WO2022069466A1 - Ermittlung einer prognose für einen zeithorizont in der zukunft auf basis eines zeithorizonts aus der vergangenheit, insbesondere vorhersage eines schadstoffwertes in der luft - Google Patents

Ermittlung einer prognose für einen zeithorizont in der zukunft auf basis eines zeithorizonts aus der vergangenheit, insbesondere vorhersage eines schadstoffwertes in der luft Download PDF

Info

Publication number
WO2022069466A1
WO2022069466A1 PCT/EP2021/076631 EP2021076631W WO2022069466A1 WO 2022069466 A1 WO2022069466 A1 WO 2022069466A1 EP 2021076631 W EP2021076631 W EP 2021076631W WO 2022069466 A1 WO2022069466 A1 WO 2022069466A1
Authority
WO
WIPO (PCT)
Prior art keywords
neural network
pollutant
predicted
values
measured
Prior art date
Application number
PCT/EP2021/076631
Other languages
English (en)
French (fr)
Inventor
Hans-Georg Zimmermann
Christoph Tietz
Michel Tokic
Anja von Beuningen
Original Assignee
Siemens Aktiengesellschaft
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 Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Publication of WO2022069466A1 publication Critical patent/WO2022069466A1/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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/048—Activation functions

Definitions

  • the invention relates in particular to a method for predicting at least one pollutant value in the air, a method for training a neural network and a control unit which is designed to output control commands for controlling road traffic.
  • One object of the invention with a view to this application is to further develop the technologies for providing a forecast of air pollution or for controlling road traffic, in particular in order to avoid exceeding limit values for pollutant values in the air.
  • the invention achieves the objects through the technical teachings described below and, in particular, through the technical teachings contained in the patent claims.
  • An underlying technical problem is the prediction of air pollution at a given location based on historical data.
  • the aim is to obtain a forecast of various emission variables, such as nitrogen oxides or particulate matter, based on emissions from the recent past and optionally their influencing variables (eg weather data).
  • One difficulty in obtaining a forecast of various emission variables, such as nitrogen oxides or particulate matter, at a specified location based on historical emission data from the recent past and optionally their influencing variables (e.g. weather data) is that not all external influencing variables are known.
  • One possibility is to estimate their influence on the expected emissions instead.
  • part of the recent past can be considered in order to be able to draw conclusions about the development of non-observable variables - such as different, independent processes such as industrial air pollution, emissions from traffic, traffic flow, local weather conditions.
  • Another challenge is the calculation of reliable forecasts when a long time horizon from the past has to be considered in order to predict a long time horizon in the future.
  • air quality data are heterogeneous time series data. Air quality depends on various independent processes such as industrial air pollution or emissions from traffic. These processes can be based on different physical and chemical mechanisms. In addition, they have an impact on pollutant emissions on different time scales.
  • a computer-implemented method for predicting at least one pollutant value in the air is proposed.
  • a neural network is used for this purpose, which maps a correlation between pollutant values and weather data as a function of time.
  • This neural network uses measured weather data and pollutant values in the air for a specified past period and at least one predicted weather date for a future period in order to predict at least one pollutant value in the air for the future period that correlates to the predicted weather date.
  • a deviation pattern between values predicted and measured in a past period is determined by at least one further neural network, and the pollutant value predicted for the future period is corrected with the aid of a deviation predicted by the further neural network.
  • this technical teaching also enables Architectural Teacher Forcing (ATF) beyond the present.
  • the additional neural network is designed in such a way that, knowing that there may be an error vector in the neural network, it forms an error correction vector whose alignment and length are as far as possible in the opposite direction to the possibly existing error vector.
  • the measured weather data have been determined for a fixed local area.
  • the measured pollutant values for the specified local area have been measured.
  • the forecast weather data have preferably been forecast for the specific local area.
  • a specified local area can be, for example, any specified part of a city, in particular a district or just a street or a street section.
  • a specified local area can also include a larger area, in particular a city or a district.
  • the weather data measured in the past and the pollutant values measured in the past it is possible to use the weather data measured in the past and the pollutant values measured in the past to make a prediction for the future development of the pollutant value.
  • This forecast is improved in particular by taking into account weather data forecast for the future period.
  • Tests have shown that the following weather data in particular are suitable for a good prediction of the level of pollutants in the air: air pressure, temperature, wind speed, humidity, wind direction and precipitation.
  • This weather data has a measurable influence on the concentration of pollutants in the air and is therefore particularly meaningful for predicting the development of a pollutant value in the air.
  • at least one of the weather data is used to predict the pollutant level. The more different weather data is used, the more accurate the prediction of the pollutant value.
  • the forecast of future pollutant values is more accurate the longer the past period for which the weather data is taken into account.
  • average values of weather data can be used for specified periods.
  • several layered further neural networks are provided, with the further neural networks of the downstream layers creating a layer-specific deviation pattern of the respective preceding layer based on the deviations determined from the preceding layers and the pollutant value predicted by the neural network with the help at least one of the deviations is corrected, which are predicted by the further downstream neural networks.
  • This self-application can be extended to any number of layers, making the error correction increasingly fine.
  • the second-layer neural network detects and predicts the correction error of the first-layer neural network, the third-layer neural network that of the second-layer neural network, the fourth-layer neural network that of the third-layer neural network, and so on further and so forth ...
  • several layered further neural networks are provided, with the further neural networks of the downstream layer creating a layer-specific deviation pattern of the respective preceding layer based on the deviations determined by the preceding layers and the the pollutant value predicted by the neural network is corrected using the deviation which is predicted by the last further downstream neural network.
  • This is a preferred embodiment. It optimizes computational effort, complexity and quality of error correction.
  • at least one of the following weather data is used as the predicted weather data that is used for the future period: air pressure, temperature, wind speed, humidity, wind direction and precipitation. This weather data is also well suited as predicted weather data for the future period in order to predict the development of the pollutant value in the air for the future using the neural network.
  • the weather data predicted for the future can, for example, be provided by the server of a weather forecast service or be calculated by a computer or server using another neural network. Furthermore, tests have shown that taking into account the time and/or the days of the week on which the weather data and/or the pollutant values are measured enables an improvement in the prediction of the pollutant values for the future.
  • the pollutant values can be highly dependent on the time of day and the day of the week, since the pollutant values are generated by road traffic vehicles, by factories or by agriculture. Depending on the day of the week and/or the time of day, different amounts and different types of pollutants are produced in road traffic, in factories and in agriculture. Furthermore, it has been shown that the weather data also show a correlation to the times of day and thus to the times.
  • a further improvement in a precise forecast of the air pollutants for the future can be achieved.
  • the method described is particularly suitable for predicting a nitrogen oxide concentration, a sulfur dioxide concentration, an ammonia concentration, non-methane volatile organic compounds, a carbon monoxide concentration, carbon dioxide concentration and/or a particulate matter concentration for the future as pollutant values.
  • the pollutant values are not final, but further pollutant values can be predicted using the method described.
  • the weather data and/or the pollutant values can either be measured every hour or averaged over an hour and recorded as a value for an hour and taken into account by the neural network.
  • an estimate and a forecast of the pollutant values in the air can be determined over a future period of up to five days or longer.
  • the pollutant values can be forecast for the next five days, for example for every hour. Tests have shown that it is advantageous if the past period in which the measured weather data and the measured pollutant values were recorded and taken into account by the neural network is at least twice as long as the future period for which the future pollutant values are determined.
  • a closed, historically consistent neural network (Historical Consistent Neural Network HCNN) is particularly suitable for carrying out the method described.
  • a further improvement in the prediction of the pollutant values for the future can be achieved in that the neural network for the prediction of the pollutant value detects a deviation between the measured weather data and those predicted by the neural network for the respective points in time in the past period. ie predicted weather data is taken into account. The deviation can be taken into account, for example, as the difference between the measured weather date and the predicted weather date.
  • an internal adaptation of the neural network can be carried out for each Time at which the weather date for the past period is determined.
  • a deviation between the predicted weather data and the weather data predicted by the neural network during the future period can be taken into account to improve the prediction of the pollutant value by the neural network.
  • the deviation can be taken into account, for example, as the difference between the predicted weather date and the weather date predicted by the neural network. In this way, an improved prediction of the pollutant values is achieved.
  • an internal adaptation of the neural network can be carried out at each point in time at which the pollutant value for the past period is determined.
  • a further improvement of the method is achieved in that the neural network takes into account a deviation between the measured pollutant values and the pollutant values predicted by the neural network during the past period when predicting the pollutant value for the future period.
  • the deviation can be taken into account, for example, as the difference between the measured pollutant value and the predicted pollutant value.
  • This measure also enables a more precise prediction of the pollutant values for the future period.
  • an internal adaptation of the neural network can be carried out at each point in time at which the future pollutant value is determined.
  • a further improvement in the prediction of the pollutant values is achieved in that the neural network calculates the deviation between the weather data determined by the neural network and the measured weather data and the deviation between the pollutant values determined by the neural network and the measured pollutant values are taken into account in order to predict a pollutant value and/or a weather date for a future point in time.
  • the neural network can at each point in time at which the neural network carries out a calculation for the future pollutant value, the deviations for the weather data and for the pollutant values are taken into account.
  • An extension of the method is achieved in that the at least one pollutant value and the at least one weather datum are processed by the neural network with other non-observables in a state vector. Non-observables are hidden variables that cannot be observed. Thus, the entire modeling can take place in the neural network. There is no need to learn secondary mappings, for example to code the influence of the weather. This reduces the training time of the neural network.
  • the structure of the historically consistent neural network (Closed Historically Consistent Neural Network HCNN), as shown in FIGS.
  • the network allows the network to be expanded in a simple manner.
  • the basic architecture of the network can therefore be expanded in a modular manner without having to reformulate the entire modeling problem.
  • a simple adjustment can be achieved by expanding the input data of an availability mask.
  • Modeling the pollutant values and/or the weather data makes it possible to process unreliable sensor data. Not only can missing sensor data be partially compensated, but also systematic errors, for example in the measured and externally forecast weather data, can be corrected. This property can be used, for example, to model local deviations from a large-scale weather forecast. Overall, the prognosis process is thus stabilized and the prognosis quality improved. Using the method described, more accurate and more stable models for forecasting pollutant emissions can be learned.
  • the forecast models can also be used in environments with unreliable sensors or problems with data transmission.
  • the neural network uses predicted weather data and/or predicted weather data instead of the failed weather data and/or pollutant values and/or predicted weather data /or predicted pollutant values that were predicted by the neural network itself in a previous calculation step. In this way, missing sensor data, for example due to a failure of a sensor or due to faulty data transmission between the sensors that record the weather data and pollutant values and the computer that carries out the method, can be compensated for.
  • the method is improved in that at least part of the state vector is at least partially taken into account not only in a subsequent calculation step but also in at least one calculation step after the next or in further calculation steps in the future will.
  • the entire state vector can be at least partially taken into account in the following calculation step.
  • the observables and the non-observables of the state vector are at least partially taken into account in a subsequent calculation step in the neural network.
  • a type of memory function is thus implemented in the form of an LSTM memory function.
  • the storage function can be represented, for example, by using a diagonal matrix in the neural network.
  • a control signal for influencing a traffic flow is generated and output as a function of the pollutant value predicted by the neural network for the future in order to at least slow down a future increase in the pollutant value, particularly in the specified local area.
  • the traffic flow can be influenced even before the future pollutant value is actually reached. It is thus possible to react more efficiently to an imminent exceeding of the limit value for at least one pollutant value.
  • the traffic flow can be influenced in good time so that specified limit values for pollutant values are not exceeded.
  • signal systems in particular traffic lights, can be controlled in such a way that the flow of traffic is reduced in a defined local area.
  • certain road users such as diesel vehicles or trucks can be guided around a local area.
  • driving bans for certain vehicle groups such as diesel vehicles or trucks can be issued in good time.
  • a method for training a neural network for predicting at least one pollutant value in the air for a defined location area for a future time period is proposed.
  • the neural network is trained with measured weather data for the location area for a specified past period and with measured air pollution values for the specified location area for the past period and with weather data forecast for a future time period for the specified location area.
  • the pollutant values predicted for the future period are compared with the pollutant values actually measured in the future.
  • the variables of the neural network are adapted with the aid of a backpropagation method, ie in particular an adaptation of the elements of a matrix ⁇ and preferably of the elements of a diagonal matrix ⁇ .
  • the adaptation is carried out in such a way that the neural network predicts the pollutant values measured in the future more precisely.
  • a neural network is provided, which is implemented in hardware and/or software and has the properties and structures described with reference to the method.
  • at least one of the following weather data is used as measured weather data for the past period: air pressure, temperature, wind speed, humidity, wind direction and precipitation
  • at least one of the following weather data is used as predicted weather data for the future period is: air pressure, temperature, wind speed, humidity, wind direction and precipitation.
  • a deviation between learned weather data and measured weather data during the past period is taken into account.
  • a deviation between learned weather data and predicted weather data during the future period is taken into account during the training for the prediction of the pollutant value for the future period.
  • a further embodiment of the invention relates to a computer-implemented method for predicting at least one pollutant value in the air for a future period using a neural network whose weighting factors depict at least one correlation between pollutant values and weather data as a function of time, where ⁇ weather data and air pollutant values measured by the neural network for a specified past period and at least one forecast weather date for a future period are used to predict at least one air pollutant value correlating to the predicted weather date for the future period; ⁇ the respective deviation between the pollutant values measured for the past period and the pollutant values determined by the neural network is determined at least in part; ⁇ a deviation pattern is determined by at least one further neural network on the basis of the determined deviations; ⁇ at least one deviation value is predicted by the further neural network on the basis of the deviation pattern determined for the future period; and the pollutant value predicted by the neural network is corrected using the deviation value predicted by the further neural network.
  • several layered further neural networks are provided, with the further neural networks of the downstream layers using the deviations determined from the respective preceding layers creating a layer-specific deviation pattern of the respective preceding layer and that of the the pollutant value predicted by the neural network is corrected with the aid of at least one of the deviation values which are predicted by the further downstream neural networks.
  • the pollutant value predicted by the neural network is corrected with the aid of the at least one deviation value, which is predicted by the last further downstream neural network.
  • the times and/or days of the week at which the weather data and/or the pollutant values were measured are taken into account by the neural network in addition to the measured weather data and/or the measured pollutant values.
  • a deviation between the predicted weather data and the weather data determined by the neural network during the future period is taken into account by the neural network when predicting the pollutant value.
  • the neural network uses the data instead of the weather data to be measured and/or or instead of the pollutant values to be measured and/or instead of the forecast weather data from the new uses weather data and/or predicted pollutant values that the network itself has predicted.
  • a control signal for influencing a traffic flow is generated and output as a function of the predicted pollutant value in order to at least slow down a future increase in the pollutant value in the local area.
  • the neural network has data outputs for at least one pollutant value to be determined for a future time period and for at least one weather datum to be determined for the future time period.
  • the control unit is designed to determine and output a control command for controlling road traffic as a function of the determined pollutant value. This is intended to prevent a further increase in the pollutant value, in particular exceeding a predetermined limit value. In addition, one should further increase in the pollutant value can at least be slowed down.
  • the control unit is designed to transmit the control command to signal systems of a road traffic system or directly to road traffic vehicles. In addition, the control unit can be designed to directly control the signaling systems of the road traffic system and/or the road traffic vehicles.
  • FIG. 1 shows a schematic representation of a section of a city area with a road network and an infrastructure for controlling the traffic on the streets
  • FIG 2 shows a first embodiment of a neural network in a schematic representation
  • FIG 3 shows a second embodiment in a schematic representation 4 shows a schematic representation of a third embodiment of a neural network
  • FIG. 5 shows a schematic representation of a fourth embodiment of a neural network
  • FIG. 6 shows a schematic representation of a fifth embodiment of a neural network
  • 7 shows a schematic representation d he memory function of the third embodiment of the neural network
  • 8 shows a schematic program sequence for carrying out the method described.
  • 1 shows a section of a city area 1 in a schematic representation, which is subdivided into defined local areas 2, 3, 4, 5. The local areas are shown schematically in the form of squares, but can also have other shapes. Streets 6, 7, 8, 9, which intersect or flow into one another, run through the city shown.
  • Signal systems 10 are arranged at the crossings and junctions, which are designed, for example, in the form of traffic lights. The signal systems 10 are designed to control the flow of vehicle traffic at the intersections and junctions according to predetermined parameters.
  • computers 11 are provided at crossings or junctions, which control the signal systems 10 .
  • Sensors 12 are arranged in the local areas with which weather data and/or pollutant values can be recorded. Air pressure, temperature, wind speed, air humidity, wind direction and/or precipitation can be recorded as weather data, for example.
  • the sensors 12 can be used to record pollutant values such as a nitrogen oxide concentration, a sulfur dioxide concentration, an ammonia concentration, non-methane volatile organic compounds, a carbon monoxide concentration, a carbon dioxide concentration and/or a particulate matter concentration.
  • a PM10 concentration or a PM2.5 concentration for example, can be recorded as the particulate matter concentration.
  • a central computer 13 is also provided.
  • the central computer 13 can receive the measured values of the sensors 12 wirelessly or by wire, for example.
  • the computers 11 can be designed to receive the measured values of the sensors 12 wirelessly or by wire.
  • the sensors 12 are designed to transmit the measured values to the computer 11 or the central computer 13 in a wireless or wired manner.
  • the measured weather data and/or the measured pollutant values can also be made available to the central computer 13 and/or the computers 11 from other data sources such as, for example, another computer or server.
  • the weather data that is made available also contains information about the local area or areas for which the weather data applies.
  • the information for which local area the pollutant values apply is also transmitted in the case of the pollutant values made available.
  • the sensors 12 transmit not only the weather data and/or the pollutant values, but also their own position or the area in which the sensors are located. In this way, the weather data and/or pollutant values transmitted by the sensors can be assigned to a defined location.
  • Each computer 11 and/or the central computer 13 can have a neural network that is implemented in hardware and/or in software.
  • the neural networks can correspond to one of the neural networks that are explained with the aid of the following FIGS.
  • FIG. 2 shows a schematic representation of a structure of a closed, historically consistent neural network, with the mode of operation of the network being shown in the following calculation steps.
  • a timeline for the time t is shown schematically, with the time t leading to the right into the future.
  • Time points t-3, t-2, t-1, t, t+1, t+2 are shown for calculation steps of the neural network.
  • the course over time starts at time t-3 and continues through times t-2, t-1 to the current time t.
  • the neural network also determines both a state vector s t+1 and at least one pollutant value y t+i , in particular a pollutant value vector y t+1 , for future points in time t+1 and t+2.
  • the selected representation is only shown schematically with regard to the number of calculation times t, since the times at which calculations are carried out extend from a time of t - 288 to a time of t + 144 in real cases be able .
  • the neural network uses a state vector s t which, in addition to non-observables, ie hidden variables, has a specified number of observables, ie measurable variables.
  • the values of the observables and the non-observables of the state vector are given initial values.
  • the starting values can be randomly determined values between -1 and 1, for example.
  • the state vector so is obtained in this way at time t-3, which has the start values for the observables and non-observables and is referred to as state vector s t-3 and in a memory unit 26 is saved.
  • the index t-3 indicates the point in time for the calculation step.
  • At time t-3 at least one pollutant value, in particular several pollutant values of different pollutants in the form of a pollutant vector, are received via a first data input 21 read in with several pollutant values.
  • the pollutant levels of the various pollutants that are above are fed to the first data input 21 represent pollutant values measured by sensors.
  • the measured pollutant values are fed to a first processing unit 22 with a negative sign.
  • an uppermost first specified number n of observables of the state vector s t ⁇ 3 is also supplied to the first processing unit 22 .
  • the first specified number n corresponds to the number of pollutant values in the pollutant vector
