Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Aller à Demande

1. WO2020114863 - PROCÉDÉ ET DISPOSITIF POUR PRÉVOIR UN ÉTAT DE COMMUTATION ET UN INSTANT DE COMMUTATION D'UN SYSTÈME DE SIGNALISATION POUR LA RÉGULATION DU TRAFIC

Note: Texte fondé sur des processus automatiques de reconnaissance optique de caractères. Seule la version PDF a une valeur juridique

[ DE ]

Beschreibung

Verfahren und Vorrichtung zur Prognose eines Schaltzustands und eines SchaltZeitpunkts einer Signalanlage zur Verkehrs steuerung

Die Erfindung betrifft ein computerimplementiertes Verfahren und eine Vorrichtung zur Prognose eines Schaltzustands und eines SchaltZeitpunkts einer Signalanlage zur Verkehrssteue rung, ein Computerprogrammprodukt und ein computerlesbares Speichermedium.

Es sind Signalanlagen, insbesondere Lichtsignalanlagen, mit Signalgruppen an Verkehrskreuzungen bekannt, die einen Ver kehr, z.B. Straßenverkehr, regeln können. Die Signalanlagen werden mittels einer Steuereinheit gesteuert. Die Signalanla gen können mit mindestens einem Sensor gekoppelt sein, der beispielsweise ein ankommendes Fahrzeug detektiert, so dass abhängig von den erfassten Sensordaten die Signalanlage ge steuert werden kann. Eine Vorhersage eines Schaltzustands und eines SchaltZeitpunkts einer Signalanlage kann beispielsweise auf Basis eigener historischen Schaltzustande und Schaltzeit punkte der Signalanlage erfolgen, wobei eine Prognosegüte in der Regel abhängig von der Qualität der Datenbasis ist.

Es ist eine Aufgabe der vorliegenden Erfindung eine Prognose güte eines Schaltzustands und eines SchaltZeitpunkts einer Signalanlage zu verbessern.

Die Aufgabe wird durch die in den unabhängigen Ansprüchen be schriebenen Maßnahmen gelöst. In den abhängigen Ansprüchen sind vorteilhafte Weiterbildungen der Erfindung dargestellt.

Gemäß einem ersten Aspekt betrifft die Erfindung ein compu terimplementiertes Verfahren zur Prognose eines Schaltzu stands und eines SchaltZeitpunkts einer Signalanlage zur Ver kehrssteuerung, umfassend folgende Verfahrensschritte:

- Erfassen von Zustandsdaten mindestens eines Verkehrsteil-nehmers ,

- Transformieren der Zustandsdaten des mindestens einen Ver kehrsteilnehmers in Verkehrsflussdaten mit einer Positions und Geschwindigkeitsinformation, wobei die Verkehrsflussdaten unabhängig von einer Verkehrsteilnehmeranzahl sind,

- Bereitstellen eines datengetriebenen Prognosemodells, das derart eingerichtet ist, eine Prognose eines SchaltZeitpunkts und eines Schaltzustands der Signalanlage in Abhängigkeit der Verkehrsflussdaten durchzuführen,

- Prognostizieren eines Schaltzustandes und des Schaltzeit punkts der Signalanlage mittels des datengetriebenen Progno semodells,

und

- Ausgeben des prognostizierten Schaltzustandes und Schalt zeitpunktes der Signalanlage.

Unter einer „Signalanlage zur Verkehrssteuerung" kann im Zu sammenhang mit der Erfindung insbesondere eine Lichtsignalan lage zur Steuerung eines Straßenverkehrs verstanden werden.

Es ist ein Vorteil der vorliegenden Erfindung, dass mittels der Zustandsdaten des mindestens einen Verkehrsteilnehmers der nächste Schaltzustand und diesem zugeordnete Schaltzeit punkt einer Signalanlage vorhergesagt werden kann. Unter Zu standsdaten eines Verkehrsteilnehmers können insbesondere fahrzeugseitig generierte Daten, wie z.B. Position und Ge schwindigkeit, verstanden werden, die beispielsweise vom Ver kehrsteilnehmer gesendet werden können. Vorzugsweise befindet sich ein Verkehrsteilnehmer innerhalb einer vorgegebenen Dis tanz zur zu prognostizierenden Signalanlage. Die Zustandsda ten des Verkehrsteilnehmers werden in Verkehrsteilnehmeran zahl unabhängigen Verkehrsflussdaten transformiert, die als Eingabedaten für das datengetriebene Prognosemodell geeignet sind. Das datengetriebene Prognosemodell kann insbesondere eine konstante Menge an Eingangsgrößen benötigen. Somit kön nen Zustandsdaten von einer Vielzahl an Verkehrsteilnehmern in Verkehrsflussdaten, die von der Anzahl der Verkehrsteil- nehmer, von denen Zustandsdaten erfasst werden, unabhängig sind, transformiert und derart dem datengetriebenen Prognose modell übergeben werden. Unter „unabhängig" kann im Zusammen hang der Erfindung insbesondere „im Wesentlichen unabhängig", „nicht direkt abhängig", „nicht gekoppelt mit" oder ähnliches verstanden werden und bezieht sich insbesondere auf die benö tigte konstante Anzahl an Eingangsgrößen für das Prognosemo dell, die sich insbesondere nicht durch eine variable Anzahl von Verkehrsteilnehmern ändert. In anderen Worten, die Zu standsdaten der Verkehrsteilnehmer wird insbesondere auf eine konstante Menge von Eingangsgrößen für das Prognosemodell, d.h. die Verkehrsflussdaten, abgebildet.

