EP3438946A2 - Verfahren zur vorhersage eines schaltzeitpunktes einer signalgruppe einer signalanlage - Google Patents
Verfahren zur vorhersage eines schaltzeitpunktes einer signalgruppe einer signalanlage Download PDFInfo
- Publication number
- EP3438946A2 EP3438946A2 EP18186211.1A EP18186211A EP3438946A2 EP 3438946 A2 EP3438946 A2 EP 3438946A2 EP 18186211 A EP18186211 A EP 18186211A EP 3438946 A2 EP3438946 A2 EP 3438946A2
- Authority
- EP
- European Patent Office
- Prior art keywords
- signal
- time
- artificial intelligence
- signal state
- traffic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
- G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
Definitions
- the invention relates to a method for predicting a switching time of a signal group of a signaling system, a computer program product and a computing unit.
- the object of the invention is to improve a method for predicting a switching time of a signal group of the signal system from a signal state to a following signal state.
- a switching time of the signal group of the signaling system is predicted from a signal state to a subsequent signal state taking into account data of the traffic of the road and the signal state of the signal group using an artificial intelligence using a computing unit.
- the artificial intelligence is executed by a computing unit.
- the information about the switching time or the remaining time for the present signal state of the signal group can be displayed or transmitted to vehicles.
- vehicles take into account the information about the switching time or the remaining time of a current signal state when approaching the signal group and, for example, make a speed adjustment in such a way that the vehicle with as little as possible waiting time at the signal group, the crossing or the signaling system can happen.
- the prediction of the switching time can be carried out for a signal group of a signal system or for several signal groups of the signal system.
- the prediction of the switching times for all signal groups of the signaling system i. be carried out for all traffic lights of the intersection light signal system.
- a further improvement of the method is achieved in that in addition to the switching time or the remaining time of the present signal state, a probability for the remaining time of the present signal state is determined. Probability allows a driver or vehicle to evaluate the reliability of predicted signal time remaining and thus obtain more accurate information about the future switching behavior of the signal group. For example, for a green signal of a traffic light, a probability for the occurrence of the green signal is determined. The probability of the signal state can be determined not only for the current signal state, but also for future signal states.
- the determination of the probability for the remaining time of the present signal state and / or for future signal states can be carried out for a signal group of a signal system or for several signal groups of the signal system.
- the determination of the probabilities of the signal states can be carried out for all signal groups of the signal system, ie for all traffic lights of the traffic light system of the intersection.
- the probability of the signal states ie, for example, the probability of a green signal of the traffic light, can be predicted for a given temporal forecast horizon into the future, for example for 120 seconds or longer into the future.
- At least one information about a control program is taken into account by the artificial intelligence, wherein the control program controls the signaling system.
- the information about the control program may include, for example, the type of the control program and so on.
- the artificial intelligence takes into account at least one current time, in particular a current time and / or a current day of the week and / or a current month and / or a current holiday. This can also improve the prediction of the switching time and the determination of the probability of the signal state.
- the artificial intelligence takes into account a cycle time within a control program and / or a circulation time of the control program after which the control program is repeated.
- a message of a public means of transport and / or a request for a public means of transport for an enable signal of the signal system are taken into account by the artificial intelligence.
- the forecast for the switching time or the switching times between two signal states for a specified future period in particular for 30 seconds or up to 120 seconds or longer performed.
- several changes of signal states and thus several switching times between two consecutive signal states can be predicted.
- not only the next switching time, but several future switching times between signal states are determined. This allows a longer-term forecast for the switching behavior of the signal group of the signaling system.
- the probabilities for the future signal state (s) of at least one, in particular all signal groups of a signaling system of an intersection are calculated for a specified future period of time, in particular for 30 seconds or up to 120 seconds or longer.
- probabilities for several following signal states can be predicted.
- the probability for the current signal state, but also for several future signal states can be determined. This allows a longer-term forecast for the switching behavior of the signal group of the signaling system.
- traffic information is taken into account by the artificial intelligence.
- Traffic information may include information about a traffic jam or accident, and so on.
- the traffic information can have a significant effect on the traffic volume or the traffic at the signaling system. Thus, the determination of the switching timing for the change of signal states of the signal groups in consideration of traffic information is improved.
- At least part of the forecast of the switching time is performed in an external computing unit, in particular in a cloud.
- the entire forecast of the switching time or the remaining time in the external arithmetic unit can be executed.
- computing time can be saved in the arithmetic unit itself. This requires data communication between the arithmetic unit of the signaling system and the external arithmetic unit. This can be carried out, for example, wireless or wired.
- At least part of the determination of the probability of the signal state is carried out in an external computing unit, in particular in a cloud.
- the entire determination of the probability of the signal state or the remaining time in the external arithmetic unit can be performed.
- computing time can be saved in the arithmetic unit itself. This requires data communication between the arithmetic unit of the signaling system and the external arithmetic unit. This can be carried out, for example, wireless or wired.
- an artificial intelligence is used, which was trained with traffic data of the road of the signal system and the signal states of the signal group.
- the artificial intelligence is able to predict the switching time between signal states well and reliably.
- one of the following parameters may preferably be additionally used: information about the control program that controls the signaling system; a current time, in particular a time of day and / or a day of the week and / or a month and / or a public holiday; a cycle time and / or a round trip time of the control program; Presence of a fixed-time control or a traffic-dependent control or presence of a central control or a local control; a message of a public transport and / or request for a public transport release signal; Traffic information, etc.
- These parameters can be used to achieve a more precise modeling of artificial intelligence.
- At least part of the training of the artificial intelligence can be carried out in an external computing unit, in particular in a cloud.
- the artificial intelligence is transmitted to the arithmetic unit. As a result, computing capacity of the arithmetic unit of the signal system is saved.
- the artificial intelligence is trained during the operation of the signaling system and the newly trained artificial intelligence is used by the computing unit after completion of the training.
- the artificial intelligence is trained during the operation of the signaling system and the newly trained artificial intelligence is used by the computing unit after completion of the training.
- Regular adaptation of the model of artificial intelligence may result in improved prediction of the switching times and / or the probabilities of signal conditions of the signal systems.
- a regular training of the artificial intelligence for example, a changed traffic volume can be considered.
- the predicted switching time between two signal states of a signal group and / or a probability for the predicted signal state is transmitted to at least one road user, in particular wirelessly.
- the road users may be, for example, pedestrians, cyclists, vehicles, etc.
- this information can be taken into account by the road user for improved planning, in particular control of the vehicle, in particular control of the speed of the vehicle. In this way, unnecessary waiting times at a signaling system can be reduced. Furthermore, energy consumption of the vehicles can be reduced.
- a neural network in particular a recursive neural network, can be used for the training of the artificial intelligence.
- these networks were good results in the prediction of switching times reached between the signal states of a signal group of a signaling system. With these networks, good results have been achieved in predicting probabilities for the signal states of the signal group.
- Modern traffic signal systems for controlling traffic on roads have the task of controlling the traffic as far as possible with low waiting times at the traffic signals at a high throughput rate of vehicles.
- green-wave method are used to a possible fluent traffic with a relatively high average speed and to achieve short service lives in signal systems.
- Good traffic control can be achieved in that the road users, in particular the vehicles receive information about future signal states of a signal group of a signaling system and in particular information about future switching times between future signal states of a signal group of a signaling system.
- the future signal states or the switching times for the change of the signal states of the signal system can be sent, for example, wirelessly from switching points on the roadside or via mobile radio from an external arithmetic unit to the vehicles.
- a driver of a vehicle or a control unit of the vehicle can e.g. determine or set an optimized speed that is advantageous for the vehicle.
- the optimized speed can be calculated on the basis of the current location of the vehicle, which is known for example by GPS information, the location of the signal group and the expected switching time of the signal group.
- An object of the present method and system is to enable improved prediction of the remaining time of a signal state of a signal group of a signaling system until a next switching time.
- a further improvement can be achieved by additionally determining a probability for the remaining time until the next switching time of the signal state and, in particular, transmitting it to the road users.
- the proposed method can be applied to individual signal systems with one or more signal group, several signal systems with several signal groups and a composite of signal systems and signal groups.
- Remaining times can be determined for a given time horizon in the future.
- the prediction of the switching times can be a classification problem that is optimized by means of a cross entropy.
- an artificial intelligence in particular a neural network, a probability distribution over the signal state of the respective signal group over the temporal prognosis horizon is obtained.
- a simulation model for the switching times simulated with the artificial intelligence, in particular the neural network can fulfill two tasks: data-based learning of the switching behavior of the signal groups of the signal system and a time-dependent system model of the traffic flows, as detected by detectors, as well as the resulting switching behavior of the signals Signal groups of the signaling system.
- the prediction model may preferably be created by methods for modeling dynamic systems, in particular using neural networks, preferably recurrent neural networks.
- neural networks preferably recurrent neural networks.
- the following architectures and networks can be used: recurrent neural networks, fixed-point convergence networks, Elman-Jordan networks, ECNN, causal retro-causal networks, LSTM, gated recurrent units.
- the neural networks make it possible to provide information about the predictive certainty of the switching states or switching times, as well as to distinguish safe from unsafe states. Possibilities for this are: The derivation of the uncertainty from a model error, dispersion of the output of models, the derivation of a bandwidth of a conditional-density-estimation, generation of model-output by scenario-building.
- the network can be able to learn statistical and system-inherent dynamic relationships between input variables and output variables. For example, the network can learn an increased traffic volume at a specific time and, taking into account these statistical relationships, for example, predict a higher red probability for a given signal group at that time.
- a switching time is understood to mean the point in time at which a signal group makes a signal change.
- the signal group can switch from the signal free travel, which is indicated for example by a green signal, to restricted travel, which is indicated by a red signal, for example.
- This can be formalized as a regression problem between a real switching time versus a predicted switching time.
- the architecture of the forecasting model may be able to map a certain memory effect.
- the proposed method or the proposed system can provide a prognosis matrix which contains a predicted probability for a signal state for each time point in a predefined time window and for each signal group of a signaling system.
- the prediction matrix may include a probability of a green signal of a traffic light or a probability of a red signal of a traffic light for each time window.
- This task can be solved by using a multi-objective learning problem.
- a prediction of signal states, in particular probabilities for signal states and remaining time forecasts can be solved by a switching state from a signal state to a following signal state for all signal groups of a signaling system using a neural network, which solves the learning problem dynamically and integrated.
- the method used requires no information about a precise circuit diagram of the traffic signal system and also no expert knowledge about the causal relationships in a traffic control system.
- the proposed method has a high scalability with regard to an application to different traffic signal systems, since this is a method that only needs to be calibrated on the basis of a given data set, ie, artificial intelligence has to be trained.
- the forecasting model is in real time usable and can be retrained to current data at any time.
- Neural networks are parametric functions that can be trained by data driven stochastic gradient descent. Thus, the neural networks are able to recognize non-linear relationships without expert knowledge. Likewise, one of the technical features of neural networks is that the architecture used allows an integrated prediction of switching timing and state. Recurrent neural networks enable a higher degree of predictive quality, since they are better able to map the underlying dynamics of the system to be modeled as well as occurring memory effects than pure input-output models such as feed-forward networks.
- FIG. 1 shows a schematic representation of a structure of a signal system 14 with three signal groups 6, 7, 8.
- the signal system 14 has a control unit 5, which is connected to detectors 1, 2, 3.
- the detectors 1, 2, 3 detect various parameters of traffic on at least one road on which the signal system 14 with the signal groups 6, 7, 8 is arranged.
- vehicles are detected on the road.
- a control of the signal system 14 adapted to the traffic can take place.
- a computing unit 4 is provided, which receives information about the traffic either directly from the detectors 1, 2, 3 information about the traffic on the road or via the control unit 5.
- the arithmetic unit 4 also receives the information about the traffic, in particular about the traffic density on the roads of an intersection.
- the data of the detectors 1, 2, 3 are obtained, for example, from the arithmetic unit 4 via a first input 9.