  • the first processing unit 22 determines the difference between the measured pollutant value of the pollutant of the pollutant vector and the value of the observable d assigned to the pollutant it state vector.
  • the state vector has an observable for each pollutant.
  • the differences between each measured pollutant value of each pollutant in the pollutant vector and the value of the observable associated with the pollutant n of the state vector at time t ⁇ 3 are fed to a third processing unit 23 as the first error vector with negative characteristics.
  • the weather vector of the second data input 24 undergoes a second processing tion unit 25 supplied with a negative sign.
  • the second processing unit 25 is supplied with a corresponding number of m last observables of the state vector s t-3 with a positive value.
  • the state vector has an observable for each weather datum.
  • the second processing unit 25 forms the difference for each of the m weather values of the weather vector with the speaking observable of the state vector s t-3 .
  • the differences between the measured weather values of the weather data of the weather data vector and those in the state vector for time ⁇ ⁇ 3 stored observables for the weather data ten are fed to the third processing unit 23 as the second error vector.
  • the third processing unit 23 also receives the state vector s t-3 .
  • the third processing unit 23 uses an activation function, which in this example is in the form of a hyperbolic tangent function (tan h) and carries out the following calculation: denotes a diagonal negative identity matrix, de- ren dimension is equal to the dimension of the number of components of the particular vector by which the matrix is multiplied.
  • the first n diagonal elements of the matrix have the value -1. All other values of the matrix have the value 0.
  • [0 , Id] denotes a matrix of dimension m ⁇ n ; m ⁇ n, whose number n of columns is equal to the dimension of the number of components of the particular vector by which the matrix is multiplied.
  • the last m diagonal elements of the matrix have the value +1. All other elements of the matrix have the value 0.
  • the result of the third processing unit 23 is written into the memory unit 26 as the following state vector s t ⁇ 2 in time.
  • the state vector s t-2 at time t- 2 is determined by the third processing unit 23 according to the following formula:
  • the third processing unit 23 can also use another activation function, in particular a sigmoid function, instead of the function tanh.
  • the matrix A is a two-dimensional matrix that has weighting factors as elements.
  • the matrix A is created during the training of the neural network with optimized weighting factors.
  • the pollutant vector has at least one pollutant value of a pollutant es, in particular several pollutant values of different pollutants, at which the pollutant values were recorded.
  • the subscript t-3 indicates the point in time for which the pollutant values were determined.
  • the pollutant vector can have the following pollutant values, for example: (nitrogen oxide concentration, sulfur dioxide concentration tion, ammonia concentration, volatile organic compounds without methane, carbon monoxide concentration, carbon dioxide concentration, particulate matter concentration P10, particulate matter concentration P2.5)
  • the weather vector has at least one weather value for a weather datum, in particular several weather values of different weather data.
  • the index t-3 indicates the time for which the weather data is used.
  • the weather vector can have a large number of vector data and the time at which the weather data was recorded and the day of the week on which the weather data was recorded.
  • the state vector thus has the pollutant values of the pollutants predicted
  • the state vector has the forecast weather values of the weather data.
  • the measurable pollutant values, the measurable weather values and the hidden, non-measurable non-observables are integrated in a state vector.
  • the first processing unit 22 uses the first n observables of the state vector s t-3 , the number of which is equal to the number of pollutant values of the pollutants of the pollutant vector, determines a difference between sc hen the observable and the pollutant value and gives the Difference vector as an error vector with the negative sign to the third processing unit 23 on.
  • the error vector for the pollutant values can be described as follows: In an analogous manner, the second processing unit 25 uses the last m observables of the state vector s t ⁇ 3 and determines the difference to the respective weather value of the value vector for each observable. The result is sent to the third Ve as an error vector processing unit 23 passed on.
  • the error vector for the weather data can be described as follows: This calculation is f Repeated for the following time points t- 2 , t- 1 and ⁇ . The measured pollutant vectors and the measured weather vectors are fed to the neural network via the first data input 21 or the second data input 24 at the times t-2, t-1 and t-1 and processed according to the method described.
  • the calculations of the second processing unit 25 and the third processing unit 23 are carried out in accordance with the method described. For future times t+1 etc., however, error vectors are no longer determined taking into account the pollutant vector. Instead, the predicted pollutant vectors are output.
  • the state vectors for the future points in time from point in time t+2 are calculated using the following formula:
  • the weather data estimated for the future for the specified local area are supplied, for example, by a central computer.
  • the first n observables of the state vector s t+1 , s t+2 are output as pollutant values predicted for the times t+1 etc.
  • y t+1 (nitrogen oxide concentration, sulfur dioxide concentration, ammonia concentration, non-methane volatile organic compounds, carbon monoxide concentration, carbon dioxide concentration, particulate matter concentration P10 , Particulate matter concentration P2.5)
  • the neural network described by the matrix A is trained, for example, with known training methods such as backpropagation, with the pollutant values or pollutant vectors predicted by the neural network being compared with the pollutant values or pollutant vectors that actually occur and were measured. These comparative values correspond, for example, to those formed in the processing units 22, 25 during the operation of the invention.
  • the weighting factors of the matrix ⁇ are optimized until the neural network determines the pollutant values or pollutant vectors as precisely as possible based on the measured pollutant values for the future.
  • This training can be carried out, for example, on the basis of available, multi-year data series in which each entry describes which pollutant values were measured at a specific time for a given weather. This training is repeated at different points in the training data until the comparative values determined in each case fall below certain threshold values or a maximum number of training cycles is reached.
  • Matrix A represents the relationship between time, weather and pollution levels.
  • a function is effected with the help of the matrix A.
  • this training in the weighting factors of the non-observables forms an estimate of their influence on the pollutant values.
  • FIG. 3 shows a further embodiment of a neural network which is implemented in the form of hardware and/or software in a computer.
  • the neural network essentially has the same structure as in FIG. However, the output of the first processing unit 22 is not directly connected to the third processing unit 23. but is connected to a fourth processing unit 27 .
  • the first processing unit 22 carries out a vector subtraction, the first n observables of the state vector s t ⁇ 3 being added to the negative values of the n components of the pollutant vector.
  • the result is sent to the fourth proc line unit 27 passed.
  • a masking vector supplied which contains the information as to which of the measured pollutant values of the pollutant vector are correct and which pollutant values are incorrect or absent.
  • the masking vector can be created, for example, by the computer or the central computer that monitors the signals from the sensors or checks and verifies the values from the sensors using specified procedures.
  • the masking vector contains for the pollutant values that have been measured, i.e en value 1, and for the pollutant values that have not been measured or that are erroneous, the value 0 at the corresponding position of the masking vector.
  • the fourth processing unit 27 performs vector multiplication with the error vector, which is output from the first processing unit 22, and the masking vector. The result of the vector multiplication is forwarded to the third processing unit 23 as an error vector with negative identifiers.
  • the measured weather vectors are processed in an analogous manner.
  • the second processing unit leads t 25 carries out a vector subtraction, whereby the last m observables of the state vector s t-3 are added to the negative values of the m components of the weather vector and the result is sent to the fifth processing gunit 29 is passed on.
  • the fifth processing unit 29 receives a further masking vector via a further input 30, which indicates which of the weather data of the weather vector rs are correct, and which are erroneous or could not be measured ten.
  • the additional masking vector contains the values 0 and for measured weather data, the further masking vector has the value 1.
  • the fifth processing unit 29 carries out a vector multiplication with the further masking vector of the further input 30 and the error vector which was transmitted by the second processing unit 25 .
  • the result is transmitted to the third processing unit 23 with a negative sign as an error vector.
  • the third processing unit 23 carries out the following calculation with the matrix A: With the help of this embodiment of the neural network, incorrect or unavailable pollutant data of the pollutant vector and weather data of the weather vector can be masked out in a simple manner.
  • the masking vectors are used for this.
  • the subscript gives the Ze itpoint for the calculation.
  • the index y indicates that it is the masking vector for the pollutant vector.
  • the index y indicates that this is the further masking vector for the weather vector.
  • FIG. 4 shows a further embodiment of a neural network which has a basic structure in accordance with FIG. In contrast to the neural network in FIG.
  • the error vectors of the first processing unit 22 and the second processing unit 25 are added in the third processing unit 23 with a negative sign to the temporally preceding state vector s t ⁇ 3 .
  • a storage function based on LSTM is carried out.
  • the memory function is implemented in a form that is based on the LSTM memory function by Sepp Hochreiter, Jürgen Schmidhuber, as described in "Long short-term memory” in Neural Computation (journal), vol. 9, Issue 8, pp. 1735-1780, 1997.
  • the result of the processing by the third processing unit 23 then yields the chronologically following state vector s t-2 , which is again stored in the memory unit 26 .
  • FIG. 5 shows a schematic representation as a further embodiment of the structure of a closed, deep, historically consistent neural network (deep historical cal Consistent Neural Network DHCNN), which can be implemented in the form of hardware and/or software in a computer.
  • DHCNN deep historical cal Consistent Neural Network
  • This embodiment has three neural networks NN, NN', NN" layered on top of one another with essentially the same structure as the neural network in FIG .
  • the structures for processing weather data are not shown in any of the three networks NN, NN', NN". They can, however, be provided in the same way as in the previous figures.
  • the neural network NN on the lower layer is in Structure and technical design up to time t + 1 identical to the neural networks described so far. It is used to predict future pollutant values based on the measured and predicted values processed up to time t.
  • the two additional neural networks NN', NN" arranged above it.
  • This layering can be continued indefinitely and leads to active operation to more and more precise estimates of the error pattern to be assumed with the highest probability over time up to time t.
  • These calculation methods are carried out successively on each layer for the various points in time t - n to t.
  • calendar data eg days of the week or times
  • forecast weather vectors can be used for the calculation for the future points in time t ⁇ 1 to t+n, but not measured values, because from the time t + 1 no more measured emission values and weather values are available. But there is, for example, a weather forecast for the future.
  • the predicted weather values supplied in this way can continue to be treated like measured weather values and can be recorded and processed via the structures for processing weather data (not shown in this figure, as mentioned).
  • the lowest neural network NN only generates the predicted pollutant vector y t+1 at this point in time. This is fed to the processing unit 22' of the overlying neural network NN'.
  • the two further neural networks NN′, NN′′ only generate the correction vectors y′ t+1 , y′′ t+1 at this point in time in their respective processing units 26′, 26′′ and introduce these into their respective processing - agree 22', 22".
  • the processing unit 22' of the neural network NN' forms a corrected pollutant vector y t+1 +y' t+1 .
  • This vector is fed to the processing unit 22" of the overlying neural network NN" of the next higher layer, which forms the corrected pollutant vector y t+1 +y' t+1 +y" t+1 from it.
  • the neural network NN" is in this embodiment of the invention, the last of the further downstream neural networks NN', NN".
  • Nets NN, NN', NN" for future points in time from point in time t+2 are then calculated using the following formula:
  • the correction of the state vectors effected in this way means that inherently regular errors in the forecasts of the neural network NN are accurately reduced in the right direction because of the error pattern of the neural network mapped in the other neural networks NN and for the overlying layer of the error correction pattern of the neural network NN' is corrected in the direction of the error.
  • the further neural networks NN′, NN′′ generate error correction vectors which are aligned very precisely in the opposite direction in length and direction to the inherent error vector of the neural network NN.
  • Embodiments also Architectural Teacher Forcing ATF also over the forecast horizon.
  • the correction of the emission forecast over the forecast horizon starts from the uppermost HCNN.It is also possible to carry out the forecast with the estimated error from one or more underlying HCNNs correct.
  • 6 shows a further embodiment of a closed, deep, historically consistent neural network (Deep Historically Consistent Neural Network DHCNN), which has a basic structure in accordance with FIG can be realized in the form of hardware and/or software in a computer.
  • the extension with LSTM modules results in the same advantages at each level as when using only a single HCNN.
  • FIG. 7 shows an exemplary embodiment of the function of the third processing unit 23, in which a storage function for the state vector is achieved beyond the directly following calculation step.
  • a corrected state vector is supplied to the third processing unit 23, which in this exemplary embodiment contains the state vector s t , the error vector for the pollutants and the error vector for the weather data.
  • the index bar on the state vector s' in this exemplary embodiment is not used to distinguish between different vectors of different layers, but rather to distinguish between an uncorrected and a corrected one Vector.
  • the corrected state vector is calculated using the following formula: At the first n observables, the corrected state vector has the observables estimated by the neural network at time t minus the respective pollutant value of the error vector, which the first processing unit 22 generates. were averaged. At the last m observables, the corrected state vector has the observables estimated at time t minus the respective weather value of the error vector of the weather data, which was determined by the second processing unit 25 .
  • the third processing unit 23 determines the following from the corrected state vector the formula for the state vector for the time t:
  • the matrix used so far is denoted by A.
  • a diagonal matrix is denoted by D, which causes at least partial forwarding of the state vector to at least one subsequent calculation step in the neural network.
  • the values of the elements of the diagonal matrix are learned during training of the neural network.
  • the diagonal matrix D is a square matrix in which all elements off the main diagonal have the value zero. Diagonal matrices are therefore only determined by specifying their main diagonals. At the start of the training, the elements lying on the main diagonal of the diagonal matrix D are given values between 0 and 1.
  • the diagonal matrix D can, for example, have up to 250 or more elements, ie weight factors D ii on the main diagonal.
  • the corrected state vector is described with the following formula: This results in the state vector s t+1 for the time t+1 according to the following formula:
  • the values of the state vector are at least partially taken into account in more than one subsequent calculation step.
  • the consideration of the values of the state vector decreases over time. Tests have shown that the memory function can lead to a further improvement in the prediction of pollutant values, especially for longer periods of time.
  • Activation functions other than the hyperbolic tangent function (tanh) can also be used in the neural networks of FIGS.
  • neural networks that represent a combination of the neural networks of FIGS. 2 to 7 can also be used.
  • FIG. 8 shows a program sequence for a method for controlling traffic in a road network in a schematic representation.
  • pollutant values are recorded using sensors.
  • the pollutant values can represent, for example, a nitrogen oxide concentration, a sulfur dioxide concentration, an ammonia concentration, non-methane volatile organic compounds, a carbon monoxide concentration, a carbon dioxide concentration, a fine dust concentration PM10 and/or a fine dust concentration PM2.5.
  • weather data are recorded with the aid of sensors at a subsequent program point 110 .
  • the weather data can include air pressure, temperature, wind speed, humidity, wind direction and/or precipitation.
  • This weather data has a measurable influence on a pollutant concentration in the air and is therefore particularly meaningful for predicting the development of a pollutant value in the air.
  • other weather data can also be recorded.
  • time and the day of the week of the measurements and the specified local area for which the measurements apply are recorded.
  • weather data is forecast for a future period.
  • the future weather data can include the following parameters: air pressure, temperature, wind speed, humidity, wind direction and/or precipitation.
  • the future forecast of the weather data can cover a future period of minutes, hours or even days, in particular up to 5 days or more.
  • the measured pollutant values, the measured weather data and the forecast future weather data are transmitted to a computer.
  • the weather data forecast for the future can also be transmitted to the computer from a central weather service, for example.
  • the computer uses a software and/or hardware structure to execute one of the neural networks described in FIGS. It is assumed that the neural network has already been trained accordingly at this point in time, so that the weighting factors of the matrix ⁇ and, depending on the network, the weighting factors of the diagonal matrix ⁇ are already available for the present system with the pollutant values to be predicted and the measured weather data and have been optimized according to the forecast weather data.
  • the computer receives information from the sensors, for example, about which of the transmitted pollutant values and/or weather data are missing or defective in order to be able to form the masking vectors for the neural network according to the embodiment in FIG.
  • the computer can use plausibility checks, for example, to check whether the values for the measured weather data and/or pollutant values supplied by the sensors or the future estimated weather data are defective. If the sensor values are missing, the computer recognizes that the sensor data is missing. If there is no sensor data, the values 0 are set at the corresponding positions of the masking vector. Consequently, in the case of a vector multiplication in the fourth processing unit 27, the corresponding correction values supplied by the first processing unit are then set to the value 0 and are therefore not used for the further calculation, ie they are masked out. If the sensor data are correct, then the value 1 is stored at the corresponding positions of the masking vector.
  • the corresponding correction values supplied by the first processing unit are then multiplied by the value 1 and thus used for further calculation and forwarded to the third processing unit 23 .
  • the program then branches to program point 150, at which the query is made as to whether a specified minimum number of calculations was carried out with the neural network in the past. If this is not the case, the program branches back to program point 100 and further measurements and calculations are carried out. For example, the number of calculations into the past can be fixed over a period of several hours or several days. In addition, calculations can typically can be performed for every hour. The pollutant values and/or weather data averaged over an hour can be used for the calculations of the neural networks.
  • program point 160 branches off.
  • the computer uses one of the neural networks described to determine at least one pollutant value, in particular several pollutant values, for a specified future period of time.
  • the future period can be up to hours, days or even more than five days.
  • the pollutant values can be determined for each hour over the specified future period of, for example, 5 days.
  • the nitrogen oxide concentration, the sulfur dioxide concentration, the ammonia concentration, volatile organic compounds without methane, fine dust concentration PM10, the carbon monoxide concentration, the carbon dioxide concentration and/or the fine dust concentration PM2.5 can be calculated as pollutant values.
  • the pollutant values predicted for the future period can be output at a subsequent program point 170 .
  • the pollutant values can be compared with specified limit values. If the comparison shows that at least one of the pollutant values exceeds the limit value specified for the pollutant value in the future period, a control command can be generated by the computer at a subsequent program point 180 and output.
  • the limit values can be stored in a data memory of the computer.
  • the control command can, for example, be information to be sent to signal systems to divert traffic, for example in order to prevent a limit value for a pollutant value from being exceeded in the future in a defined local area.
  • control values can also be transmitted directly to vehicles, so that the vehicles avoid a predetermined local area in order to prevent a predicted exceeding of a limit value of a pollutant value.
  • Rules and regulations for deriving the control commands depending on the limit values are also stored in a data memory of the computer.
  • the computer thus represents a control unit which is designed to output control commands for controlling road traffic.
  • the pollutant values predicted by the neural network for the future are compared with specified limit values for the pollutant values and corresponding control commands are generated depending on defined rules.
  • the rules and the limit values are stored in a data memory of the computer.
  • the control commands can be transmitted directly to signal systems, ie to traffic lights, in order to control the traffic in such a way that the pollutant values for a given local area are reduced.
  • the control unit can thus be designed to directly control signal systems for controlling road traffic.
  • the control commands can also be transmitted directly to the vehicles, with the information that specified local areas are, for example, completely blocked or may only be driven through at reduced speed or only by specified vehicle types, such as electric vehicles.
  • diesel vehicles or trucks for example, can be blocked as a separate group of vehicles from entering a predetermined location.
  • a dynamic system can include, for example, a mechanical structure, an electrical network, a machine, a conveyor system, a package sorting system, a production line, such as those used in the manufacture of automobiles, one from the Process engineering known dosing or a biological process.
  • the dynamic behavior of control engineering systems can also be measured and thus predicted by the invention.
  • Other applications and areas of application of the invention can be derived by a person skilled in the art from these application examples without departing from the protective scope of the invention.
  • a direct connection to sensors with which measured values are collected directly during the operation of a system is not required for a complete implementation of the invention.
  • the measured values can also be collected at an earlier point in time or they can also have been generated artificially because one wants to examine the behavior of a hypothetical system which, for example, is only planned but not yet produced. It is evident that considerable savings of valuable resources can be achieved by avoiding prototypes.
  • a control signal generated by the invention is applied to the system automatically by a machine control device or manually by human intervention, because this represents only one step downstream of the invention, which ever when executed, can represent a separate invention on its own or in conjunction with the invention – seen in this way, which is prior – but is not essential for the completeness of the invention.
  • Such an application of the invention to a system can be the influencing of a traffic flow, which is carried out by way of example, in order to counteract a future increase in a pollutant value in a local area.
  • many other similar influences on systems are possible based on the technical teaching according to the invention and the forecasts and control signals resulting therefrom, which can be carried out automatically, mechanically or manually by appropriately instructed people.
  • this time component is of particular importance because of the inherent latency with which the system reacts to changes in system parameters, especially when adverse developments can only be counteracted preventively because a correction is not possible more is possible when the proverbial child has fallen into the well and damage has already occurred.
  • the consideration of at least one predicted system parameter for the future period to be forecast is not essential for the invention, because the invention already makes a forecast from the time profile of a series of measured values of a system alone for the future behavior of the system can be derived.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)

