Kurzfassung

Informationen über die zukünftige Signalisierung von Lichtsignalanlagen (LSA) werden für den Betrieb von kooperativen Anwendungen wie bspw. Green Light Optimal Speed Advisory Systemen benötigt. Die Informationsgewinnung stellt, insbesondere für verkehrsabhängig gesteuerte LSA eine bisher noch nicht zufriedenstellend gelöste Herausforderung dar. In diesem Zusammenhang wurde in diesem Beitrag untersucht, inwieweit eine Berücksichtigung von statistisch ermittelten Abhängigkeiten innerhalb des Schaltverhaltens verkehrsabhängiger LSA zu einer Steigerung der Qualität von Schaltzeitprognosen beitragen kann. Für diese Untersuchungen wurde ein Konzept zur Plausibilitätsprüfung und Vorhersagekorrektur entwickelt, welches mit Hilfe von Vorhersageexperimenten mit aufgezeichneten LSA- Prozessdaten aus dem Kasseler Stadtgebiet evaluiert wurde. Die Ergebnisse dieser Experimente zeigen, dass die Berücksichtigung von Randbedingungen wie u. a. umlaufbezogenen Erlaubnisbereichen für bestimmte Freigabezustandskombinationen zur Identifikation und Korrektur unplausibler Vorhersagen beitragen kann, wodurch die Güte von Schaltzeitprognosen steigt.

Der Fachvortrag zur Veranstaltung ist im Volltext verfügbar. Das PDF enthält alle Bilder und Formeln.

1 Einleitung

Die C-ITS Anwendung Green Light Optimal Speed Advisory (GLOSA) stellt Fahrzeugführenden oder auch autonomen Fahrzeugen Geschwindigkeitsempfehlungen für ein möglichst haltfreies Passieren signalisierter Knotenpunkte zur Verfügung. Wie u. a. die Forschungsarbeiten [1–8], verspricht der Einsatz von GLOSA die Reduktion emittierter Schadstoff- und Treibhausgasmengen, des Kraftstoff- bzw. Energieverbrauchs sowie von Wartezeiten vor Lichtsignalanlagen (LSA). Für die Erzeugung der Fahr- bzw. Geschwindigkeitsempfehlungen werden Informationen über die zukünftige Signalisierung der zu passierenden LSA benötigt, welche mit Hilfe von Schaltzeitprognosen (SZP) gewonnen werden müssen. Insbesondere der Mangel an zuverlässigen Schaltzeitprognosen für verkehrsabhängig gesteuerte LSA stellt dabei eine Herausforderung für die Implementierung von GLOSA-Anwendungen dar [9]. Insbesondere in deutschen Großstädten wird die überwiegende Mehrheit der LSA verkehrsabhängig gesteuert [10]. Zugunsten eines verbesserten Verkehrsablaufes passen verkehrsabhängig gesteuerte LSA ihre Signalisierung der aktuellen Verkehrssituation an, welche mit Detektoren erfasst wird. Abhängig vom jeweiligen Signalprogramm können bspw. die Auswahl, die Reihenfolge und die Dauer der geschalteten Phasen in jedem Umlauf angepasst werden, was eine Herausforderung für die Prognose von Schaltzeiten darstellt. Neben der Nachfrage für GLOSA-Anwendungen oder auch zur Optimierung von Fahrstrategien autonomer Fahrzeuge besteht ebenso ein Bedarf an verlässlichen Schaltzeitprognosen, für weitere kooperative Anwendungen wie bspw. (Smart) Routing-Anwendungen [11, 12].

Ein Großteil der jüngeren Forschungsarbeiten zur Prognose der Schaltzeiten verkehr- sabhängig gesteuerter LSA behandelt Vorhersagen der verbleibenden Zeit (Restzeit) bis zum nächsten Freigabezustandswechsel (FZW) von Signalgruppen (SG) (siehe [13–17]). Abhängig vom aktuellen Freigabezustand der jeweiligen Signalgruppe erfolgt eine Vorhersage der Restzeit bis zum Grünbeginn, wenn aktuell keine Freigabe vorliegt oder eine Vorhersage der Restzeit bis zum Grünende, wenn die Signalgruppe aktuell GRÜN anzeigt. In den Arbeiten [13–17] dienen aufgezeichnete Signalisierungs- und Detektordaten realer Lichtsignalanlagen als Datengrundlage, um Modelle für die Vorhersage dieser Zielgrößen zu erzeugen. In den Arbeiten [14–17] werden entsprechende Vorhersagemodelle mit Hilfe von Methoden des maschinellen Lernens erzeugt und trainiert. Im Rahmen des Vorhersageansatzes in [13] wird hingegen zunächst ein bayesscher Ansatz verwendet um den nächsten Phasenübergang (PÜ) bzw. die nächsten Phasenübergänge vorherzusagen. Basierend auf diesen Vorhersagen wird dann die verbleibende Zeit bis zum nächsten FZW einer Signalgruppe abgleitet. Durch die Beschränkung auf die Vorhersage der verbleibenden Zeit bis zum jeweils unmittelbar nächsten Freigabezustandswechsel von Signalgruppen ist auch der Zeitraum, für den die Vorhersageansätze [13–17] Informationen über die zukünftige Signalisierung von Signalgruppe(n) bereithalten, auf die Zeitdauer bis zum jeweils nächsten FZW beschränkt. Je näher ein Freigabezustandswechsel bevorsteht, desto kleiner wird der abgedeckte Vorhersagehorizont, für den Informationen über die zukünftige Signalisierung vorliegen. Mit dem nächsten FZW steigt dieser Horizont dann wieder sprunghaft um die (vorhergesagte) verbleibende Dauer der nächsten Grün- bzw. Rotphase an. Aufgrund dieser unmittelbar mit dem jeweils nächsten FZW verknüpften und damit unbeständigen Vorhersagehorizonte halten diese Vorhersageansätze keine ausreichenden Informationen für eine zuverlässige und stetige Optimierung der Fahrstrategien von Fahrzeugen bereit, welche sich noch in größerer Entfernung befinden. Um diesen Mangel zu beheben, müssen für einen ausreichend großen Zeitraum Informationen über die zukünftige Signalisierung von verkehrsabhängigen LSA vorgehalten werden. Dies bedeutet, dass mehr als nur die verbleibenden Zeiträume bis zum unmittelbar nächsten Freigabezustandswechsel mit hinreichender Genauigkeit vorhergesagt werden müssen.