Unter einer „Transformation" kann im Zusammenhang mit der Er findung insbesondere eine Umwandlung von Daten verstanden werden, wobei beispielsweise eine Dimensionsreduktion durch geführt wird. Eine Transformation gemäß der Erfindung kann insbesondere eine Aggregation und/oder Abbildung und/oder ei ne statistische Analyse umfassen.

Mit dem computerimplementierten Verfahren kann insbesondere eine Vorhersage getroffen werden bevor ein der Signalanlage zugeordneter Sensor eine Änderung eines Schaltzustands aus löst. Es ist vorzugsweise keine Information über eine Steue rungslogik der Signalanlage notwendig. Es kann das Schaltver halten der Signalanlage präzise vorhergesagt werden, was ins besondere eine effizientere Regelung des Verkehrs ermöglicht. Es können insbesondere mehr als ein Schaltzustand und zugehö riger SchaltZeitpunkt der Signalanlage bzw. eine Folge von Schaltzuständen und SchaltZeitpunkten vorhergesagt und ausge geben werden.

Die Prognose kann insbesondere zur Anzeige einer Restzeit bis zum SchaltZeitpunkt des nächsten Schaltzustands genutzt wer den. Außerdem kann auf Basis der Prognose eine Optimierung von Start-Stop-Automatiken für Antriebsmotoren und/oder der Verkehrsregelung durchgeführt werden. Des Weiteren kann die Prognose zur Energierückgewinnung eines Fahrzeugs durch Opti mierung der Fahrgeschwindigkeit genutzt werden.

Die Prognosegüte eines datengetriebenen Prognosemodells wird insbesondere aufgrund einer verbesserten Datenbasis erhöht. Insbesondere kann ein längerer Prognosehorizont erzielt wer den, da steuerungsrelevante Details frühzeitig bekannt sein können. Die Datenbasis umfasst insbesondere die Zustandsdaten mindestens eines Verkehrsteilnehmers . Somit kann das tatsäch liche, aktuelle Verkehrsaufkommen bei der Prognose berück sichtigt werden. Die Zustandsdaten eines Verkehrsteilnehmers können beispielsweise mittels eines Sensors erfasst werden. Ein Sensor kann beispielsweise eine Kamera, ein Infra rotsensor, ein Drucksensor, ein Radar, eine Induktions-/Kontaktschleife oder ähnliches sein.

Unter „computerimplementiert" oder „rechner-/computergestützt" kann im Zusammenhang mit der Erfindung beispielsweise eine Implementierung des Verfahrens verstanden werden, bei dem insbesondere ein Prozessor mindestens einen Verfahrensschritt des Verfahrens ausführt.

Sofern es in der nachfolgenden Beschreibung nicht anders an gegeben ist, beziehen sich die Begriffe „durchführen", „be rechnen", „rechnergestützt", „rechnen", „feststellen", „gene rieren", „konfigurieren", „rekonstruieren" und dergleichen, vorzugsweise auf Handlungen und/oder Prozesse und/oder Verar beitungsschritte, die Daten verändern und/oder erzeugen und/oder die Daten in andere Daten überführen, wobei die Da ten insbesondere als physikalische Größen dargestellt werden oder vorliegen können, beispielsweise als elektrische Impul se. Insbesondere sollte der Ausdruck "Computer" möglichst breit ausgelegt werden, um insbesondere alle elektronischen Geräte mit Datenverarbeitungseigenschaften abzudecken. Compu ter können somit beispielsweise Personal Computer, Server, Handheld-Computer-Systeme, Pocket-PC-Geräte, Mobilfunkgeräte und andere Kommunikationsgeräte, die rechnergestützt Daten verarbeiten können, Prozessoren und andere elektronische Ge räte zur Datenverarbeitung sein.

In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens können die Zustandsdaten des mindestens einen Verkehrsteilnehmers eine Information über die Geschwin digkeit, eine Information über die Bewegungsrichtung, eine Ortsinformation und/oder eine Zeitinformation des Verkehrs teilnehmers umfassen.

Des Weiteren können die Zustandsdaten auch eine Typinformati on über den Typ des Verkehrsteilnehmers , wie z.B. ein Fahr zeug, Fußgänger, öffentliches Verkehrsmittel, umfassen. Diese Informationen können beispielsweise genutzt werden, um Rück staulängen, Abbiegeraten, Verkehrsdichte, Verkehrsfluss oder Anzahl der Halte pro Fahrzeug zu approximieren und damit das aktuelle Verkehrsaufkommen abzuschätzen.