Abstract

Die Erfindung betrifft insbesondere eine computerimplementierte technische Lehre zur Vorhersage von wenigstens einem Schadstoffwert in der Luft durch ein neuronales Netz für einen festgelegten zukünftigen Zeitraum, wobei das neuronale Netz eine Korrelation zwischen Schadstoffwerten und Wetterdaten in Abhängigkeit von der Zeit abbildet, zumindest ein weiteres neuronales Netz ein Abweichungsmuster zwischen in einem vergangenen Zeitraum vorhergesagten und gemessenen Werten ermittelt und der für den zukünftigen Zeitraum vorhergesagte Schadstoffwert mit Hilfe einer von dem zumindest einen weiteren neuronalen Netz vorhergesagten Abweichung korrigiert wird.

Description

Beschreibung Ermittlung einer Prognose für einen Zeithorizont in der Zu- kunft auf Basis eines Zeithorizonts aus der Vergangenheit, insbesondere Vorhersage eines Schadstoffwertes in der Luft Eine Aufgabe der Erfindung ist die maschinelle Berechnung ei- ner verlässlichen Prognose wenigstens eines zukünftigen Wer- tes einer Systemvariablen, wenn ein langer Zeithorizont aus der Vergangenheit betrachtet werden muss, um einen langen Zeithorizont in der Zukunft zu prognostizieren (im weiteren auch wahlweise als "Vorhersage" bzw. "vorhersagen" bezeich- net). Die Erfindung betrifft insbesondere ein Verfahren zur Vorhersage von wenigstens einem Schadstoffwert in der Luft, ein Verfahren zum Trainieren eines neuronalen Netzes und eine Steuereinheit, die ausgebildet ist, Steuerbefehle für die Steuerung eines Straßenverkehrs auszugeben. Sie ist jedoch nicht auf diese Anwendungen beschränkt, sondern kann immer dann besonders vorteilhaft zum Einsatz kommen, wenn Daten aus einem Zeithorizont aus der Vergangenheit zu Verfügung stehen, die Abhängigkeiten zwischen Systemvariablen mit Hilfe von Messwerten beschreiben, so dass mit Hilfe von Daten für einen Zeithorizont in der Zukunft, die nur einen Teil der Systemva- riablen beschreiben, wenigstens eine Systemvariable vorherge- sagt werden kann, für die keine Daten für einen Zeithorizont in der Zukunft zur Verfügung stehen. Im weiteren wird diese Erfindung vor allem am Beispiel der hochkomplexen, zeitabhängigen Korrelation zwischen Wetter, Emissionen und davon abhängiger Luftverschmutzung beschrie- ben. Diese Korrelation ist dabei nicht zwingend ausschließ- lich auf diese Parameter beschränkt, sondern kann in diesem Beispiel auch von vielen weiteren Faktoren wie zum Beispiel der Landschaftsform oder der Bebauung abhängen. Soweit diese jedoch keinen Niederschlag in Messwerten finden, stellen die- se für die Erfindung Non-Observable dar, deren Einfluss auf die Korrelation, wenn überhaupt, nur anderweitig berücksich- tigt werden kann. Eine Aufgabe der Erfindung mit Blick auf diese Anwendung be- steht darin, die Technologien zur Bereitstellung einer Vor- hersage einer Luftverschmutzung bzw. zur Steuerung des Stra- ßenverkehrs weiterzuentwickeln, um insbesondere eine Über- schreitung von Grenzwerten für Schadstoffwerte der Luft zu vermeiden. Dazu ist im Stand der Technik unter anderem be- kannt, gegenwärtige Schadstoffwerte für die Luftverschmutzung zu erfassen und bei Überschreiten einer Grenze der Luftver- schmutzung den Straßenverkehr zu begrenzen. Die Erfindung löst die Aufgaben durch die nachfolgend be- schriebenen und insbesondere durch die in den Patentansprü- chen gefassten technischen Lehren. Ein zugrundeliegendes technisches Problem ist die Vorhersage von Luftverschmutzung an einem festgelegten Standort auf Ba- sis von historischen Daten. Das Ziel ist eine Vorhersage über verschiedene Emissionsgrößen zu erhalten, wie z.B. Stickoxide oder Feinstaub, auf Basis von Emissionen aus der nahen Ver- gangenheit und optional deren Einflussgrößen (z.B. Wetterda- ten). Eine Schwierigkeit, eine Vorhersage über verschiedene Emissi- onsgrößen, wie z.B. Stickoxide oder Feinstaub, an einem fest- gelegten Standort auf Basis von historischen Emissionsdaten aus der nahen Vergangenheit und optional deren Einflussgrößen (z.B. Wetterdaten) zu erhalten, liegt darin, dass nicht alle externen Einflussgrößen bekannt sind. Eine Möglichkeit ist, deren Einfluss auf die zu erwarteten Emissionen stattdessen zu schätzten. Hierfür kann beispielsweise ein Teil der nahen Vergangenheit betrachtet werden, um Rückschlüsse auf die Ent- wicklung von nicht observablen Größen – wie beispielsweise von verschiedenen, voneinander unabhängigen Prozessen wie z.B. industrieller Luftverschmutzung, Emissionen durch den Verkehr, Verkehrsfluss, lokale Wetterbedingungen - tätigen zu können. Eine weitere Herausforderung ist die Berechnung verlässlicher Prognosen, wenn ein langer Zeithorizont aus der Vergangenheit betrachtet werden muss, um einen langen Zeithorizont in der Zukunft vorherzusagen. Weiterhin handelt es sich bei Luftqualitätsdaten um heteroge- ne Zeitreihendaten. Die Luftqualität ist abhängig von ver- schiedenen, voneinander unabhängigen Prozessen wie z.B. in- dustrieller Luftverschmutzung oder Emissionen durch den Ver- kehr. Diesen Prozessen können unterschiedliche physikalische und chemische Mechanismen zugrunde liegen. Zudem haben sie auf unterschiedlichen Zeitskalen Auswirkungen auf die Schad- stoffemissionen. Es wird ein computerimplementiertes Verfahren zur Vorhersage von wenigstens einem Schadstoffwert in der Luft vorgeschla- gen. Dazu wird ein neuronales Netz verwendet, das eine Korre- lation zwischen Schadstoffwerten und Wetterdaten in Abhängig- keit von der Zeit abbildet. Von diesem neuronalen Netz werden gemessene Wetterdaten und Schadstoffwerte der Luft für einen festgelegten vergangenen Zeitraum und wenigstens ein vorher- gesagtes Wetterdatum für einen zukünftigen Zeitraum verwen- det, um für den zukünftigen Zeitraum wenigstens einen, zu dem vorhergesagten Wetterdatum korrelierenden Schadstoffwert der Luft vorherzusagen. Von zumindest einem weiteren neuronalen Netz wird ein Abweichungsmuster zwischen in einem vergangenen Zeitraum vorhergesagten und gemessenen Werten ermittelt und der für den zukünftigen Zeitraum vorhergesagte Schadstoffwert mit Hilfe einer von dem weiteren neuronalen Netz vorhergesag- ten Abweichung korrigiert. Diese technische Lehre ermöglicht erstmals auch ein Architectural Teacher Forcing (ATF) über den Gegenwartszeitpunkt hinaus. Das weitere neuronale Netz ist so ausgestaltet, dass es in Kenntnis eines eventuell be- stehenden Fehlervektors des neuronalen Netzes einen Fehler- korrekturvektor bildet, dessen Ausrichtung und Länge mög- lichst in Gegenrichtung zu dem eventuell bestehenden Fehler- vektor steht. Abhängig von der gewählten Ausführungsform sind die gemesse- nen Wetterdaten für einen festgelegten Ortsbereich bestimmt worden. Zudem sind abhängig von der gewählten Ausführungsform die gemessenen Schadstoffwerte für den festgelegten Ortsbe- reich gemessen worden. Weiterhin sind vorzugsweise die vor- hergesagten Wetterdaten für den bestimmten Ortsbereich vor- hergesagt worden. Ein festgelegter Ortsbereich kann z.B. ein beliebig festgelegter Teilbereich einer Stadt, insbesondere ein Stadtviertel oder auch nur eine Straße oder ein Straßen- abschnitt sein. Zudem kann ein festgelegter Ortsbereich auch eine größere Fläche, insbesondere eine Stadt oder einen Land- kreis umfassen. Mithilfe des neuronalen Netzes ist es möglich, anhand der in der Vergangenheit gemessenen Wetterdaten und anhand der in der Vergangenheit gemessenen Schadstoffwerte für die Zukunft eine Vorhersage für die Entwicklung des Schadstoffwertes zu treffen. Diese Vorhersage wird insbesondere dadurch verbes- sert, dass für den zukünftigen Zeitraum vorhergesagte Wetter- daten berücksichtigt werden. Versuche haben gezeigt, dass sich insbesondere folgende Wet- terdaten für eine gute Vorhersage des Schadstoffwertes der Luft eignen: Luftdruck, Temperatur, Windgeschwindigkeit, Luftfeuchtigkeit, Windrichtung und Niederschlag. Diese Wet- terdaten haben einen messbaren Einfluss auf eine Schadstoff- konzentration in der Luft und sind deshalb besonders aussage- kräftig, um die Entwicklung eines Schadstoffwertes der Luft vorherzusagen. In einer einfachen Ausführungsform wird we- nigstens eines der Wetterdaten verwendet, um den Schadstoff- wert vorherzusagen. Je mehr verschiedene Wetterdaten verwen- det werden, umso genauer ist die Vorhersage des Schadstoff- wertes. Zudem ist die Vorhersage der zukünftigen Schadstoff- werte umso genauer, je länger der vergangene Zeitraum ist, für den die Wetterdaten berücksichtigt werden. Zur Reduzie- rung der Datenmenge können für festgelegte Zeiträume gemit- telte Werte von Wetterdaten verwendet werden. In einer weiteren Ausführungsform werden mehrere geschichtete weitere neuronale Netze vorgesehen, wobei von den weiteren neuronalen Netzen der nachgeordnete Schichten jeweils anhand der von der vorhergehenden Schichten ermittelten Abweichungen ein schichtspezifisches Abweichungsmuster der jeweils vorher- gehenden Schicht erstellt und der von dem neuronalen Netz vorhergesagte Schadstoffwert mit Hilfe zumindest einer der Abweichungen korrigiert wird, die von den nachgeordneten wei- teren neuronalen Netzen vorhergesagt werden. Auf diese Weise wird die erfindungsgemäße Fehlerkorrekturtechnologie zur Re- duzierung eines Residuums (= Abweichung von einem gewünschten Ergebnis) auf die Fehlerkorrektur selbst angewendet und mit- hin ein der Fehlerkorrektur eventuell inhärent anhaftender systemimmanenter Fehler durch Korrelation erfasst. Diese Selbstanwendung kann auf beliebig viele Schichten ausgedehnt werden, wodurch die Fehlerkorrektur immer feiner wird. Das neuronale Netz der zweiten Schicht erfasst und prognostiziert dabei den Korrekturfehler des neuronalen Netzes der ersten Schicht, das neuronale Netz der dritten Schicht den des neu- ronalen Netzes der zweiten Schicht, das neuronale Netz der vierten Schicht den des neuronalen Netzes der dritten Schicht und so weiter und so fort ... In einer weiteren Ausführungsform werden mehrere geschichtete weitere neuronale Netze vorgesehen, wobei von den weiteren neuronalen Netzen der nachgeordneten Schicht jeweils anhand der von den vorhergehenden Schichten ermittelten Abweichungen ein schichtspezifisches Abweichungsmuster der jeweils vorher- gehenden Schicht erstellt und der von dem neuronalen Netz vorhergesagte Schadstoffwert mit Hilfe der Abweichung korri- giert wird, die von dem letzten nachgeordneten weiteren neu- ronalen Netz vorhergesagt wird. Dies ist eine bevorzugte Aus- führungsform. Sie optimiert Rechenaufwand, Komplexität und Qualität der Fehlerkorrektur. In einer weiteren Ausführungsform wird als vorhergesagtes Wetterdatum, das für den zukünftigen Zeitraum verwendet wird, wenigstens eines der folgenden Wetterdaten verwendet: Luft- druck, Temperatur, Windgeschwindigkeit, Luftfeuchtigkeit, Windrichtung und Niederschlag. Diese Wetterdaten sind auch für den zukünftigen Zeitraum als vorhergesagte Wetterdaten gut geeignet, um die Entwicklung des Schadstoffwertes in der Luft für die Zukunft mithilfe des neuronalen Netzes vorherzu- sagen. Die für die Zukunft vorhergesagten Wetterdaten können beispielsweise vom Server eines Wettervorhersagedienstes be- reitgestellt oder mithilfe eines weiteren neuronalen Netzes von einem Computer oder Server berechnet werden. Weiterhin haben Versuche gezeigt, dass die Berücksichtigung der Uhrzeit und/oder der Wochentage, zu denen die Wetterdaten und/oder die Schadstoffwerte gemessen werden, eine Verbesse- rung für die Vorhersage der Schadstoffwerte für die Zukunft ermöglichen. Insbesondere die Schadstoffwerte können eine ho- he Abhängigkeit von der Uhrzeit und vom Wochentag aufweisen, da die Schadstoffwerte von Fahrzeugen des Straßenverkehrs, von Fabriken oder von der Landwirtschaft erzeugt werden. Im Straßenverkehr, in den Fabriken und in der Landwirtschaft werden abhängig vom Wochentag und/oder von der Tageszeit un- terschiedliche Mengen und unterschiedliche Arten von Schad- stoffen erzeugt. Weiterhin hat sich gezeigt, dass auch die Wetterdaten eine Korrelation zu Tageszeiten und somit zu den Uhrzeiten aufwei- sen. Durch die Berücksichtigung der Uhrzeiten und/oder der Wochentage, zu denen die Wetterdaten und/oder die Schadstoff- werte gemessen werden, kann eine weitere Verbesserung einer präzisen Vorhersage der Luftschadstoffe für die Zukunft er- reicht werden. Das beschriebene Verfahren eignet sich insbesondere dazu, um eine Stickoxidkonzentration, eine Schwefeldioxidkonzentrati- on, eine Ammoniakkonzentration, flüchtige organische Verbin- dungen ohne Methan, eine Kohlenmonoxidkonzentration, Kohlen- dioxidkonzentration und/oder eine Feinstaubkonzentration für die Zukunft als Schadstoffwerte vorherzusagen. Bei der Feinstaubkonzentration kann beispielsweise ein PM10 Wert (PM10 = „particulate matter“ mit Durchmesser kleiner 10 µm) oder ein PM2,5 Wert (PM2,5 = „particulate matter“ mit Durch- messer kleiner 2,5 µm) gut vorhergesagt werden. Die Schad- stoffwerte sind nicht abschließend, sondern es können weitere Schadstoffwerte mithilfe des beschriebenen Verfahrens vorher- gesagt werden. Beispielsweise können die Wetterdaten und/oder die Schad- stoffwerte entweder jede Stunde gemessen oder über eine Stun- de gemittelt werden und als Wert für eine Stunde erfasst und vom neuronalen Netz berücksichtigt werden. Es kann mithilfe des beschriebenen Verfahrens eine Schätzung und eine Vorher- sage der Schadstoffwerte der Luft über einen zukünftigen Zeitraum von bis zu fünf Tagen oder länger ermittelt werden. Dabei kann die Vorhersage der Schadstoffwerte für die nächs- ten fünf Tage z.B. für jede Stunde erfolgen. Versuche haben gezeigt, dass es vorteilhaft ist, wenn der vergangene Zeit- raum, in dem die gemessenen Wetterdaten und die gemessenen Schadstoffwerte erfasst und vom neuronalen Netz berücksich- tigt wurden, wenigstens zweimal so lang ist, wie der zukünf- tige Zeitraum, für den die zukünftigen Schadstoffwerte ermit- telt werden. Weiterhin hat sich gezeigt, dass sich ein geschlossenes, his- torisch konsistentes neuronales Netz (Historical Consistent Neural Network HCNN) besonders eignet, um das beschriebene Verfahren durchzuführen. Eine weitere Verbesserung der Vorhersage der Schadstoffwerte für die Zukunft kann dadurch erreicht werden, dass vom neuro- nalen Netz für die Vorhersage des Schadstoffwertes eine Ab- weichung zwischen den gemessenen Wetterdaten und den vom neu- ronalen Netz für die jeweiligen Zeitpunkte des vergangenen Zeitraums vorhergesagten, d.h. prädizierten Wetterdaten be- rücksichtigt wird. Die Abweichung kann z.B. als Differenz zwischen dem gemessenen Wetterdatum und dem vorhergesagten Wetterdatum berücksichtigt werden. Mit Hilfe dieser Maßnahme kann eine interne Anpassung des neuronalen Netzes bei jedem Zeitpunkt, zu dem eine Ermittlung des Wetterdatums für den vergangenen Zeitraum erfolgt, durchgeführt werden. Zudem kann für eine Verbesserung der Vorhersage des Schad- stoffwertes vom neuronalen Netz eine Abweichung zwischen den vorhergesagten Wetterdaten und vom neuronalen Netz vorherge- sagten Wetterdaten während des zukünftigen Zeitraumes berück- sichtigt werden. Die Abweichung kann z.B. als Differenz zwi- schen dem vorhergesagten Wetterdatum und dem neuronalen Netz vorhergesagten Wetterdatum berücksichtigt werden. Auf diese Weise wird eine verbesserte Vorhersage der Schadstoffwerte erreicht. Mit Hilfe dieser Maßnahme kann eine interne Anpas- sung des neuronalen Netzes bei jedem Zeitpunkt, zu dem eine Ermittlung des Schadstoffwertes für den vergangenen Zeitraum erfolgt, durchgeführt werden. Eine weitere Verbesserung des Verfahrens wird dadurch er- reicht, dass vom neuronalen Netz bei der Vorhersage des Schadstoffwertes für den zukünftigen Zeitraum eine Abweichung zwischen den gemessenen Schadstoffwerten und den von neurona- len Netz vorhergesagten Schadstoffwerten während des vergan- genen Zeitraums berücksichtigt wird. Die Abweichung kann z.B. als Differenz zwischen dem gemessenen Schadstoffwert und dem vorhergesagten Schadstoffwert berücksichtigt werden. Auch mit dieser Maßnahme wird eine präzisere Vorhersage der Schad- stoffwerte für den zukünftigen Zeitraum ermöglicht. Mit Hilfe dieser Maßnahme kann eine