In [18] wird ein alternativer Ansatz für eine Vorhersage der zukünftigen Signalisierung verkehrsabhängiger Lichtsignalanlagen vorgestellt. In diesem wird die zur Gewährleistung der Verkehrssicherheit bestehende Interdependenz der Signalisierung der einzelnen Signalgruppen ausgenutzt. Der aktuelle Gesamtsignalisierungszustand (GSZ), in welchem sich eine LSA befindet, stellt die Kombination der jeweils aktuellen individuellen Freigabezustände der Signalgruppen dar. Ändert sich der Freigabezustand einer SG, so ändert sich auch der GSZ. Jede unterschiedliche Kombination der Freigabezustände von Signalgruppen wird somit ebenfalls von einem individuellen Gesamtzustand repräsentiert. In der Konsequenz können Freigabezustände und Schaltzeiten einzelner Signalgruppen basierend auf einer vorhergesagten Sequenz von Gesamtzuständen abgeleitet werden, worauf in [18] zunächst verzichtet wurde. Ein Vorteil dieses Vorhersageansatzes gegenüber dem PÜ-orientieren Ansatzes aus [13] wie auch dem von uns veröffentlichten phasenorientierten Ansatzes [19] besteht darin, dass durch die nicht vorgenommene Differenzierung von GSZ in Phasen und Phasenübergänge keinerlei Informationen über laufende Phasen oder PÜ in den aufgezeichneten Prozessdaten von LSA enthalten sein müssen, was oftmals auch nicht der Fall ist. Weiterhin hat sich im Rahmen unserer Forschungen im Untersuchungsgebiet der Stadt Kassel gezeigt, dass definierte Phasen direkt und ohne einen erkennbar signalisierten PÜ nacheinander geschaltet werden können. Ebenfalls werden Mindestfreigabezeiten einzelner Signalgruppen bereits innerhalb von Phasenübergängen erfüllt. Daher ist es möglich, dass direkt von einem PÜ in den nächsten gewechselt werden kann.

Der Beitrag befasst sich mit der Optimierung des GSZ-orientieren Vorhersageansatzes aus [18]. Aufgrund von definierten logischen und zeitlichen Beschränkungen und Abhängigkeiten innerhalb der Steuerungslogik sind der Zustandsraum geschalteter Gesamtzustände und der Zustandsraum zulässiger Sequenzen begrenzt, in denen unterschiedliche GSZ aufeinander folgen können. Der Fokus dieser Arbeit liegt darauf zu überprüfen, ob die Prognosequalität durch einen im Vorhersageablauf integrierten Prozess zur Plausibilitätsprüfung und Korrektur unplausibler Vorhersagen gesteigert werden kann. Im Rahmen dieses Prozesses wird die Einhaltung von zeitlichen und logischen Abhängigkeiten innerhalb des Schaltverhaltens der jeweiligen LSA überprüft. Dies betrifft bspw. eine Berücksichtigung von deterministischen Zustandsfolgen und Erlaubnisbereichen für die Schaltung bestimmter GSZ. Die genutzten Abhängigkeiten und Randbedingungen werden durch die statistische Analyse aufgezeichneter LSA-Prozessdaten gewonnen. Um zusätzlich einen Informationsmangel, in Form von "gegen 0 konvergierender" und springender Vorhersagehorizonte auszuschließen, wird die Folge der nächsten 10 geschalteten GSZ vorhergesagt. Auf diese Weise kann der optimierte SZP- Ansatz Informationen über die zukünftige Signalisierung von LSA für einen konstanten Mindestzeitraum von 30 Sekunden sowie für mehr als nur einen Freigabezustandswechsel im Voraus liefern.

2 Berücksichtigung von zeitlichen und logischen Abhängigkeiten innerhalb des Schaltverhaltens von LSA

2.1 Konzept des genutzten GSZ-orientierten Vorhersageansatzes

Das Konzept des hier verwendeten Schaltzeitprognoseansatzes basiert auf der Ableitung der Signalisierung bzw. Schaltzeiten der einzelnen Signalgruppen aus einer vorhergesagten zeitlichen Abfolge von GSZ (siehe Abbildung 1). Im ersten Schritt werden zukünftige Wechsel des Gesamtsignalisierungszustandes vorhergesagt. Zu diesem Zweck werden einerseits die zukünftig geschalteten Gesamtzustände und anderseits die verbleibenden Restzeiten (RZ) bis zu den jeweiligen Umschaltzeitpunkten als Zielgrößen mit Hilfe von Machine-Learning- Verfahren vorhergesagt. In Abbildung 1 repräsentieren die Zahlen 18, 0 und 36 jeweils einen Zustandsbezeichner für einen bestimmten Gesamtsignalisierungszustand. Basierend auf den vorhergesagten Zielgrößen wird im 2. Schritt die zeitliche Abfolge von GSZ gebildet, aus der im 3. Schritt die Ableitung der Freigabezustandsfolge der einzelnen Signalgruppen erfolgt. Dieser Ableitung liegt zugrunde, dass der individuelle Freigabezustand jeder SG innerhalb jedes GSZ bekannt ist. So zeigt hier die SG1 bei aktivem GSZ 18 eine Freigabe an (1), während SG2 während dieses Zeitraums keine Freigabe (0) signalisiert. Abschließend werden im 4. Schritt die Schaltzeiten der Signalgruppen bestimmt, hier etwa der Freigabebeginn für SG2 in 10 Sekunden und dessen Freigabeende in 15 Sekunden.

Abbildung 1: Herleitung der zukünftigen Signalisierung bzw. der Schaltzeiten einzelner Signalgruppen aus einer vorhergesagten Gesamtsignalisierungszustandsfolge.

In [18] wurden zur Bildung von GSZ alle Signalgruppen einbezogen, welche Freigaben für die Fußgänger*innen (FG), den MIV oder den ÖV anzeigen können. Allerdings kann, da FG bisher keine Nutzer von GLOSA-Anwendungen sind, auf eine Vorhersage der Schaltzeiten von FG- Signalgruppen verzichtet werden. Folglich kann sich bei der Betrachtung von Gesamtsignalisierungszuständen auf Kombinationen der Freigabezustände von MIV- und ÖV- Signalgruppen beschränkt werden. Jeder individuelle MIV-ÖV-Zustand kann dabei mit einer individuellen Kennziffer bezeichnet werden (siehe Abbildung 2). Durch eine Beschränkung der für die Bildung von Gesamtsignalisierungszuständen betrachteten Signalgruppen auf den MIV- und ÖV-Verkehr verkleinert sich der Zustandsraum und somit die Anzahl der zu betrachtende Zustände und Zustandsfolgen (Abbildung 2). In der Konsequenz kann sich der erforderliche Ressourcenaufwand für das Training von Vorhersagemodellen ebenfalls deutlich reduzieren. Vor diesem Hintergrund werden im Rahmen des Vorhersageansatzes dieser Arbeit aus der Signalisierung des MIV und des ÖV zusammengesetzte Gesamtzustände genutzt. Durch diese Beschränkung wird weiterhin der Umstand adressiert, dass an bestimmten Lichtsignalanlagen insbesondere bedingt verträglich geführte FG-Ströme auch in den Phasen, in denen ihre Freigabe vorgesehen/möglich ist, nicht automatisch freigeben werden, wenn keine Freigabezeitanforderung für diese Ströme vorliegt. Allerdings können die Freigaben für diese FG-Ströme innerhalb bestimmter Erlaubnisbereiche nachträglich (nach dem eigentlichen Phasenbeginn) angefordert und geschaltet werden. Diese Variabilität der FG-Signalisierung sorgt in der Konsequenz durch die daraus resultierenden möglichen Freigabezustandskombinationen für eine hohe Anzahl von möglichen Gesamtsignalisierungszuständen. Zur Vereinfachung werden die in dieser Arbeit genutzten MIV-ÖV-Zustandskombinationen im Folgenden weiterhin als Gesamtsignalisierungszustand (GSZ) bezeichnet.