- the control unit 5 has a data memory and control programs with which, depending on various parameters and in particular depending on traffic data, which are detected by means of the detectors 1, 2, 3, the signal groups 6, 7, 8 of the signal system 14 are driven in such a way in that a desired traffic flow can take place on the road, in particular via an intersection.
- the signal groups 6, 7, 8 are formed in the illustrated embodiment as light signal groups.
- Each signal group has a red light indicator, a yellow light indicator, and a green light indicator.
- the indicator for red light means for the traffic that the passage past the signal group is blocked.
- the display of the green light means that passing by the signal group is enabled.
- the yellow light indication means that a signal change between the release, i. green light and blocking, i. red light takes place.
- the signal groups 6, 7, 8 may also have other signals to enable a ride or to block a ride.
- the control unit 5 also forwards the control signals for the signal groups of the signal system to a second input 10 of the arithmetic unit 4.
- the arithmetic unit 4 also has the information as to which signal group is currently displaying which signal.
- a fourth input 15 is provided, via which the control unit 5 transmits to the arithmetic unit 4 further information about the control program which the control unit 5 uses to control the signal system 14 with the signal groups 6, 7, 8.
- the information about the control program may include, for example, the round trip time, the cycle time, information as to whether it is a central controller, a local controller, or a controller that can be activated by the traffic, whether errors in the controller or the Traffic lights are present, whether it is a traffic-dependent control, whether an error is present at the detector, whether it is a higher-level control or a central control is in which state the control unit is located, etc.
- the arithmetic unit 4 also has a third input 11, via which further information is obtained.
- the further information may include, for example, traffic information, information about a public transport, a public transport message at a reporting point, or a request for free travel by a public transport, and so on.
- the message of the means of transport may for example comprise information about the type of means of transport or an identification of the means of transport, such as a line number of the means of transport.
- a public transport can be a bus, a tram, etc.
- the arithmetic unit 4 has a time unit with which the current time can be determined.
- the arithmetic unit 4 has information about which time, which day of the week, which month, which calendar day, which year, etc. is straight.
- information about a current holiday of the arithmetic unit 4 may be available or made available via the third input.
- the arithmetic unit 4 can be transmitted via the third input 11 information about the traffic, such as traffic information.
- Traffic information can be, for example, information about accidents, traffic jams, heavy traffic, road closure etc.
- the arithmetic unit 4 has an artificial intelligence in the form of a computer program and / or in the form of hardware circuits, wherein the artificial intelligence is designed to predict a switching time of at least one signal group from one signal state to a subsequent one based on at least one of the available parameters Predict signal state.
- the residual time duration of the present current signal state can thus for at least one signal group and also switching times between future signal states of the signal group can be predicted.
- the time horizon up to which the signal profile and thus the switching times between the signal states of a signal group is predicted can be in the range of a few seconds up to 30 seconds and also longer than 30 seconds.
- the prognosis can determine a probability for the predicted remaining time duration of the current signal state of a signal group. Furthermore, a probability for the predicted time duration and the predicted switching times between the signal states can also be determined for future signal states.
- the determination of the switching times between signal states of a signal group can be updated at fixed time intervals. For example, every second for the given future time horizon of, for example, greater than 30 seconds, in particular greater than 120 seconds, the switching times between the signal states of the signal group can be predicted. In addition, every second the probabilities for the signal states of the signal group can be determined. This simultaneously determines a remaining duration of the present signal state of the signal group.
- the arithmetic unit 4 may be designed to determine the switching times for a transition between signal states of the signal systems for a given future time horizon for several signal groups of the signal system, in particular for all signal groups of the signal system.
- the arithmetic unit 4 can be designed to determine the probabilities for the residual time durations of the current signal states of the signal groups of the signal system for a plurality of signal groups 6, 7, 8, in particular for all signal groups of the signal system.
- the switching times and the probabilities for the following signal states of the signal groups can also be determined for the change of further signal states of the signal groups of the signal system. It can also be dependent of the selected embodiment, the arithmetic unit 4 may be designed to determine the switching times of the signal groups of the signal systems and the probabilities for the signal states of the signal groups of the signaling system for several signal systems. The arithmetic unit 4 and the control unit 5 may also be formed in a single arithmetic unit, depending on the selected embodiment. The probabilities are determined by the arithmetic unit 4 from a learned historical comparison of the predicted switching times with the actually measured switching times. In this case, switching times for certain traffic situations and states of the signaling system are predicted for a fixed future period of time.
- the probability with which the predicted signal states have actually occurred is checked by means of the detectors.
- other methods for determining the probabilities of the signal states may also be used.
- At least one future switching time or a remaining time of the current signal state or a time duration of a future signal state is transmitted from the arithmetic unit 4 to a vehicle 13 via an output 12, for example wirelessly.
- the switching times of future transitions between signal states for a given future time horizon of at least one of the signal groups of the signaling system, in particular all signal groups of the signaling system can be transmitted to the vehicle 13.
- the durations of the current signal states of the signal groups and the durations of the future signal states of the signal groups for a given future time horizon may be at least for one of the signal groups of the signaling system, in particular for all signal groups of the signaling system are transmitted to the vehicle 13. Furthermore, this information can also be transmitted to an external computing unit 16.
- the vehicle 13 and / or the external computing unit 16 can transmit the information about the future switching times of the signal groups of the signaling system and / or the durations of the current and / or future signal states of the signal groups and / or the probabilities of the current and / or future signal states use the signal groups for a statistical evaluation, travel planning a route and / or control of a speed of the vehicle or an output of information to a driver.
- the data in the vehicle 13 may be used by a control unit to automatically control a speed of the vehicle.
- the information in the vehicle 13 can be read into a navigation system or navigation program and taken into account for the route planning.
- the information can be displayed to the driver via a display, for example a display of a mobile telephone or a display of an integrated navigation system.
- the external arithmetic unit 16 can also be configured to transmit the transmitted information about the future switching times of the signal groups of the signal system and their probabilities to vehicles 13 wirelessly.
- the external computing unit 16 can be implemented as a cloud or as a single external computing unit. Depending on the selected embodiment, the parameters that are detected by the arithmetic unit 4 can also be transmitted to the external arithmetic unit 16. In addition, the external computing unit 16 can be designed to train the artificial intelligence and to implement the corresponding model for the prediction of the switching times and the probability of the signal states.
- the trained artificial intelligence can then be transmitted to the arithmetic unit 4 as a computer program.
- the interface between the external arithmetic unit 16 and the arithmetic unit 4 may be wireless but also wired.
- the calculation of the forecast for the switching times and / or the calculation of the probabilities of the signal states can also be carried out in the external arithmetic unit 16.
- the external arithmetic unit 16 can transmit the determined probabilities of the current and future signal states of the signal groups and the determined future switching times of the signal groups to the arithmetic unit 4.
- the external computing unit 16 may be designed to transmit the information about the switching times and the probabilities of the switching times to further computing units or to the vehicles 13.
- the arithmetic unit 4 can carry out the transmission of the switching times of the signal groups and / or the probabilities of the signal states to the vehicles 13, for example wirelessly.
- the arithmetic unit 4 and / or the external arithmetic unit 16 can train the artificial intelligence.
- the data required by the arithmetic unit 4 to predict the switching times and / or the probabilities of the signal states can be requested from the control unit 5 via a data connection.
- the parameters can be polled and received every second by the control unit 5.
- the data required for training the model can be transmitted every second from the arithmetic unit 4 and / or from the control unit 5 to the external arithmetic unit 16.
- only the arithmetic unit 4 can perform the training of the artificial intelligence.
- the artificial intelligence of the arithmetic unit 4 can be transmitted externally.
- FIG. 2 shows a schematic representation of an intersection 17 at which a second road 18 opens into a first street 19 or branches off.
- the first signal group 6 and the first detector 1 are arranged to the left of the intersection 17.
- the second detector 2 and the second signal group 7 are arranged.
- the third detector 3 and the third signal group 8 are arranged on the first street 19.
- the detectors 1, 2, 3 are connected to the control unit 5 and the arithmetic unit 4.
- the arithmetic unit 4 and the control unit 5 may also be formed in a single arithmetic unit, depending on the selected embodiment.
- the computing unit 4 and / or the control unit 5 are arranged at the roadside in a switchbox.
- the signal groups 6, 7, 8 of the signal system 14 are connected to the control unit 5 in connection.
- the detectors 1, 2, 3 are designed to detect vehicles approaching the intersection 17.
- the control unit 5 depending on the current traffic, a traffic-dependent control of the signal states of the signal groups 6, 7, 8 of the signaling system 14 perform.
- the control unit 5 may communicate with the arithmetic unit 4 via an Ethernet, for example.
- the current information about the signal program, the orbital period, the cycle time, the signal state for the control of the signal states of the signal groups, the data of the detectors, information about messages can currently be accessed via this connection public transport etc. at fixed intervals, for example, every second.
- the arithmetic unit 4 can be used as artificial intelligence for modeling the switching behavior of at least one signal group of a signal system or several, in particular all signal groups of a signaling system of an intersection, for example a neural network, a recurrent neural network, a fixed-point convergence network, an Elman-Jordan network , ECNN, a Causal-Retro-Causal Network, an LSTM, a Gated Recurrent Network.
- FIG. 3 shows a simple, schematic example of a neural network in the form of a recurrent neural network.
- a state transition is determined by a previous internal hidden state of the system s t-1 at time t-1 and the influence of an external parameter u t at time t on the new state s t at time t.
- the states s t , s t-1 , etc. may be parameters or vectors having multiple parameters.
- the output equation determines the determinable output vector y t .
- the external parameters u t are the parameters that are detected by the detectors.
- the output vector y t are the signal states of the signal groups of the signaling system.
- s t tanh A s t - 1 .
- Bu t state u ⁇ transition y t Cs t output equation
- an input vector at time t with the weight B will act on the hidden layer of states s t .
- the hidden layer will transition to the output vector y t with a weight C.
- the state s t-1 with the weight A will act on the hidden layer.
- the hidden layer with a unit matrix id will affect the state s t .
- the output function NN (s t ; w) is realized as a linear function.
- FIG. 3 schematically illustrated recurrent neural network can be realized.
- the neural network has a hidden layer with the hidden states s t , where t defines an incremental time.
- an input vector u t with the weight B will act on the respective hidden state.
- an output vector y t is determined from the hidden state s t with the weight C.
- a hidden state s t-1 acts on the following state s t with the weight A.
- One task is to determine the model of the output vector y t as precisely as possible.
- the action of three previous states that is, s t-3 , s t-2 and s t-1 together with the current hidden state s t is used to determine future hidden states s t + 1 , s t- 2 , etc. and also to determine future output vectors y t + 1 , y t + 2 , etc.
- the neural network is trained in such a way that the weights A, B and C are determined, so that the output vectors y t calculated with the neural network correspond as exactly as possible to the measured output vectors y t .
- the parameters which are supplied to the arithmetic unit 4 via the first input 9, the third input 11 and the fourth input 15 are used to train the neural network as input vectors u t .
- the parameters which are supplied to the arithmetic unit 4 via the first input 9, the third input 11 and the fourth input 15 are used to train the neural network as input vectors u t .
- the parameters which are supplied to the arithmetic unit 4 via the first input 9 the third input 11 and the fourth input 15 are used to train the neural network as input vectors u t .
- the parameters which are supplied to the arithmetic unit 4 via the first input 9 the third input 11 and the fourth input 15 are used to train the neural network as input vectors u t .
- the parameters which are supplied to the arith
- At least one switching instant of a signal group from a current signal state to a following signal state is determined as the output vector.
- the output vector may include a probability for the correctness of a predicted signal state of at least one signal group of the signal system.
- the output vector can have the switching times between the occurring signal states of a signal group for a given time.
- the output vector can have probabilities for the signal states of at least one signal group for a predefined prognosis period.
- the output vector can have the switching times and / or the probabilities for the signal states of a plurality of signal groups of the signal system, in particular for all signal groups of the signal system. The measured output vectors are compared with the calculated output vectors.