Die Zustandsdaten der Verkehrsteilnehmer können insbesondere analysiert und abhängig von der Analyse transformiert werden. Beispielsweise kann eine Mittelung der Geschwindigkeit mehre rer Verkehrsteilnehmer an einem vorgegebenen Ort durchgeführt werden. Die gemittelte Geschwindigkeit kann als Verkehrsteil nehmeranzahl unabhängigen Verkehrsflussdaten ausgegeben wer den .

In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens können die Verkehrsverbindungen, die der Signalanlage zugeordnet sind, in ortsabhängige Abschnitte un terteilt werden und die Zustandsdaten des mindestens einen Verkehrsteilnehmers können anhand der ortsabhängigen Ab schnitte der Verkehrsverbindungen in Verkehrsflussdaten mit Positrons- und Geschwindigkeitsinformation, wobei die Ver kehrsflussdaten unabhängig von einer Verkehrsteilnehmeranzahl sind, transformiert werden.

Vorzugsweise können Verkehrsflussdaten, die von einer Ver kehrsteilnehmeranzahl unabhängig sind, derart bereitgestellt werden, dass diese als Eingabedaten für das datengetriebene Prognosemodell geeignet sind. Es können beispielsweise Ver kehrsflussdaten pro Fahrspur einer Verkehrsverbindung ermit telt und als Eingabedaten dem datengetriebenen Prognosemodell übergeben werden. Beispielsweise können die Verkehrsverbin dungen in ortsabhängige Abschnitte unterteilt werden und für jeden Abschnitt können beispielsweise Mittelwerte der Ge schwindigkeiten und der Positionen einer Vielzahl von Ver kehrsteilnehmern ermittelt werden. Die Anzahl der Eingabegrö ßen für das Prognosemodell kann folglich insbesondere kon stant bleiben, d.h. unabhängig von der Anzahl der Verkehrs teilnehmer .

In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann ein Konfidenzintervall für den prog nostizierten Schaltzustand und SchaltZeitpunkt ausgegeben werden .

Vorzugsweise kann eine Unsicherheit auf den prognostizierten Schaltzustand und SchaltZeitpunkt ermittelt und ausgegeben werden. Insbesondere kann die Wahrscheinlichkeit für eine Phase ausgegeben werden, wie z.B. die Grün- und Rotwahr scheinlichkeiten einer Lichtsignalanlage.

In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann das datengetriebene Prognosemodell als maschinelles Lernverfahren realisiert sein.

Ein maschinelles Lernverfahren, auch als künstliche Intelli genz bezeichnet, umfasst insbesondere ein automatisiertes Verfahren mittels maschineller Lernmethoden. Vorzugsweise kann ein maschinelles Lernverfahren mittels bereitgestellter Trainingsdaten, z.B. historischer Daten, trainiert und an schließend mittels aktueller Daten angewandt werden. Das da tengetriebene Prognosemodell kann als ein Rekurrentes Neuro nales Netzwerk, Convolutional Neural Network (Deep Learning) , Gauß-Prozess basiertes Modell, Gaußian Mixture Model oder ein Bayesian Neural Network realisiert sein. Mittels maschineller Lernverfahren können insbesondere komplexe, nichtlineare Zu sammenhänge aus einer großen Eingabedatenmenge modelliert werden .

In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann das datengetriebene Prognosemodell als Neuronales Netz realisiert sein.

Das datengetriebene Prognosemodell kann insbesondere als Neu ronales Netz, wie z.B. als rekurrentes Neuronales Netz, aus gebildet sein. Neuronale Netze sind insbesondere parametri sche Funktionen, die datengetrieben über (stochastische) Gra dientenabstiegsverfahren trainiert werden können. Ein rekur rentes Neuronales Netz ermöglicht insbesondere eine inte grierte Prognose eines SchaltZeitpunktes und eines Schalt zeitpunktes .

In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann das datengetriebene Prognosemodell mittels Trainingsdaten für eine Prognose eines Schaltzeit punkts und eines Schaltzustands der Signalanlage trainiert worden sein, wobei die Trainingsdaten historische Prozessda ten der Signalanlage, mindestens eine Zeitinformation, ÖPNV-Meldepunkt-Information eines öffentlichen Verkehrsmittels, und historische von einer Verkehrsteilnehmeranzahl unabhängi ge Verkehrsflussdaten auf der Basis von historischen Zu standsdaten von mindestens einem Verkehrsteilnehmer umfassen können .

Unter „Prozessdaten einer Signalanlage" können insbesondere Sensordaten eines mit der Signalanlage gekoppelten Sensors, Schaltzustände und SchaltZeitpunkte der Signalanlage, Signal gruppenzustände der Signalanlage, eine Umlaufzeit der Signal anlage und/oder eine Ortsinformation der Signalanlage umfas sen .