Abbildung 2: Definition von Gesamtsignalisierungszuständen und Darstellung des Raums möglicher Gesamtzustandswechsel anhand eines Signalzeitenplans

2.2 Berücksichtigung von logischen und zeitlichen Abhängigkeiten

Wie zuvor erwähnt bestehen logische und zeitliche Abhängigkeiten hinsichtlich der zulässigen Sequenzen, in denen GSZ aufeinander folgen können. Bestimmte GSZ haben nur einen möglichen Nachfolgerzustand. Andere GSZ weisen mehrere mögliche Nachfolgezustände auf, welche basierend auf der aktuellen Position im Umlauf und/oder basierend auf der aktuellen Verkehrs- bzw. Anforderungssituation ausgewählt und geschaltet werden. Die Restzeit bis zu einem Wechsel des GSZ hängt wiederum von den vorangegangenen Zustandsdauern ab, welche, wie auch die Zustandsfolgen, verkehrsabhängig beeinflusst werden können.

Diese Abhängigkeiten können im Rahmen der Vorhersage der benötigten Zielgrößen durch die Auswahl einer maschinellen Lernmethode, welche die Abhängigkeiten basierend auf einer geeigneten Auswahl von Merkmalen innerhalb des Trainingsprozesses der Vorhersagemodelle erlernen kann, indirekt berücksichtigt werden. Darüber hinaus kann ein kaskadenartiger Vorhersageprozess angewandt werden, bei dem zuvor getroffene Vorhersagen als zusätzliche Merkmale für die Vorhersage von weiter in der Zukunft liegenden Zuständen und deren Umschaltzeitpunkten verwendet werden. Dies birgt jedoch das Risiko, dass sich Fehler durch zuvor falsch vorhergesagte Zielgrößen systematisch potenzieren können, wodurch die Güte der nachfolgenden Vorhersagen beeinträchtigt werden kann.

Weiterhin besteht die Möglichkeit, bestehende Regelmäßigkeiten zu identifizieren und diese gezielt zur Optimierung der Vorhersagegüte durch deren Berücksichtigung innerhalb des Trainings- und Vorhersageprozess auszunutzen. Beispielsweise muss, wenn ein GSZ nur einen möglichen Nachfolgezustand besitzt, dieser nicht vorhergesagt werden. Deterministische Zustandswechsel können auch innerhalb bestimmter Gesamtzustandsfolgen auftreten, wenn beispielsweise auf die Zustandsfolge 2-3 immer der Zustand 5 folgt, auch wenn der Zustand 3 grundsätzlich bspw. vier verschiedene mögliche Nachfolger haben kann. Derartige Abhängigkeiten können insbesondere innerhalb von Phasenübergängen bestehen, wenn diese Gesamtsignalisierung dabei stets einer festen Sequenz folgt. Nach dem gleichen Prinzip kann auch bei Vorhersagen der Restzeiten vorgegangen werden, wenn bestimmte Zustände immer, oder auch nur in einer bestimmter Zustandsfolge, eine feste Dauer aufweisen. Neben der Aufwandsersparnis unnötiger Vorhersagen können auch falsche Vorhersagen vermieden werden, die auftreten, wenn ein Vorhersagemodell diese Zusammenhänge nicht selbständig erlernt hat. Weiterhin kann darauf verzichtet werden, Vorhersagemodelle für solche Fälle zu trainieren, in denen keine Vorhersage erforderlich ist.

2.3 Konzept zur Plausibilitätsprüfung und Vorhersagekorrektur

Ergänzend zu deterministischen Zustandsdauern und Zustandswechseln können alle (identifizierten) zulässigen Zustandswechsel sowie auf Umlaufsekunden bezogene Erlaubnisbereiche für GSZ, genutzt werden, um die Prognosegüte zu optimieren. Sollte ein vorhergesagter Zustand gemäß den identifizierten Kausalitäten eigentlich nicht auf seinen Vorgänger folgen können, könnte eine getroffene Vorhersage korrigiert werden. Durch eine Überprüfung, ob ein vorhergesagter Zustand überhaupt auf den Vorgängerzustand folgen kann, ließe sich der Anteil falscher Zustandsvorhersagen reduzieren.

Bestimmte Maschine-Learning-Methoden wie bspw. Extreme Gradient Boosting [20] bieten die Möglichkeit, dass trainierte Vorhersagemodelle für alle Werte von Zielgrößen, für deren Vorhersage sie trainiert wurden, einen Vektor ausgeben, der für jeden dieser möglichen Werte eine entsprechende Vertrauenswahrscheinlichkeit enthält. Basierend auf diesen Vektoren kann zunächst der wahrscheinlichste Wert darauf überprüft werden, ob er als möglicher Nachfolgezustand in Frage kommt. Sollte dies nicht der Fall sein, kann der nächste Wert überprüft werden. Dieser Prozess kann iterativ fortgesetzt werden, bis der wahrscheinlichste mögliche Nachfolgezustand bestimmt ist. Weiterhin können für jeden GSZ, umlaufbezogene Erlaubnisbereiche identifiziert werden, wodurch der Korrekturprozess um ein weiteres Kriterium erweitert werden kann. Der Erlaubnisbereich eines GSZ beschreibt dabei den Zeitraum bzw. die Zeiträume, während derer dieser bestimmte Gesamtsignalisierungszustand innerhalb eines Umlaufes aktiv bzw. geschaltet werden kann. Für jeden Nachfolgezustand kann somit geprüft werden, ob dieser zum vorhergesagten Zeitpunkt im Umlauf überhaupt geschaltet werden kann.

Für die Vorhersage von Restzeiten können bestimmte grundsätzlich widersprüchliche Umschaltzeitpunktvorhersagen durch Plausibilitätsprüfungen ausgeschlossen werden. Eine widersprüchliche Umschaltzeitpunktvorhersage liegt beispielsweise dann vor, wenn für die Restzeit zum übernächsten GSZ-Wechsel ein größer Wert vorhergesagt wird als für die Restzeit bis zum drittnächsten GSZ-Wechsel. Daher kann als Kriterium festgelegt werden, dass die Restzeiten von weiter in der Zukunft liegenden Zustandswechseln der vorhergesagten Zustandsfolge größer sein müssen als die Restzeiten der weniger weit in der Zukunft liegenden Zustandswechsel. Dieses Kriterium kann einer iterativen Überprüfungsprozedur zur Ermittlung der mit höchster Wahrscheinlichkeit vorhergesagten Restzeit hinzugefügt werden, mit der die bestehenden Erlaubnisbereiche des jeweiligen (vorhergesagten) Zustands eingehalten werden. Eine Veranschaulichung der praktischen Umsetzung des beschriebenen Konzeptes findet sich im folgenden Kapitel.

3 Methodik

Vor dem Hintergrund, der in Abschnitt 2.3 beschriebenen Optimierungspotentiale wird im Rahmen dieser Arbeit untersucht, ob sich die Prognosegüte durch die Identifikation und Korrektur unplausibler Vorhersagen unter der Anwendung des in 2.3 beschriebenen Konzeptes steigern lässt. Zu diesem Zweck werden die in Tabelle 1 aufgeführten Hypothesen formuliert und durch Vorhersagexperimente mit historischen Prozessdaten der verkehrsabhängig gesteuerten LSA 002 „Katzensprung“ (Dezimalgrad: 51.318951, 9.508800) aus dem Kasseler Stadtgebiet getestet.