- the calculated output vectors are adapted to the measured output vectors. If the difference between the calculated output vector and the measured output vector for each parameter is less than 5%, then the learning process is terminated and the model or neural network is maintained with the weights A, B, C.
- This model is used for a future prediction of switching instants and / or probabilities of the signal states from the arithmetic unit 4.
- a recurrent neural network with error correction can be used as artificial intelligence.
- FIG. 4 shows a table that the arithmetic unit 4 using artificial intelligence for switching times of four signal groups has been determined at continuous time points. In addition, probabilities for the presence of a green signal are given for the future.
- a first column 21 indicates the date and time at which the data was determined. The time progresses from top to bottom consecutively in time intervals of one second each.
- the individual signal groups with sgr_01 for the first signal group, sgr_02 for the second signal group, sgr_03 for the third signal group, and sgr_04 for the fourth signal group are indicated in a second column 22.
- the values for the four signal groups are given for each time point in each case.
- a first line 24 the times for future times are plotted with t for the present and t + 01, t + 02, t + 03, etc., respectively for the present + 1 second, 2 seconds and so on.
- the probabilities for a green phase are indicated in the columns under the times.
- the switching times, determined using artificial intelligence, for the respective signal group at the respective times are indicated.
- the switching time of 3 seconds is specified.
- the time 13:02 clock and 1 second for the first signal group sgr 01 at time t + 01 given a probability of 1% that a green signal, ie free travel from the signal group 1 is displayed.
- the probability of a green signal is also 1%.
- the probability is also only 2% for a green signal.
- the probability is 97% for a green signal. This can be explained by the fact that the switching time was determined at 3 seconds. The switching time calculates the time, which elapses starting at time t, until the signal of the signal group is switched over. The probability is for the times t + 5 to t + 20 at a value of 99%. Only at the time t + 25 the probability drops to 93% and at a time t + 30 to the probability of 79% for a green signal.
- the switching time is calculated with 3 seconds and indicated in the last column 23.
- the probabilities are given for the times t + 01 and t + 02, each with 1% for a green signal.
- the probability is 2% for a green signal.
- the probability of a green signal is 97%.
- the probability of a green signal is 99%.
- the switching time is calculated to be 29 seconds for the time of 25.02.2017 at 13:02 o'clock and 1 second.
- the probability of a green signal for the times t + 1 to t + 25 is only 1%.
- the probability of a green signal is 12%.
- the switching times are given in seconds, that is to say for the time 13:02 and 2 seconds and 13:02 and 3 seconds for the signal groups for the future. Accordingly, the probabilities for a green signal for the future are given.
- the switching times of the signal groups and the probability of the signal states of the signal groups can be transmitted from the arithmetic unit 4 to an external arithmetic unit and in particular to vehicles.
- FIG. 5 shows a schematic representation of the probability of a particular signal state of a signal group.
- the signal group can be configured as a traffic signal system, in particular as a traffic light.
- the signal state can be, for example, a green signal of the traffic light.
- the forecasting period can be up to 180 seconds into the future, but shorter or longer.
- the probability of 100% corresponds to a safe prognosis for the green signal.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
Prognostizieren des Schaltzeitpunktes von dem Signalzustand zu dem folgenden Signalzustand unter Berücksichtigung von Daten eines Verkehrs der Straße und dem Signalzustand der Signalgruppe mithilfe einer künstlichen Intelligenz, die von der Recheneinheit ausgeführt wird. Weiterhin kann eine Wahrscheinlichkeit für einen aktuellen Signalzustand und/oder eine Wahrscheinlichkeit für wenigstens einen zukünftigen Signalzustand wenigstens einer Signalgruppe unter Berücksichtigung der Verkehrsdaten der Straße und dem Signalzustand der Signalgruppe mithilfe der künstlichen Intelligenz von der Recheneinheit ermittelt werden.
Description
- Die Erfindung betrifft ein Verfahren zur Vorhersage eines Schaltzeitpunktes einer Signalgruppe einer Signalanlage, ein Computerprogrammprodukt und eine Recheneinheit.
- Im Stand der Technik ist es bekannt, Signalanlagen mit Signalgruppen an Straßenkreuzungen vorzusehen, um einen Verkehr über die Kreuzung zu steuern. Die Signalanlagen werden dazu von einem Steuerprogramm angesteuert, das einen Signalzustand der Signalgruppen festlegt.
- Die Aufgabe der Erfindung besteht darin, ein Verfahren zur Vorhersage eines Schaltzeitpunktes einer Signalgruppe der Signalanlage von einem Signalzustand auf einen folgenden Signalzustand zu verbessern.
- Mithilfe des vorgeschlagenen Verfahrens zur Vorhersage eines Schaltzeitpunktes einer Signalgruppe einer Signalanlage ist es möglich, eine genauere Information über eine Restzeit des gerade vorliegenden Signalzustandes der Signalanlage zu erhalten. Dabei wird mithilfe einer Recheneinheit ein Schaltzeitpunkt der Signalgruppe der Signalanlage von einem Signalzustand zu einem folgenden Signalzustand unter Berücksichtigung von Daten des Verkehrs der Straße und dem Signalzustand der Signalgruppe mithilfe einer künstlichen Intelligenz prognostiziert. Die künstliche Intelligenz wird von einer Recheneinheit ausgeführt. Die Information über den Schaltzeitpunkt beziehungsweise die Restzeit für den vorliegenden Signalzustand der Signalgruppe kann angezeigt oder zu Fahrzeugen übertragen werden. Somit ist es möglich, dass Fahrzeuge die Information über den Schaltzeitpunkt bzw. die Restzeit eines aktuellen Signalzustandes bei der Annäherung an die Signalgruppe berücksichtigen und beispielsweise eine Geschwindigkeitsanpassung in der Weise vornehmen, dass das Fahrzeug mit möglichst wenig Wartezeit an der Signalgruppe die Kreuzung beziehungsweise die Signalanlage passieren kann.
- Die Vorhersage des Schaltzeitpunktes kann für eine Signalgruppe einer Signalanlage oder für mehrere Signalgruppen der Signalanlage durchgeführt werden. Insbesondere kann die Prognose der Schaltzeitpunkte für alle Signalgruppen der Signalanlage, d.h. für alle Ampeln der Lichtsignalanlage der Kreuzung durchgeführt werden.
- Eine weitere Verbesserung des Verfahrens wird dadurch erreicht, dass zusätzlich zum Schaltzeitpunkt beziehungsweise zur Restzeit des vorliegenden Signalzustandes eine Wahrscheinlichkeit für die Restzeit des vorliegenden Signalzustandes ermittelt wird. Mithilfe der Wahrscheinlichkeit kann ein Fahrer oder ein Fahrzeug die Verlässlichkeit prognostizierten Restzeit des Signalzustandes bewerten und somit eine präzisere Information über das zukünftige Schaltverhalten der Signalgruppe erhalten. Beispielsweise wird für ein grünes Signal einer Ampel eine Wahrscheinlichkeit für das Auftreten des grünen Signals ermittelt. Die Wahrscheinlichkeit für den Signalzustand kann nicht nur für den aktuellen Signalzustand, sondern auch für zukünftige Signalzustände ermittelt werden.
- Die Bestimmung der Wahrscheinlichkeit für die Restzeit des vorliegenden Signalzustandes und/oder für zukünftige Signalzustände kann für eine Signalgruppe einer Signalanlage oder für mehrere Signalgruppen der Signalanlage durchgeführt werden. Insbesondere kann die Bestimmung der Wahrscheinlichkeiten der Signalzustände für alle Signalgruppen der Signalanlage, d.h. für alle Ampeln der Lichtsignalanlage der Kreuzung durchgeführt werden. Die Wahrscheinlichkeit für die Signalzustände, d.h. beispielsweise die Wahrscheinlichkeit für ein grünen Signal der Ampel kann für einen vorgegebenen zeitlichen Prognosehorizont in die Zukunft, beispielsweise für 120 Sekunden oder länger in die Zukunft voraus berechnet werden.
- In einer Ausführungsform wird von der künstlichen Intelligenz wenigstens eine Information über ein Steuerprogramm berücksichtigt, wobei das Steuerprogramm die Signalanlage steuert. Die Information über das Steuerprogramm kann beispielsweise die Art des Steuerprogramms usw. umfassen.
- In einer weiteren Ausführungsform wird von der künstlichen Intelligenz wenigstens eine aktuelle Zeit, insbesondere eine aktuelle Uhrzeit und/oder ein aktueller Wochentag und/oder ein aktueller Monat und/oder ein aktueller Feiertag berücksichtigt. Auch dadurch kann die Vorhersage des Schaltzeitpunktes und die Ermittlung der Wahrscheinlichkeit für den Signalzustand verbessert werden.
- In einer weiteren Ausführungsform werden von der künstlichen Intelligenz eine Zykluszeit innerhalb eines Steuerprogramms und/oder eine Umlaufzeit des Steuerprogramms, nach der sich das Steuerprogramm wiederholt, berücksichtigt. Dadurch kann eine weitere Präzisierung der Vorhersage des Schaltzeitpunktes und der Ermittlung der Wahrscheinlichkeit für den Signalzustand einer Signalgruppe erreicht werden.
- In einer weiteren Ausführungsform werden von der künstlichen Intelligenz eine Meldung eines öffentlichen Transportmittels und/oder eine Anforderung eines öffentlichen Transportmittels für ein Freigabesignal der Signalanlage berücksichtigt. Auch diese Merkmale können eine weitere Verbesserung der Prognose des Schaltzeitpunktes und/oder der Ermittlung der Wahrscheinlichkeit für den Signalzustand der Signalgruppe ermöglichen.
- In einer weiteren Ausführungsform wird die Prognose für den Schaltzeitpunkt bzw. die Schaltzeitpunkte zwischen zwei Signalzuständen für einen festgelegten zukünftigen Zeitraum, insbesondere für 30 Sekunden oder bis 120 Sekunden oder länger durchgeführt. Dabei können auch mehrere Wechsel von Signalzuständen und damit mehrere Schaltzeiten zwischen zwei aufeinander folgende Signalzustände prognostiziert werden. Somit können nicht nur der nächste Schaltzeitpunkt, sondern mehrere zukünftige Schaltzeitpunkte zwischen Signalzuständen ermittelt werden. Dadurch wird eine längerfristige Prognose für das Schaltverhalten der Signalgruppe der Signalanlage ermöglicht.
- In einer weiteren Ausführungsform werden die Wahrscheinlichkeiten für den oder die zukünftigen Signalzustände wenigstens einer, insbesondere aller Signalgruppen einer Signalanlage einer Kreuzung für einen festgelegten zukünftigen Zeitraum, insbesondere für 30 Sekunden oder bis 120 Sekunden oder länger berechnet. Dabei können auch Wahrscheinlichkeiten für mehrere folgende Signalzustände prognostiziert werden. Somit können nicht nur die Wahrscheinlichkeit für den aktuellen Signalzustand, sondern auch für mehrere zukünftige Signalzustände ermittelt werden. Dadurch wird eine längerfristige Prognose für das Schaltverhalten der Signalgruppe der Signalanlage ermöglicht.
- In einer weiteren Ausführungsform werden von der künstlichen Intelligenz Verkehrsinformationen berücksichtigt. Eine Verkehrsinformation kann eine Information über einen Stau oder einen Unfall usw. beinhalten. Die Verkehrsinformationen können einen wesentlichen Einfluss auf das Verkehrsaufkommen beziehungsweise den Verkehr an der Signalanlage bewirken. Somit wird die Bestimmung des Schaltzeitpunktes für den Wechsel von Signalzuständen der Signalgruppen bei einer Berücksichtigung von Verkehrsinformationen verbessert.