Trainingsdaten können insbesondere historische Verkehrsfluss daten, die von einer Verkehrsteilnehmeranzahl unabhängig sind und die auf historischen Zustandsdaten von mindestens einem Verkehrsteilnehmer basieren, umfassen. Die historischen Ver kehrsflussdaten können beispielsweise mittels einer Speicher einheit bereitgestellt werden. Eine Zeitinformation kann bei spielsweise kalendarische Daten umfassen. Eine ÖPNV-Meldepunkt-Information eines öffentlichen Verkehrsmittels kann beispielsweise ein ÖPNV-Telegramm (Öffentlicher Perso nennahverkehr, kurz ÖPNV) sein, welche Informationen über das öffentliche Verkehrsmittel, z.B. Typ, Fahrtzeiten, Bevorrech tigung, etc. umfasst. Die Trainingsdaten können insbesondere vorab erfasst, auf einer Speichereinheit gespeichert und von dort bereitgestellt werden.

Unter einem Training eines datengetriebenen Prognosemodells, z.B. eines Neuronalen Netzes, kann insbesondere die Modellie rung eines komplexen Systems mittels Trainingsdaten verstan den werden. Dazu werden bereitgestellte Trainingsdaten einge lesen und das Prognosemodell anschließend derart angepasst, dass eine vorgegebene Ausgabe erzielt wird, wobei iterativ die Eingabe und die Ausgabe miteinander verglichen werden.

In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens können die Zustandsdaten des mindestens einen Verkehrsteilnehmers an eine zentrale Recheneinheit und/oder an eine Recheneinheit der Signalanlage übermittelt und dort in Verkehrsflussdaten, die von einer Verkehrsteil nehmeranzahl unabhängig sind, transformiert werden.

Eine Recheneinheit kann insbesondere mindestens einen Prozes sor und/oder eine Speichereinheit umfassen. Eine Rechenein heit der Signalanlage kann insbesondere lokal an der Signal anlage installiert sein.

In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann das datengetriebene Prognosemodell auf der zentralen Recheneinheit und/oder auf der Rechenein heit der Signalanlage zum Prognostizieren eines Schaltzustan- des und des SchaltZeitpunkts der Signalanlage ausgeführt wer den .

Insbesondere kann das Prognosemodell auf der zentralen Re cheneinheit ausgeführt und das Prognoseergebnis anschließend an die Recheneinheit der Signalanlage übermittelt werden.

Unter dem Begriff „ausführen" des datengetriebenen Prognose modells kann insbesondere das computergestützte Einlesen von aktuellen Zustandsdaten mindestens einen Verkehrsteilnehmers bzw. von einer Verkehrsteilnehmeranzahl unabhängige Verkehrs flussdaten, das computergestützte Prognostizieren eines zu künftigen Schaltzustands und SchaltZeitpunkts der Signalanla ge mittels des trainierten datengetriebenen Prognosemodells und das computergestützte Ausgeben des prognostizierten

Schaltzustands und SchaltZeitpunkts verstanden werden.

In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann das datengetriebene Prognosemodell auf der zentralen Recheneinheit und/oder auf einer Rechenein heit der Signalanlage trainiert und von dort nach dem Trai ning bereitgestellt werden.

Die zentrale Recheneinheit kann insbesondere mit einem zent ralen Speicher gekoppelt sein, auf dem die Trainingsdaten ge speichert und für das Training bereitgestellt werden können. Insbesondere können auf einer zentralen Recheneinheit histo rische Zustandsdaten von einer Vielzahl von Verkehrsteilneh mern gespeichert und für ein Training des datengetriebenen Prognosemodells bereitgestellt werden.

Das Training des datengetriebenen Prognosemodells kann insbe sondere auf der Recheneinheit der Signalanlage erfolgen, wo bei vorzugsweise lediglich Zustandsdaten von Verkehrsteilneh mern, die sich in der Nähe oder in einer definierten Distanz der Signalanlage befinden, an die Recheneinheit der Signalan lage übermittelt und beim Training berücksichtigt werden. Die Zustandsdaten der relevanten Verkehrsteilnehmer können bei spielsweise anhand einer Ortsinformation selektiert werden.

In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann der prognostizierte Schaltzustand und SchaltZeitpunkt der Signalanlage an einen Verkehrsteilnehmer übermittelt werden.

Damit kann vorzugsweise eine effiziente Regelung des Verkehrs erreicht werden. Der prognostizierte Schaltzustand und

SchaltZeitpunkt der Signalanlage kann an den Verkehrsteilneh mer übermittelt werden. Beispielsweise kann der prognosti zierte Schaltzustand und SchaltZeitpunkt an eine Anzeigevor richtung des Verkehrsteilnehmers übermittelt werden. Insbe sondere kann eine Anzeigevorrichtung in einem Fahrzeug inte griert sein oder mit der Signalanlage gekoppelt sein. Die An zeigevorrichtung kann insbesondere mit einer Roadside Unit (RSU) der Signalanlage gekoppelt sein.