Tabelle 1: Zusammenfassung und Beschreibung der zu überprüfenden Hypothesen

3.1 Knotenpunkt- und Datenbeschreibung Knotenpunktbeschreibung

Der MIV und der ÖV werden am „Katzensprung“ von 12 der insgesamt 36 Signalgruppen signalisiert (9 MIV-SG und 3 ÖV-SG). In den Signalprogrammen des Knotenpunktes sind 17 Phasen definiert, die in 8 Logikblöcke aufgeteilt sind. Einige dieser Logikblöcke enthalten nur eine Phase und andere bis zu vier verschiedene Phasen. Die Logikblöcke werden innerhalb der 100-sekündigen Umlaufzeit zyklisch durchlaufen. Die Auswahl, welche Phase in einem Block geschaltet wird, erfolgt verkehrsabhängig. Nichtangeforderte Blöcke werden übersprungen. Zwei Phasen werden zur Koordinierung in die Haupt- und Nebenrichtung in jedem Umlauf geschaltet. Die Dauer der meisten Phasen kann durch Grünzeitbemessung verlängert werden. Anmeldungen des ÖV führen zur Verlängerung einer laufenden ÖV-Phase oder zu einem Wechsel in eine Phase, welche die angeforderte Freigabe enthält.

Rohdatenaufbereitung

Die historischen Prozessdaten der LSA 002 wurden uns vom Straßen- und Tiefbauamt der Stadt Kassel zur Verfügung gestellt. Sie enthalten im Wesentlichen Informationen über stattgefundene Signalisierungswechsel und Zustandsänderungen von Fahrzeug- und FG-Detektoren, sowie über registrierte An- und Abmeldungen von Fahrzeugen des ÖV. Mit Hilfe eines Python-Skripts wurden die Rohdaten aufbereitet und getrennt nach den jeweils geschalteten Signalprogrammen monatlich aggregiert und in einer tabellarischen Datenmodellstruktur gespeichert. Jede Zeile eines Datenmodells entspricht dabei einer Sekunde aufgezeichneter oder auch rekonstruierter Daten. Da die Datengrundlage keine Informationen über die geschalteten Gesamtsignalisierungszustände enthält, werden diese aus den vorliegenden historischen Signalisierungszuständen abgeleitet und den Datenmodellen als weiteres Merkmal hinzugefügt. Ein Beispiel für diesen Ableitungsprozess findet sich in [18]. Durch die in Kapitel 2 beschriebene Berücksichtigung von Signalgruppen, welche ausschließlich den MIV oder ÖV signalisieren, reduziert sich der Raum möglicher Zustände von knapp 300 verschiedenen geschalteten GSZ (inkl. FG- und Radfahrer-SG) drastisch auf 35 mögliche MIV-ÖV-Gesamtsignalisierungszustände. Basierend auf den abgeleiteten GSZ und den Detektor- und Signalgeberzuständen werden weitere Merkmale erzeugt. Durch eine zeitliche Auswertung des Verlaufes der GSZ-Signalisierung werden die für das Training von Modellen des maschinellen Lernens benötigten Zielgrößen gewonnen. Eine Übersicht und Beschreibung der gewonnen Merkmale und Zielgrößen zeigt Tabelle 2.

Tabelle 2: Erzeugte Merkmale und Zielgrößen der verwendeten Datenmodelle

Wie aus Tabelle 2 zu entnehmen ist, umfassen die gewählten 21 Zielgrößen die nächsten 10 geschalteten GSZ und deren jeweilige Umschaltzeitpunkte. In unserem Untersuchungsraum im Kassler Stadtgebiet hat sich anhand der historischen Prozessdaten gezeigt, dass der Zeitraum, in welchem die nächsten 10 GSZ geschaltet werden, eine Zeitspanne von über 30 Sekunden bis hin zu 300 Sekunden umfasst. Durch die gewählten Zielgrößen wird somit ein Prognosehorizont abgedeckt, der mindestens die nächsten 30 Sekunden umfasst. Anzumerken ist an dieser Stelle, dass für diese Mindestabdeckung für andere LSA eine Vorhersage von weniger oder auch mehr GSZ erforderlich sein kann.

Identifikation zulässiger GSZ-Wechsel und GSZ-Erlaubnisbereiche

Die zulässigen GSZ-Wechsel und die auf die Umlaufsekunden bezogenen Erlaubnisbereiche werden anhand der aufbereiteten historischen Prozessdaten extrahiert. Dabei werden die vorliegenden GSZ-Folgen sowie deren korrespondierenden Zeitpunkte im Umlauf algorithmisch untersucht und automatisiert statistisch ausgewertet. Durch die Anwendung des entwickelten Algorithmus werden (1) die Mindest- und Maximalschaltdauern für die jeweiligen GSZ, (2) die zulässigen GSZ-Wechsel und (3) die auf Umlaufsekunden bezogenen Erlaubnisbereiches aller geschalteten GSZ identifiziert und in einem Python-Dictionary gespeichert. Hinsichtlich der möglichen GSZ-Wechsel wurden für die hier betrachtete LSA 002 „Katzensprung“ insgesamt 9 GSZ mit einem festen Nachfolgezustand identifiziert. Für 7 der 35 unterschiedlichen geschalteten GSZ konnten darüber hinaus feste Dauern identifiziert werden.

3.2 Vorhersageexperimente

Grundsätzlich eignet sich für die Anwendung des beschriebenen Konzeptes jeder Machine- Learning-Algorithmus, welcher als Vorhersage einen Vektor mit Vertrauens- wahrscheinlichkeiten für die möglichen Zielgrößen bereithält bzw. erzeugt. Darüber hinaus ist auch eine kombinierte Anwendung von mehreren verschiedenen ML-Methoden denkbar. Beispielsweise könnte zur Auswahl der wahrscheinlichsten Zielgrößenwerte eine Mehrheitsentscheidung über alle Ausgaben der Algorithmen getroffen werden. Für die im Rahmen dieses Beitrags durchgeführten Untersuchungen wurde sich zunächst auf die Anwendung eines ML-Algorithmus beschränkt. Basierend auf den Ergebnissen unseres umfassenden Leistungsvergleiches verschiedener ML Algorithmen in [17], den Ergebnissen aus [18] und weiteren Vorhersageexperimenten wurde dazu der Extreme Gradient Boosting Algorithmus (XGBoost) ausgewählt. XGBoost ist ein Gradient-Boosting-Verfahren zur Lösung von Regressions- und Klassifizierungsproblemen [20]. Um Vorhersagen zu treffen, verwendet die Methode ein Ensemble von Entscheidungsbäumen, wobei jeder Baum darauf trainiert wird, die Fehler des vorherigen Baums zu korrigieren.

