt. Aus dieser Verteilung können Statistiken errechnet werden. Die Verteilung möglicher Schaltverhalten wird durch probabilistische Roll-Outs erzeugt, die die Vielzahl möglicher Entwicklungen in der Zukunft berücksichtigen. Die Roll-Outs werden folgendermaßen erzeugt:
1. Sampeln von Detektor-Trajektorien aus dem stochastischem Detektormodell. Eine beispielhafte Detektor-Trajektorie ist in Figur 1 gezeigt.
2. Sampeln von Signalgruppen-Trajektorien / Entfaltung des Ampelmodells mit Detektoren-Trajektorien aus Schritt (1).
3. Berechnung relevanter Statistiken aus den Signalgruppen- Trajektorien, z. B. Median (Prognose), Varianz (Unsicherheit) Optional kann die gesamte Architektur, insbesondere das stochastische Modell, zusätzlich direkt hinsichtlich der Prognosegüte trainiert werden. Dazu wird das Fehlersignal der Prognose (z.B. der Restzeit) zurückpropagiert durch das symbolische Modell (Schritt 1) und dann weiter zu den Parametern des stochastischen Modelles (Schritt 2). Dadurch kann eine Fokussierung des Lernens erreicht werden: es wird besonders auf die stochastischen Muster der DET/OEV Signale im Training wert gelegt, die auch für die Prognose der Restzeit wichtig sind.

Claims

Patentansprüche
1. Computer-implementiertes Verfahren zum Konfigurieren eines Anlagemodells, wobei das Anlagemodell ein Machine Learning Modell zum Bestimmen eines Schaltverhaltens einer Anlageeinheit ist, aufweisend die Schritte: a. Bereitstellen mindestens eines Trainingsdatensatzes mit einer Mehrzahl von bekannten Eingangselementen der Anlageeinheit für jeweils einen bestimmten Zeitpunkt oder Zeitraum; wobei b. die Mehrzahl der bekannten Eingangselemente der Anlageeinheit mindestens einen Sensordatensatz einer Sensoreinheit aufweist; c. Konfigurieren des Anlagemodells durch ein Maschinelles Lernverfahren mit dem mindestens einen Trainingsdatensatz; und d. Bereitstellen des konfigurierten Anlagemodells als Ausgabe.
2. Computer-implementiertes Verfahren nach Anspruch 1, wobei das maschinelle Lernverfahren ein regelbasierter Ansatz ist, ausgewählt aus der Gruppe bestehend aus: Neuronales Netz und Entscheidungsbaum.
3. Computer-implementiertes Verfahren zum Konfigurieren eines Sensormodells, wobei das Sensormodell ein Machine Learning Modell zum Bestimmen eines Verhaltens einer Sensoreinheit ist, aufweisend die Schritte: a. Bereitstellen mindestens eines Trainingsdatensatzes mit einer Mehrzahl von bekannten Eingangselementen einer Sensoreinheit für jeweils einen bestimmten Zeitpunkt oder Zeitraum; wobei b. die Mehrzahl der bekannten Eingangselemente der Sensoreinheit mindestens einen Sensordatensatz für einen bestimmten Zeitpunkt aufweist; c. Konfigurieren des Sensormodells durch ein Maschinelles Lernverfahren mit dem mindestens einen Trainingsdatensatz; wobei d. das konfigurierte Sensormodell eine Wahrscheinlichkeitsverteilung darüber ist, wie sich die Sensoreinheit in dem bestimmten Zeitraum verhalten wird; und e. Bereitstellen des konfigurierten Sensormodells als Ausgabe.
4. Computer-implementiertes Verfahren nach Anspruch 3, wobei das maschinelle Lernverfahren ein stochastischer Ansatz ist, bevorzugt ein Poissonprozess.
5. Computer-implementiertes Verfahren zum Bestimmen eines zukünftigen Schaltverhaltens einer Anlageeinheit, aufweisend die Schritte: a. Empfangen des konfigurierten Anlagemodells nach Anspruch 1; b. Empfangen des konfigurierten Sensormodells nach Anspruch 3; wobei c. das konfigurierte Sensormodell eine Wahrscheinlichkeitsverteilung darüber ist, wie sich die Sensoreinheit in dem bestimmten Zeitraum verhalten wird; d. Ermitteln mindestens einer Stichprobe eines Verhaltens einer Sensoreinheit durch Sampeln aus der Wahrscheinlichkeitsverteilung; e. Bestimmen des zukünftigen Schaltverhaltens der
Anlageeinheit und/oder mindestens eines zugehörigen statistischen Wertes anhand des trainierten Anlagemodells auf Basis der ermittelten Stichprobe.
6. Computer-implementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei der statistische Wert ausgewählt ist aus der Gruppe, bestehend aus Median, Mittelwert und Varianz.
7. Computer-implementiertes Verfahren nach Anspruch 5 oder Anspruch 6, weiterhin aufweisend den Schritt:
Durchführen einer Maßnahme, wobei die Maßnahme ausgewählt ist aus der Gruppe bestehend aus:
- Ausgeben des zukünftigen Schaltverhaltens der Anlageeinheit und/oder mindestens eines zugehörigen statistischen Wertes auf einer Anzeigeeinheit,
- Speichern des zukünftigen Schaltverhaltens der Anlageeinheit und/oder mindestens eines zugehörigen statistischen Wertes in einer Speichereinheit, und
- Übermitteln des zukünftigen Schaltverhaltens der Anlageeinheit und/oder mindestens eines zugehörigen statistischen Wertes an eine Recheneinheit.
8. Computerprogrammprodukt mit einem Computerprogramm, das Mittel zur Durchführung des Verfahrens nach einem der vorhergehenden Ansprüche aufweist, wenn das Computerprogramm auf einer programmgesteuerten Einrichtung zur Ausführung gebracht wird.
PCT/EP2021/051302 2020-03-02 2021-01-21 Bestimmen eines zukünftigen schaltverhaltens einer anlageeinheit WO2021190799A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/909,044 US20230092466A1 (en) 2020-03-02 2021-01-21 Determining future switching behavior of a system unit
EP21704409.8A EP4115402A1 (de) 2020-03-02 2021-01-21 Bestimmen eines zukünftigen schaltverhaltens einer anlageeinheit