- In einer weiteren Ausführungsform wird wenigstens ein Teil der Prognose des Schaltzeitpunktes in einer externen Recheneinheit, insbesondere in einer Cloud durchgeführt. Abhängig von der gewählten Ausführung kann die gesamte Prognose der Schaltzeitpunkt bzw. der Restzeit in der externen Recheneinheit ausgeführt werden. Dadurch kann Rechenzeit in der Recheneinheit selbst eingespart werden. Dazu ist eine Datenkommunikation zwischen der Recheneinheit der Signalanlage und der externen Recheneinheit erforderlich. Diese kann beispielsweise drahtlos oder drahtgebunden ausgeführt sein.
- In einer weiteren Ausführungsform wird wenigstens ein Teil der Ermittlung der Wahrscheinlichkeit des Signalzustandes in einer externen Recheneinheit, insbesondere in einer Cloud durchgeführt. Abhängig von der gewählten Ausführung kann die gesamte Ermittlung der Wahrscheinlichkeit des Signalzustandes bzw. der Restzeit in der externen Recheneinheit ausgeführt werden. Dadurch kann Rechenzeit in der Recheneinheit selbst eingespart werden. Dazu ist eine Datenkommunikation zwischen der Recheneinheit der Signalanlage und der externen Recheneinheit erforderlich. Diese kann beispielsweise drahtlos oder drahtgebunden ausgeführt sein.
- In einer weiteren Ausführungsform wird eine künstliche Intelligenz verwendet, die mit Verkehrsdaten der Straße der Signalanlage und den Signalzuständen der Signalgruppe trainiert wurde. Dadurch ist die künstliche Intelligenz in der Lage, den Schaltzeitpunkt zwischen Signalzuständen gut und zuverlässig zu prognostizieren.
- Beim Trainieren der künstlichen Intelligenz kann vorzugsweise eine der folgenden Parameter zusätzlich verwendet werden: eine Information über das Steuerprogramm, das die Signalanlage steuert; eine aktuelle Zeit, insbesondere eine Tageszeit und/oder ein Wochentag und/oder ein Monat und/oder ein Feiertag; eine Zykluszeit und/oder eine Umlaufzeit des Steuerprogramms; Vorliegen einer Festzeitsteuerung oder einer verkehrsabhängigen Steuerung oder Vorliegen einer zentralen Steuerung oder einer lokalen Steuerung; eine Meldung eine öffentlichen Verkehrsmittels und/oder Anforderung eines Freigabesignals für ein öffentliches Verkehrsmittel; Verkehrsinformationen usw. Mit diesen Parametern kann eine präzisere Modellbildung der künstlichen Intelligenz erreicht werden.
- In einer weiteren Ausführungsform kann wenigstens ein Teil des Trainings der künstlichen Intelligenz in einer externen Recheneinheit, insbesondere in einer Cloud durchgeführt werden. Nach dem Trainieren der künstlichen Intelligenz, das heißt der Modellbildung für die Prognose der Schaltzeiten und/oder der Wahrscheinlichkeiten für die Signalzustände wird die künstliche Intelligenz an die Recheneinheit übertragen. Dadurch wird Rechenkapazität der Recheneinheit der Signalanlage eingespart.
- In einer weiteren Ausführungsform wird die künstliche Intelligenz während des Betriebes der Signalanlage trainiert und die neu trainierte künstliche Intelligenz von der Recheneinheit nach Abschluss des Trainings verwendet. Durch das Trainieren der künstlichen Intelligenz während des Betriebs der Signalanlage wird eine kontinuierliche Anpassung der künstlichen Intelligenz ermöglicht. Eine regelmäßige Anpassung des Modells der künstlichen Intelligenz kann zu einer verbesserten Prognose der Schaltzeiten und/oder der Wahrscheinlichkeiten für die Signalzustände der Signalanlagen führen. Insbesondere kann durch ein regelmäßiges Training der künstlichen Intelligenz beispielsweise ein verändertes Verkehrsaufkommen berücksichtigt werden.
- In einer weiteren Ausführungsform werden der prognostizierte Schaltzeitpunkt zwischen zwei Signalzuständen einer Signalgruppe und/oder eine Wahrscheinlichkeit für den prognostizierten Signalzustand an wenigstens einen Verkehrsteilnehmer insbesondere drahtlos übertragen. Die Verkehrsteilnehmer können beispielsweise Fußgänger, Fahrradfahrer, Fahrzeuge usw. sein. Dadurch können diese Informationen vom Verkehrsteilnehmer für eine verbesserte Planung, insbesondere Steuerung des Fahrzeuges, insbesondere Steuerung der Geschwindigkeit des Fahrzeugs berücksichtigt werden. Auf diese Weise können unnötige Wartezeiten an einer Signalanlage reduziert werden. Weiterhin kann ein Energieverbrauch der Fahrzeuge reduziert werden.
- Für die Ausbildung der künstlichen Intelligenz kann beispielsweise ein neuronales Netzwerk, insbesondere ein rekursives neuronales Netzwerk verwendet werden. Mit diesen Netzwerken wurden gute Ergebnisse bei der Vorhersage der Schaltzeitpunkte zwischen den Signalzuständen einer Signalgruppe einer Signalanlage erreicht. Mit diesen Netzwerken wurden gute Ergebnisse bei der Vorhersage von Wahrscheinlichkeiten für die Signalzustände der Signalgruppe erreicht.
- Die oben beschriebenen Eigenschaften, Merkmale und Vorteile dieser Erfindung sowie die Art und Weise, wie diese erreicht werden, werden klarer und deutlicher verständlich im Zusammenhang mit der folgenden Beschreibung der Ausführungsbeispiele, die im Zusammenhang mit den Zeichnungen näher erläutert werden, wobei
- FIG 1
- eine schematische Darstellung einer Lichtsignalanlage,
- FIG 2
- eine schematische Darstellung einer Fahrbahn mit einer Kreuzung und einer Signalanlage,
- FIG 3
- eine schematische Darstellung eines neuronalen Netzwerkes,
- FIG 4
- eine Tabelle, in der eine Übersicht für prognostizierte Schaltzeiten zwischen Signalzuständen für vier Signalgruppen einer Signalanlage angegeben sind, und
- FIG 5
- eine Tabelle mit Werten für Wahrscheinlichkeiten für ein Grünsignal und mit Werten für Schaltzeitpunkte der Signalgruppen
- Moderne Lichtsignalanlagen zur Steuerung eines Verkehrs auf Straßen haben die Aufgabe, den Verkehr möglichst mit geringen Wartezeiten an den Lichtsignalanlagen bei einer hohen Durchsatzrate von Fahrzeugen zu steuern. Dabei werden z.B. Grüne-Welle-Verfahren eingesetzt, um einen möglichst fließenden Verkehr mit einer relativen hohen Durchschnittsgeschwindigkeit und geringen Standzeiten bei Signalanlagen zu erreichen.
- Eine gute Verkehrssteuerung kann dadurch erreicht werden, dass die Verkehrsteilnehmer, insbesondere die Fahrzeuge eine Information über zukünftige Signalzustände einer Signalgruppe einer Signalanlage und insbesondere Informationen über zukünftige Schaltzeitpunkte zwischen zukünftigen Signalzuständen einer Signalgruppe einer Signalanlage erhalten. Die zukünftigen Signalzustände beziehungsweise die Schaltzeitpunkte für den Wechsel der Signalzustände der Signalanlage können beispielsweise drahtlos von Schaltstellen am Straßenrand oder über Mobilfunk von einer externen Recheneinheit an die Fahrzeuge gesendet werden. Dadurch kann ein Fahrer eines Fahrzeuges oder eine Steuereinheit des Fahrzeugs z.B. eine optimierte Geschwindigkeit ermitteln oder festlegen, die für das Fahrzeug vorteilhaft ist. Die optimierte Geschwindigkeit kann auf Basis des aktuellen Standortes des Fahrzeugs, der beispielsweise durch eine GPS-Information bekannt ist, dem Standort der Signalgruppe und des erwarteten Schaltzeitpunktes der Signalgruppe berechnet werden.
- Ein Ziel des vorliegenden Verfahrens und des vorliegenden Systems besteht darin, eine verbesserte Vorhersage der verbleibenden Zeit eines Signalzustandes einer Signalgruppe einer Signalanlage bis zu einem nächsten Schaltzeitpunkt zu ermöglichen. Eine weitere Verbesserung kann dadurch erreicht werden, dass zusätzlich eine Wahrscheinlichkeit für die verbleibende Restzeit bis zum nächsten Schaltzeitpunkt des Signalzustandes ermittelt und insbesondere an die Verkehrsteilnehmer übermittelt wird.
- Das vorgeschlagene Verfahren kann auf einzelnen Signalanlagen mit einer oder mehreren Signalgruppe, mehreren Signalanlagen mit mehreren Signalgruppen und einem Verbund von Signalanlagen und Signalgruppen angewendet werden. Die Vorhersage über die Schaltzeitpunkte für die Signalzustände und die Wahrscheinlichkeiten für die prognostizierten Signalzustände bzw.
- Restzeiten können für einen vorgegebenen zeitlichen Horizont in der Zukunft ermittelt werden. Bei der Prognose der Schaltzeitpunkte kann es sich um ein Klassifikationsproblem handeln, das mittels einer Kreuzentropie optimiert wird. Als Ergebnis der Prognose durch eine künstliche Intelligenz, insbesondere ein neuronales Netzwerk, wird eine Wahrscheinlichkeitsverteilung über den Signalzustand der jeweiligen Signalgruppe über den zeitlichen Prognosehorizont erhalten.
- Ein mit der künstlichen Intelligenz, insbesondere dem neuronalen Netzwerk nachgebildetes Prognosemodell für die Schaltzeitpunkte kann zwei Aufgaben erfüllen: es erlernt datenbasiert ein Schaltverhalten der Signalgruppen der Signalanlage und ein uhrzeitabhängiges Systemmodell der Verkehrsströme, wie sie beispielsweise von Detektoren erfasst werden, sowie das daraus resultierende Schaltverhalten der Signalgruppen der Signalanlage. Das Prognosemodell kann vorzugsweise durch Verfahren zur Modellierung dynamischer Systeme, insbesondere mithilfe von neuronalen Netzwerken, vorzugsweise rekurrenten neuronalen Netzwerken erstellt werden. Beispiele können hierfür folgende Architekturen und Netzwerke verwendet werden: rekurrente neuronale Netze, Fixpunkt-Konvergenz-Netze, Elman-Jordan-Netze, ECNN, Kausal-Retro-Kausal-Netzwerke, LSTM, Gated Recurrent Units. Die neuronalen Netze ermöglichen es, eine Aussage zur Prognosesicherheit der Schaltzustände bzw. der Schaltzeitpunkte zu liefern, sowie sichere von unsicheren Zuständen zu unterscheiden. Möglichkeiten hierzu sind: Die Ableitung der Unsicherheit aus einem Modellfehler, Streuung des Outputs von Modellen, die Ableitung einer Bandbreite einer Conditional-Density-Estimation, Generierung von Modelloutput durch Szenarienbildung. Zudem kann das Netzwerk in der Lage sein, statistische sowie systemimmanente dynamische Zusammenhänge zwischen Inputvariablen und Outputvariablen zu erlernen. Beispielsweise kann das Netzwerk ein erhöhtes Verkehrsaufkommen zu einer bestimmten Uhrzeit lernen und unter Berücksichtigung dieser statistischen Zusammenhänge beispielsweise eine höhere Rotwahrscheinlichkeit für eine gegebene Signalgruppe zu dieser Zeit prognostizieren.
- Unter einem Schaltzeitpunkt wird der Zeitpunkt verstanden, zu dem eine Signalgruppe einen Signalwechsel vornimmt. Beispielsweise kann die Signalgruppe von dem Signal freie Fahrt, das beispielsweise durch ein grünes Signal angezeigt wird, auf gesperrte Fahrt, das beispielsweise durch ein rotes Signal angezeigt wird, umschalten. Dies kann als Regressionsproblem zwischen einem echten Schaltzeitpunkt gegen einen prognostizierten Schaltzeitpunkt formalisiert werden. Dabei kann die Architektur des Prognosemodells in der Lage sein, einen gewissen Memory-Effekt abzubilden.
