ISBN-Nr.de

erfahrensentwicklung für Schaltzeitprognosen an verkehrsabhängigen Lichtsignalanlagen mit Hilfe maschinellen Lernens

Die regelmäßige Unterbrechung von Verkehrsströmen an lichtsignalgeregelten Knotenpunkten führt zu Brems-, Halte- und Beschleunigungsvorgängen und somit zu einer Erhöhung von Emissionen, Energieverbrauch und Verschleiß an Fahrzeugen und Fahrbahn gegenüber einer ungehinderten Fahrt. Durch eine Vorausschau auf die bevorstehenden Schaltzeitpunkte kann die Fahrweise im Zulauf auf eine Lichtsignalanlage so angepasst werden, dass Fahrzeuge je nach Situation energiesparend auf Rot zufahren oder bei bevorstehender Freigabe sogar einen Halt vermeiden. Voraussetzung für diese sogenannte Ampelphasenassistenz ist die Prognose der Schaltzeitpunkte, welche bei verkehrsabhängigen Lichtsignalanlagen eine immer noch große Herausforderung darstellt. Die vorliegende Arbeit greift diese Problematik auf und untersucht verschiedene Verfahren des maschinellen Lernens (ML), welche durch die Auswertung von Signalgeberzuständen, Detektordaten und ÖPNV-Anforderungsnachrichten eine Prognose der Schaltzeiten unabhängig vom jeweiligen Signalsteuerungsverfahren ermöglichen. Anhand von aufgezeichneten Prozessdaten zweier Lichtsignalanlagen in Kassel wurde im Rahmen einer Voranalyse die Prognosequalität von 12 verschiedenen ML-Methoden ermittelt und einem Ranking unterzogen. Hier stellte sich der entscheidungsbaumbasierte XGBoost-Algorithmus als der leistungsfähigste heraus. Die Datenmodellierung bzw. die Festlegung von Merkmalen und deren Behandlung im maschinellen Lernprozess ist der Schlüssel zu einem hochqualitativen Prognoseverfahren. Für den ausgewählten XG-Boost-Algorithmus wurden zahlreiche Experimente zum iterativen Finden erfolgreicher Merkmalskombinationen durchgeführt. Nicht immer führten vielversprechend erscheinende Erweiterungen des Merkmalsraumes zu einer Verbesserung. Dies traf auch auf die Erweiterung um Detektormerkmale benachbarter Knotenpunkte zu.