Verfahrensentwicklung für Schaltzeitprognosen an verkehrsabhängigen Lichtsignalanlagen mit Hilfe maschinellen Lernens

Im urbanen Raum, insbesondere vor signalisierten Knotenpunkten, entstehen die meisten Emissionen des Straßenverkehrs. Eine Möglichkeit, um diese Emissionen zu senken, sind sogenannte GLOSA-Systeme (Green Light Optimal Speed Advisory) und das Smart Routing, um am Straßenverkehr beteiligten Personen Handlungsempfehlungen geben zu können. Für die Berechnung der Informationen, die diese Systeme ausgeben, wie beispielsweise Geschwindigkeitsempfehlungen für die bestmögliche Nutzung von Grünzeiten und Zeiten bis zum Grünbeginn, werden Vorhersagen der Schaltzeiten von Lichtsignalanlagen (LSA) benötigt. Die Entwicklung ausreichend guter Vorhersageverfahren ist Gegenstand der Forschung. Zentrum dieser Arbeit ist die Verbesserung der bestehenden Vorhersageverfahren zur Schaltzeitprognose (SZP) von LSA. Verbessert werden sollte die Übertragbarkeit, die Zuverlässigkeit und der Prognosehorizont von SZP. Durch die Übertragbarkeit kann der Schritt von der individuellen Prognoselösung für jede einzelne LSA zu einem weitgehend allgemeingültigen Verfahren, das flächendeckend eingesetzt werden kann, erfolgen. Die Zuverlässigkeit soll das Vertrauen der Nutzer in die Anwendung bestätigen, indem möglichst genaue Prognose getroffen werden. Hierauf sowie auf den in der Dissertation von Weisheit [Wei17] benannten Bedarfe wurde ein möglichst allgemeingültiges Konzept zur SZP entworfen und experimentell teilevaluiert, welches das Systemwissen zum LSA-Entwurf und -Betrieb sowie verschiedene Arten von LSA-Steuerungen integrieren können soll. Der Schwerpunkt der Evaluation des Konzepts lag auf der Methodik vor dem Hintergrund des Anwendungsgebietes. Für die Evaluation wurden OCIT-Daten aller Signalgruppen zweier für die Stadt Kassel typischen Knotenpunkte verwendet. Die verwendeten Evaluationsmetriken Korrektklassfikationsrate (KKR) und Wurzel der mittleren quadratischen Abweichung (RMSE) wurden vor dem Hintergrund der Metriken bestehender SZP ausgewählt. Besonders gute Ergebnisse konnten erzielt werden, indem vor der eigentlichen SZP die kommenden Phasen und ihre Schaltzeitpunkte vorhergesagt wurden. Diese vorherzusagen sowie ein Phasenmerkmal, das den Gesamtsignalisierungszustand der LSA beschreibt, dienten als zusätzliche Eingangsmerkmale für die SZP. Eine solche phasenorientierte SZP wird als ein Modell mit besonders hohem Potenzial für die erfolgreiche Integration in GLOSA-Systeme angesehen. Weiterhin wurden Detektionsmerkmale und ÖPNVMeldungen in die Eingangsdatenmodelle integriert. Erkenntnis ist, dass die Detektionsmerkmale noch zielführender in eine SZP integriert werden könnten, wenn sie ebenfalls in ein den Gesamtzustand beschreibendes Merkmal überführt würden. Die ÖPNVMeldungen verbessern die Prognosequalität. Auch die Integration von Merkmalen benachbarter Knotenpunkte konnte teilweise Verbesserungen der Prognosequalität bewirken. Als geeignetste Methode für SZP als auch Phasenvorhersagen wurde EXtreme Gradient Boosting (XGBoost) als Klassifikator unter den Methoden des maschinellen Lernens identifiziert.