Während der Spitzenstunden nähert sich das Schaltverhalten verkehrsabhängiger LSA oft dem Schaltverhalten von festzeitgesteuerten LSA an. Vor diesem Hintergrund werden für das Training von prädiktiven XGBoost-Modellen und für die anschließende Evaluation der Hypothesen Datenmodelle des Signalprogramms 2 ausgewählt. Das Signalprogramm 2 ist täglich von 8:30 bis 14:30 Uhr und zwischen 18:30 Uhr und 20:00 Uhr, also außerhalb der morgendlichen und abendlichen Verkehrsspitzen, aktiv. Die ausgewählten Datenmodelle der Monate Januar bis April 2023, werden in insgesamt 3 verschiedene Trainings- und Testdatensplits aufgeteilt. In jedem der 3 Splits werden alle Daten des Datenmodells des jeweiligen Vorgängermonats als Trainingsdaten verwendet. Die ersten 360.000 Datensekunden (100 Stunden) des Folgemonats werden als Testdaten ausgewählt. Dies bedeutet, dass Daten aus dem Januar zum Trainieren von Vorhersagemodellen verwendet werden, die dann zur Erzeugung von Vorhersagen für die Daten aus dem Februar eingesetzt werden. Die Daten vom Februar werden verwendet, um Vorhersagen für den März zu treffen usw. Die beschriebene Datenaufteilung wurde vor dem Hintergrund des Anwendungszweckes getroffen. Im Rahmen einer möglichen Praxisanwendung stehen als Datengrundlage für das Training von Vorhersagemodellen lediglich vergangene Prozessdaten bzw. Signalisierungs-, Detektor- und ÖV-Informationen zur Verfügung. Die trainierten Modelle müssen dann auf Grundlage aktueller Daten (und ggf. ergänzt um Daten aus der jüngeren Vergangenheit) in der Lage sein, das zukünftige Verhalten so präzise wie möglich vorherzusagen. Diesem Anwendungsfall würde eine zufällige Aufteilung der Datenbasis in Test- und Trainingsdaten widersprechen In Bezug auf die gewählte monatliche Aufteilung kann argumentiert werden, dass sich das Verkehrsaufkommen und die Verkehrsmittelwahl im Jahresgang verändern kann. Diese Schwankungen werden durch die Auswahl von drei verschiedenen Test- und Trainingsdatensätzen aus verschiedenen Monaten in einem gewissen Rahmen berücksichtigt. Anzumerken ist hier allerdings, dass diese Schwankungen im Vergleich zu den im Tagesgang zu beobachtenden Schwankungen eher gering ausfallen und sich ebenfalls nicht sprunghaft vom letzten Tag des Vormonats zum ersten des nächsten Monats verändern. Weiterhin reagieren verkehrsabhängige LSA-Steuerungen auf lokale Verkehrssituationen bzw. Anforderungssituationen. Hinsichtlich der SZP ist es vor diesem Hintergrund von größerer Bedeutung, für möglichst alle Anforderungssituationen möglichst genaue Vorhersagen treffen zu können. Daher wurde auch der große Evaluationsumfang der jeweils nächsten 100 Stunden gewählt, um zu gewährleisten, dass dieser möglichst das komplette Anforderungssituations- spektrum abdeckt.

Für jeden der 3 Trainingsdatensätze werden Vorhersagemodelle für die Vorhersage der jeweiligen Zielgrößen trainiert. Dabei wird die in Tabelle 3 dargestellte Trainingsreihenfolge im Rahmen eines kaskadenartiger Trainingsablaufs angewendet.

Tabelle 3: Reihenfolge des Trainings von Vorhersagemodellen und der späteren Vorhersagen

Anpassung der Merkmalsauswahl innerhalb des Trainings- und Vorhersageablaufes Innerhalb des Trainingsablaufes der Vorhersagemodelle für die 21 Zielgrößen werden die in Tabelle 2 aufgeführten Merkmale ??−1 … ?? und ?? sukzessive in Abhängigkeit der betrachteten Zielgröße, angepasst bzw. ersetzt. Nach dem Training der Modelle für die erste  Zielgröße ??+1 wird ?? mithilfe der jeweiligen ??+1-Werte auf die Umlaufsekunde des Beginns des nächsten Zustands ??+1 gesetzt. Für die Hypothese H1, kann das Merkmal ?? im späteren Vorhersageprozess für die Plausibilitätsprüfung und Korrektur der Vorhersagen der Zielgröße ??+1  genutzt werden, um einen zulässigen Nachfolgezustand ?? auszuwählen, in dessen Erlaubnisbereich sich die ermittelte Umlaufsekunde des vorhergesagten Zustandswechsels befindet. Im Anschluss an das Training der Vorhersagemodelle für ??+1 erfolgt eine Anpassung der Merkmale ??−1 … ??−3  und ??. Das Merkmal ??−3 wird durch ??−2 ersetzt, ??−1 nimmt die Position von ??−2 ein, ?? ersetzt ??−1 und die Zielgröße ??+1 ersetzt ??0. Nach dem Modelltraining für ??+2 wird erneut ?? angepasst und nach Training für ??+2 wird erneut eine Anpassung der Merkmale ??−1 … ??−3 und ?? vorgenommen. Diese Anpassungen werden mit dem Voranschreiten des Trainingsablaufes sukzessive wiederholt. Die Merkmalsauswahl wird auch während des Vorhersageablaufes angepasst, dessen Reihenfolge mit der Trainingsreihenfolge identisch ist. Während innerhalb des Trainingsprozesses die wahren Werte der Zielgrößen für die Anpassung der Merkmalsauswahl genutzt werden, erfolgt die Anpassung im Vorhersageprozess unter Verwendung der zuvor getroffenen Vorhersagen.

?? Korrekte Darstellung und Formeln in der PDF

Abbildung 3: Umsetzung des Konzepts zur Plausibilitätsprüfung und Vorhersagekorrektur

Während des Trainingsablaufes der Vorhersagemodelle für die Hypothese H1 werden weiterhin die Fälle, in denen eine Zustands- oder Restzeitvorhersage aufgrund der identifizierten Abhängigkeiten unnötig wäre, aus der Trainingsdatenmenge des entsprechenden Modells entfernt, um eine bessere Generalisierung auf solche Fälle zu forcieren, in denen eine Vorhersage erfolgen muss. Für die Vorhersagen im Rahmen der Hypothese H1 wird das in Abschnitt 2.3 beschriebene Konzept zur Plausibilitätsprüfung und Korrektur von Vorhersagen angewendet. Abbildung 3 veranschaulicht die Umsetzung des Konzeptes und dessen Integration in den Vorhersageablauf. In Fällen, in denen eine Vorhersage aufgrund eines festen Nachfolgezustands oder einer konstanten Zustandsdauer unnötig wäre, wird auf die Nutzung der Vorhersagemodelle verzichtet. Der Wert der Zielgröße wird stattdessen basierend auf den festen Abhängigkeiten bestimmt. Liegen keine festen Abhängigkeiten vor, werden die Vorhersagemodelle genutzt und die wahrscheinlichste zulässige Restzeit bzw. der wahrscheinlichste zulässige Nachfolgezustand ausgewählt.

3.3 Evaluationsmethodik

Die unter Anwendung der beiden Hypothesen trainierten Vorhersagemodelle werden auf die jeweiligen Testdaten ihres Folgemonats angewendet. Für jede (Daten-)Sekunde bzw. jedes Sample der Testdaten eines Folgemonats werden die 21 definierten Zielgrößen vorhergesagt. Auf der Basis dieser Vorhersagen werden dem in Abbildung 1 dargestellten Schemata folgend die zeitliche Abfolge der zukünftigen Gesamtsignalisierungszustände für die nächsten 30 Sekunden zusammengefügt. Abhängig von den für den jeweiligen Prognoseausgangspunkt vorhergesagten Umschaltzeitpunkten (Restzeitvorhersagen) der zukünftig geschalteten GSZ werden für diese Ableitung nicht alle 10 vorhergesagten Zustände benötigt, wenn dieser Zeitraum beispielsweise bereits durch die Zustandsfolge der nächsten 3 GSZ abgedeckt wird. Anschließend werden die individuellen Freigabezustandssequenzen der 9 MIV-Signalgruppen für die nächsten 30 Sekunden abgeleitet und mit den tatsächlichen Freigabezustands- sequenzen der Grundwahrheit verglichen. Dabei werden die im Folgenden beschriebenen Evaluationsmetriken bestimmt. Für jede Hypothese werden die Ergebnisse über die 9,72 Millionen Freigabezustandssequenzen pro Hypothese gemittelt.