- Das vorgeschlagene Verfahren beziehungsweise das vorgeschlagene System kann eine Prognosematrix liefern, die für jeden Zeitpunkt in einem vorgegebenen Zeitfenster und für jede Signalgruppe einer Signalanlage eine prognostizierte Wahrscheinlichkeit für einen Signalzustand enthält. Beispielsweise kann die Prognosematrix eine Wahrscheinlichkeit für ein grünes Signal einer Ampel oder eine Wahrscheinlichkeit für ein rotes Signal einer Ampel für jedes Zeitfenster enthalten. Diese Aufgabe kann mithilfe eines Multi-Objective-Lernproblems gelöst werden. Dabei kann eine Prognose von Signalzuständen, insbesondere Wahrscheinlichkeiten für Signalzustände und Restzeitprognosen bis zum Umschaltzeitpunkt von einem Signalzustand zu einem folgenden Signalzustand für alle Signalgruppen einer Signalanlage mithilfe eines neuronalen Netzes gelöst werden, das das Lernproblem dynamisch und integriert löst.
- Das verwendete Verfahren benötigt keine Information über einen genauen Schaltplan der Lichtsignalanlage und auch kein Expertenwissen über die kausalen Zusammenhänge in einer Verkehrssteuerung. Das vorgeschlagene Verfahren verfügt über eine hohe Skalierbarkeit im Hinblick auf eine Anwendung auf verschiedene Lichtsignalanlagen, da es sich um ein Verfahren handelt, das nur anhand eines gegebenen Datensatzes kalibriert werden muss, d.h. die künstliche Intelligenz trainiert werden muss. Darüber hinaus ist das Prognosemodell in Echtzeit nutzbar und kann jederzeit auf aktuelle Daten nachtrainiert werden. Einen zusätzlichen Vorteil bietet eine Generalisierungsfähigkeit, die es erlaubt, das System auf Kreuzungen mit beliebiger Komplexität ohne Expertenwissen zu übertragen.
- Neuronale Netze sind parametrische Funktionen, die datengetrieben über stochastische Gradientenabstiegsverfahren trainiert werden können. So sind die neuronalen Netze in der Lage, nicht-lineare Zusammenhänge ohne Expertenwissen zu erkennen. Ebenso ist eines der technischen Merkmale der neuronalen Netzwerke, dass die verwendete Architektur eine integrierte Prognose von Schaltzeitpunkt und -zustand erlaubt. Rekurrente neuronale Netzwerke ermöglichen eine höhere Prognosegüte, da sie in der Lage sind, die zugrundeliegende Dynamik des zu modellierenden Systems sowie auftretende Memory-Effekte besser abzubilden als reine Input-Output-Modelle wie zum Beispiel Feed-Forward-Netze.
-
FIG 1 zeigt in einer schematischen Darstellung einen Aufbau einer Signalanlage 14 mit drei Signalgruppen 6, 7, 8. Die Signalanlage 14 weist eine Steuereinheit 5 auf, die mit Detektoren 1, 2, 3 verbunden ist. Die Detektoren 1, 2, 3 erfassen verschiedene Parameter eines Verkehrs auf wenigstens einer Straße, an der die Signalanlage 14 mit den Signalgruppen 6, 7, 8 angeordnet ist. Mithilfe der Detektoren 1, 2, 3 werden auf der Straße z.B. Fahrzeuge erfasst. Dadurch kann abhängig von einer Fahrzeugdichte auf der oder den Straßen eine an den Verkehr angepasste Steuerung der Signalanlage 14 erfolgen. Zudem ist eine Recheneinheit 4 vorgesehen, die entweder direkt von den Detektoren 1, 2, 3 Information über den Verkehr auf der Straße oder über das Steuergerät 5 Informationen über den Verkehr erhält. Auf diese Weise erhält auch die Recheneinheit 4 die Informationen über den Verkehr, insbesondere über die Verkehrsdichte auf der bzw. den Straßen einer Kreuzung. Die Daten der Detektoren 1, 2, 3 werden z.B. von der Recheneinheit 4 über einen ersten Eingang 9 erhalten. - Die Steuereinheit 5 verfügt über einen Datenspeicher und über Steuerprogramme, mit denen abhängig von verschiedenen Parametern und insbesondere abhängig von Verkehrsdaten, die mithilfe der Detektoren 1, 2, 3 erfasst werden, die Signalgruppen 6, 7, 8 der Signalanlage 14 in der Weise angesteuert werden, dass ein gewünschter Verkehrsfluss auf der Straße, insbesondere über eine Kreuzung erfolgen kann. Die Signalgruppen 6, 7, 8 sind in der dargestellten Ausführungsform als Lichtsignalgruppen ausgebildet. Dabei weist jede Signalgruppe eine Anzeige für rotes Licht, eine Anzeige für gelbes Licht und eine Anzeige für grünes Licht auf. Die Anzeige für rotes Licht bedeutet für den Verkehr, dass die Vorbeifahrt an der Signalgruppe gesperrt ist. Die Anzeige des grünen Lichtes bedeutet, dass die Vorbeifahrt an der Signalgruppe freigegeben ist. Die Anzeige des gelben Lichtes bedeutet, dass ein Signalwechsel zwischen der Freigabe, d.h. grünes Licht und der Sperrung, d.h. rotes Licht erfolgt.
- Abhängig von der gewählten Ausführungsform können die Signalgruppen 6, 7, 8 auch andere Signale aufweisen, um eine Fahrt freizugeben oder eine Fahrt zu sperren. Die Steuereinheit 5 gibt die Steuersignale für die Signalgruppen der Signalanlage auch an einen zweiten Eingang 10 der Recheneinheit 4 weiter. Somit verfügt die Recheneinheit 4 auch über die Information, welche Signalgruppe welches Signal gerade anzeigt. Zudem ist ein vierter Eingang 15 vorgesehen, über den die Steuereinheit 5 an die Recheneinheit 4 weitere Informationen über das Steuerprogramm übermittelt, das die Steuereinheit 5 verwendet, um die Signalanlage 14 mit den Signalgruppen 6, 7, 8 anzusteuern. Die Informationen über das Steuerprogramm können beispielsweise die Umlaufzeit, die Zykluszeit, eine Information darüber, ob es sich um eine zentrale Steuerung, eine lokale Steuerung, oder um eine Steuerung handelt, die durch den Verkehr aktiviert werden kann, ob Fehler in der Steuerung oder der Lichtsignalanlage vorliegen, ob es sich um eine verkehrsabhängige Steuerung handelt, ob ein Fehler am Detektor vorliegt, ob es sich um eine überlagerte Steuerung oder um eine zentrale Steuerung handelt, in welchem Zustand sich die Steuereinheit befindet usw. enthalten.
- Die Recheneinheit 4 verfügt weiterhin über einen dritten Eingang 11, über den weitere Informationen erhalten werden. Die weiteren Informationen können beispielsweise eine Verkehrsinformation, eine Information über ein öffentliches Verkehrsmittel, eine Meldung eines öffentliches Verkehrsmittels an einem Meldepunkt oder eine Anforderung für eine freie Fahrt durch ein öffentliches Verkehrsmittel usw. beinhalten. Die Meldung des Verkehrsmittels kann beispielsweise eine Information über die Art des Verkehrsmittels oder eine Kennung des Verkehrsmittels, wie zum Beispiel eine Liniennummer des Verkehrsmittels aufweisen. Ein öffentliches Verkehrsmittel kann ein Bus, eine Trambahn usw. sein. Zudem verfügt die Recheneinheit 4 über eine Zeiteinheit, mit der die aktuelle Zeit bestimmt werden kann. Weiterhin verfügt die Recheneinheit 4 über eine Information, welche Uhrzeit, welcher Wochentag, welcher Monat, welcher Kalendertag, welches Jahr usw. gerade ist. Zudem kann auch eine Information über einen aktuellen Feiertag der Recheneinheit 4 zur Verfügung stehen oder über den dritten Eingang zur Verfügung gestellt werden.
- Weiterhin können der Recheneinheit 4 über den dritten Eingang 11 Informationen über den Verkehr, beispielsweise Verkehrsmeldungen übermittelt werden. Verkehrsmeldungen können zum Beispiel Informationen über Unfälle, Staus, hohes Verkehrsaufkommen, Sperrung einer Straße usw. sein.
- Die Recheneinheit 4 verfügt über eine künstliche Intelligenz in Form eines Computerprogrammes und/oder in Form von Hardwareschaltungen, wobei die künstliche Intelligenz ausgebildet ist, um aufgrund wenigstens eines der zur Verfügung stehenden Parameter eine Prognose für einen Schaltzeitpunkt wenigstens einer Signalgruppe von einem Signalzustand zu einem folgenden Signalzustand zu prognostizieren. Abhängig von der gewählten Ausführungsform kann für wenigstens eine Signalgruppe somit die Restzeitdauer des vorliegenden aktuellen Signalzustandes und auch Schaltzeitpunkte zwischen zukünftigen Signalzuständen der Signalgruppe prognostiziert werden. Der zeitliche Horizont, bis zu dem der Signalverlauf und damit die Schaltzeitpunkte zwischen den Signalzuständen einer Signalgruppe prognostiziert wird, kann im Bereich von einigen Sekunden bis zu 30 Sekunden und auch länger als 30 Sekunden liegen. Die Prognose kann eine Wahrscheinlichkeit für die prognostizierte Restzeitdauer des aktuellen Signalzustandes einer Signalgruppe ermitteln. Weiterhin kann auch für zukünftige Signalzustände eine Wahrscheinlichkeit für die prognostizierte Zeitdauer und die prognostizierten Schaltzeitpunkte zwischen den Signalzuständen ermittelt werden.
- Die Ermittlung der Schaltzeitpunkte zwischen Signalzuständen einer Signalgruppe kann in festgelegten Zeitabständen aktualisiert werden. Beispielsweise können jede Sekunde für den vorgegebenen zukünftigen Zeithorizont von beispielsweise größer als 30 Sekunden, insbesondere größer als 120 Sekunden die Schaltzeitpunkte zwischen den Signalzuständen der Signalgruppe prognostiziert werden. Zudem können auch jede Sekunde die Wahrscheinlichkeiten für die Signalzustände der Signalgruppe ermittelt werden. Damit wird gleichzeitig eine Restdauer des vorliegenden Signalzustandes der Signalgruppe ermittelt. Abhängig von der gewählten Ausführungsform kann die Recheneinheit 4 ausgebildet sein, um für mehrere Signalgruppen der Signalanlage, insbesondere für alle Signalgruppen der Signalanlage die Schaltzeitpunkte für einen Übergang zwischen Signalzuständen der Signalanlagen für einen vorgegebenen zukünftigen Zeithorizont zu ermitteln. Zudem kann die Recheneinheit 4 ausgebildet sein, um für mehrere Signalgruppen 6, 7, 8, insbesondere für alle Signalgruppen der Signalanlage auch die Wahrscheinlichkeiten für die Restzeitdauern der aktuellen Signalzustände der Signalgruppen der Signalanlage ermitteln.
- Weiterhin können auch für den Wechsel von weiteren Signalzuständen der Signalgruppen der Signalanlage die Schaltzeitpunkte und die Wahrscheinlichkeiten für die folgenden Signalzustände der Signalgruppen ermittelt werden. Zudem kann abhängig von der gewählten Ausführungsform die Recheneinheit 4 ausgebildet sein, um für mehrere Signalanlagen die Schaltzeitpunkte der Signalgruppen der Signalanlagen und die Wahrscheinlichkeiten für die Signalzustände der Signalgruppen der Signalanlage zu ermitteln. Die Recheneinheit 4 und die Steuereinheit 5 können abhängig von der gewählten Ausführungsform auch in einer einzigen Recheneinheit ausgebildet sein. Die Wahrscheinlichkeiten werden von der Recheneinheit 4 aus einem gelernten historischen Vergleich der prognostizierten Schaltzeitpunkte mit den tatsächlich gemessenen Schaltzeitpunkten ermittelt. Dabei werden Schaltzeitpunkte für bestimmte Verkehrssituationen und Zustände der Signalanlage für einen festgelegten zukünftigen Zeitraum prognostiziert.