interne Anpassung des neuronalen Netzes bei jedem Zeitpunkt, zu dem eine Ermittlung des zu- künftigen Schadstoffwertes erfolgt, durchgeführt werden. Eine weitere Verbesserung der Vorhersage der Schadstoffwerte wird dadurch erreicht, dass vom neuronalen Netz die Abwei- chung zwischen den Wetterdaten, die vom neuronalen Netz er- mittelt werden, und den gemessenen Wetterdaten und die Abwei- chung zwischen den vom neuronalen Netz ermittelten Schad- stoffwerten und den gemessenen Schadstoffwerten berücksich- tigt werden, um einen Schadstoffwert und/oder ein Wetterdatum für einen zukünftigen Zeitpunkt vorherzusagen. Somit können zu jedem Zeitpunkt, zu dem das neuronale Netz eine Berechnung für den zukünftigen Schadstoffwert durchführt, die Abweichun- gen für die Wetterdaten und für die Schadstoffwerte berück- sichtigt werden. Eine Erweiterung des Verfahrens wird dadurch erreicht, dass der wenigstens eine Schadstoffwert und das wenigstens eine Wetterdatum mit weiteren Nicht-Observablen in einem Zustands- vektor vom neuronalen Netz verarbeitet werden. Nicht- Observable sind versteckte Variablen, die nicht beobachtet werden können. Somit kann die gesamte Modellierung im neuro- nalen Netz erfolgen. Es müssen keine sekundären Abbildungen zum Beispiel zur Codierung des Wettereinflusses erlernt wer- den. Dadurch verringert sich die Trainingszeit des neuronalen Netzes. Insbesondere der Aufbau des historischen konsistenten neuro- nalen Netzwerkes (Closed Historical Consistent Neural Network HCNN), wie in den Figuren 2 bis 5 dargestellt, erlaubt es, das Netzwerk auf einfache Weise zu erweitern. Die Grundarchi- tektur des Netzwerkes kann also modular erweitert werden, oh- ne dass das gesamte Modellierungsproblem neu formuliert wer- den muss. Eine einfache Anpassung kann durch eine Erweiterung von Eingabedaten einer Verfügbarkeitsmaske erreicht werden. Eine Modellierung der Schadstoffwerte und/oder der Wetterda- ten erlaubt es, unzuverlässige Sensordaten zu verarbeiten. Dabei können nicht nur fehlende Sensordaten teilweise kompen- siert, sondern auch systematische Fehler zum Beispiel in den gemessenen und extern prognostizierten Wetterdaten korrigiert werden. Diese Eigenschaft kann zum Beispiel genutzt werden, um lokale Abweichungen von einer großräumigen Wettervorhersa- ge zu modellieren. Insgesamt wird somit der Prognoseprozess stabilisiert und die Prognosequalität verbessert. Mithilfe des beschriebenen Verfahrens können genauere und stabilere Modelle zur Prognose von Schadstoffemissionen er- lernt werden. Die Prognosemodelle können auch in Umgebungen mit unzuverlässiger Sensorik oder Problemen bei der Daten- übertragung genutzt werden. In einer weiteren Ausführungsform verwendet das neuronale Netz bei einem Ausfall von zu messenden Wetterdaten und/oder bei einem Ausfall von zu messenden Schadstoffwerten und/oder bei einem Ausfall von vorherzusagenden Wetterdaten anstelle der ausgefallenen Wetterdaten und/oder Schadstoffwerten und/oder vorhergesagten Wetterdaten vorhergesagte Wetterdaten und/oder vorhergesagte Schadstoffwerte, die vom neuronalen Netz in einem vorhergehenden Berechnungsschritt selbst vor- hergesagt wurden. Somit können fehlende Sensordaten bei- spielsweise aufgrund eines Ausfalls eines Sensors oder auf- grund einer fehlerhaften Datenübertragung zwischen den Senso- ren, die die Wetterdaten und Schadstoffwerte erfassen, und dem Computer, der das Verfahren durchführt, ausgeglichen wer- den. Auf diese Weise ist es möglich, selbst bei einem zeitlich längeren Ausfall von gemessenen Wetterdaten und/oder von ge- messenen Schadstoffwerten und/oder von zukünftigen vorherge- sagten Wetterdaten eine gute Vorhersage für die zukünftige Entwicklung der Schadstoffwerte zu erreichen. In einer weiteren Ausführungsform wird eine Verbesserung des Verfahrens dadurch erreicht, dass wenigstens ein Teil des Zu- standsvektors wenigstens teilweise nicht nur bei einem fol- genden Berechnungsschritt, sondern auch bei wenigstens einem übernächsten Berechnungsschritt oder weiteren in der Zukunft liegenden Berechnungsschritten wenigstens teilweise berück- sichtigt wird. Im einfachsten Fall kann der gesamte Zustands- vektor wenigstens teilweise bei dem folgenden Berechnungs- schritt berücksichtigt werden. In einer Ausführung werden neuronalen Netz die Observablen und die Nicht-Observablen des Zustandsvektors wenigstens teilweise bei einem folgenden Be- rechnungsschritt berücksichtigt. Die Art und Weise der Be- rücksichtigung des Zustandsvektors bei folgenden Berechnungs- schritten kann in einer einfachen Ausführung mithilfe einer Matrixmultiplikation mit einer trainierten Diagonalmatrix D erreicht werden. Versuche haben gezeigt, dass es vorteilhaft ist, wenn sich der Anteil des Zustandsvektors mit der Anzahl der in der Zu- kunft liegenden Berechnungsschritte reduziert. Somit wird ei- ne Art Gedächtnisfunktion in Form einer LSTM-Speicherfunktion realisiert. Die Speicherfunktion kann beispielsweise durch die Verwendung einer Diagonalmatrix im neuronalen Netz darge- stellt werden. In einer weiteren Ausführungsform wird abhängig von dem vom neuronalen Netz vorhergesagten Schadstoffwert für die Zukunft ein Steuersignal zur Beeinflussung eines Verkehrsflusses er- zeugt und ausgegeben, um eine zukünftige Erhöhung des Schad- stoffwertes insbesondere in dem festgelegten Ortsbereich we- nigstens zu verlangsamen. Durch die Vorhersage des zukünfti- gen Schadstoffwertes kann bereits vor dem tatsächlichen Er- reichen des zukünftigen Schadstoffwertes eine Beeinflussung des Verkehrsflusses durchgeführt werden. Somit kann effizien- ter auf eine drohende Überschreitung des Grenzwertes für we- nigstens einen Schadstoffwert reagiert werden. Insbesondere bei der Vorhersage von Schadstoffwerten über einen zukünfti- gen Zeitraum von einem oder mehreren Tagen kann rechtzeitig eine Beeinflussung des Verkehrsflusses durchgeführt werden, damit vorgegebene Grenzwerte der Schadstoffwerte nicht über- schritten werden. Zur Beeinflussung des Verkehrsflusses können beispielsweise Signalanlagen, insbesondere Ampelanlagen, in der Weise ge- steuert werden, dass der Verkehrsfluss in einem festgelegten Ortsbereich reduziert wird. Zudem können beispielsweise be- stimmte Verkehrsteilnehmer wie Dieselfahrzeuge oder LKW um einen Ortsbereich herum gelenkt werden. Weiterhin können Fahrverbote für bestimmte Fahrzeuggruppen wie zum Beispiel Dieselfahrzeuge oder Lkws rechtzeitig ausgesprochen werden. Aufgrund des langen zukünftigen Zeitraums, über den die Schadstoffwerte vorhergesagt werden können, der beispielswei- se bis zu fünf Tage betragen kann, können sich Verkehrsteil- nehmer rechtzeitig auf Fahrverbote oder Sperrungen von Orts- bereichen einstellen. Es wird ein Verfahren zum Trainieren eines neuronalen Netzes zur Vorhersage wenigstens eines Schadstoffwertes in der Luft für einen festgelegten Ortsbereich für einen zukünftigen Zeitraum vorgeschlagen. Das neuronale Netz wird mit gemesse- nen Wetterdaten für den Ortsbereich für einen festgelegten vergangenen Zeitraum und mit gemessenen Schadstoffwerten der Luft für den festgelegten Ortsbereich für den vergangenen Zeitraum und mit für einen zukünftigen Zeitbereich vorherge- sagten Wetterdaten für den festgelegten Ortsbereich trai- niert. Beim Training des neuronalen Netzes werden die für den zukünftigen Zeitraum vorhergesagten Schadstoffwerte mit den dann tatsächlich in der Zukunft gemessenen Schadstoffwerten verglichen. Aus dem Vergleich wird mithilfe eines Backpropa- gation-Verfahrens eine Anpassung der Variablen des neuronalen Netzes, das heißt insbesondere eine Anpassung der Elemente einer Matrix ^^ und vorzugsweise der Elemente einer Diagonal- matrix ^^ durchgeführt. Die Anpassung wird in der Weise durchgeführt, dass das neuronale Netz die in der Zukunft ge- messenen Schadstoffwerte präziser prognostiziert. Es wird ein neuronales Netz bereitgestellt, das in Hardware und/oder Software realisiert ist und die mit Verweis auf das Verfahren beschriebenen Eigenschaften und Strukturen aufweist. Es werden insbesondere als gemessene Wetterdaten für den ver- gangenen Zeitraum wenigstens eines der folgenden Wetterdaten verwendet: Luftdruck, Temperatur, Windgeschwindigkeit, Luft- feuchtigkeit, Windrichtung und Niederschlag, und/oder wobei als vorhergesagte Wetterdaten für den zukünftigen Zeitraum wenigstens eines der folgenden Wetterdaten verwendet wird: Luftdruck, Temperatur, Windgeschwindigkeit, Luftfeuchtigkeit, Windrichtung und Niederschlag. In einer weiteren Ausführungsform des vorgeschlagenen Verfah- rens zum Trainieren des neuronalen Netzes werden beim Trai- ning für die Vorhersage des Schadstoffwertes für den zukünf- tigen Zeitraum eine Abweichung zwischen erlernten Wetterdaten und gemessenen Wetterdaten während des vergangenen Zeitraumes berücksichtigt. In einer weiteren Ausführungsform des vorgeschlagenen Verfah- rens zum Trainieren des neuronalen Netzes werden beim Trai- ning für die Vorhersage des Schadstoffwertes für den zukünf- tigen Zeitraum eine Abweichung zwischen erlernten Wetterdaten und vorhergesagten Wetterdaten während des zukünftigen Zeit- raumes berücksichtigt. Eine weitere Ausführungsform der Erfindung betrifft ein com- puterimplementiertes Verfahren zur Vorhersage von wenigstens einem Schadstoffwert der Luft für einen zukünftigen Zeitraum mit einem neuronalen Netz, dessen Gewichtungsfaktoren zumin- dest eine Korrelation zwischen Schadstoffwerten und Wetterda- ten in Abhängigkeit von der Zeit abbildet, wobei ^ von dem neuronalen Netz gemessene Wetterdaten und Schad- stoffwerte der Luft für einen festgelegten vergangenen Zeitraum und wenigstens ein vorhergesagtes Wetterdatum für einen zukünftigen Zeitraum verwendet werden, um für den zukünftigen Zeitraum wenigstens einen, zu dem vor- hergesagten Wetterdatum korrelierenden Schadstoffwert der Luft vorherzusagen; ^ zumindest teilweise die jeweilige Abweichung zwischen den für den vergangenen Zeitraum gemessenen Schadstoff- werten und von dem neuronalen Netz ermittelten Schad- stoffwerten ermittelt wird; ^ von zumindest einem weiteren neuronalen Netz anhand der ermittelten Abweichungen ein Abweichungsmuster ermittelt wird; ^ von dem weiteren neuronalen Netz auf Basis des ermittel- ten Abweichungsmusters für den zukünftigen Zeitraum we- nigstens ein Abweichungswert vorhergesagt wird; und ^ der von dem neuronalen Netz vorhergesagte Schadstoffwert mit Hilfe des von dem weiteren neuronalen Netz vorherge- sagten Abweichungswerts korrigiert wird. Ein einer Ausführungsform des computerimplementierten Verfah- rens sind mehrere geschichtete weitere neuronale Netze vorge- sehen, wobei von den weiteren neuronalen Netzen der nachge- ordneten Schichten anhand der von den jeweils vorhergehenden Schichten ermittelten Abweichungen ein schichtspezifisches Abweichungsmuster der jeweils vorhergehenden Schicht erstellt und der von dem neuronalen Netz vorhergesagte Schadstoffwert mit Hilfe von zumindest einem der Abweichungswerte korrigiert wird, die von den nachgeordneten weiteren neuronalen Netzen vorhergesagt werden. Ein einer weiteren Ausführungsform des computerimplementier- ten Verfahrens wird der von dem neuronalen Netz vorhergesagte Schadstoffwert mit Hilfe von dem zumindest einen Abweichungs- wert korrigiert, die von dem letzten nachgeordneten weiteren neuronalen Netz vorhergesagt wird. Ein einer weiteren Ausführungsform des computerimplementier- ten Verfahrens werden zusätzlich zu den gemessenen Wetterda- ten und/oder den gemessenen Schadstoffwerten die Uhrzeiten und/oder Wochentage, zu denen die Wetterdaten und/oder die Schadstoffwerte gemessen wurden, vom neuronalen Netz berück- sichtigt. Ein einer weiteren Ausführungsform des computerimplementier- ten Verfahrens werden vom neuronalen Netz bei der Vorhersage des Schadstoffwertes eine Abweichung zwischen den vorherge- sagten Wetterdaten und vom neuronalen Netz ermittelten Wet- terdaten während des zukünftigen Zeitraumes berücksichtigt. Ein einer weiteren Ausführungsform des computerimplementier- ten Verfahrens werden bei einem Ausfall von zu messenden Wet- terdaten und/oder bei einem Ausfall von zu messenden Schad- stoffwerten und/oder bei einem Ausfall von vorherzusagenden Wetterdaten vom neuronalen Netz anstelle der zu messenden Wetterdaten und/oder anstelle der zu messenden Schadstoffwer- te und/oder anstelle der vorhergesagten Wetterdaten vom neu- ronalen Netz selbst vorhergesagte Wetterdaten und/oder vor- hergesagte Schadstoffwerte verwendet. Ein einer weiteren Ausführungsform des computerimplementier- ten Verfahrens wird abhängig von dem vorhergesagten Schad- stoffwert ein Steuersignal zur Beeinflussung eines Verkehrs- flusses erzeugt und ausgegeben, um eine zukünftige Erhöhung des Schadstoffwertes in dem Ortsbereich wenigstens zu ver- langsamen. Es wird ein Computer vorgeschlagen, der ausgebildet ist, um die beschriebenen Verfahren auszuführen. Weiterhin wird ein Computerprogrammprodukt vorgeschlagen, das Befehle umfasst, die bei der Ausführung des Programmes durch einen Computer diesen veranlassen, eines der beschriebenen Verfahren auszuführen. Weiterhin wird eine Steuereinheit vorgeschlagen, die ausge- bildet ist, um Steuerbefehle für die Steuerung eines Straßen- verkehrs auszugeben, wobei die Steuereinheit ein neuronales Netz aufweist. Das neuronale Netz ist ausgebildet, um wenigs- tens einen Schadstoffwert in der Luft für einen festgelegten Ortsbereich und für einen festgelegten zukünftigen Zeitraum vorherzusagen. Zudem weist das neuronale Netz einen Datenein- gang für wenigstens ein gemessenes Wetterdatum, für wenigs- tens einen gemessenen Schadstoffwert der Luft und für wenigs- tens ein zukünftiges vorhergesagtes Wetterdatum auf. Weiterhin weist das neuronale Netz Datenausgänge für wenigs- tens ein für einen zukünftigen Zeitraum zu ermittelnden Schadstoffwert und für wenigstens ein für den zukünftigen Zeitraum zu ermittelndes Wetterdatum auf. Die Steuereinheit ist ausgebildet, um abhängig vom ermittelten Schadstoffwert einen Steuerbefehl für die Steuerung des Straßenverkehrs zu ermitteln und auszugeben. Dadurch soll eine weitere Erhöhung des Schadstoffwertes, insbesondere eine Überschreitung eines vorgegebenen Grenzwertes verhindert werden. Zudem soll eine weitere Erhöhung des Schadstoffwertes wenigstens verlangsamt werden. Die Steuereinheit ist ausgebildet, um den Steuerbefehl an Signalanlagen eines Straßenverkehrssystems oder direkt an Fahrzeuge des Straßenverkehrs zu übermitteln. Zudem kann die Steuereinheit ausgebildet sein, um direkt die Signalanlagen des Straßenverkehrssystems und/oder die Fahrzeuge des Stra- ßenverkehrs zu steuern. Die oben beschriebenen Eigenschaften, Merkmale und Vorteile dieser Erfindung sowie die Art und Weise, wie diese erreicht werden, werden klarer und deutlicher verständlich im Zusam- menhang mit der folgenden Beschreibung der Ausführungsbei- spiele, die im Zusammenhang mit den Zeichnungen näher erläu- tert werden, wobei FIG 1 eine schematische Darstellung eines Ausschnittes eines Stadtbereiches mit einem Straßennetz und einer Infrastruktur zum Steuern des Verkehrs auf den Straßen, FIG 2 in einer schematischen Darstellung eine erste Ausfüh- rungsform eines neuronalen Netzes, FIG 3 in einer schematischen Darstellung eine zweite Ausfüh- rungsform eines neuronalen Netzes, FIG 4 in einer schematischen Darstellung eine dritte Ausfüh- rungsform eines neuronalen Netzes, FIG 5 in einer schematischen Darstellung eine vierte Ausfüh- rungsform eines neuronalen Netzes, FIG 6 in einer schematischen Darstellung eine fünfte Ausfüh- rungsform eines neuronalen Netzes, FIG 7 eine schematische Darstellung der Speicherfunktion der dritten Ausführungsform des neuronalen Netzes und FIG 8 einen schematischen Programmablauf zur Durchführung des beschriebenen Verfahrens darstellt. FIG 1 zeigt in einer schematischen Darstellung einen Aus- schnitt eines Stadtbereiches 1, der in festgelegte Ortsberei- che 2, 3, 4, 5 unterteilt ist. Die Ortsbereiche sind schema- tisch in Form von Quadraten dargestellt, können jedoch auch andere Formen aufweisen. Durch den dargestellten Stadtbereich