Als erste Evaluationsmetrik wird die „absolute“ Genauigkeit (AG) der Freigabezustands Vorhersage für die nächsten 30 Sekunden bestimmt (Gleichung 1). Dieses Maß beschreibt den Anteil der vorhergesagten Signalisierungszustandsfolgen von Signalgruppen, welche mit der tatsächlichen Freigabezustandssequenzen der nächsten 30 Sekunden ohne jegliche Abweichung sekundengenau übereinstimmt. Da Rotzeiten/Sperrzeiten oft länger als 30 Sekunden andauern können, insbesondere wenn bestimmte Freigaben angefordert werden müssen, enthält nicht jede Sequenz eine Freigabe. Umgekehrt können auch Sequenzen auftreten, die nur Freigaben enthalten, wenn die Grünzeiten länger als 30 Sekunden andauern. Daher kann weiterhin zwischen solchen Freigabezustandssequenzen unterschieden werden, die mindestens einen Signal- bzw. Freigabezustandswechsel (FZW) enthalten (FZW- Sequenz) und solchen Signalisierungszustandsfolgen, die keinen FZW beinhalten (Konstanter Freigabezustand, K-Sequenz).

Formel in der PDF

Hinsichtlich einer Verwendung der vorhergesagten Freigabezustandssequenzen für kooperative Anwendungen wie GLOSA ist es notwendig, dass Freigabezustandswechsel (=Freigabezeitbeginn und Freigabezeitende) korrekt und idealerweise mit nur geringen zeitlichen Abweichungen vorhergesagt werden. Daher werden die folgenden weiteren Evaluationsmetriken verwendet. Die Präzision (Gleichung 2) gibt an, wie viele der vorhergesagten FZW mit der Grundwahrheit übereinstimmen. Die Sensitivität (Gleichung 3) gibt das Verhältnis korrekt vorhergesagter SW zu allen tatsächlichen Signalwechseln der Grundwahrheit an. Dabei wird für beide Maße geprüft, ob die richtigen Freigabezustandsänderungen (Freigabezeitbeginn und/oder Freigabezeitende) in den vorhergesagten Freigabezustandssequenzen enthalten sind. Zur Einschätzung der Prognoseabweichung für korrekte Freigabezustandswechselvorhersagen wird der Mean Absolute Error (MAE, Gleichung 4) verwendet.

Formel in der PDF

4 Ergebnisse

4.1 Genauigkeit der vorhergesagten Freigabezustandssequenzen

Unter Anwendung der Nullhypothese wurden 74,1% aller Freigabezustandssequenzen der betrachteten Signalgruppen ohne jegliche Abweichung auf die Sekunde genau vorhergesagt (Abbildung 4). In 25.9 % aller Fälle weicht die vorhergesagte Freigabezustandssequenz um mindestens eine Sekunde von der tatsächlichen Sequenz ab. Etwas mehr als die Hälfte (51,5%) aller FZW-Sequenzen, welche mindestens einen Freigabezustandswechsel enthalten und knapp 93% aller Sequenzen, die keinen FZW beinhalten (K-Sequenzen), wurden ohne Abweichung korrekt vorhergesagt. Durch die Anwendung der Plausibilitätsprüfung und wegen der Korrektur unplausibler Vorhersagen (H1) zeigt sich ein deutlicher Anstieg der Genauigkeit(en) der aus den Vorhersagen abgeleiteten Freigabezustandssequenzen. Insgesamt wurden unter Anwendung von H1 80,8% aller FZW der betrachteten Signalgruppen ohne jegliche Abweichung auf die Sekunde genau vorhergesagt. Dabei wurden insbesondere in Bezug auf eine abweichungsfreie Vorhersage von FZW-Sequenzen, bessere Ergebnisse erzielt. Der Anteil korrekt vorhergesagter FZW-Sequenzen fiel hier mit 61,4% um fast 10% höher aus als unter Anwendung der Nullhypothese.

Abbildung 4: Genauigkeit der vorhergesagten Signalisierungszustandsfolgen

4.2 Genauigkeit der Vorhersage von Freigabezustandswechseln

Die ermittelten bzw. prognostizierten Freigabezustandssequenzen enthalten jeweils bis zu drei Freigabezustandswechsel. Die erzielten Präzisions- und Sensitivitätswerte für die Vorhersage von Freigabezustandswechseln sowie die durchschnittlichen MAE-Werte für korrekt vorhergesagte FZW innerhalb der nächsten 30 Sekunden werden für beide Hypothesen in Tabelle 4 gegenübergestellt.

Tabelle 4: Erreichte Präzisions-, Sensitivität- und MAE-Werte für die Vorhersage von FZW

Im Fall der Nullhypothese werden Wechsel des Freigabezustandes mit einer Präzision von 79.9% vorhergesagt. Das bedeutet das 799 von 1000 vorhergesagten FZW in der Grundwahrheit vorkommen. Der erzielte Sensitivitätswert von 89,4% sagt aus, dass im Durchschnitt 106 von 1000 tatsächlichen FZW nicht vorhergesagt werden. Auf den gesamten Evaluationszeitraum der nächsten 30 Sekunden bezogen werden korrekt vorhergesagte FZW mit einer mittleren Abweichung von 1,46 s vorhergesagt. Mit der erzielten Präzision von 95,1% wurde ein über 15% höherer Wert als für die Nullhypothese erreicht. Die gemessene Sensitivität der FZW-Vorhersagen fällt für H1 mit 94,1% um 4,7% besser aus als für H0. Lediglich 59 von 1000 tatsächlichen FZW wurden unter Anwendung von H1 nicht erkannt bzw. vorhergesagt. Auch die durchschnittliche mittlere zeitliche Abweichung der FZW-Vorhersagen fällt mit 1,16 s um 0,3 Sekunden geringer aus als für die Nullhypothese.

Abbildung 5: Absolute Fehlerverteilungen für H0 und H1 für die vorhergesagten Zeitpunkte korrekt vorhergesagter Freigabezustandswechsel