Gemäß einem zweiten Aspekt betrifft die Erfindung eine Vor richtung zur Prognose eines Schaltzustands und eines Schalt zeitpunkts einer Signalanlage zur Verkehrssteuerung, wobei die Vorrichtung mindestens einen Prozessor aufweist und zum Durchführen der Schritte eines erfindungsgemäßen computerim plementierten Verfahrens geeignet ist.

Unter einem Prozessor kann im Zusammenhang mit der Erfindung beispielsweise eine Maschine oder eine elektronische Schal tung verstanden werden. Bei einem Prozessor kann es sich ins besondere um einen Hauptprozessor (engl. Central Processing Unit, CPU) , einen Mikroprozessor oder einen Mikrokontroller handeln .

Des Weiteren betrifft die Erfindung ein Computerprogrammpro dukt eingerichtet zum Ausführen eines erfindungsgemäßen com puterimplementierten Verfahrens und ein computerlesbares Speichermedium mit einem Computerprogrammprodukt. Das Compu- terprogrammprodukt umfasst vorzugsweise Programmcodeteile zum Durchführen der Schritte eines erfindungsgemäßen Verfahrens.

Ein Computerprogrammprodukt, wie z.B. ein Computerprogramm-Mittel, kann beispielsweise als Speichermedium, wie z.B.

Speicherkarte, USB-Stick, CD-ROM, DVD, oder auch in Form ei ner herunterladbaren Datei von einem Server in einem Netzwerk bereitgestellt oder geliefert werden. Dies kann zum Beispiel in einem drahtlosen Kommunikationsnetzwerk durch die Übertra gung einer entsprechenden Datei mit dem Computerprogrammpro dukt oder dem Computerprogramm-Mittel erfolgen.

Ausführungsbeispiele des erfindungsgemäßen computerimplemen tierten Verfahrens und der Vorrichtung sind in den Zeichnun gen beispielhaft dargestellt und werden anhand der nachfol genden Beschreibung näher erläutert. Es zeigen:

Fig. 1 ein Ablaufdiagramm eines erfindungsgemäßen Verfah rens ;

Fig. 2 eine schematische Darstellung eines erfindungsgemä ßen Verfahrens; und

Fig. 3 eine weitere schematische Darstellung eines erfin dungsgemäßen Verfahrens; und

Fig. 4 eine schematische Darstellung einer erfindungsgemä ßen Vorrichtung.

Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.

Insbesondere zeigen die nachfolgenden Ausführungsbeispiele lediglich beispielhafte Realisierungsmöglichkeiten, wie ins besondere solche Realisierungen der erfindungsgemäßen Lehre aussehen könnten, da es unmöglich und auch für das Verständ nis der Erfindung nicht zielführend oder notwendig ist, all diese Realisierungsmöglichkeiten zu benennen.

Auch sind insbesondere einem (einschlägigen) Fachmann in Kenntnis des/der Verfahrensanspruchs/Verfahrensansprüche alle im Stand der Technik üblichen Möglichkeiten zur Realisierung der Erfindung selbstverständlich bekannt, sodass es insbeson dere einer eigenständigen Offenbarung in der Beschreibung nicht bedarf. Insbesondere können diese gebräuchlichen und dem Fachmann bekannten Realisierungsvarianten ausschließlich per Hardware ( komponenten) oder ausschließlich per Soft ware ( komponenten) realisiert werden. Alternativ und/oder zu sätzlich kann der Fachmann im Rahmen seines fachmännischen Könnens weitestgehend beliebige erfindungsgemäße Kombinatio nen aus Hardware ( komponenten) und Software ( komponenten) wäh len, um erfindungsgemäße Realisierungsvarianten umzusetzen.

Figur 1 zeigt ein Ablaufdiagramm eines erfindungsgemäßen com puterimplementierten Verfahrens zur Prognose eines Schaltzu stands und eines SchaltZeitpunkts einer Signalanlage. Insbe sondere kann das Verfahren von einer Vorrichtung, die mindes tens einen Prozessor umfasst, durchgeführt werden. Insbeson dere kann mittels des computerimplementierten Verfahrens min destens ein zukünftiger Schaltzustand und ein diesem Schalt zustand zugeordneter SchaltZeitpunkt der Signalanlage ermit telt werden.

Im ersten Schritt S1 des Verfahrens werden Zustandsdaten min destens eines Verkehrsteilnehmers erfasst. Ein Verkehrsteil nehmer kann beispielsweise ein Fahrzeug, ein Fußgänger, ein öffentliches Verkehrsmittel etc. sein. Zustandsdaten eines Verkehrsteilnehmers können eine Information über die Ge schwindigkeit, Bewegungsrichtung, eine Ortsinformation und/oder eine Zeitinformation des Verkehrsteilnehmers umfas sen. Vorzugsweise können Zustandsdaten einer Vielzahl von Verkehrsteilnehmern erfasst und anhand einer jeweiligen

Ortsinformation diejenigen Verkehrsteilnehmer selektiert wer den, die sich in einem vorgegebenen Radius oder Umgebung der zu prognostizierenden Signalanlage befinden und lediglich de ren Zustandsdaten zur Prognose genutzt werden.