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020202656.4A DE102020202656A1 (de) 2020-03-02 2020-03-02 Bestimmen eines zukünftigen Schaltverhaltens einer Anlageeinheit
DE102020202656.4 2020-03-02

Publications (1)

Publication Number Publication Date
WO2021190799A1 true WO2021190799A1 (de) 2021-09-30

Family

ID=74586972

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/051302 WO2021190799A1 (de) 2020-03-02 2021-01-21 Bestimmen eines zukünftigen schaltverhaltens einer anlageeinheit

Country Status (4)

Country Link
US (1) US20230092466A1 (de)
EP (1) EP4115402A1 (de)
DE (1) DE102020202656A1 (de)
WO (1) WO2021190799A1 (de)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110136438A (zh) * 2019-05-15 2019-08-16 武汉纵横智慧城市股份有限公司 基于人工智能的道路切换方法、装置、设备及存储介质

Family Cites Families (3)

* 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
DE102017213350A1 (de) 2017-08-02 2019-02-07 Siemens Aktiengesellschaft Verfahren zur Vorhersage eines Schaltzeitpunktes einer Signalgruppe einer Signalanlage
DE102018221044A1 (de) 2018-12-05 2020-06-10 Siemens Mobility GmbH Verfahren und Vorrichtung zur Prognose eines Schaltzustands und eines Schaltzeitpunkts einer Signalanlage zur Verkehrssteuerung