In Abbildung 5 werden die absoluten Fehlerverteilungen der Hypothesen für korrekt vorhergesagte Freigabezustandswechsel gegenübergestellt. Die Ausreißer werden als Punkte dargestellt und liegen in einem größeren Abstand als dem 1,5-fachen Interquartilsabstand von den mittleren Fehlerwerten. Die sehr kleinen Interquartilsbereiche (der obere Whisker liegt bei ca. 2 s) zeigen, dass für alle Hypothesen die meisten vorhergesagten Schaltzeiten nur geringfügig von den tatsächlichen Umschaltzeitpunkten abweichen. Allerdings tragen kleine Interquartilsbereiche zu Ausreißern bei. Wie man sieht, reichen diese Ausreißer bis zur maximal möglichen Abweichung innerhalb des Auswertungshorizonts. Ein Teil der Ausreißer, insbesondere der größten Ausreißer, kann auf leicht abweichende prognostizierte Gesamtsignalisierungszustände bzw. auf abweichend vorhergesagte Zustandsfolgen zurückgeführt werden. Die GSZ geben die Freigabezustandskombinationen der MIV- Signalgruppen an. Wenn also eine abweichende Kombination vorhergesagt wird, die sich lediglich im Falle eines Freigabezustandes einer SG unterscheidet, kann dies zu den erkennbaren Ausreißern beitragen. Wie Abbildung 5 zeigt, fällt der prozentuale Ausreißer- Anteil unter Anwendung des Konzepts zur Plausibilitätsprüfung (H1) nur etwas geringer aus als für die Nullhypothese. In diesem Zusammenhang muss allerdings berücksichtigt werden, dass unter Anwendung von H1 mehr tatsächliche FZW von gesperrt auf freigegeben und umgekehrt korrekt vorhergesagt werden (erkennbar am höheren Sensitivitätswert). Dies wird auch in Abbildung 6 veranschaulicht, in der sowohl die absoluten- und als auch die prozentualen Unterschiede der Fehlerverteilung von H1 und H0 hinsichtlich der Vorhersage der Zeitpunkte von Freigabezustandswechseln gegenübergestellt werden. Durch die Berücksichtigung bestehender Abhängigkeiten und wegen der Korrektur unplausibler Vorhersagen wird eine höhere Anzahl von FZW ohne oder nur mit geringen zeitlichen Abweichungen vorhergesagt, während gleichzeitig die Anzahl der Vorhersagen mit größerer Abweichung zum tatsächlichen Umschaltzeitpunkt geringer ist. Angesichts der prozentualen Unterschiede der Fehlerverteilung zeigt sich weiterhin, dass der Anteil von ungenauen Vorhersagen der Zeitpunkte von FZW für H1 deutlich geringer als für H0 ist, während der Anteil von Vorhersagen ohne oder mit nur geringer zeitlicher Abweichung größer ist. Angesichts dessen kann festgestellt werden, dass die Anwendung des entwickelten Konzepts zur Plausibilitätsprüfung und Vorhersagekorrektur im Untersuchungsszenario zu einer deutlichen Verbesserung der Prognosegüte geführt hat.

Abbildung 6: Unterschiede der Fehlerverteilung von H1 und H0, hinsichtlich der zeitlichen Abweichung der Umschaltzeitpunktvorhersage von FZW

In der Praxis nähern sich Fahrzeuge in der Regel nicht auf die Sekunde genau einem Knotenpunkt an. Die Prognose von Freigabezustandswechseln muss somit nicht zwingend ohne jegliche Abweichung erfolgen, um eine ausreichende Qualität aufweisen zu können. Eine ausreichende Qualität kann, wie beispielsweise in [13] und [19] gezeigt, in einen Kontext zur zeitlichen Entfernung zwischen Umschaltzeitpunkt und Prognosezeitpunkt gestellt werden. In [13] wird angenommen, dass eine Prognose der verbleibenden Zeit bis zum einem FZW bei einem Prognosehorizont von

• bis 10 Sekunden mit einer Abweichung von bis zu einer Sekunde,
• zwischen 10 und 20 Sekunden mit einer Abweichung von bis zu zwei Sekunden und
• zwischen 20 und 30 Sekunden mit einer Abweichung von bis zu drei Sekunden

als hinreichend genau angenommen werden kann. Diese Annahmen berücksichtigend zeigt Abbildung 7 den Anteil hinreichend genau vorhergesagter Freigabezustandswechsel in Abhängigkeit zur zeitlichen Entfernung zu den Umschaltzeitpunkten. Insgesamt zeigt sich für beide Hypothesen, dass der Anteil der hinreichend genauen Prognosen mit kleiner werdender zeitlicher Distanz zum Umschaltzeitpunkt ansteigt. Dabei ist der Anteil hinreichend genauer FZW-Prognosen für die H1-Hypothese nahezu über den gesamten betrachteten Prognosehorizont hinweg größer als für die H0-Hypothese. Im Bereich von 1-10 Sekunden vor einem FZW zeigen sich dabei die größten Unterschiede. Hier fällt der Anteil hinreichend genauer Prognosen der verbleibenden Zeit bis zum FZW für H1 mit durchschnittlich 87,05% um ca. 3,5 % höher aus als für H0. Im Bereich von 11-20 Sekunden beträgt der Unterschied durchschnittlich 3.3 % und im Bereich von 21-30 Sekunden ca. 1,5 %. Angesichts des unter Anwendung von H1 ebenfalls höheren Anteils der korrekt vorhergesagten FZW zeigt sich durch die Anwendung des Konzeptes zur Vorhersagekorrektur auch hier die erzielte Verbesserung der Prognosegüte.

Abbildung 7 Anteile hinreichend genau vorhergesagter tatsächlich erfolgter Freigabezustandswechsel in Abhängigkeit zur zeitlichen Entfernung zu den tatsächlichen Umschaltzeitpunkten

5 Fazit und Ausblick

In diesem Beitrag wurde untersucht, ob eine Berücksichtigung statistisch ermittelter logischer und zeitlicher Abhängigkeiten innerhalb der Signalisierung verkehrsabhängiger Lichtsignalanlagen zu einer Steigerung der Qualität von Schaltzeitprognosen genutzt werden kann. Für diese Untersuchung wurde der in [18] vorgestellte und geringfügig angepasste Schaltzeitprognoseansatz verwendet. Der Ansatz basiert auf der Vorhersage der zukünftigen zeitlichen Abfolge von Gesamtsignalisierungszuständen der Signalisierung einer LSA, aus welcher die Schaltzeiten einzelner Signalgruppen abgeleitet werden. Es wurde ein Konzept entwickelt, um bestehende Abhängigkeiten und Kausalitäten innerhalb der Signalisierung mittels einer Plausibilitätsprüfung innerhalb des Vorhersageprozesses der zukünftigen Gesamtsignalisierungszustandsfolge zu berücksichtigen. Das Konzept sieht einen iterativen Prozess vor, innerhalb dessen unplausible Vorhersagen basierend auf identifizierten Erlaubnisbereichen und zulässigen Gesamtsignalisierungszustandswechseln gezielt korrigiert werden. Aufbauend auf durchgeführten Vorhersagexperimenten mit aufgezeichneten Prozessdaten einer verkehrsabhängig gesteuerten Lichtsignalanlage aus dem Kasseler Stadtgebiet konnte festgestellt werden, dass durch die Anwendung dieses Konzeptes die Prognosegüte hinsichtlich der Vorhersage der zukünftigen Signalisierung und Freigabezustandswechsel von Signalgruppen gesteigert werden kann. Unter der Anwendung des Konzeptes wurde die zukünftige Signalisierung von Signalgruppen innerhalb der nächsten 30 Sekunden in ca. 80 % der Fälle ohne jegliche Abweichung korrekt vorhergesagt, was einer Verbesserung um ca. 10 % gegenüber dem Vergleichsfall ohne die Anwendung des Konzeptes entspricht. Ebenso wurden Präzision und Sensitivität der Vorhersage von Freigabezustandswechseln von Signalgruppen deutlich gesteigert, sowie die mittlere zeitliche Abweichung der Vorhersagen reduziert.