Im nächsten Schritt S2 werden die erfassten Zustandsdaten in von einer Verkehrsteilnehmeranzahl unabhängige Verkehrsfluss daten mit Positrons- und Geschwindigkeitsinformation trans formiert. In anderen Worten, die erfassten Zustandsdaten der Verkehrsteilnehmer sind abhängig von der Anzahl der Verkehrs teilnehmer, von denen die Zustandsdaten erfasst werden. Um eine Datenbasis zu schaffen, die unabhängig von einer, gege benenfalls variablen, Verkehrsteilnehmeranzahl ist, werden die erfassten Zustandsdaten derart umgewandelt, dass sie in einer Form, die unabhängig von der Anzahl der Verkehrsteil nehmer ist, vorliegen. Insbesondere können die transformier ten Zustandsdaten derart als Eingabedaten für ein datenge triebenes Prognosemodell genutzt werden, das in der Regel ei ne fest vorgegebene Menge an Eingabedaten aufweist.

Im nächsten Schritt S3 wird ein datengetriebenes Prognosemo dell bereitgestellt und die Verkehrsteilnehmeranzahl unabhän gige Verkehrsflussdaten werden diesem übergeben. Das datenge triebene Prognosemodell kann als maschinelles Lernverfahren, wie z.B. als Neuronales Netz, ausgestaltet sein. Es kann sich insbesondere um ein rekurrentes Neuronales Netz handeln. Das datengetriebene Prognosemodell ist insbesondere derart trai niert, eine Prognose eines Schaltzustands und eines Schalt zeitpunkts der Signalanlage in Abhängigkeit der Verkehrs flussdaten durchzuführen.

Ein maschinelles Lernverfahren, insbesondere ein Neuronales Netz, benötigt für eine Ausführung eine konstante Menge an Eingabedaten. Aufgrund der Transformation der Zustandsdaten der Verkehrsteilnehmer in Verkehrsteilnehmeranzahl unabhängi ge Verkehrsflussdaten kann eine benötigte konstante Menge an Eingabedaten gewährleistet werden.

Das Training des datengetriebenen Prognosemodell kann insbe sondere vor der Bereitstellung durchgeführt werden. Das trai nierte datengetriebene Prognosemodell wird anschließend be-reitgestellt . Unter „Training eines maschinellen Lernverfah- rens" kann insbesondere die Modellierung und/oder Anpassung eines computergestützten Modells anhand von Trainingsdaten verstanden werden.

Für das Training des datengetriebenen Prognosemodells werden Trainingsdaten bereitgestellt, die insbesondere historische Prozessdaten der Signalanlage, wie z.B. Schaltzustände,

SchaltZeitpunkte und Detektordaten, mindestens eine Zeitin formation, ÖPNV-Meldepunkt-Information eines öffentlichen Verkehrsmittels, und historische von einer Verkehrsteilneh meranzahl unabhängige Verkehrsflussdaten auf der Basis von historischen Zustandsdaten von mindestens einem Verkehrsteil nehmer umfassen.

Als nächster Schritt S4 werden mittels des datengetriebenen Prognosemodells und der eingelesenen Daten, insbesondere der Verkehrsteilnehmeranzahl unabhängige Verkehrsflussdaten, ein zukünftiger Schaltzustand und SchaltZeitpunkt der Signalanla ge prognostiziert. Es können insbesondere auch mehrere

Schaltzustände und zugehörige SchaltZeitpunkte bzw. eine Fol ge von Schaltzuständen und SchaltZeitpunkten vorhergesagt werden. Dazu werden dem trainierten datengetriebenen Progno semodell aktuelle Verkehrsteilnehmeranzahl unabhängige Ver kehrsflussdaten, aktuelle und/oder historische Prozessdaten der Signalanlage, mindestens eine Zeitinformation, wie z.B. eine kalendarische Information, und eine Meidepunkt

information eines öffentlichen Verkehrsmittels, wie z.B. ein ÖPNV-Telegramm, übergeben. Auf Basis dieser Information- bzw. Datenmenge kann eine Prognose eines zukünftigen Schaltverhal tens der Signalanlage mittels des datengetriebenen Prognose modells durchgeführt werden.

Als nächster Schritt S5 werden der prognostizierte Schaltzu stand und SchaltZeitpunkt der Signalanlage ausgegeben. Bei spielsweise wird der prognostizierte Schaltzustand und

SchaltZeitpunkt der Signalanlage auf einer zentralen Rechen einheit ermittelt und das Prognoseergebnis wird von dort be-reitgestellt . Alternativ kann das datengetriebene Prognosemo- dell auch auf einer Recheneinheit der Signalanlage ausgeführt und das Prognoseergebnis von dort, beispielswiese an einen Verkehrsteilnehmer, ausgegeben werden.