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110136438A (zh) * 2019-05-15 2019-08-16 武汉纵横智慧城市股份有限公司 基于人工智能的道路切换方法、装置、设备及存储介质

Also Published As

Publication number Publication date
US20230092466A1 (en) 2023-03-23
EP4115402A1 (de) 2023-01-11
DE102020202656A1 (de) 2021-09-02

Similar Documents

Publication Publication Date Title
WO2021121695A1 (de) Verfahren, vorrichtung und system zur detektion von anomalen betriebszuständen eines geräts
DE102017213350A1 (de) Verfahren zur Vorhersage eines Schaltzeitpunktes einer Signalgruppe einer Signalanlage
DE102012110710A1 (de) Verfahren zur Integration von Modellen eines Gesundheitsmanagementsystems für Verkehrsmittel
DE102017213119A1 (de) Verfahren und Vorrichtung zum Ermitteln von Anomalien in einem Kommunikationsnetzwerk
DE102019124018A1 (de) Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme
EP3684015A1 (de) Vorrichtung und verfahren zur klassifizierung von daten insbesondere für ein controller area netzwerk oder ein automotive ethernet netzwerk
EP3751466A1 (de) Verfahren zur vorhersage eines schadstoffwertes in der luft
DE102022112059B3 (de) Verfahren, System und Computerprogrammprodukt zur Kalibrierung und Validierung eines Fahrerassistenzsystems (ADAS) und/oder eines automatisierten Fahrsystems (ADS)
EP4046150B1 (de) Verfahren und anordnung zur vorhersage von schaltzeitpunkten einer signalgruppe einer signalanlage zur steuerung eines verkehrsflusses
WO2021190799A1 (de) Bestimmen eines zukünftigen schaltverhaltens einer anlageeinheit
DE102022112060B3 (de) Szenariendatenbank für ein Verfahren und ein System zur Kalibrierung und Validierung eines Fahrerassistenzsystems (ADAS) und/oder eines automatisierten Fahrsystems (ADS)
EP3651413A1 (de) System und verfahren zur fehlererkennung und fehlerursachen-analyse in einem netzwerk von netzwerkkomponenten
DE102015115237A1 (de) Steuervorrichtung und steuerverfahren für eine verkehrssteueranlage, und steuersystem
EP3655934B1 (de) Konzept zum überwachen eines parkraums
DE102021116411A1 (de) Systeme und verfahren zum erstellen von infrastrukturmodellen
DE112021003999T5 (de) Kontextsensitive anomalieerkennung
DE102016009199B4 (de) Verfahren zum Betreiben einer Datenerfassungseinheit zum Erfassen von mindestens einem Steuerungsereignis einer Steuerungvorrichtung eines Kraftfahrzeugs sowie eine Datenerfassungseinheit und eine Datenverarbeitungseinheit
EP4109194B1 (de) Sensordatengenerierung zum steuern eines autonomen fahrzeugs
EP3987500A1 (de) Verfahren und vorrichtung zur prognose eines schaltzustands und/oder eines schaltzeitpunkts einer signalanlage zur verkehrssteuerung
CN117033162B (zh) 一种基于场景生成的自动驾驶虚拟仿真测试方法及系统
DE102020211251A1 (de) Selbst-adaptives erkennungssystem
DE102005019335A1 (de) Verfahren und Vorrichtung zum Auswerten von Ereignissen aus dem Betrieb zumindest eines Fahrzeuges
DE102022118244A1 (de) System, Verfahren und Computerprogrammprodukt zur optimierten Testplanung für das Prototypenmanagement einer Entität
EP3961325A1 (de) Qualitätsinspektionsverfahren und qualitätsinspektionsanordnung für die produktion eines objektes
DE102022128538A1 (de) Verfahren, System und Computerprogramm zum Entwickeln, Absichern, Trainieren und/oder Betreiben eines Fahrzeugsystems

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: 21704409

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021704409

Country of ref document: EP

Effective date: 20221004