verlaufen Straßen 6, 7, 8, 9, die sich kreuzen oder ineinan- der münden. An den Kreuzungen und Einmündungen sind Signalan- lagen 10 angeordnet, die beispielsweise in Form von Ampelan- lagen ausgebildet sind. Die Signalanlagen 10 sind ausgebil- det, um den Verkehrsfluss der Fahrzeuge an den Kreuzungen und Einmündungen nach vorgegebenen Parametern zu steuern. Weiter- hin sind an Kreuzungen oder Einmündungen Computer 11 vorgese- hen, die die Signalanlagen 10 steuern. Es sind Sensoren 12 in den Ortsbereichen angeordnet, mit de- nen Wetterdaten und/oder Schadstoffwerte erfasst werden kön- nen. Als Wetterdaten können beispielsweise der Luftdruck, die Temperatur, die Windgeschwindigkeit, die Luftfeuchtigkeit, die Windrichtung und/oder ein Niederschlag erfasst werden. Zudem können mithilfe der Sensoren 12 Schadstoffwerte wie beispielsweise eine Stickoxidkonzentration, eine Schwefeldio- xidkonzentration, eine Ammoniakkonzentration, flüchtige orga- nische Verbindungen ohne Methan, eine Kohlenmonoxidkonzentra- tion, eine Kohlendioxidkonzentration und/oder eine Feinstaub- konzentration erfasst werden. Als Feinstaubkonzentration kann beispielsweise eine PM10-Konzentration oder eine PM2,5- Konzentration erfasst werden. Für die Bestimmung der PM10-Konzentration werden Partikel er- fasst, die den Größen selektierenden Lufteinlass eines Mess- gerätes passieren, der für einen aerodynamischen Durchmesser von bis zu 10 Mikrometer für PM10 beziehungsweise von bis zu 2,5 Mikrometer für PM2,5 eine Abscheidewirksamkeit von 50 % aufweist. Abhängig von der gewählten Ausführungsform können auch andere Schadstoffwerte mithilfe der Sensoren erfasst werden. Weiterhin ist ein zentraler Computer 13 vorgesehen. Der zent- rale Computer 13 kann die Messwerte der Sensoren 12 bei- spielsweise drahtlos oder drahtgebunden empfangen. Ebenso können die Computer 11 ausgebildet sein, um die Messwerte der Sensoren 12 drahtlos oder drahtgebunden zu empfangen. In ana- loger Weise sind die Sensoren 12 ausgebildet, um die Messwer- te drahtlos oder drahtgebunden an die Computer 11 oder den zentralen Computer 13 zu übermitteln. Abhängig von der ge- wählten Ausführungsform können die gemessenen Wetterdaten und/oder die gemessenen Schadstoffwerte auch von weiteren Da- tenquellen wie zum Beispiel einem weiteren Computer oder Ser- ver dem zentralen Computer 13 und/oder den Computern 11 zur Verfügung gestellt werden. Bei den zur Verfügung gestellten Wetterdaten ist zusätzlich die Information enthalten, für welchen Ortsbereich oder für welche Ortsbereiche die Wetter- daten gelten. In analoger Weise wird auch bei den zur Verfü- gung gestellten Schadstoffwerten die Information übermittelt, für welchen Ortsbereich die Schadstoffwerte gelten. Somit übermitteln die Sensoren 12 nicht nur die Wetterdaten und/oder die Schadstoffwerte, sondern auch die eigene Ortspo- sition beziehungsweise den Ortsbereich, in dem sich die Sen- soren befinden. Auf diese Weise können die von den Sensoren übermittelten Wetterdaten und/oder Schadstoffwerte einem festgelegten Ortsbereich zugeordnet werden. Jeder Computer 11 und/oder der zentrale Computer 13 können ein neuronales Netz aufweisen, das in Hardware und/oder in Software realisiert ist. Dabei können die neuronalen Netze einem der neuronalen Netze entsprechen, die mithilfe der fol- genden Figuren 2 bis 5 erläutert werden. FIG 2 zeigt in einer schematischen Darstellung eine Struktur eines geschlossenen, historisch konsistenten neuronalen Net- zes, wobei die Funktionsweise des Netzes für zeitlich aufei- nander folgende Berechnungsschritte dargestellt ist. Es ist schematisch ein Zeitstrahl für die Zeit t dargestellt, wobei die Zeit t nach rechts in die Zukunft führt. Es sind jeweils Zeitpunkte t-3, t-2, t-1, t, t+1, t+2 für Berechnungsschritte des neuronalen Netzes dargestellt. Der zeitliche Verlauf startet in dem dargestellten Ausführungsbeispiel mit dem Zeitpunkt t-3 und geht über die Zeitpunkte t-2, t-1, zum ge- genwärtigen Zeitpunkt t.
Zudem ermittelt das neuronale Netz auch für zukünftige Zeitpunkte t + 1 und t + 2 sowohl einen Zustandsvektor st+1 als auch wenigstens einen Schadstoffwert yt+i, insbesondere einen Schadstoffwertvektor yt+1. Die gewählte Darstellung ist in Bezug auf die Anzahl der Berechnungszeitpunkte t nur schema- tisch dargestellt, da die Zeitpunkte, zu denen Berechnungen durchgeführt werden, sich bei realen Fällen von einem Zeit- punkt von t — 288 bis zu einem Zeitpunkt von t + 144 erstrecken können .
Das neuronale Netz verwendet einen Zustandsvektor st , der ne- ben Nicht-Observablen, d.h. versteckten Variablen eine fest- gelegte Anzahl von Observablen, d.h. messbaren Größen auf- weist. Bei einem Startpunkt 40 des Verfahrens werden die Wer- te der Observablen und der Nicht-Observablen des Zustandsvek- tors mit Startwerten belegt. Die Startwerte können z.B. zu- fällig ermittelte Werte zwischen -1 und 1 sein. In dem darge- stellten Beispiel wird auf diese Weise zum Zeitpunkt t — 3 der Zustandsvektor so erhalten, der die Startwerte für die Obser- vablen und die Nicht-Observablen aufweist und als Zustands- vektor st-3 bezeichnet ist und in einer Speichereinheit 26 ge- speichert wird. Der Index t-3 gibt den Zeitpunkt für den Be- rechnungsschritt an.
Zudem werden zum Zeitpunkt t-3 über einen ersten Dateneingang 21 wenigstens ein Schadstoffwert, insbesondere mehrere Schad- stoffwerte verschiedener Schadstoffe in Form eines Schad- stoffvektors
Figure imgf000021_0001
mit mehreren Schadstoffwerten eingelesen. Die Schadstoffwerte der verschiedenen Schadstoffe, die über den ersten Dateneingang 21 zugeführt werden, stellen von Sen- soren gemessene Schadstoffwerte dar. Die gemessenen Schad- stoffwerte werden mit einem negativen Vorzeichen einer ersten Verarbeitungseinheit 22 zugeführt. Zudem wird eine oberste erste festgelegte Anzahl n von Observablen des Zustandsvek- tors st-3 ebenfalls der ersten Verarbeitungseinheit 22 zuge- führt. Die erste festgelegte Anzahl n entspricht der Anzahl der Schadstoffwerte des Schadstoffvektors
Figure imgf000022_0002
Die erste Verarbeitungseinheit 22 ermittelt jeweils die Dif- ferenz zwischen dem gemessenen Schadstoffwert des Schadstof- fes des Schadstoffvektors und dem Wert der dem Schadstoff zugeordneten Observablen d
Figure imgf000022_0001
es Zustandsvektors. Für jeden Schadstoff weist der Zustandsvektor eine Observable auf. Die Differenzen zwischen jedem gemessenen Schadstoffwert jedes Schadstoffes des Schadstoffvektors und dem Wert der dem Schadstoff zugeordneten Observable
Figure imgf000022_0003
n des Zustandsvektors zum Zeitpunkt t - 3 werden als erster Fehlervektor mit negativen Kennzeichen einer dritten Verarbeitungseinheit 23 zugeführt. Zudem wird zum Zeitpunkt t-3 ein Wettervektor mit wenigs- tens einem Wetterwert wenigstens eines oder me
Figure imgf000022_0007
hrerer ver- schiedener Wetterdaten, die mithilfe von Sensoren gemessen wurden, über einen zweiten Dateneingang 24 dem neuronalen Netz zugeführt. Der Wettervektor des zweiten Dateneingan- ges 24 wird einer zweiten Verarbe
Figure imgf000022_0004
itungseinheit 25 mit negati- ven Vorzeichen zugeführt. Zudem wird der zweiten Verarbei- tungseinheit 25 eine entsprechende Anzahl von m letzten Ob- servablen des Zustandsvektors st-3 mit einem positiven Wert zugeführt. Für jedes Wetterdatum weist der Zustandsvektor ei- ne Observable auf. Die zweite Verarbeitungseinheit 25 bildet die Differenz für jeden der m Wetterwerte des Wettervektors mit der ent-
Figure imgf000022_0005
sprechenden Observablen des Zustandsvektors st-3. Die Diffe- renzen zwischen den gemessenen Wetterwerten der Wetterdaten des Wetterdatenvektors und den im Zustandsvektor zum
Figure imgf000022_0006
Zeitpunkt ^^ െ 3 abgespeicherten Observablen für die Wetterda- ten werden als zweiter Fehlervektor der dritten Verarbei- tungseinheit 23 zugeführt. Die dritte Verarbeitungseinheit 23 erhält zudem den Zustandsvektor st-3 übermittelt. Die dritte Verarbeitungseinheit 23 verwendet eine Aktvie- rungsfunktion, die in diesem Beispiel als Tangens hyperboli- cus Funktion (tan h) ausgebildet ist und führt folgende Be- rechnung durch:
Figure imgf000023_0001
bezeichnet eine diagonale negative Einheitsmatrix, de-
Figure imgf000023_0002
ren Dimension gleich der Dimension der Anzahl der Komponenten des jeweiligen Vektors ist, mit dem die Matrix multipliziert wird. Die ersten n diagonalen Elemente der Matrix weisen den Wert -1 auf. Alle anderen Werte der Matrix haben den Wert 0. bezeichnet eine diagonale negative Einheitsmatrix, deren
Figure imgf000023_0003
Dimension gleich der Dimension der Anzahl der Komponenten des jeweiligen Vektors ist, mit dem die Matrix multipliziert wird. Die letzten n diagonalen Elemente der Matrix weisen den Wert -1 auf. Alle anderen Elemente der Matrix haben den Wert 0. [ Id , 0] bezeichnet eine Matrix der Dimension m ∗ n ; m ≤ n, deren Anzahl n von Spalten gleich der Anzahl der Komponenten des jeweiligen Vektors ist, mit dem die Matrix multipliziert wird. Die ersten m diagonalen Elemente der Matrix bilden ei- ne diagonale positive Einheitsmatrix und weisen den Wert +1 auf. Alle anderen Werte der Matrix haben den Wert 0. [0 , Id] bezeichnet eine Matrix der Dimension m ∗ n ; m ≤ n, deren Anzahl n von Spalten gleich der Dimension der Anzahl der Komponenten des jeweiligen Vektors ist, mit dem die Matrix multipliziert wird. Die letzten m diagonalen Elemente der Matrix weisen den Wert +1 auf. Alle anderen Elemente der Mat- rix haben den Wert 0. Das Ergebnis der dritten Verarbeitungseinheit 23 wird als zeitlich folgender Zustandsvektor st-2 in die Speichereinheit 26 eingeschrieben. Der Zustandsvektor st-2 zum Zeitpunkt t- 2 wird nach folgender Formel von der dritten Verarbeitungseinheit 23 ermittelt:
Figure imgf000024_0001
Die dritte Verarbeitungseinheit 23 kann anstelle der Funktion tanℎ auch eine andere Aktivierungsfunktion, insbesondere eine Sigmoidfunktion verwenden. Die Matrix A ist eine zweidimensionale Matrix, die als Ele- mente Gewichtungsfaktoren aufweist. Die Matrix A wird wäh- rend des Trainings des neuronalen Netzes mit optimierten Ge- wichtungsfaktoren erstellt. Der Schadstoffvektor weist wenigstens einen Schadstoff- wert eines Schadstoff
Figure imgf000024_0002
es, insbesondere mehrere Schadstoffwerte verschiedener Schadstoffe auf, an dem die Schadstoffwerte er- fasst wurden. Der tiefgestellte Index t-3 gibt den Zeitpunkt an, für den die Schadstoffwerte ermittelt wurden. Der Schad- stoffvektor kann z.B. folgende Schadstoffwerte aufwei- sen:
Figure imgf000024_0003
(Stickstoffoxidkonzentration, Schwefeldioxidkonzentra-
Figure imgf000024_0004
tion, Ammoniakkonzentration, flüchtige organische Verbindun- gen ohne Methan, Kohlenmonoxidkonzentration, Kohlendioxidkon- zentration, Feinstaubkonzentration P10, Feinstaubkonzentrati- on P2,5) Der Wettervektor weist wenigstens einen Wetterwert für ein Wetterdatum,
Figure imgf000024_0005
insbesondere mehrere Wetterwerte verschiede- ner Wetterdaten auf. Der Index t-3 gibt den Zeitpunkt an, für den die Wetterdaten verwendet werden. Zudem kann der Wetter- vektor eine Vielzahl von Vektordaten und die Uhrzeit, zu der die Wetterdaten erfasst wurden und den Wochentag, zu dem die Wetterdaten erfasst wurden, aufweisen. Beispielsweise kann der Wettervektor folgende Wetterdaten aufweisen: = (Luftdruck, Temperatur, Windgeschwindigkeit, Luft-
Figure imgf000025_0001
feuchtigkeit, Windrichtung, Niederschlag, Uhrzeit, Wochentag) Der Zustandsvektor st-3 weist als Observablen und Nicht- Observablen beispielsweise folgende vorhergesagte bzw. prädi- zierte Daten auf: st-3 = (Stickstoffoxidkonzentration, Schwefeldioxidkonzentra- tion, Ammoniakkonzentration, flüchtige organische Verbindun- gen ohne Methan, Kohlenmonoxidkonzentration, Kohlendioxidkon- zentration, Feinstaubkonzentration PM10, Feinstaubkonzentra- tion PM2,5, , erste Nicht-Observable, zweite Nicht- Observable, ..., n-te Nicht-Observable, Luftdruck, Tempera- tur, Windgeschwindigkeit, Luftfeuchtigkeit, Windrichtung, Niederschlag, Uhrzeit der Erfassung der Wetterdaten, Tag der Erfassung der Wetterdaten) Somit weist der Zustandsvektor an einer ersten festgelegten Anzahl von n Positionen die vom neuronalen Netz vorhergesag- ten Schadstoffwerte der Schadstoffe auf. An einer festgeleg- ten Anzahl von letzten m Positionen weist der Zustandsvektor die vorhergesagten Wetterwerte der Wetterdaten auf. Somit werden in einem Zustandsvektor die messbaren Schadstoffwerte, die messbaren Wetterwerte und die versteckten, nicht messba- ren Nicht-Observablen integriert. Die erste Verarbeitungseinheit 22 verwendet die ersten n Ob- servablen des Zustandsvektors st-3, deren Anzahl gleich der Anzahl der Schadstoffwerte der Schadstoffe des Schadstoffvek- tors ist, ermittelt für jede Position eine Differenz zwisc
Figure imgf000025_0002
hen der Observablen und dem Schadstoffwert und gibt den Differenzvektor als Fehlervektor mit dem negativen Vorzeichen an die dritte Verarbeitungseinheit 23 weiter. Der Fehlervektor für die Schadstoffwerte kann folgendermaßen beschrieben werden:
Figure imgf000026_0001
In analoger Weise verwendet die zweite Verarbeitungseinheit 25 die letzten m Observablen des Zustandsvektors st-3 und er- mittelt für jede Observable die Differenz zu dem jeweiligen Wetterwert des Wertvektors Das Ergebnis wird als Feh- lervektor an die dritte Ve
Figure imgf000026_0003
rarbeitungseinheit 23 weitergege- ben. Der Fehlervektor für die Wetterdaten kann folgendermaßen be- schrieben werden: Diese Rechnung wird f
Figure imgf000026_0002
ür die folgenden Zeitpunkte t- 2 , t- 1 und ^^ wiederholt. Dabei werden jeweils zu den Zeitpunkten t- 2, t- 1 und t die gemessenen Schadstoffvektoren und die ge- messenen Wettervektoren über den ersten Dateneingang 21 be- ziehungsweise den zweiten Dateneingang 24 dem neuronalen Netz zugeführt und entsprechend dem beschriebenen Verfahren verar- beitet. Weiterhin werden für zukünftige Zeitpunkte t + 1 , t + 2 usw. die Berechnungen der zweiten Verarbeitungseinheit 25 und der dritten Verarbeitungseinheit 23 entsprechend dem beschriebe- nen Verfahren durchgeführt. Für die zukünftigen Zeitpunkte t+1 usw, werden jedoch keine Fehlervektoren mehr unter Be- rücksichtigung des Schadstoffvektors ermittelt. Sondern es werden die prognostizierten Schadstoffvektoren ausgegeben. Die Zustandsvektoren für die zukünftigen Zeitpunkte ab dem Zeitpunkt t+2 werden nach folgender Formel berechnet:
Figure imgf000027_0001