- Anschließend wird durch Messung mithilfe der Detektoren überprüft, mit welcher Wahrscheinlichkeit die prognostizierten Signalzustände tastsächlich aufgetreten sind. Abhängig von der gewählten Ausführung können auch andere Verfahren zur Ermittlung der Wahrscheinlichkeiten für die Signalzustände verwendet werden.
- Abhängig von der gewählten Ausführungsform wird wenigstens ein zukünftiger Schaltzeitpunkt oder eine Restzeit des aktuellen Signalzustandes oder eine Zeitdauer eines zukünftigen Signalzustandes von der Recheneinheit 4 an ein Fahrzeug 13 über einen Ausgang 12 beispielsweise drahtlos übertragen. Abhängig von der gewählten Ausführungsform können die Schaltzeitpunkte zukünftiger Übergänge zwischen Signalzuständen für einen vorgegebenen zukünftigen Zeithorizont wenigstens einer der Signalgruppen der Signalanlage, insbesondere aller Signalgruppen der Signalanlage an das Fahrzeug 13 übermittelt werden.
- Abhängig von der gewählten Ausführungsform können die Zeitdauern der aktuellen Signalzustände der Signalgruppen und die Zeitdauern der zukünftigen Signalzustände der Signalgruppen für einen vorgegebenen zukünftigen Zeithorizont wenigstens für eine der Signalgruppen der Signalanlage, insbesondere für alle Signalgruppen der Signalanlage an das Fahrzeug 13 übermittelt werden. Weiterhin können diese Informationen auch an eine externe Recheneinheit 16 übermittelt werden.
- Das Fahrzeug 13 und/oder die externe Recheneinheit 16 können die übermittelten Informationen über die zukünftigen Schaltzeitpunkte der Signalgruppen der Signalanlage und/oder die Zeitdauern der aktuellen und/oder der zukünftigen Signalzustände der Signalgruppen und/oder die Wahrscheinlichkeiten der aktuellen und/oder der zukünftigen Signalzustände der Signalgruppen für eine statistische Auswertung, eine Reiseplanung einer Fahrtroute und/oder eine Steuerung einer Geschwindigkeit des Fahrzeuges oder eine Ausgabe einer Information an einen Fahrer verwenden.
- Beispielsweise können die Daten im Fahrzeug 13 von einer Steuereinheit zur automatischen Steuerung einer Geschwindigkeit des Fahrzeugs verwendet werden. Zudem können die Informationen im Fahrzeug 13 in ein Navigationssystem beziehungsweise Navigationsprogramm eingelesen und für die Fahrroutenplanung berücksichtigt werden. Weiterhin können die Informationen dem Fahrer über ein Display, beispielsweise ein Display eines Mobiltelefons oder ein Display eines integrierten Navigationssystems angezeigt werden. Die externe Recheneinheit 16 kann zudem ausgebildet sein, um die übermittelten Informationen über die zukünftigen Schaltzeitpunkte der Signalgruppen der Signalanlage und deren Wahrscheinlichkeiten an Fahrzeuge 13 drahtlos zu übermitteln.
- Die externe Recheneinheit 16 kann als Cloud oder als einzelne externe Recheneinheit realisiert sein. Abhängig von der gewählten Ausführungsform können die Parameter, die von der Recheneinheit 4 erfasst werden, auch zur externen Recheneinheit 16 übertragen werden. Zudem kann die externe Recheneinheit 16 ausgebildet sein, um die künstliche Intelligenz zu trainieren und das entsprechende Modell zur Vorhersage der Schaltzeitpunkte und der Wahrscheinlichkeit der Signalzustände zu realisieren.
- Die trainierte künstliche Intelligenz kann anschließend als Rechenprogramm an die Recheneinheit 4 übertragen werden. Die Schnittstelle zwischen der externen Recheneinheit 16 und der Recheneinheit 4 kann drahtlos aber auch drahtgebunden ausgebildet sein. Weiterhin kann abhängig von der gewählten Ausführungsform auch in der externen Recheneinheit 16 die Berechnung der Prognose für die Schaltzeiten und/oder die Berechnung der Wahrscheinlichkeiten der Signalzustände ausführen. Somit kann die externe Recheneinheit 16 die ermittelten Wahrscheinlichkeiten der aktuellen und zukünftigen Signalzustände der Signalgruppen und die ermittelten zukünftigen Schaltzeiten der Signalgruppen an die Recheneinheit 4 übermitteln. Abhängig von der gewählten Ausführungsform kann die externe Recheneinheit 16 ausgebildet sein, um die Informationen über die Schaltzeiten und die Wahrscheinlichkeiten der Schaltzeiten an weitere Recheneinheiten beziehungsweise an die Fahrzeuge 13 zu übermitteln. Zudem kann die Recheneinheit 4 die Übermittlung der Schaltzeiten der Signalgruppen und/oder der Wahrscheinlichkeiten der Signalzustände an die Fahrzeuge 13 beispielsweise drahtlos ausführen.
- Abhängig von der gewählten Ausführungsform kann die Recheneinheit 4 und/oder die externe Recheneinheit 16 die künstliche Intelligenz trainieren. Beispielsweise können die Daten, die die Recheneinheit 4 zur Prognose der Schaltzeiten und/oder der Wahrscheinlichkeiten der Signalzustände benötigt, über eine Datenverbindung von der Steuereinheit 5 angefordert werden. Beispielsweise können die Parameter jede Sekunde von der Steuereinheit 5 abgefragt und erhalten werden. Zudem können die zum Trainieren des Modells benötigten Daten jede Sekunde von der Recheneinheit 4 und/oder von der Steuereinheit 5 an die externe Recheneinheit 16 übertragen werden.
- Abhängig von der gewählten Ausführung kann auch nur die Recheneinheit 4 das Trainieren der künstlichen Intelligenz ausführen. Zudem kann die künstlichen Intelligenz der Recheneinheit 4 von extern übermittelt werden.
- Zum Trainieren der künstlichen Intelligenz kann z.B. ein Back-Propagation-Verfahren von S. Haykin, Neural Networks: A Comprehensive Foundation, Macmillan College Publishing Company, Second Edition, ISBN 0-13-273350-1, Seite 732 bis 789, 1999 verwendet werden. Bei diesem bekannten Trainingsverfahren wird in der folgenden Trainingsphase die Kostenfunktion minimiert.
-
FIG 2 zeigt in einer schematischen Darstellung eine Kreuzung 17, an der eine zweite Straße 18 in eine erste Straße 19 einmündet beziehungsweise davon abzweigt. An der ersten Straße 19 ist links von der Kreuzung 17 die erste Signalgruppe 6 und der erste Detektor 1 angeordnet. An der zweiten Straße 18 sind der zweite Detektor 2 und die zweite Signalgruppe 7 angeordnet. Auf der rechten Seite der Kreuzung 17 sind auf der ersten Straße 19 der dritte Detektor 3 und die dritte Signalgruppe 8 angeordnet. Die Detektoren 1, 2, 3 sind mit der Steuereinheit 5 und der Recheneinheit 4 verbunden. Die Recheneinheit 4 und die Steuereinheit 5 können abhängig von der gewählten Ausführungsform auch in einer einzigen Recheneinheit ausgebildet sein. Beispielsweise sind die Recheneinheit 4 und/oder die Steuereinheit 5 am Straßenrand in einer Schaltbox angeordnet. Die Signalgruppen 6, 7, 8 der Signalanlage 14 stehen mit der Steuereinheit 5 in Verbindung. Die Detektoren 1, 2, 3 sind ausgebildet, um Fahrzeuge zu detektieren, die sich der Kreuzung 17 nähern. Somit kann die Steuereinheit 5 abhängig von dem aktuellen Verkehrsaufkommen eine verkehrsabhängige Steuerung der Signalzustände der Signalgruppen 6, 7, 8 der Signalanlage 14 durchführen. - Die Steuereinheit 5 kann beispielsweise über ein Ethernet mit der Recheneinheit 4 in Verbindung stehen. Über diese Verbindung können aktuell die vorliegenden Informationen über das Signalprogramm, die Umlaufzeit, die Zykluszeit, der Signalzustand für die Ansteuerung der Signalzustände der Signalgruppen, die Daten der Detektoren, Informationen über Meldungen des öffentlichen Transportmittels usw. in festgelegten Zeitabständen beispielsweise sekündlich ausgetauscht werden.
- Die Recheneinheit 4 kann als künstliche Intelligenz zur Modellierung des Schaltverhaltens wenigstens einer Signalgruppe einer Signalanlage oder mehrerer, insbesondere aller Signalgruppen einer Signalanlage einer Kreuzung, beispielsweise ein neuronales Netzwerk, ein rekurrentes neuronales Netzwerk, ein Fixpunkt-Konvergenz-Netz, ein Elman-Jordan-Netz, ECNN, ein Kausal-Retro-kausales Netz, ein LSTM, ein Gated Recurrent Netz aufweisen.
-
FIG 3 zeigt ein einfaches, schematisches Beispiel für ein neuronales Netzwerk in Form eines rekurrenten neuronalen Netzwerkes. -
- Ein Zustandsübergang wird durch einen vorhergehenden internen versteckten Zustand des Systems st-1 zum Zeitpunkt t-1 und den Einfluss eines externen Parameters ut zum Zeitpunkt t auf den neuen Zustand st zum Zeitpunkt t festgelegt. Die Zustände st, st-1 usw. können Parameter oder Vektoren mit mehreren Parametern sein. Die Ausgangsgleichung ermittelt den bestimmbaren Ausgangsvektor yt. Bei der Signalanlage sind z.B. die externen Parameter ut, die Parameter, die mit den Detektoren erfasst werden. Der Ausgangsvektor yt sind die Signalzustände der Signalgruppen der Signalanlage.
- Die Aufgabe besteht nun darin, das dynamische System der Gleichungen 1.1, das durch die Funktionen f und g festgelegt ist, für ein vorliegendes System der Steuerung der Signalanlage zu ermitteln. Dies kann dadurch erfolgen, dass ein gemittelter Unterschied zwischen gemessenen Ausgangsvektoren yt d, t = 1,...,T und die berechneten Daten yt für ein Modell minimal werden:
-
-
-
- Damit wird ein Eingangsvektor zum Zeitpunkt t mit dem Gewicht B auf die versteckte Schicht mit den Zuständen st einwirken. Die versteckte Schicht wird mit einem Gewicht C in den Ausgangsvektor yt übergehen. Gleichzeitig wird der Zustand st-1 mit dem Gewicht A auf die versteckte Schicht einwirken. Zudem wird die versteckte Schicht mit einer Einheitsmatrix id auf den Zustand st einwirken. Dabei ist die Ausgangsfunktion NN(st; w) als lineare Funktion realisiert.
- Unter diesen Annahmen kann das in
FIG 3 schematisch dargestellte rekurrente neuronale Netzwerk realisiert werden. Das neuronale Netzwerk weist eine versteckte Schicht mit den versteckten Zuständen st auf, wobei t einen inkrementellen Zeitpunkt definiert. Zudem wird ein Eingangsvektor ut mit dem Gewicht B auf den jeweiligen versteckten Zustand einwirken. Weiterhin wird aus dem versteckten Zustand st mit dem Gewicht C ein Ausgangsvektor yt ermittelt. Gleichzeitig wirkt ein versteckter Zustand st-1 auf den folgenden Zustand st mit dem Gewicht A ein. - Eine Aufgabe besteht nun darin, das Modell des Ausgangsvektors yt möglichst präzise zu ermitteln. In dem dargestellten Ausführungsbeispiel wird das Einwirken von drei vorhergehenden Zuständen, das heißt st-3, st-2 und st-1 zusammen mit dem aktuellen versteckten Zustand st verwendet, um zukünftige versteckte Zustände st+1, st-2 usw. und auch zukünftige Ausgangsvektoren yt+1, yt+2 usw. zu ermitteln.