Ausblick

Die zur Optimierung der Prognosequalität innerhalb des entwickelten Konzeptes zur Plausibilitätsprüfung und Korrektur von Vorhersagen genutzten Abhängigkeiten wurden automatisiert durch eine statistische Analyse aufbereiteter historischer Prozessdaten gewonnen. Gleiches gilt für die Auswahl der hier für das Training der Vorhersagemodelle verwendeten Merkmale. Diese wurden im Hinblick auf eine einfache Anwendbarkeit und Übertragbarkeit des Vorhersageansatzes getroffen, da diese verwendeten Merkmale automatisch generiert werden können, ohne dass fortgeschrittenes Expertenwissen hinsichtlich der LSA-Steuerung erforderlich ist. Einzig Signallagepläne werden benötigt, um bei der Bestimmung von Gesamtsignalisierungszuständen solche Signalgruppen auszuschließen, die Gefahrenwarnungen etwa durch Gelbblinken anzeigen oder Signalgruppen welche Fußgänger*innen oder Radfahrer*innen signalisieren. Nichtsdestotrotz könnte die Einbeziehung von Expertenwissen dazu beitragen, die Genauigkeit des Vorhersageansatzes weiter zu verbessern. Dies betrifft beispielsweise die Nachbildung von Merkmalen, welche innerhalb der Steuerungslogik der jeweiligen Lichtsignalanlage verwendet werden, wie etwa solche Merkmale, die verfolgen, ob bestimmte Bedingungen wie minimale Grünzeit- oder Wartezeitkriterien erfüllt sind. Darüber hinaus könnte ein Ensemble von (verschiedenen) Vorhersagemodellen die Vorhersagegenauigkeit verbessern.

An dieser Stelle danken wir der Stadt Kassel für die Bereitstellung der Datenbasis und der Deutschen Forschungsgemeinschaft (DFG) für die Unterstützung unter dem Förderkennzeichen: 461855625.

6 Literatur

1. Simchon, L., and R. Rabinovici. Real-Time Implementation of Green Light Optimal Speed Advisory for Electric Vehicles. Vehicles, Vol. 2, No. 1, 2020, pp. 35–54.
2. Zhang, Z., Y. Zou, X. Zhang, and T. Zhang. Green Light Optimal Speed Advisory System Designed for Electric Vehicles Considering Queuing Effect and Dri er’S Speed Tracking Error. IEEE Access, Vol. 8, 2020, pp. 208796–208808.
3. Guardiola, C., B. Pla, V. Pandey, and R. Burke. On the Potential of Traffic Light Information Availability for Reducing Fuel Consumption and NO X Emissions of a Diesel Light-Duty Vehicle. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, Vol. 234, No. 4, 2020, pp. 981–991.
4. Stebbins, S., M. Hickman, J. Kim, and H. L. Vu. Characterising Green Light Optimal Speed Advisory Trajectories for Platoon-Based Transportation Research Part C: Emerging Technologies, Vol. 82, 2017, pp. 43–62.
5. Eckhoff, D., B. Halmos, and R. German. Potentials and Limitations of Green Light Optimal Speed Advisory In 2013 IEEE Vehicular Networking Conference, Boston, MA, USA, 16.12.2013 - 18.12.2013. IEEE, 2013, pp. 103–110.
6. Katsaros, K., R. Kernchen, M. Dianati, and D. Rieck. Performance Study of a Green Light Optimized Speed Advisory (GLOSA) Application Using an Integrated Cooperative ITS Simulation In 2011 7th International Wireless Communications and Mobile Computing Conference, Istanbul, Turkey, 7/4/2011 - 7/8/2011. Curran, Red Hook, 2011, 918–923.
7. Tielert, T., M. Killat, H. Hartenstein, R. Luz, S. Hausberger, and T. Benz. The Impact of Traffic-Light-to-Vehicle Communication on Fuel Consumption and In Internet of Things (IOT), 2010, Tokyo, Japan, 11/29/2010 - 12/1/2010. IEEE, 2010, pp. 1–8.
8. Otto, T., and R. Hoyer. Operating Conditions of on-Board Displayed Green Wave Speeds via V2I-Communication. 5th International Symposium “Networks for Mobility”. Stuttgart, Sept. 30 – Oct. 01, 2010.
9. Mellegård, N., and F. Reichenberg. The Day 1 C-ITS Application Green Light Optimal Speed Advisory—A Mapping Transportation Research Procedia, Vol. 49, 2020, 170–182.
10. Fakler, O., J. Geßenhardt, J. Lüßmann, and F. Busch. Structures of Traffic Management and Control in German Cities. In 10th ITS European Congress 2014, 16–19 June 2014, Helsinki, Finland.
11. Chang, J.-J., Y.-H. Li, W. Liao, and I.-C. Chang. Intersection-Based Routing for Urban Vehicular Communications with Traffic-Light Considerations. IEEE Wireless Communications, Vol. 19, No. 1, 2012, pp. 82–88.
12. Lamouik, I., A. Yahyaouy, and M. A. Sabri. Deep Neural Network Dynamic Traffic Routing System for Vehicles. In 2018 International Conference on Intelligent Systems and Computer Vision (ISCV). April 2-4, 2018, Faculty of Sciences Dhar El Mahraz (FSDM), Fez, Morocco, Fez, 4/2/2018 - 4/4/2018. IEEE, Piscataway, NJ, 2018, 1–4.
13. Bodenheimer, R., A. Brauer, D. Eckhoff, and R. German. Enabling GLOSA for Adaptive Traffic Lights. In 2014 IEEE Vehicular Networking Conference (VNC), 2014, pp. 167– 174.
14. Ibrahim, S., D. Kalathil, R. O. Sanchez, and P. Varaiya. Estimating Phase Duration for SPaT Messages. IEEE Transactions on Intelligent Transportation Systems, Vol. 20, No. 7, 2019, pp. 2668–2676.
15. Eteifa, S., H. A. Rakha, and H. M. Eldardiry. Predicting Coordinated Actuated Traffic Signal Change Times Using Long Short-Term Memory Neural Transportation Research Record, Vol. 2675, No. 9, 2021, pp. 127–138.
16. Schneegans, L. E., K. Heckmann, and R. Hoyer. Exploiting Stage Information for Prediction of Switching Times of Traffic Actuated Signals Using Machine Learning. In 2022 12th International Conference on Advanced Computer Information Technologies (ACIT), 2022, pp. 544–548.
17. Schneegans, L. E., J. Duensing, K. Heckmann, and R. Hoyer. Prediction of Signal Phase and Timing Information: Comparison of Machine Learning Algorithm Performance. In Proceedings of the 12th International Scientific Conference on Mobility and Transport, Singapore, 2023. Springer Nature Singapore, Singapore, 2023, pp. 263–277.
18. Heckmann, K., L. E. Schneegans, and R. Hoyer. "Estimating Future Signal States and Switching Times of Traffic Actuated Lights". In Proceedings of the 20th European Transport Congress and 12th Conference on Transport Sciences, 9-10th June 2022, Győr, Hungary, 2022, pp. 80–91.
19. Heckmann, K., L. E. Schneegans, and R. Hoyer. Stage Prediction of Traffic Lights Using Machine Learning. In Towards the New Normal in Mobility. Springer Gabler, Wiesbaden, 2023, pp. 635–653.
20. Chen, T., and C. Guestrin. XGBoost: A Scalable Tree Boosting System. Journal of Machine Learning Research 18 (2018) 1-6, Vol. 11, No. 34, 2016, pp. 785–794.