Zudem werden für die zukünftigen Zeitpunkte t + 1 , t + 2 usw. nicht die gemessenen Wetterdaten, sondern es werden prognos- tizierte Wetterdaten, d.h. für die Zukunft geschätzte Wetter- daten über die zweiten Dateneingänge 24 eingelesen. Die für die Zukunft für den festgelegten Ortsbereich geschätzten Wet- terdaten werden beispielsweise von einem zentralen Computer geliefert. Für die Zeitpunkte t + 1 usw. werden die ersten n Observablen des Zustandsvektors st+1, st+2 als für die Zeitpunkte t+1 usw. vorhergesagte Schadstoffwerte ausgegeben. Der zum Zeitpunkt t + 1 vom Computer ermittelte geschätzte Schadstoffvektor weist gemäß dem folgenden Beispiel Schad- stoffwerte für folgende Schadstoffe auf: yt+1 = (Stickoxidkonzentration, Schwefeldioxidkonzentration, Ammoniakkonzentration, flüchtige organische Verbindungen ohne Methan, Kohlenmonoxidkonzentration, Kohlendioxidkonzentrati- on, Feinstaubkonzentration P10, Feinstaubkonzentration P2,5) Versuche haben gezeigt, dass gute Ergebnisse mit einem Zu- standsvektor erreicht werden, der insgesamt eine Anzahl von etwa 50 Nicht-Observablen aufweist. Abhängig von der gewähl- ten Ausführungsform können auch mehr oder weniger Nicht- Observable verwendet werden. Je mehr Nicht-Observable verwen- det werden, umso größer ist die Matrix A und umso aufwendi- ger ist das Training des neuronalen Netzes. Das durch die Matrix A beschriebene neuronale Netz wird z.B. mit bekannten Trainingsverfahren wie beispielsweise Backpro- pagation trainiert, wobei die vom neuronalen Netz vorherge- sagten Schadstoffwerte bzw. Schadstoffvektoren mit den tat- sächlich auftretenden und gemessenen Schadstoffwerten bzw. Schadstoffvektoren verglichen werden. Diese Vergleichswerte entsprechen beispielsweise denen, die im operativen Betrieb der Erfindung in den Verarbeitungseinheiten 22, 25 gebildet werden. Beim Training werden die Gewichtsfaktoren der Matrix ^^ so lange optimiert, bis das neuronale Netz die Schadstoff- werte bzw. Schadstoffvektoren möglichst genau gemäß den ge- messenen Schadstoffwerten für die Zukunft ermittelt. Dieses Training kann beispielsweise auf Basis von verfügbaren, mehr- jährigen Datenreihen durchgeführt werden, in denen jeder Ein- trag beschreibt, welche Schadstoffwerte zu einer bestimmten Zeit für ein gegebenes Wetter gemessen worden sind. Dieses Training wird solange an unterschiedlichen Stellen der Trai- ningsdaten wiederholt, bis die jeweils ermittelten Ver- gleichswerte bestimmte Schwellwerte unterschreiten oder eine maximale Anzahl von Trainingszyklen erreicht ist. Bei ent- sprechender Modellierung der Eingabedaten entsteht auf diese Weise in der Matrix A eine Korrelation zwischen Zeit, Wetter und Schadstoffwerten. Man kann auch sagen, dass die Matrix A den Zusammenhang zwischen Zeit, Wetter und Schadstoffwerten darstellt. Alternativ kann man auch sagen, dass mit Hilfe der Matrix A eine Funktion bewirkt wird. Weiterhin wird durch dieses Training in den Gewichts- faktoren der Non-Observablen eine Schätzung von deren Ein- fluss auf die Schadstoffwerte gebildet. Wie bereits ausgeführt, können mithilfe einer derart trai- nierten Matrix A und dem dadurch definierten neuronalen Netz z.B. bis zu 288 Berechnungsschritte der Vergangenheit und bis zu 144 Berechnungsschritte in der Zukunft berechnet werden. Die Berechnungsschritte können beispielsweise jeweils für Zeitpunkte ausgeführt werden, die einen zeitlichen Abstand von jeweils einer Stunde aufweisen. FIG 3 zeigt eine weitere Ausführungsform eines neuronalen Netzes, das in Form von Hardware und/oder Software in einem Computer realisiert ist. Dabei weist das neuronale Netz im Wesentlichen die gleiche Struktur wie in FIG 2 auf. Jedoch ist der Ausgang der ersten Verarbeitungseinheit 22 nicht di- rekt mit der dritten Verarbeitungseinheit 23 verbunden ist, sondern steht mit einer vierten Verarbeitungseinheit 27 in Verbindung. Dabei führt die erste Verarbeitungseinheit 22 ei- ne Vektorsubtraktion durch, wobei die ersten n Observablen des Zustandsvektors st-3 mit den negativen Werten der n Kompo- nenten des Schadstoffvektors addiert werden. Das Ergeb- nis wird an die vierte Verarb
Figure imgf000029_0001
eitungseinheit 27 weitergegeben. Zudem wird über einen Eingang 28 ein Maskierungsvektor
Figure imgf000029_0002
zugeführt, der die Informationen enthält, welche der gemesse- nen Schadstoffwerte des Schadstoffvektors korrekt sind, und welche Schadstoffwerte fehlerhaft sind
Figure imgf000029_0003
oder fehlen. Der Maskierungsvektor kann z.B. von dem Computer oder dem zentra- len Computer erstellt werden, der die Signale der Sensoren überwacht oder die Werte der Sensoren mithilfe festgelegter Verfahren überprüft und verifiziert. Der Maskierungsvektor enthält für die Schadstoffwerte, die gemessen wurden, d
Figure imgf000029_0007
en Wert 1, und für die Schadstoffwerte, die nicht gemessen wurden oder die fehlerhaft sind, den Wert 0 an der entsprechenden Position des Maskierungsvektors auf. Die vierte Verarbeitungseinheit 27 führt eine Vektormultipli- kation mit dem Fehlervektor, der von der ersten Verarbei- tungseinheit 22 ausgegeben wird, und dem Maskierungsvektor durch. Das Ergebnis der Vektormultiplikation wird als Fehler- vektor mit negativen Kennzeichen an die dritte Verarbeitungs- einheit 23 weitergegeben. In analoger Weise werden die gemessenen Wettervektoren verarbeitet. Dabei führt die zweite Verarbeitungseinhei
Figure imgf000029_0004
t 25 eine Vektorsubtraktion durch, wobei die letzten m Observablen des Zustandsvektors st-3 mit den negativen Werten der m Kompo- nenten des Wettervektors addiert werden und das Ergebnis an die fünfte Verarbeitun
Figure imgf000029_0006
gseinheit 29 weiter gegeben wird. Die fünfte Verarbeitungseinheit 29 erhält über einen weiteren Eingang 30 einen weiteren Maskierungsvektor , der an- gibt, welche der Wetterdaten des Wettervekto
Figure imgf000029_0005
rs korrekt sind, und welche fehlerhaft sind oder nicht gemessen werden konn- ten. Für fehlerhafte und nicht gemessene Wetterdaten enthält der weitere Maskierungsvektor die Werte 0 und für ge- messene Wetterdaten erhält der
Figure imgf000030_0002
weitere Maskierungsvektor den Wert 1. Die fünfte Verarbeitungseinheit 29 führt eine Vektormultipli- kation mit dem weiteren Maskierungsvektor des weiteren Ein- gangs 30 und dem Fehlervektor durch, der von der zweiten Ver- arbeitungseinheit 25 übermittelt wurde. Das Ergebnis wird mit einem negativen Vorzeichen als Fehlervektor an die dritte Verarbeitungseinheit 23 übermittelt. Die dritte Verarbeitungseinheit 23 führt mit der Matrix A folgende Berechnung durch:
Figure imgf000030_0001
Mithilfe dieser Ausführungsform des neuronalen Netzes können auf einfache Weise fehlerhafte oder nicht zur Verfügung ste- hende Schadstoffdaten des Schadstoffvektors und Wetterdaten des Wettervektors ausgeblendet werden. Dazu werden die Mas- kierungsvektoren verwendet. Der tiefgestellte Index gibt den Ze
Figure imgf000030_0003
itpunkt für die Berechnung an. Der Index y gibt an, dass es sich um den Maskierungsvektor für den Schad- stoffvektor handelt. Der Index y gibt an, dass es sich um den weiteren Maskierungsvektor für den Wettervektor handelt. Diese Berechnungsverfahren werden sukzessive für die ver- schiedenen Zeitpunkte t - n bis t durchgeführt. Für die zu- künftigen Zeitpunkte t + 1 bis t + n werden, wie anhand des neuronalen Netzes der FIG 2 erläutert wurde, nur die prognos- tizierten Wettervektoren zur Berechnung ver- wendet. In analoger Weis
Figure imgf000030_0004
e sind auch für die zukünftigen Zeit- punkte weitere Maskierungsvektoren zum Ausblenden der nicht gemessenen beziehungsweise der fehlerhaften prognostizierten Wetterdaten der Wettervektoren vorgesehen. Ab dem Zeitpunkt t+2 führt die die dritte Verarbeitungsein- heit 23 mit der Matrix A folgende Berechnung durch:
Figure imgf000031_0001
FIG 4 zeigt eine weitere Ausführungsform eines neuronalen Netzes, das eine Grundstruktur gemäß der FIG 2 aufweist. Im Gegensatz zum neuronalen Netz der FIG 2 werden die Fehlervek- toren der ersten Verarbeitungseinheit 22 und der zweiten Ver- arbeitungseinheit 25 bei der dritten Verarbeitungseinheit 23 mit negativen Vorzeichen zu dem zeitlich vorhergehenden Zu- standsvektor st-3 addiert. Es wird eine an LSTM angelehnte Speicherfunktion ausgeführt. Die Speicherfunktion ist in ei- ner Form realisiert, die an die LSTM-Speicherfunktion von Sepp Hochreiter, Jürgen Schmidhuber angelehnt ist, wie in „Long short-term memory“ in Neural Computation (journal), vol. 9, Issue 8, S. 1735–1780, 1997 beschrieben ist. Das Ergebnis der Verarbeitung durch die dritte Verarbeitungs- einheit 23 ergibt dann den zeitlich folgenden Zustandsvektor st-2, der wieder in der Speichereinheit 26 abgelegt wird. Die- se Schritte werden für die aufeinander folgenden Zeitpunktet - 3 , t - 3 , t - 1 und t ausgeführt. Die Berechnungen der Ver- gangenheit können bis t-n Zeitpunkte zurückgehen. Zudem werden Berechnungen für die zukünftigen Zeitpunkte t +1, 2 + 1 usw. bis t + n ausgeführt. Dabei liegen jedoch nur noch die Fehlervektoren der vorhergesagten Wettervektoren vor. Die Fehlervektoren für die Schadstoffvektoren können für die in der Zukunft liegenden Berechnungszeitpunkte t+1 usw. nicht verwendet werden, da für die Zukunft keine gemessenen Schadstoffwerte vorliegen können. FIG 5 zeigt in einer schematischen Darstellung als eine wei- tere Ausführungsform die Struktur eines geschlossenen, tie- fen, historisch konsistenten neuronalen Netzes (Deep Histori- cal Consistent Neural Network DHCNN), das in Form von Hard- ware und/oder Software in einem Computer realisiert werden kann. Diese Ausführungsform weist drei aufeinander geschichtete neuronale Netze NN, NN', NN" auf mit im Wesentlichen gleicher Struktur wie das neuronale Netz in FIG 2, wobei wiederum die Funktionsweise der drei Netze NN, NN', NN" für zeitlich aufeinander folgende Berechnungsschritte dargestellt ist. Aus Gründen der Übersichtlichkeit sind in allen drei Netzen NN, NN', NN" die Strukturen für die Verarbeitung von Wetterdaten nicht dargestellt. Sie können jedoch in gleicher Weise wie in den vorhergehenden Figuren vorgesehen sein. Das neuronale Netz NN auf der unteren Schicht ist in Struktur und technischer Ausführung bis zum Zeitpunkt t + 1 identisch mit den soweit beschriebenen neuronalen Netzen. Es dient der Vorhersage von zukünftigen Schadstoffwerten auf Basis der bis zum Zeitpunkt t verarbeiteten Mess- und Vorhersagewerte. Die beiden darüber angeordneten weiteren neuronalen Netze NN', NN" unterscheiden sich von dem darunter liegenden neu- ronalen Netz NN darin, dass deren Verarbeitungseinheiten 22', 22" bis zum Zeitpunkt t anstelle der gemessenen Schad- stoffvektoren yd jeweils einen Vektor derjenigen Residuen (= Abweichungen vom gewünschten Ergebnis) zugeführt wird, die von der jeweils tiefer liegenden Schicht in der Verarbei- tungseinheit 22 bzw. 22' ermittelt werden. Mit Hilfe dieser Abweichungsvektoren und gegebenenfalls von gewünschten Ergeb- nissen werden während der Trainingsphase die beiden Matrizen A', A'' trainiert. Nach Abschluss des Trainings ist, jeweils in Abhängigkeit von dessen gemessenen Eingabewerten, in den Ge- wichtungsfaktoren des neuronalen Netzes NN' eine Korrelation des Fehlerkorrekturmusters des neuronalen Netzes A abgebil- det, und vice versa eine Schicht höher in den Gewichtungsfak- toren des neuronalen Netzes NN" eine Korrelation des Fehler- korrekturmusters des neuronalen Netzes NN'. Diese Schichtung lässt sich unendlich fortsetzen und führt während des opera- tiven Betriebs zu immer genaueren Abschätzungen des jeweils gerade mit höchster Wahrscheinlichkeit anzunehmenden Fehler- musters über die Zeit bis zum Zeitpunkt t. Diese Berechnungsverfahren werden auf jeder Schicht sukzessi- ve für die verschiedenen Zeitpunkte t - n bis t durchgeführt. Für die zukünftigen Zeitpunkte t - 1 bis t + n können, wie an- hand des neuronalen Netzes der FIG 2 erläutert wurde, kalen- darische Daten (z.B. Wochentage oder Uhrzeiten) und prognos- tizierten Wettervektoren zur Berechnung ver- wendet werden, nicht aber
Figure imgf000033_0001
gemessene Werte, weil ab dem Zeit- punkt t + 1 keine gemessenen Emissionswerte und Wetterwerte mehr vorliegen. Es gibt aber beispielsweise eine Wettervor- hersage für die Zukunft. Die dadurch gelieferten vorhergesag- ten Wetterwerte können wie in den vorherigen Ausführungsfor- men weiterhin wie gemessene Wetterwerte behandelt und über die (in dieser Figur wie gesagt nicht dargestellten) Struktu- ren zur Verarbeitung von Wetterdaten erfasst und verarbeitet werden. Ebenso generiert das unterste neuronale Netz NN in diesem Zeitpunkt erstmals nur noch den vorhergesagten Schad- stoffvektor yt+1. Dieser wird der Verarbeitungseinheit 22' des darüber liegenden neuronalen Netzes NN' zugeführt. Zu- sätzlich erzeugen die beiden weiteren neuronalen Netze NN', NN" zu diesem Zeitpunkt erstmals in ihren jeweiligen Verar- beitungseinheiten 26', 26" nur noch die Korrekturvektoren y't+1 , y"t+1 und führen diese ihren jeweiligen Verarbeitungsein- heiten 22', 22" zu. Die Verarbeitungseinheit 22' des neurona- len Netzes NN' bildet hieraus einen korrigierten Schad- stoffvektor yt+1 +y't+1. Dieser Vektor wird der Verarbeitungs- einheit 22" des darüber liegenden neuronalen Netzes NN" der nächsthöheren Schicht zugeführt, die daraus den korrigierten Schadstoffvektor yt+1 +y't+1 + y"t+1 bildet. Das neuronale Netz NN" ist in dieser Ausführungsform der Erfindung das letzte der nachgeordneten weiteren neuronalen Netze NN', NN". Mit Hilfe des von ihm gebildeten korrigierten Schadstoffvektors yt+1 +y't+1 + y"t+1 werden die Zustandsvektoren in den neurona- len Netzen NN, NN', NN" für die zukünftigen Zeitpunkte ab dem Zeitpunkt t+2 sodann nach folgender Formel berechnet: Im neuronalen Netz NN:
Figure imgf000034_0001
Im neuronalen Netz NN':
Figure imgf000034_0002
Im neuronalen Netz NN":
Figure imgf000034_0003
Die derart bewirkte Korrektur der Zustandsvektoren führt da- zu, dass inhärent regelmäßig vorhandene Fehler in den Progno- sen des neuronalen Netzes NN passgenau in die richtige Rich- tung reduziert werden, weil durch das in den weiteren neuro- nalen Netzen abgebildete Fehlermuster des neuronalen Netzes NN und für die darüber liegende Schicht des Fehlerkorrektur- musters des neuronalen Netzes NN' in Richtung des Fehlers korrigiert wird. Gemäß der Erfindung erzeugen die weiteren neuronalen Netze NN', NN" Fehlerkorrekturvektoren, die in Länge und Richtung sehr genau entgegengesetzt zu dem inhären- ten Fehlervektor des neuronalen Netzes NN ausgerichtet sind. Die in dieser Figur beschriebene Ausführungsform eines DHCNN ermöglicht im Unterschied zu den vorherigen Ausführungsformen auch Architectural Teacher Forcing ATF auch über den Progno- sehorizont. Die Korrektur der Emissionsprognose über den Prognosehorizont geht in diesem Beispiel jeweils vom obersten HCNN aus. Es ist auch möglich die Prognose mit dem geschätz- ten Fehler aus einem oder mehreren darunter liegenden HCNNs zu korrigieren. FIG 6 zeigt eine weitere Ausführungsform eines geschlossenen, tiefen, historisch konsistenten neuronalen Netzes (Deep His- torical Consistent Neural Network DHCNN), das in allen drei schematisch gezeigten neuronalen Netzen NN, NN', NN" eine Grundstruktur gemäß der FIG 4 aufweist und ebenfalls in Form von Hardware und/oder Software in einem Computer realisiert werden kann. Durch die Erweiterung mit LSTM-Modulen ergeben sich auf jeder Ebene dieselben Vorteile wie bei Nutzung nur in einem einzigen HCNN. Ebenso wie in der vorherigen Ausfüh- rungsform ist auch hier die Anzahl der weiteren neuronalen Netze NN', NN" nicht auf zwei beschränkt, sondern kann belie- big vergrößert werden. FIG 7 zeigt ein Ausführungsbeispiel für die Funktion der dritten Verarbeitungseinheit 23, bei der eine Speicherfunkti- on für den Zustandsvektors über den direkt folgenden Berech- nungsschritt hinaus erreicht wird. Der dritten Verarbeitungs- einheit 23 wird ein korrigierter Zustandsvektor zugeführt,
Figure imgf000035_0002
der in diesem Ausführungsbeispiel den Zustandsvektor st , den Fehlervektor für die Schadstoffe und den Fehlervektor für die Wetterdaten beinhaltet. Im Unterschied zu den zuvor beschrie- benen mehrschichtigen Ausführungsformen gemäß FIG 5 und FIG 6 dient der Indexstrich am Zustandsvektor s' in diesem Ausfüh- rungsbeispiels somit nicht der Unterscheidung zwischen ver- schiedenen Vektoren unterschiedlicher Schichten, sondern der Unterscheidung zwischen einem nicht korrigiertem und einem korrigierten Vektor. Der korrigierte Zustandsvektor wird nach folgender Formel be- rechnet:
Figure imgf000035_0001
Der korrigierte Zustandsvektor weist an den ersten n Ob- servablen die vom neuronalen Netz zum Zeitpunkt t geschätzten Observablen minus dem jeweiligen Schadstoffwert des Fehler- vektors auf, die von der ersten Verarbeitungseinheit 22 er- mittelt wurden. An den letzten m Observablen weist der korri- gierte Zustandsvektor die zum Zeitpunkt t geschätzten Obser- vablen minus dem jeweiligen Wetterwert des Fehlervektors der Wetterdaten auf, die von der zweiten Verarbeitungseinheit 25 ermittelt wurden. Aus dem korrigierten Zustandsvektor ermittelt die dritte Verarbeitungseinheit 23 nach folgen
Figure imgf000036_0002
der Formel den Zustands- vektor für den Zeitpunkt t:
Figure imgf000036_0001