- Bei einem Lernverfahren wird das neuronale Netzwerk in der Weise trainiert, dass die Gewichte A, B und C ermittelt werden, sodass die mit dem neuronalen Netzwerk berechneten Ausgangsvektoren yt möglichst genau den gemessenen Ausgangsvektoren yt entsprechen. In dem vorliegenden Fall werden zum Trainieren des neuronalen Netzwerkes als Eingangsvektoren ut die Parameter verwendet, die der Recheneinheit 4 über den ersten Eingang 9, den dritten Eingang 11 und den vierten Eingang 15 zugeführt werden. Abhängig von der gewählten Ausführungsform kann auch nur ein Teil der Parameter als Eingangsvektor verwendet werden.
- Als Ausgangsvektor wird wenigstens ein Schaltzeitpunkt einer Signalgruppe von einem aktuellen Signalzustand auf einen folgenden Signalzustand ermittelt. Zudem kann abhängig von der gewählten Ausführungsform der Ausgangsvektor eine Wahrscheinlichkeit für die Richtigkeit eines prognostizierten Signalzustandes wenigstens einer Signalgruppe der Signalanlage umfassen. Weiterhin kann der Ausgangsvektor für einen vorgegebenen Zeitpunkt die Schaltzeitpunkte zwischen den auftretenden Signalzuständen einer Signalgruppe aufweisen. Zudem kann der Ausgangsvektor Wahrscheinlichkeiten für die Signalzustände wenigstens einer Signalgruppe für einen vorgegebenen Prognosezeitraum aufweisen. Zudem kann der Ausgangsvektor die Schaltzeitpunkte und/oder die Wahrscheinlichkeiten für die Signalzustände mehrerer Signalgruppen der Signalanlage, insbesondere für alle Signalgruppen der Signalanlage aufweisen. Die gemessenen Ausgangsvektoren werden mit den berechneten Ausgansvektoren verglichen. Durch eine entsprechende Anpassung der Gewichte A, B und C werden die berechneten Ausgangsvektoren an die gemessenen Ausgangsvektoren angepasst. Ist der Unterschied zwischen dem berechneten Ausgangsvektor und dem gemessenen Ausgangsvektor für jeden Parameter kleiner als 5%, dann wird das Lernverfahren beendet und das Modell bzw. das neuronale Netz mit den Gewichten A, B, C beibehalten. Dieses Modell wird für eine zukünftige Vorhersage von Schaltzeitpunkten und/oder von Wahrscheinlichkeiten der Signalzustände von der Recheneinheit 4 verwendet.
-
-
-
- Eine weitere Beschreibung der möglichen zu verwendenden neuronalen Netze für die Realisierung der künstlichen Intelligenz kann dem Artikel Zimmermann HG., Neuneier R., Grothmann R. (2002) Modeling Dynamical Systems by Error Correction Neural Networks. In: Soofi A.S., Cao L. (eds) Modelling and Forecasting Financial Data. Studies in Computational Finance, vol 2. Springer, Boston, MA entnommen werden. Zudem sind entsprechende neuronale Netzwerke in
EP 1 252 566 B1 beschrieben. -
FIG 4 zeigt eine Tabelle, die die Recheneinheit 4 mithilfe der künstlichen Intelligenz für Schaltzeitpunkte von vier Signalgruppen zu fortlaufenden Zeitpunkten ermittelt hat. Zudem sind für die Zukunft Wahrscheinlichkeiten für das Vorliegen eines Grünsignals angegeben. - In einer ersten Spalte 21 sind das Datum und die Uhrzeit angegeben, zu dem die Daten ermittelt wurden. Die Uhrzeit entwickelt sich von oben nach unten fortlaufend in Zeitabschnitten von jeweils einer Sekunde. Zudem sind in einer zweiten Spalte 22 die einzelnen Signalgruppen mit sgr_01 für die erste Signalgruppe, sgr_02 für die zweite Signalgruppe, sgr_03 für die dritte Signalgruppe und sgr_04 für die vierte Signalgruppe angegeben. Somit sind für jeden Zeitpunkt jeweils die Werte für die vier Signalgruppen angegeben.
- In einer ersten Zeile 24 sind die Zeitpunkte für zukünftige Zeiten mit t für die Gegenwart und t+01, t+02, t+03 usw. jeweils für die Gegenwart + 1 Sekunde, 2 Sekunden usw. aufgetragen. Zu jedem Zeitpunkt sind in den Spalten unter den Zeitpunkten jeweils die Wahrscheinlichkeiten für eine Grünphase angegeben. In einer letzten Spalte 23 sind die mithilfe der künstlichen Intelligenz ermittelten Schaltzeitpunkte für die jeweilige Signalgruppe zu den jeweiligen Zeiten angegeben. Somit wird für den 25.01.2017 um 13:02 Uhr und 1 Sekunde für die erste Signalgruppe der Schaltzeitpunkt von 3 Sekunden angegeben. Zudem ist für den Zeitpunkt 13:02 Uhr und 1 Sekunde für die erste Signalgruppe sgr 01 zum Zeitpunkt t+01 eine Wahrscheinlichkeit von 1 % gegeben, dass ein Grünsignal, d.h. freie Fahrt von der Signalgruppe 1 angezeigt wird. Zum Zeitpunkt t+02 besteht die Wahrscheinlichkeit für ein Grünsignal ebenfalls bei 1 %. Für den Zeitpunkt t+03 liegt die Wahrscheinlichkeit ebenfalls nur bei 2 % für ein Grünsignal. Für den Zeitpunkt t+04 liegt die Wahrscheinlichkeit bei 97 % für ein Grünsignal. Dies ist dadurch erklärbar, da der Schaltzeitpunkt bei 3 Sekunden ermittelt wurde. Der Schaltzeitpunkt berechnet die Zeit, die ausgehend zum Zeitpunkt t vergeht, bis das Signal der Signalgruppe umgeschaltet wird. Die Wahrscheinlichkeit ist für die Zeitpunkte t+5 bis t+20 bei einem Wert von 99 %. Erst bei dem Zeitpunkt t+25 sinkt die Wahrscheinlichkeit auf 93 % und bei einem Zeitpunkt t+30 auf die Wahrscheinlichkeit von 79 % für ein Grünsignal.
- In der gleichen Weise ist für die Zeit 25.01.2017 um 13:02 Uhr und 1 Sekunde für die zweite Signalgruppe sgr 02 der Schaltzeitpunkt mit 3 Sekunden berechnet und in der letzten Spalte 23 angegeben. Die Wahrscheinlichkeiten sind für die Zeitpunkte t+01 und t+02 jeweils mit 1 % für ein Grünsignal angegeben. Für den Zeitpunkt t+03 ist die Wahrscheinlichkeit bei 2 % für ein Grünsignal. Für den Zeitpunkt t+04 ist die Wahrscheinlichkeit für ein Grünsignal bei 97 %. Für die Zeitpunkte t+05 bis t+20 liegt die Wahrscheinlichkeit für ein Grünsignal bei 99 %. Bei der dritten Signalgruppe sgr_03 ist für den Zeitpunkt des 25.02.2017 um 13:02 Uhr und 1 Sekunde der Schaltzeitpunkt mit 29 Sekunden berechnet. Damit ist die Wahrscheinlichkeit für ein Grünsignal für die Zeitpunkte t+1 bis t+25 nur bei 1 %. Für den Zeitpunkt t+30 ist die Wahrscheinlichkeit für ein Grünsignal bei 12 %.
- In entsprechender Weise sind die Schaltzeitpunkte sekündlich, das heißt für die Uhrzeit 13:02 Uhr und 2 Sekunden und 13:02 Uhr und 3 Sekunden für die Signalgruppen für die Zukunft angegeben. Entsprechend sind auch die Wahrscheinlichkeiten für ein Grünsignal für die Zukunft angegeben.
- Die Schaltzeitpunkte der Signalgruppen und die Wahrscheinlichkeit für die Signalzustände der Signalgruppen kann von der Recheneinheit 4 an eine externe Recheneinheit und insbesondere an Fahrzeuge übermittelt werden.
-
FIG 5 zeigt in einer schematischen Darstellung die Wahrscheinlichkeit für einen bestimmten Signalzustand einer Signalgruppe. Die Signalgruppe kann als Lichtsignalanlage, insbesondere als Verkehrsampel ausgebildet sein. Der Signalzustand kann z.B. ein Grünsignal der Verkehrsampel sein. Entlang der y-Achse ist eine Wahrscheinlichkeit P in Prozent und entlang der x-Achse der Zeitverlauf t in der Zukunft aufgetragen. Beispielsweise kann der Prognosezeitraum bis zu 180 Sekunden in die Zukunft reichen, jedoch auch kürzer oder auch länger sein. Die Wahrscheinlichkeit von 100 % entspricht einer sicheren Prognose für das Grünsignal. - Obwohl die Erfindung im Detail durch das bevorzugte Ausführungsbeispiel näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen.
Claims (18)
- Verfahren zur Vorhersage eines Schaltzeitpunktes einer Signalgruppe einer Signalanlage von einem Signalzustand in einen zeitlich folgenden Signalzustand zur Steuerung eines Verkehrsflusses einer Straße mithilfe einer Recheneinheit mit folgenden Verfahrensschritten:Prognostizieren des Schaltzeitpunktes von dem Signalzustand zu dem folgenden Signalzustand unter Berücksichtigung von Daten eines Verkehrs der Straße und dem Signalzustand der Signalgruppe mithilfe einer künstlichen Intelligenz, die von der Recheneinheit ausgeführt wird.
- Verfahren nach Anspruch 1, wobei eine Wahrscheinlichkeit für einen aktuellen Signalzustand und/oder eine Wahrscheinlichkeit für wenigstens einen zukünftigen Signalzustand wenigstens einer Signalgruppe unter Berücksichtigung der Verkehrsdaten der Straße und dem Signalzustand der Signalgruppe mithilfe der künstlichen Intelligenz von der Recheneinheit ermittelt wird.
- Verfahren nach einem der vorhergehenden Ansprüche, wobei von der künstlichen Intelligenz wenigstens eine Information über ein Steuerprogramm berücksichtigt wird, das die Signalanlage steuert.
- Verfahren nach einem der vorhergehenden Ansprüche, wobei von der künstlichen Intelligenz wenigstens eine aktuelle Zeit, insbesondere eine aktuelle Uhrzeit und/oder ein aktueller Wochentag und/oder ein aktueller Tag eines Monats und/oder ein aktueller Monat und/oder ein aktueller Feiertag berücksichtigt werden.
- Verfahren nach Anspruch 4, wobei von der künstlichen Intelligenz eine Zykluszeit und/oder eine Umlaufzeit des Steuerprogramms berücksichtigt werden.
- Verfahren nach einem der Ansprüche 4 oder 5, wobei von der künstlichen Intelligenz berücksichtigt wird, ob es sich um eine zentrale Steuerung für mehrere Signalanlagen oder um eine lokale Steuerung handelt.
- Verfahren nach einem der vorhergehenden Ansprüche, wobei von der künstlichen Intelligenz eine Meldung und/oder eine Anforderung eines öffentlichen Transportmittels berücksichtigt werden.
- Verfahren nach einem der vorhergehenden Ansprüche, wobei die Prognose für einen festgelegten zukünftigen Zeitraum, insbesondere für 30 Sekunden oder länger durchgeführt wird, und wobei insbesondere die Prognose für mehrere Wechsel von Signalzuständen wenigstens der Signalgruppe durchgeführt wird.
- Verfahren nach einem der vorhergehenden Ansprüche, wobei von der künstlichen Intelligenz Verkehrsinformationen berücksichtigt werden.
