Grundlegende Problemstellung und Zielsetzung

Allgemein: Staus werden ein immer größeres Problem in Städten. Ist es möglich mit den vorhandenen Daten Systeme zu entwickeln, die Stau reduzieren?

Problem: Es werden Daten erhoben (z.B. Anzahl der Fahrzeuge an Lichtsignalanlagen), aber nicht intelligent genutzt.

Ziele:

Qualität erhobener Daten verbessern.
Erhobene Daten intelligent nutzen, um Verkehrsaufkommen vorherzusagen und Staugefahr frühzeitig zu erkennen.

Keywords / Stichworte: Intelligente Zustandsüberwachung und Wartung; Lernende Assistenzsysteme; Datengetriebene Optimierung; Kognitives Qualitätsmanagement; ML in der Evolution von Informations- und Kommunikationstechnik; Lernen auf Datenströmen

Technisches System

Technische Zeichnung einer typischen Kreuzung inklusive Lichtsignalanlagen (Klick zum Vergrößern). © Stadt Bielefeld, Amt für Verkehr

Die ML-Lösung wurde auf Grundlage realer Verkehrsdaten entwickelt.

Welche Sensoren sind in der Technologie integriert?

Induktionsschleifen an Lichtsignalanlagen:
- Induktive Detektoren sind typischerweise vor der Haltelinie an Lichtsignalanlagen platziert. Ein Detektor misst den Verkehr einer Fahrspur. Es können mehrere Detektoren auf einer Fahrspur hintereinander platziert sein.

Welche Daten werden erhoben?

Anzahl von Fahrzeugen an einem Detektor.
Verweilzeit von Fahrzeugen an einem Detektor.

Lösungsansatz

ML-Methode:

Die Daten werden in drei Schritten verarbeitet:

Clustering (DBSCAN) zur Outlier Detection in den Rohdaten. Dieses Verfahren kann verwendet werden, um schnell auf defekte Sensoren reagieren zu können.
Klassifikation von Verkehrsklassen („kein Verkehr“, „leichtes Verkehrsaufkommen“, „erhöhtes Verkehrsaufkommen“; Logistic Regression, Support Vector Machine) mit vorhergehender feature selection (Random Forrest).
Kurzfristige Vorhersage (5 Min, 30 Min, 2 Std) des Verkehrsaufkommens (Recurrent Neural Network).

Nach welchen allgemeinen inhaltlichen Kriterien werden Entscheidungen getroffen? Wie ist deren Gewichtung?

Bei der Outlier Detection werden Messfehler auf Grundlage der Daten des vorhergehenden Jahres erkannt.

Bei der Klassifikation wurde eine Beispielkreuzung mit Google Maps gelabelt und dann überwacht mit den features „Wochentag“, „Stunde“, „Anzahl der Fahrzeuge“ und „Verweilzeit“ gelernt.

Werden neue Merkmale erarbeitet, die nicht speziell erfasst werden (z.B. Kombination erhobener Merkmale)?

Es werden immer nur Teilmengen der Daten betrachtet: z.B. Value Pairs (Anzahl, Verweilzeit) zur Outlier Detection oder der Mittelwert der Detektoren einer Spur.

Nach welchen allgemeinen inhaltlichen Kriterien wird gelernt?

Es gibt zwei zentrale Aufgaben:

Outlier Detection: Verbesserung der Wartung der Lichtsignalanlagen durch die frühzeitige Erkennung von Messfehlern führt zu qualitativ hochwertigeren Daten.
Verkehrsvorhersage: Das Verkehrsaufkommen kann vorhergesagt und so Staugefahr frühzeitig erkannt werden.