Mit A ist die bisher verwendete Matrix bezeichnet. Mit D ist eine Diagonalmatrix bezeichnet, die eine wenigstens teilweise Weitergabe des Zustandsvektors zu wenigstens einem zeitlich folgenden Berechnungsschritt im neuronalen Netz bewirkt. Somit wird auf einfache Weise eine LSTM-Speicherfunktion be- wirkt. Die Werte der Elemente der Diagonalmatrix werden, wie die Elemente der Matrix A auch, während des Trainings des neuronalen Netzes erlernt. Die Diagonalmatrix D ist eine quadratische Matrix, bei der alle Elemente außerhalb der Hauptdiagonale den Wert Null aufweisen. Diagonalmatrizen sind deshalb allein durch die Angabe ihrer Hauptdiagonalen be- stimmt. Beim Start des Trainings werden für die Elemente, die auf der Hauptdiagonalen der Diagonalmatrix D liegen mit Wer- ten zwischen 0 und 1 belegt. Die Diagonalmatrix D kann bei- spielsweise bis zu 250 oder mehr Elemente, d.h. Gewichtsfak- toren Dii auf der Hauptdiagonalen aufweisen. Der korrigierte Zustandsvektor wird mit folgender Formel beschrieben:
Figure imgf000036_0004
Figure imgf000036_0003
Somit ergibt sich der Zustandsvektor st+1 für den Zeitpunkt t+1 nach folgender Formel: Mithilfe der
Figure imgf000037_0001
beschriebenen Speicherfunktion, die mithilfe der Diagonalmatrix D realisiert wird, werden die Werte des Zu- standsvektors wenigstens teilweise bei mehr als einen zeit- lich folgenden Berechnungsschritt berücksichtigt. Abhängig von der gewählten Ausführungsform ergibt sich dadurch eine mit der Zeit abnehmende Berücksichtigung der Werte des Zu- standsvektors. Versuche haben gezeigt, dass die Speicherfunk- tion zu einer weiteren Verbesserung der Vorhersage der Schad- stoffwerte insbesondere für längere Zeiträume führen kann. Auch bei den neuronalen Netzen der Figuren 2 bis 7 können an- dere Aktivierungsfunktionen als die Tangens hyperbolicus Funktion (tanh) verwendet werden. Abhängig von der gewählten Ausführungsform können auch neuro- nale Netze verwendet werden, die eine Kombination der neuro- nalen Netze der Figuren 2 bis 7 darstellen. Insbesondere kön- nen die Maskierungsvektoren auch bei dem neuronalen Netz der Figuren 4, 6 und 7 mit der LSTM-Speicherfunktion angewendet werden. FIG 8 zeigt in einer schematischen Darstellung einen Pro- grammablauf für ein Verfahren zum Steuern eines Verkehrs ei- nes Straßennetzes. Bei Programmpunkt 100 werden Schadstoffwerte mithilfe von Sensoren erfasst. Die Schadstoffwerte können beispielsweise eine Stickoxidkonzentration, eine Schwefeldioxidkonzentrati- on, eine Ammoniakkonzentration, flüchtige organische Verbin- dungen ohne Methan, eine Kohlenmonoxidkonzentration, eine Kohlendioxidkonzentration, eine Feinstaubkonzentration PM10 und/oder eine Feinstaubkonzentration PM2,5 darstellen. Zudem werden Wetterdaten mithilfe von Sensoren bei einem folgenden Programmpunkt 110 erfasst. Die Wetterdaten können z.B. Luft- druck, Temperatur, Windgeschwindigkeit, Luftfeuchtigkeit, Windrichtung und/oder Niederschlag sein. Diese Wetterdaten haben einen messbaren Einfluss auf eine Schadstoffkonzentra- tion in der Luft und sind deshalb besonders aussagekräftig, um die Entwicklung eines Schadstoffwertes der Luft vorherzu- sagen. Es können jedoch auch weitere Wetterdaten erfasst wer- den. Zudem werden die Uhrzeit und der Wochentag der Messungen und der festgelegte Ortsbereich, für den die Messungen gel- ten, erfasst. Bei einem folgenden Programmpunkt 120 werden für einen zu- künftigen Zeitraum Wetterdaten prognostiziert. Die zukünfti- gen Wetterdaten können folgende Parameter umfassen: Luft- druck, Temperatur, Windgeschwindigkeit, Luftfeuchtigkeit, Windrichtung und/oder Niederschlag. Die zukünftige Vorhersage der Wetterdaten kann einen zukünftigen Zeitraum von Minuten, Stunden oder auch Tagen, insbesondere bis zu 5 Tagen oder mehr umfassen. Bei einem folgenden Programmpunkt 130 werden die gemessenen Schadstoffwerte, die gemessenen Wetterdaten und die prognos- tizierten zukünftigen Wetterdaten an einen Computer übertra- gen. Die für die Zukunft vorhergesagten Wetterdaten können beispielsweise auch von einem zentralen Wetterdienst, an den Computer übermittelt werden. Bei einem Programmpunkt 140 verwendet der Computer eine Soft- ware- und/oder Hardware-Struktur, um eines der in den Figuren 2 bis 7 beschriebenen neuronalen Netze auszuführen. Es wird davon ausgegangen, dass zu diesem Zeitpunkt bereits das neuronale Netze entsprechend trainiert wurde, sodass die Gewichtungsfaktoren der Matrix ^^ und je nach Netz auch die die Gewichtungsfaktoren der Diagonalmatrix ^^ bereits für das vorliegende System mit den vorherzusagenden Schadstoffwerten und den gemessenen Wetterdaten und den vorhergesagten Wetter- daten optimiert wurden. Zudem erhält der Computer beispielsweise von den Sensoren die Information, welche der übermittelten Schadstoffwerte und/oder Wetterdaten fehlen beziehungsweise defekt sind, um die Maskierungsvektoren für das neuronale Netz gemäß der Aus- führungsform der FIG 3 bilden zu können. Weiterhin kann der Computer beispielsweise mithilfe von Plausibilitätsprüfungen überprüfen, ob die von den Sensoren gelieferten Werte für die gemessenen Wetterdaten und/oder Schadstoffwerte oder die zu- künftigen geschätzten Wetterdaten defekt sind. Fehlen die Werte der Sensoren, so erkennt der Computer ein Fehlen der Sensordaten. Bei fehlenden Sensordaten werden an den entspre- chenden Stellen des Maskierungsvektors die Werte 0 gesetzt. Folglich werden dann bei einer Vektormultiplikation in der vierten Verarbeitungseinheit 27 die entsprechenden Korrektur- werte, die von der ersten Verarbeitungseinheit geliefert wer- den auf den Wert 0 gesetzt und damit für die weitere Berech- nung nicht verwendet, d.h. ausgeblendet. Liegen korrekte Sensordaten vor, so sind an den entsprechen- den Stellen des Maskierungsvektors jeweils der Wert 1 abge- legt. Folglich werden dann bei einer Vektormultiplikation in der vierten Verarbeitungseinheit 27 die entsprechenden Kor- rekturwerte, die von der ersten Verarbeitungseinheit gelie- fert werden, mit dem Wert 1 multipliziert und damit für die weitere Berechnung verwendet und an die dritte Bearbeitungs- einheit 23 weiter geleitet. Anschließend wird zu Programmpunkt 150 verzweigt, bei dem die Abfrage erfolgt, ob eine festgelegte Mindestanzahl von Be- rechnungen in der Vergangenheit mit dem neuronalen Netz durchgeführt wurde. Ist dies nicht der Fall, so wird zu Pro- grammpunkt 100 zurückverzweigt und es werden weitere Messun- gen und Berechnungen durchgeführt. Beispielsweise kann die Anzahl der Berechnungen in die Ver- gangenheit über einen Zeitraum von mehreren Stunden oder meh- reren Tagen festgelegt sein. Zudem können Berechnungen typi- scherweise für jede Stunde durchgeführt werden. Für die Be- rechnungen der neuronalen Netze können die Schadstoffwerte und/oder Wetterdaten jeweils gemittelt über eine Stunde ver- wendet werden. Ergibt die Abfrage bei Programmpunkt 150, dass über den fest- gelegten vergangenen Zeitraum Berechnungen mit dem neuronalen Netz durchgeführt wurden, dann wird zu Programmpunkt 160 ver- zweigt. Bei Programmpunkt 160 ermittelt der Computer für einen fest- gelegten zukünftigen Zeitraum mithilfe eines der beschriebe- nen neuronalen Netze wenigstens einen Schadstoffwert, insbe- sondere mehrere Schadstoffwerte. Der zukünftige Zeitraum kann dabei bis zu Stunden, Tage oder auch mehr als fünf Tage be- tragen. Dabei können die Schadstoffwerte für jede Stunde über den festgelegten zukünftigen Zeitraum von beispielsweise 5 Tagen ermittelt werden. Als Schadstoffwerte können beispielsweise die Stickoxidkon- zentration, die Schwefeldioxidkonzentration, die Ammoniakkon- zentration, flüchtige organische Verbindungen ohne Methan, Feinstaubkonzentration PM10, die Kohlenmonoxidkonzentration, die Kohlendioxidkonzentration und/oder die Feinstaubkonzent- ration PM2,5 berechnet werden. Die für den zukünftigen Zeit- raum vorhergesagten Schadstoffwerte können bei einem folgen- den Programmpunkt 170 ausgegeben werden. Zusätzlich oder anstelle der Ausgabe kann bei Programmpunkt 170 ein Vergleich der Schadstoffwerte mit vorgegebenen Grenz- werten durchgeführt werden. Ergibt der Vergleich, dass we- nigstens einer der Schadstoffwerte den für den Schadstoffwert vorgegebenen Grenzwert in dem zukünftigen Zeitraum über- schreitet, so kann ein Steuerbefehl vom Computer bei einem folgenden Programmpunkt 180 generiert und ausgegeben werden. Die Grenzwerte können in einem Datenspeicher des Computers abgelegt sein. Der Steuerbefehl kann beispielsweise eine Information an Sig- nalanlagen sein, den Verkehr umzulenken, um beispielsweise in einem festgelegten Ortsbereich eine zukünftige Überschreitung eines Grenzwertes für einen Schadstoffwert zu verhindern. Zu- dem können die Steuerwerte auch direkt an Fahrzeuge übermit- telt werden, sodass die Fahrzeuge einen vorgegebenen Ortsbe- reich meiden, um eine vorhergesagte Überschreitung eines Grenzwertes eines Schadstoffwertes zu verhindern. Regeln und Vorschriften zum Ableiten der Steuerbefehle abhängig von den Grenzwerten sind ebenfalls in einem Datenspeicher des Compu- ters abgelegt. Somit stellt der Computer eine Steuereinheit dar, die ausge- bildet ist, um Steuerbefehle für die Steuerung eines Straßen- verkehrs auszugeben. Dazu werden die vom neuronalen Netz für die Zukunft vorhergesagten Schadstoffwerte mit vorgegebenen Grenzwerten für die Schadstoffwerte verglichen und abhängig von festgelegten Regeln entsprechende Steuerbefehle erzeugt. Die Regeln und die Grenzwerte sind in einem Datenspeicher des Computers abgelegt. Die Steuerbefehle können direkt an Sig- nalanlagen, das heißt an Ampeln, übermittelt werden, um den Verkehr in der Weise zu steuern, dass die Schadstoffwerte für einen vorgegebenen Ortsbereich reduziert werden. Somit kann die Steuereinheit ausgebildet sein, direkt Signalanlagen zur Steuerung des Straßenverkehrs zu steuern. Zudem können die Steuerbefehle auch direkt an die Fahrzeuge übermittelt werden, mit der Information, dass vorgegebene Ortsbereiche beispielsweise vollständig gesperrt sind oder nur mit reduzierter Geschwindigkeit oder nur von festgelegten Fahrzeugtypen, wie beispielsweise Elektrofahrzeugen, befahren werden dürfen. Zudem können beispielsweise Dieselfahrzeuge oder Lkws als separate Gruppe von Fahrzeugen für das Befahren eines vorgegebenen Ortsbereiches gesperrt werden. Die Erfindung ist, obwohl sie vor allem am Beispiel der hoch- komplexen, zeitabhängigen Korrelation zwischen Wetter, Emis- sionen und davon abhängiger Luftverschmutzung näher illus- triert und beschrieben wurde, nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen. So kann die Erfindung in jedem System angewendet werden, des- sen dynamisches Verhalten mit Hilfe von zumindest einer Serie von Messwerten messbarer Systemparameter, die über einen Zeitraum verteilt erhoben werden, beschrieben werden kann. Diese Voraussetzung erfüllen in der realen Welt viele dynami- sche Systeme, die in einer Wechselwirkung mit der Umwelt ste- hen. Ein dynamisches System kann ohne Anspruch auf Vollstän- digkeit beispielsweise ein mechanisches Gebilde, ein elektri- sches Netzwerk, eine Maschine, eine Förderanlage, eine Pa- ketsortieranlage, eine Produktionsstraße, wie sie z.B. in der Herstellung von Automobilen zum Einsatz kommen, eine aus der Verfahrenstechnik bekannte Dosieranlage oder ein biologischer Vorgang sein. Auch kann das dynamische Verhalten von Systemen der Regelungstechnik gemessen und so von der Erfindung prog- nostiziert werden. Andere Anwendungen und Anwendungsgebiete der Erfindung können vom Fachmann aus diesen Anwendungsbei- spielen abgeleitet werden, ohne den Schutzumfang der Erfin- dung zu verlassen. Dieses große, universelle Anwendungsspektrum der Erfindung erklärt sich unter anderem dadurch, dass die erfindungsgemäße technische Lehre, die sich durch die innovative Anordnung mehrerer Neuronaler Netzes und die innovative Funktion der der dem Neuralen Netz zu dessen Fehlerabschätzung und -korrektur nebengeordneten weiteren Neuralen Netze auszeich- net, spätestens mit Bereitstellung der Prognose abgeschlossen ist, wenn nicht sogar noch früher allein durch die Anordnung und funktionale Wirkverbindung der Neuronalen Netze. Für die vollständige Ausführung der Erfindung ist eine spezifische Anwendung auf ein bestimmtes System, die beispielsweise in einer Beeinflussung des Systems durch Erzeugung, Ausgabe und/oder Anwendung einer Steuersignals auf das System liegen kann, nicht erforderlich. Eine derartige nachgelagerte Anwen- dung auf ein System ist möglich, aber optional. Ebenso ist für eine vollständige Ausführung der Erfindung keine direkte Anbindung an Sensoren erforderlich, mit denen Messwerte un- mittelbar während des Betriebs eines Systems erhoben werden. Die Messwerte können auch zu einem früheren Zeitpunkt gesam- melt werden oder auch künstlich generiert worden sein, weil man das Verhalten eines hypothetischen Systems untersuchen möchte, das z.B. nur geplant, aber noch nicht hergestellt ist. Es ist evident, dass sich durch Vermeidung von Prototy- pen erhebliche Einsparungen von wertvollen Ressourcen erzie- len lassen. Es ist auch unerheblich bzw. unwesentlich für die Erfindung, ob ein von der Erfindung erzeugtes Steuersignal automatisiert durch eine maschinelle Steuervorrichtung oder manuell durch einen Eingriff eines Menschen auf das System angewendet wird, weil dies nur einen der Erfindung nachgelagerten Schritt dar- stellt, der je nach Ausführung für sich oder in Zusammenwir- kung mit der – so gesehen vorgelagerten - Erfindung eine ge- sonderte Erfindung darstellen kann, für die Vollständigkeit der Erfindung aber nicht wesentlich ist. Eine derartige An- wendung der Erfindung auf ein System kann die beispielhaft ausgeführte Beeinflussung eines Verkehrsstroms sein, um einer zukünftigen Erhöhung eines Schadstoffwerts in einem Ortsbe- reich entgegenzuwirken. Es sind aber viele andere gleicharti- ge Beeinflussungen von Systemen im Vertrauen auf die erfin- dungsgemäße technische Lehre und die daraus resultierenden Prognosen und Steuersignale möglich, die automatisiert ma- schinell oder manuell durch entsprechend instruierte Menschen durchgeführt werden können. Diese können, um einige ausge- wählte Beispiele für viele weitere zu nennen, eine Beiflus- sung der Geschwindigkeit von Transportbändern einer Paketsor- tieranlage sein, um einem prognostizierten zukünftigen Stau entgegenzuwirken; In einer Produktionsstraße für Automobile kann frühzeitig auf zukünftige Verknappungen von Bauteilen reagiert werden, um einem Stopp der Produktion entgegenzuwir- ken; In einem biologischen Vorgang kann dies eine Veränderung von Zutaten sein, um eine prognostizierte zukünftige Entwick- lung, die als unvorteilhaft angesehen wird, frühzeitig und vor allem rechtzeitig entgegenzuwirken. Wie bei vielen dyna- mischen Systemen ist diese zeitliche Komponente wegen der in- härenden Latenzzeit, mit dem das System auf Änderungen von Systemparametern reagiert, von besonderer Bedeutung, insbe- sondere dann, wenn nachteiligen Entwicklungen nur präventiv entgegengewirkt werden kann, weil eine Korrektur nicht mehr möglich ist, wenn das sprichwörtliche Kind in den Brunnen ge- fallen und ein Schaden bereits eingetreten ist. Für die Erfindung ist weiterhin auch die Berücksichtigung von zumindest einem vorhergesagten Systemparameter für den zu prognostizierenden zukünftigen Zeitraum, wie im obigen Aus- führungsbeispiel die Verwendung einer Wettervorhersage, nicht wesentlich, weil von der Erfindung bereits allein aus dem zeitlichen Verlauf einer Messwertserie eines Systems eine Prognose für das zukünftige Verhalten des Systems abgeleitet werden kann. Sie ist aber eine äußerst vorteilhafte Ausge- staltung der Erfindung zumindest auf diesem Anwendungsgebiet, weil so der Zeitpunkt von spontanen Änderungen des Wetters, die von einem neuronalen Netz allein aus einer Messreihe für einen vergangenen Zeitraum nicht prognostiziert werden könn- ten, in die Prognose einfließen können. Ebenso können auf gleiche Weise in anderen Anwendungen der Erfindung Systempa- rameter, für die es eine Vorhersage für einen zukünftigen Zeitraum gibt, für die erfindungsgemäße Prognose verwendet werden. Ein alternatives Beispiel hierfür könnte die Berück- sichtigung einer Vorhersage der zukünftigen Entwicklung der Umgebungstemperatur in einem biologischen Prozess sein, was vor allem dann besonders vorteilhaft sein könnte, wenn diese spontanen Schwankungen unterliegen kann und der vorhergesagte Zeitpunkt dieser spontanen Schwankungen einen Einfluss auf die Prognose hat.