- Verfahren nach einem der vorhergehenden Ansprüche, wobei wenigstens ein Teil der Prognose des Schaltzeitpunktes in einer externen Recheneinheit, insbesondere in einer Cloud durchgeführt wird.
- Verfahren nach einem der vorhergehenden Ansprüche, wobei die künstliche Intelligenz zum Prognostizieren des Schaltzeitpunktes von dem Signalzustand zu dem folgenden Signalzustand unter Berücksichtigung von Verkehrsdaten der Straße und den Signalzuständen der Signalgruppe trainiert wurde.
- Verfahren nach Anspruch 11, wobei zum Trainieren der künstlichen Intelligenz wenigstens eine der folgenden Parameter verwendet wird: eine Information über ein Steuerprogramm, das die Signalanlage steuert; eine aktuelle Zeit, insbesondere eine Tageszeit und/oder ein Wochentag und/oder ein Monat; eine Zykluszeit und/oder eine Umlaufzeit des Steuerprogramms; Vorliegen einer Festzeitsteuerung oder einer verkehrsabhängigen Steuerung oder einer zentralen Steuerung oder einer lokalen Steuerung; eine Meldung und/oder Anforderung eines öffentlichen Transportmittels; Verkehrsinformationen.
- Verfahren nach Anspruch 11 oder 12, wobei wenigstens ein Teil des Trainings der künstlichen Intelligenz in einer externen Recheneinheit, insbesondere in einer Cloud durchgeführt wird, und wobei nach dem Abschluss des Trainings die trainierte künstliche Intelligenz an die Recheneinheit der Signalanlage übertragen wird.
- Verfahren nach einem der Ansprüche 11 bis 13, wobei während des Betriebes der Signalanlage und der Prognose wenigstens des Schaltzeitpunktes von einem Signalzustand zu einem folgenden Signalzustand in vorgegebenen Zeitabständen die künstliche Intelligenz trainiert wird und die neu trainierte künstliche Intelligenz von der Recheneinheit verwendet wird.
- Verfahren nach einem der vorhergehenden Ansprüche, wobei wenigstens der prognostizierte Schaltzeitpunkt und/oder eine Wahrscheinlichkeit für einen aktuellen oder zukünftigen Signalzustand wenigstens einer Signalgruppe drahtlos an Verkehrsteilnehmer, insbesondere Fahrzeuge übermittelt wird.
- Verfahren nach einem der vorhergehenden Ansprüche, wobei die künstliche Intelligenz als neuronales Netzwerk, insbesondere als rekursives neuronales Netzwerk ausgebildet ist.
- Computerprogrammprodukt mit Programmcode-Mitteln, die ausgebildet sind, um ein Verfahren gemäß einem der vorhergehenden Ansprüche auszuführen, wenn diese auf einer Recheneinheit ausgeführt werden.
- Recheneinheit, die ausgebildet ist, um ein Verfahren gemäß einem der Ansprüche 1 bis 16 auszuführen.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017213350.3A DE102017213350A1 (de) | 2017-08-02 | 2017-08-02 | Verfahren zur Vorhersage eines Schaltzeitpunktes einer Signalgruppe einer Signalanlage |
Publications (2)
Publication Number | Publication Date |
---|---|
EP3438946A2 true EP3438946A2 (de) | 2019-02-06 |
EP3438946A3 EP3438946A3 (de) | 2019-02-20 |
Family
ID=63103776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
EP18186211.1A Withdrawn EP3438946A3 (de) | 2017-08-02 | 2018-07-30 | Verfahren zur vorhersage eines schaltzeitpunktes einer signalgruppe einer signalanlage |
Country Status (2)
Country | Link |
---|---|
EP (1) | EP3438946A3 (de) |
DE (1) | DE102017213350A1 (de) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110880052A (zh) * | 2019-11-22 | 2020-03-13 | 河北轨道运输职业技术学院 | 一种城市轨道交通短期客流动态预测方法 |
WO2021037494A1 (de) * | 2019-08-30 | 2021-03-04 | Siemens Mobility GmbH | Verfahren und vorrichtung zur prognose eines schaltzustands und/oder eines schaltzeitpunkts einer signalanlage zur verkehrssteuerung |
EP3813034A1 (de) * | 2019-10-22 | 2021-04-28 | Siemens Mobility GmbH | Verfahren zum bestimmen eines angepassten aktuellen restzeitwerts für eine anlage |
DE102020202380A1 (de) | 2020-02-25 | 2021-08-26 | Siemens Mobility GmbH | Verfahren zur Verkehrsbeeinflussung und Verkehrsbeeinflussungseinrichtung |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018221044A1 (de) * | 2018-12-05 | 2020-06-10 | Siemens Mobility GmbH | Verfahren und Vorrichtung zur Prognose eines Schaltzustands und eines Schaltzeitpunkts einer Signalanlage zur Verkehrssteuerung |
DE102019218903A1 (de) * | 2019-12-04 | 2021-06-10 | Siemens Mobility GmbH | Verfahren und Anordnung zur Vorhersage von Schaltzeitpunkten einer Signalgruppe einer Signalanlage zur Steuerung eines Verkehrsflusses |
DE102020202656A1 (de) | 2020-03-02 | 2021-09-02 | Siemens Mobility GmbH | Bestimmen eines zukünftigen Schaltverhaltens einer Anlageeinheit |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030065633A1 (en) | 2000-01-31 | 2003-04-03 | Raft Neuneier | Configuration of interconnected arithmetic elements, and method for the computer-aided determination of a second state of a system in a first state space from a first state of the system in the first state space |
US8972145B2 (en) * | 2013-03-15 | 2015-03-03 | Bayerische Motoren Werke Aktiengesellscahft | Systems and methods for predicting traffic signal information |
HUE038758T2 (hu) * | 2015-09-21 | 2018-11-28 | Urban Software Inst Gmbh | Számítógépi rendszer és eljárás forgalmi rendszer monitorozására |
CN105844927A (zh) * | 2016-04-06 | 2016-08-10 | 深圳榕亨实业集团有限公司 | 新型感知与控制的道路交叉口群信号控制***及控制方法 |
DE102017003346A1 (de) * | 2017-04-06 | 2017-10-26 | Daimler Ag | Verfahren zur Bereitstellung von Daten zur Ampelphasenschaltung |
-
2017
- 2017-08-02 DE DE102017213350.3A patent/DE102017213350A1/de not_active Withdrawn
-
2018
- 2018-07-30 EP EP18186211.1A patent/EP3438946A3/de not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021037494A1 (de) * | 2019-08-30 | 2021-03-04 | Siemens Mobility GmbH | Verfahren und vorrichtung zur prognose eines schaltzustands und/oder eines schaltzeitpunkts einer signalanlage zur verkehrssteuerung |
EP3813034A1 (de) * | 2019-10-22 | 2021-04-28 | Siemens Mobility GmbH | Verfahren zum bestimmen eines angepassten aktuellen restzeitwerts für eine anlage |
CN110880052A (zh) * | 2019-11-22 | 2020-03-13 | 河北轨道运输职业技术学院 | 一种城市轨道交通短期客流动态预测方法 |
DE102020202380A1 (de) | 2020-02-25 | 2021-08-26 | Siemens Mobility GmbH | Verfahren zur Verkehrsbeeinflussung und Verkehrsbeeinflussungseinrichtung |
Also Published As
Publication number | Publication date |
---|---|
EP3438946A3 (de) | 2019-02-20 |
DE102017213350A1 (de) | 2019-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3438946A2 (de) | Verfahren zur vorhersage eines schaltzeitpunktes einer signalgruppe einer signalanlage | |
DE102011083677A1 (de) | Prognose einer Verkehrssituation für ein Fahrzeug | |
DE102019002790B4 (de) | Verfahren zur Prädiktion einer Verkehrssituation für ein Fahrzeug | |
WO1998027525A1 (de) | Verfahren zur vervollständigung und/oder verifizierung von den zustand eines verkehrsnetzes betreffenden daten; verkehrszentrale | |
EP1920420A1 (de) | Verfahren und vorrichtung zur automatischen generierung von verkehrsmanagement-strategien | |
DE102012204306A1 (de) | Verfahren zur Steuerung eines Bereitstellens von Verkehrsinformationsdaten zur Aktualisierung einer Verkehrsinformation | |
DE10146398A1 (de) | System zum Steuern von Lichtsignalgebern an Kreuzungen | |
EP2280383A1 (de) | Verfahren zur Ermittlung von Verkehrsinformationen für eine Straßenstrecke eines Straßennetzes sowie Verkehrsrechner zur Durchführung des Verfahrens | |
EP4046150B1 (de) | Verfahren und anordnung zur vorhersage von schaltzeitpunkten einer signalgruppe einer signalanlage zur steuerung eines verkehrsflusses | |
DE10057796A1 (de) | Verfahren zur fahrzeugindividuellen Verkehrszustandsprognose | |
EP3151215A1 (de) | Verfahren zum steuern einer anzeige einer restzeit | |
DE102005044888B4 (de) | Verfahren, Anordnung und Simulationseinheit für ein Verkehrszustands-Schätzsystem | |
DE102007062741B4 (de) | Verfahren und Prüfeinrichtung zum Prüfen eines Verkehrssteuerungssystems | |
DE19944310C2 (de) | Verfahren und System zur Priorisierung des öffentlichen Personennahverkehrs | |
DE10108611A1 (de) | Verfahren zur Simulation und Prognose der Bewegung von Einzelfahrzeugen auf einem Verkehrswegenetz | |
DE102015115237B4 (de) | Steuervorrichtung und steuerverfahren für eine verkehrssteueranlage, und steuersystem | |
DE102016216538A1 (de) | Verfahren zum Betreiben einer Steuervorrichtung eines Kraftfahrzeugs, Steuervorrichtung und Kraftfahrzeug | |
AT510247B1 (de) | Verfahren zur regelung einer signalanlage | |
EP2413302B1 (de) | Verfahren zur Verkehrsregelung eines Strassenzuges | |
WO2021190799A1 (de) | Bestimmen eines zukünftigen schaltverhaltens einer anlageeinheit | |
DE19752605A1 (de) | Verfahren und Anordnung zur rechnergestützten Ermittlung einer in Meßdaten enthaltenen Struktur unter Verwendung von Fuzzy Clustering | |
DE102015203115B4 (de) | Ermitteln von fehlerhaften Konfigurationen von Detektoren und Signalen von Lichtsignalanlagen | |
EP2887332A1 (de) | Verfahren und System zum Ermitteln einer Verkehrssituation auf einer Straßenstrecke | |
WO2021037494A1 (de) | Verfahren und vorrichtung zur prognose eines schaltzustands und/oder eines schaltzeitpunkts einer signalanlage zur verkehrssteuerung | |
DE102017221011A1 (de) | Verfahren und Vorrichtung zum dynamischen Steuern einer Lichtsignalanlage |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PUAI | Public reference made under article 153(3) epc to a published international application that has entered the european phase |
Free format text: ORIGINAL CODE: 0009012 |
|
PUAL | Search report despatched |
Free format text: ORIGINAL CODE: 0009013 |
|
AK | Designated contracting states |
Kind code of ref document: A2 Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR |
|
AX | Request for extension of the european patent |
Extension state: BA ME |
|
AK | Designated contracting states |
Kind code of ref document: A3 Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR |
|
AX | Request for extension of the european patent |
Extension state: BA ME |
|
RIC1 | Information provided on ipc code assigned before grant |
Ipc: G08G 1/0967 20060101ALI20190117BHEP Ipc: G08G 1/01 20060101ALI20190117BHEP Ipc: G08G 1/08 20060101AFI20190117BHEP Ipc: G08G 1/07 20060101ALI20190117BHEP |
|
RAP1 | Party data changed (applicant data changed or rights of an application transferred) |
Owner name: SIEMENS MOBILITY GMBH |
|
STAA | Information on the status of an ep patent application or granted ep patent |
Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN |
|
18D | Application deemed to be withdrawn |
Effective date: 20190821 |