Das computerimplementierte Verfahren ermöglicht insbesondere eine Prognose eines Schaltverhaltens der Signalanlage auf Ba sis aktueller Verkehrsflussdaten und bevor ein mit der Sig nalanlage gekoppelter Sensor auslöst. Dies ermöglicht bei spielsweise eine Regelung des Verkehrs unter Berücksichtigung des prognostizierten Schaltverhaltens.

Das computerimplementierte Verfahren verfügt insbesondere über eine hohe Skalierbarkeit und Generalisierbarkeit bezüg lich verschiedener Signalanlagen und/oder Komplexität der Verkehrsverbindungen, da die Methode abhängig von einem gege benen Datensatz kalibriert werden kann. Des Weiteren kann das datengetriebene Prognosemodell in Echtzeit genutzt und mit aktuellen Daten nachtrainiert werden.

Figur 2 zeigt eine schematische Darstellung eines erfindungs gemäßen Verfahrens. Es ist eine Verkehrskreuzung K in Drauf sicht gezeigt, wobei eine Signalanlage LSA an der Verkehrs kreuzung K zur Regelung des Verkehrs installiert ist. Bei spielsweise handelt es sich hierbei um eine Lichtsignalanla ge, die beispielsweise eine bestimmte Anzahl von Signalgrup pen umfasst. Es sind Verkehrsteilnehmer V gezeigt, welche über eine drahtlose Kommunikationsverbindung Zustandsdaten ZD an eine zentrale Recheneinheit CC, z.B. eine Cloud, übermit teln können. Zustandsdaten von Fahrzeugen können beispiels weise auch als „Floating Car data" bezeichnet werden.

Die von einer Fahrzeuganzahl abhängigen Zustandsdaten ZD kön nen beispielsweise auf der zentralen Recheneinheit CC in fahrzeuganzahlunabhängige Verkehrsflussdaten mit einer Posi trons- und Geschwindigkeitsinformation transformiert werden. Auf der zentralen Recheneinheit CC kann ein trainiertes da tengetriebenes Prognosemodell NN zur Prognose eines zukünfti gen Schaltzustands und SchaltZeitpunkts der Signalanlage LSA bereitgestellt werden. Das datengetriebene Prognosemodell NN kann auf der zentralen Recheneinheit CC vorzugsweise trai niert bereitgestellt und ausgeführt werden. Das datengetrie bene Prognosemodell NN ist vorzugsweise derart trainiert, in Abhängigkeit der aktuellen fahrzeuganzahlunabhängigen Ver kehrsflussdaten einen zukünftigen Schaltzustand und Schalt zeitpunkt D_prog der Signalanlage LSA zu prognostizieren. Vorzugsweise kann ein Konfidenzintervall des SchaltZeitpunkts angegeben werden.

Der prognostizierte Schaltzustand und SchaltZeitpunkt D_prog kann beispielsweise an eine Recheneinheit der Signalanlage LSA über eine drahtlose oder drahtgebundene Kommunikations verbindung übermittelt werden. Weiterhin kann der prognosti zierte Schaltzustand und SchaltZeitpunkt D_prog an einen Ver kehrsteilnehmer V übermittelt werden.

Das Training des datengetriebenen Prognosemodells NN kann insbesondere auf der zentralen Recheneinheit CC durchgeführt werden. Für das Training werden Trainingsdaten bereitge stellt, die vorzugsweise historische Prozessdaten der Signal anlage LSA, mindestens eine Zeitinformation, Meidepunkt informationen eines öffentlichen Verkehrsmittels und histori sche von einer fahrzeuganzahlunabhängige Verkehrsflussdaten umfassen. Das trainierte datengetriebene Prognosemodell NN kann nach dem Training bereitgestellt werden, wie z.B. auf der zentralen Recheneinheit CC gespeichert und/oder an die Recheneinheit der Signalanlage LSA übermittelt werden. Alter nativ kann das Training des datengetriebenen Prognosemodells NN auch auf der Recheneinheit der Signalanlage LSA durchge führt und bereitgestellt werden.

Figur 3 zeigt eine schematische Darstellung eines erfindungs gemäßen Verfahrens. Es ist eine Verkehrskreuzung K in Drauf sicht gezeigt. Eine Signalanlage LSA ist an der Verkehrskreu zung K zur Regelung des Verkehrs installiert. Es sind Ver kehrsteilnehmer V gezeigt, die sich auf einer Verkehrsverbin- düng TC befinden, wobei die Verkehrsverbindung der Signalan lage LSA zugeordnet ist.

Die Verkehrsteilnehmer können jeweils Zustandsdaten an eine Recheneinheit übermitteln, wie beispielhaft in Figur 2 darge stellt. Um die Zustandsdaten als Eingabedaten für das daten getriebene Prognosemodell zu nutzen, werden die Zustandsdaten in verkehrsteilnehmeranzahlunabhängige Verkehrsflussdaten um gewandelt. In anderen Worten, die Anzahl der Eingabegrößen für das Prognosemodell ist insbesondere stets konstant und unabhängig von der Anzahl der Verkehrsteilnehmer, die ihre Zustandsdaten übertragen. Die Eingangsgrößen sind beispiels weise Mittelwerte der Geschwindigkeiten oder Positionen der vorhandenen Verkehrsteilnehmer.