Claims

Patentansprüche 1. Computerimplementiertes Verfahren zur Prognose von wenigs- tens einem Parameterwert eines Systems für einen zukünftigen Zeitraum, - mit einem neuronalen Netz, das durch Korrelation von Messwerten messbarer Systemparameter mit von dem neuro- nalen Netz prognostizierten Messwerten von diesen Sys- temparametern unter Berücksichtigung des Zeitpunkts der Messungen gelernt hat, Messwerte für den zukünftigen Zeitraum zu prognostizieren, - mit zumindest einem weiteren neuronalen Netz, das durch Korrelation von Prognosefehlern des neuronalen Netzes mit von dem weiteren neuronalen Netz prognostizierten Prognosefehlern des neuronalen Netzes unter Berücksich- tigung des Zeitpunkts der Prognosen gelernt hat, Progno- sefehler des neuronalen Netzes zu prognostizieren, wobei - von dem neuronalen Netz eine Serie von Messwerten für einen vergangenen Zeitraum verwendet wird, um den Para- meterwert des Systems für den zukünftigen Zeitraum zu prognostizieren, - von dem weiteren neuronalen Netz während der Verwendung der Messwerte zwischenzeitlich entstehende Prognosewerte des neuronale Netzes verwendet werden, um einen Progno- sefehler des neuronalen Netzes zu prognostizerien; und - der von dem neuronalen Netz prognostizierte Parameter- wert des Systems mit Hilfe des von dem weiteren neurona- len Netz prognostizierten Prognosefehler des neuronalen Netzes korrigiert wird.
2. Verfahren nach dem vorhergehenden Anspruch, bei dem mehre- re geschichtete weitere neuronale Netze vorgesehen sind, wo- bei von den weiteren neuronalen Netzen der nachgeordneten Schichten Prognosefehler der weiteren neuronalen Netze der jeweils vorhergehenden Schicht prognostiziert werden und der von dem neuronalen Netz prognostizierte Parameterwert des Systems mit Hilfe von zumindest einem der Prognosefehler kor- rigiert wird, die von den nachgeordneten weiteren neuronalen Netzen prognostiziert werden.
3. Verfahren nach dem vorhergehenden Anspruch, wobei der von dem neuronalen Netz prognostizierte Parameterwert des Systems mit Hilfe von dem zumindest einen prognostizierten Progno- sefehler korrigiert wird, die von dem letzten nachgeordneten weiteren neuronalen Netz vorhergesagt wird.
4. Verfahren nach einem der vorhergehenden Ansprüche, wobei bei einem Ausfall eines Messwerts von dem neuronalen Netz an- stelle des Messwerts der von dem neuronalen Netz prognosti- zierte Messwert verwendet wird.
5. Verfahren nach einem der vorhergehenden Ansprüche, wobei abhängig von dem korrigierten prognostizierten Parameterwert ein Steuersignal zur Beeinflussung des Systems erzeugt und ausgegeben wird.
6. Verfahren nach einem der vorhergehenden Ansprüche, wobei die messbaren Systemparameter Wetterdaten und Schadstoffwerte der Luft sind und der von dem neuronalen Netz prognostizierte Parameterwert des Systems ein Schadstoffwert der Luft ist.
7. Verfahren nach dem vorhergehenden Anspruch, wobei zusätz- lich zu den gemessenen Wetterdaten und/oder den gemessenen Schadstoffwerten die Uhrzeiten und/oder Wochentage, zu denen die Wetterdaten und/oder die Schadstoffwerte gemessen wurden, vom neuronalen Netz berücksichtigt werden.
8. Verfahren nach einem der vorhergehenden Ansprüche, wobei von dem neuronalen Netz neben der Serie von Messwerten für einen festgelegten vergangenen Zeitraum wenigestens ein vor- hergesagter Messwert für den zukünftigen Zeitraum verwendet wird, um den Parameterwert des Systems für den zukünftigen Zeitraum zu prognostizieren.
9. Verfahren nach dem vorhergehenden Anspruch, wobei der we- nigestens ein vorhergesagter Messwert für den zukünftigen Zeitraum ein Wetterdatum ist.
10. Verfahren nach nach dem vorhergehenden Anspruch, wobei vom neuronalen Netz bei der Vorhersage des Schadstoffwertes eine Abweichung zwischen den vorhergesagten Wetterdaten und vom neuronalen Netz ermittelten Wetterdaten während des zu- künftigen Zeitraumes berücksichtigt werden.
11. Verfahren nach einem der fünf vorhergehenden Ansprüche, wobei bei einem Ausfall von zu messenden Wetterdaten und/oder bei einem Ausfall von zu messenden Schadstoffwerten und/oder bei einem Ausfall von vorherzusagenden Wetterdaten vom neuro- nalen Netz anstelle der zu messenden Wetterdaten und/oder an- stelle der zu messenden Schadstoffwerte und/oder anstelle der vorhergesagten Wetterdaten vom neuronalen Netz selbst vorher- gesagte Wetterdaten und/oder vorhergesagte Schadstoffwerte verwendet werden.
12. Verfahren nach einem der sechs vorhergehenden Ansprüche, wobei abhängig von dem vorhergesagten Schadstoffwert ein Steuersignal zur Beeinflussung eines Verkehrsflusses erzeugt und ausgegeben wird, um eine zukünftige Erhöhung des Schad- stoffwertes in einem Ortsbereich wenigstens zu verlangsamen.
13. Erzeugnis, das ausgebildet ist, um ein Verfahren nach ei- nem der vorhergehenden Ansprüche auszuführen.
14. Erzeugnis nach dem vorstehenden Anspruch, ausgebildet als Computerprogrammprodukt, umfassend Befehle, die bei der Aus- führung des Programms durch einen Computer diesen veranlas- sen, ein Verfahren nach einem der vorhergehenden Verfahrens- ansprüche auszuführen.
15. Erzeugnis nach einem der beiden vorstehenden Ansprüche, ausgebildet als Steuereinheit, um Steuerbefehle für die Steu- erung eines Straßenverkehrs auszugeben, wobei die Steuerein- heit ein neuronales Netz aufweist, wobei das neuronale Netz ausgebildet ist, um wenigstens einen Schadstoffwert in der Luft für einen festgelegten zukünftigen Zeitraum gemäß einem der Verfahrensansprüche 6 bis 12 vorherzusagen, wobei das neuronale Netz einen Dateneingang für wenigstens ein gemesse- nes Wetterdatum, für wenigstens einen gemessenen Schadstoff- wert der Luft und für wenigstens ein zukünftiges vorhergesag- tes Wetterdatum aufweist, und wobei das neuronale Netz Daten- ausgänge für wenigstens ein für einen zukünftigen Zeitraum zu ermittelnden Schadstoffwert und für wenigstens ein für den zukünftigen Zeitraum zu ermittelndes Wetterdatum aufweist, und wobei die Steuereinheit ausgebildet ist, um abhängig vom ermittelten Schadstoffwert einen Steuerbefehl für die Steue- rung des Straßenverkehrs zu ermitteln und auszugeben, um eine weitere Erhöhung des Schadstoffwertes wenigstens zu verlang- samen.
PCT/EP2021/076631 2020-09-29 2021-09-28 Ermittlung einer prognose für einen zeithorizont in der zukunft auf basis eines zeithorizonts aus der vergangenheit, insbesondere vorhersage eines schadstoffwertes in der luft WO2022069466A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP20198934 2020-09-29
EP20198934.0 2020-09-29

Publications (1)

Publication Number Publication Date
WO2022069466A1 true WO2022069466A1 (de) 2022-04-07

Family

ID=72670553

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/076631 WO2022069466A1 (de) 2020-09-29 2021-09-28 Ermittlung einer prognose für einen zeithorizont in der zukunft auf basis eines zeithorizonts aus der vergangenheit, insbesondere vorhersage eines schadstoffwertes in der luft

Country Status (1)

Country Link
WO (1) WO2022069466A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220316734A1 (en) * 2021-04-14 2022-10-06 Jiangnan University Deep Spatial-Temporal Similarity Method for Air Quality Prediction
CN116595806A (zh) * 2023-07-14 2023-08-15 江西师范大学 一种自适应温度数据补全方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Long short-term memory", NEURAL COMPUTATION (JOURNAL, vol. 9, 1997, pages 1735 - 1780
AGARWAL SHIVANG ET AL: "Air quality forecasting using artificial neural networks with real time dynamic error correction in highly polluted regions", SCIENCE OF THE TOTAL ENVIRONMENT, ELSEVIER, AMSTERDAM, NL, vol. 735, 15 May 2020 (2020-05-15), XP086196653, ISSN: 0048-9697, [retrieved on 20200515], DOI: 10.1016/J.SCITOTENV.2020.139454 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220316734A1 (en) * 2021-04-14 2022-10-06 Jiangnan University Deep Spatial-Temporal Similarity Method for Air Quality Prediction
US11512864B2 (en) * 2021-04-14 2022-11-29 Jiangnan University Deep spatial-temporal similarity method for air quality prediction
CN116595806A (zh) * 2023-07-14 2023-08-15 江西师范大学 一种自适应温度数据补全方法
CN116595806B (zh) * 2023-07-14 2023-10-10 江西师范大学 一种自适应温度数据补全方法

Similar Documents

Publication Publication Date Title
EP3751466A1 (de) Verfahren zur vorhersage eines schadstoffwertes in der luft
EP2106576B1 (de) Verfahren zur rechnergestützten steuerung und/oder regelung eines technischen systems
DE102017223751A1 (de) Verfahren und Vorrichtung zur Erkennung von Anomalien in einem Datenstrom eines Kommunikationsnetzwerks
WO2022069466A1 (de) Ermittlung einer prognose für einen zeithorizont in der zukunft auf basis eines zeithorizonts aus der vergangenheit, insbesondere vorhersage eines schadstoffwertes in der luft
DE102008013366B4 (de) Verfahren zur Bereitstellung von Information für Fahrerassistenzsysteme
EP1685546A1 (de) Verfahren und system zur ermittlung der fahrsituation
DE102017009971A1 (de) Verfahren zum Testen eines Spurhalteassistenzsystems für ein Fahrzeug
DE102018203583B4 (de) Verfahren, Fahrerassistenzsystem sowie Kraftfahrzeug zur Prädiktion einer Position oder einer Trajektorie mittels eines graphbasierten Umgebungsmodells
EP3282399B1 (de) Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem
WO2007033939A1 (de) Verfahren zur bestimmung des orts und/oder einer bewegungsgrösse von sich bewegenden objekten, insbesondere von sich bewegenden spurgebundenen fahrzeugen
WO2021121695A1 (de) Verfahren, vorrichtung und system zur detektion von anomalen betriebszuständen eines geräts
DE102019209736A1 (de) Verfahren zur Bewertung möglicher Trajektorien
EP1947623A1 (de) Verfahren und Vorrichtung zur dynamischen Klassifikation von Objekten und/oder Verkehrssituationen
DE102017217444A1 (de) Verfahren und System zum Aktualisieren eines Steuerungsmodells für eine automatische Steuerung zumindest einer mobilen Einheit
DE102016007563A1 (de) Verfahren zur Trajektorienplanung
WO2020212061A1 (de) Verfahren zur prädiktion einer verkehrssituation für ein fahrzeug
DE102017213350A1 (de) Verfahren zur Vorhersage eines Schaltzeitpunktes einer Signalgruppe einer Signalanlage
DE102020209680B3 (de) Signalverarbeitungspfad, Vorrichtung zur Umfelderkennung und Verfahren zur Validierung eines automatisiert betreibbaren Fahrsystems
DE102019124267A1 (de) Steuerungsvorrichtung einer Brennkraftmaschine und Steuerungsverfahren derselben sowie Lernmodell zur Steuerung einer Brennkraftmaschine und Lernverfahren desselben
DE102021114514A1 (de) Fahrzeug, modelltrainingssystem und server
DE102017208692A1 (de) Verfahren zum Bereitstellen von Trainingsdaten für eine Funktionsprüfung einer Erkennungseinrichtung sowie Datenbanksystem
DE102019218349A1 (de) Verfahren zum Klassifizieren von zumindest einem Ultraschallecho aus Echosignalen
DE202017105656U1 (de) Prädiktives Messsystem, Aktorsteuerungssystem und Vorrichtung zum Betreiben des prädiktiven Messsystems und/oder des Aktorsteuerungssystems
EP1717651B1 (de) Verfahren und Vorrichtung zum Auswerten von Ereignissen aus dem Betrieb eines Fahrzeuges
DE102022000849A1 (de) Verfahren zur Erzeugung einer Umgebungsrepräsentation für ein Fahrzeug

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: 21786802

Country of ref document: EP

Kind code of ref document: A1

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)
NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21786802

Country of ref document: EP

Kind code of ref document: A1