Insbesondere kann dazu die Verkehrsverbindung TC, z.B. eine Fahrspur, in eine Menge von ortsabhängigen Abschnitten SEC1, SEC2, SEC3 unterteilt werden. Die Unterteilung erfolgt bei spielsweise virtuell durch einen Computer. Die ortsabhängigen Abschnitte können beispielsweise unterschiedlich groß sein, wie z.B. abhängig von der Entfernung zur Signalanlage LSA in Größe zunehmen. Für jeden Abschnitt können jeweils zwei Merk male, d.h. eine Positrons- und eine Geschwindigkeitsinforma tion, bestimmt werden, die als Eingabedaten dem datengetrie benen Prognosemodell übergeben werden. Beispielsweise kann der Mittelpunkt eines Abschnitts oder die durchschnittliche Position aller Verkehrsteilnehmer V zu einem vorgegebenen Zeitpunkt als Ortsinformation ermittelt werden. Als Geschwin-digkeitsinformation kann beispielsweise die mittlere, minima le oder maximale Geschwindigkeit aller Verkehrsteilnehmer V verwendet werden.

Alternativ kann die Verkehrsverbindung TC in ortsabhängige Abschnitte unterteilt werden, für die jeweils eine Anzahl der Verkehrsteilnehmer im jeweiligen Abschnitt pro Länge des Streckenabschnittes und die Geschwindigkeit der Verkehrsteil nehmer innerhalb des Abschnitts als Durchschnitt, Minimum o-der Maximum angegeben werden.

Als weitere Alternative können die Zustandsdaten der Ver kehrsteilnehmer V mittels einer statistischen Analyse ermit telt werden. Beispielsweise kann die Verkehrsverbindung TC in ortsabhängige Abschnitte SEC1, SEC2, SEC3, ... unterteilt wer den. Die Anzahl der Abschnitte SEC1, SEC2, SEC3, ... kann einer Anzahl von Modi einer Dichtefunktion entsprechen, wobei die Dichtefunktion beispielsweise durch die Formel V (x) = Summe über j von f (x | mj , sj*sj) bestimmt ist, wobei mj dem Mit telwert der Positionen und sj der Standardabweichung der Po sitionen aller Verkehrsteilnehmer V im jeweiligen Abschnitt entspricht. Die Funktion f (x) kann beispielsweise als Dichte funktion der Normalverteilung gewählt werden. Die Anzahl der Parameter, die zusätzlich für jede Fahrspur in das Prognose modell eingegeben werden, entspricht dann 2*j . Der Parameter j kann insbesondere unabhängig von der Anzahl der Verkehrs teilnehmer innerhalb eines Abschnittes sein.

Als weitere Variante können Convolutional Neural Networks (CNN) , zu Deutsch „faltendes neuronales Netzwerk", genutzt werden, um Verkehrsteilnehmeranzahl unabhängige Verkehrs flussdaten aus den Zustandsdaten der Verkehrsteilnehmer zu ermitteln. Convolutional Neural Networks erlauben vorzugswei se eine Reduktion der Anzahl der Eingabemenge. Die Verkehrs verbindung TC wird in ortsabhängige Abschnitte SEC1, SEC2, SEC3, ... unterteilt. Für jeden Abschnitt werden Kenngrößen, wie z.B. durchschnittliche Position oder Geschwindigkeit er mittelt, wobei jedem Abschnitt eine Menge an Werten zugeord net wird. Die so entstehende Matrix kann als Eingangsgröße für das Convolutional Neural Network genutzt werden. Durch Operationen wie Filterung und Pooling werden die Eingangsmat rizen auf Vektoren oder Matrizen niedriger Dimensionen abge bildet bzw. transformiert. Diese können als Eingabedaten für das datengetriebene Prognosemodell genutzt werden.

Figur 4 zeigt eine erfindungsgemäße Vorrichtung 100 zur Prog nose eines Schaltzustands und SchaltZeitpunkts einer Signal anlage zur Verkehrssteuerung. Die Vorrichtung 100 weist min- destens einen Prozessor auf und ist derart eingerichtet die Schritte eines erfindungsgemäßen computerimplementierten Ver fahrens durchzuführen. Die Vorrichtung 100 kann des Weiteren eine Speichereinheit M umfassen, um beispielsweise Trainings-daten gemäß der Erfindung zu speichern. Die Vorrichtung 100 kann insbesondere als Software (komponente) und/oder als Hard ware (komponente) ausgestaltet sein. Insbesondere kann die Vorrichtung 100 als Teil einer Signalanlage oder als Teil ei ner zentralen Recheneinheit realisiert sein.

Alle beschriebenen und/oder gezeichneten Merkmale können im Rahmen der Erfindung vorteilhaft miteinander kombiniert wer den. Die Erfindung ist nicht auf die beschriebenen Ausfüh rungsbeispiele beschränkt.