Datum
2024Autor
Schneegans, Lena ElisaSchlagwort
380 Handel, Kommunikation, Verkehr VerkehrssignalanlageStraßenverkehrMaschinelles LernenSchaltzeitPrognoseverfahrenMetadata
Zur Langanzeige
Buch
Verfahrensentwicklung für Schaltzeitprognosen an verkehrsabhängigen Lichtsignalanlagen mit Hilfe maschinellen Lernens
Zusammenfassung
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.
Zusätzliche Informationen
Zugleich: Dissertation, Universität Kassel, 2023Druckausgabe
Link zu kassel university pressZitieren
@book{doi:10.17170/kobra-202401199387,
author={Schneegans, Lena Elisa},
title={Verfahrensentwicklung für Schaltzeitprognosen an verkehrsabhängigen Lichtsignalanlagen mit Hilfe maschinellen Lernens},
publisher={kassel university press},
year={2024}
}
0500 Oax 0501 Text $btxt$2rdacontent 0502 Computermedien $bc$2rdacarrier 1100 2024$n2024 1500 1/ger 2050 ##0##http://hdl.handle.net/123456789/15483 3000 Schneegans, Lena Elisa 4000 Verfahrensentwicklung für Schaltzeitprognosen an verkehrsabhängigen Lichtsignalanlagen mit Hilfe maschinellen Lernens / Schneegans, Lena Elisa 4030 4060 Online-Ressource 4085 ##0##=u http://nbn-resolving.de/http://hdl.handle.net/123456789/15483=x R 4204 \$dBuch 4170 5550 {{Verkehrssignalanlage}} 5550 {{Straßenverkehr}} 5550 {{Maschinelles Lernen}} 5550 {{Schaltzeit}} 5550 {{Prognoseverfahren}} 7136 ##0##http://hdl.handle.net/123456789/15483
2024-02-23T12:19:16Z 2024-02-23T12:19:16Z 2024 doi:10.17170/kobra-202401199387 http://hdl.handle.net/123456789/15483 Zugleich: Dissertation, Universität Kassel, 2023 ger kassel university press Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International http://creativecommons.org/licenses/by-sa/4.0/ Prognose Vorhersage Lichtsignalanlage Maschinelles Lernen Schaltzeitprognose Phasenprognose traffic signal estimation time to green estimation machine learning signal phase and time estimation 380 Verfahrensentwicklung für Schaltzeitprognosen an verkehrsabhängigen Lichtsignalanlagen mit Hilfe maschinellen Lernens Buch 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. open access Schneegans, Lena Elisa 2023-10-12 242 Seiten (Anhang cxxix Seiten) Kassel, Universität Kassel, Fachbereich Bauingenieur- und Umweltingenieurwesen Hoyer, Robert (Prof. Dr.-Ing.) Hoffmann, Silja (Prof. Dr.-Ing.) Kassel 978-3-7376-1162-6 Verkehrssignalanlage Straßenverkehr Maschinelles Lernen Schaltzeit Prognoseverfahren publishedVersion Schriftenreihe Verkehr Band 37 true 39,00 Schriftenreihe Verkehr Naturwissenschaft, Technik, Informatik, Medizin Dissertation FB 14 / Bauingenieur- und Umweltingenieurwesen Softcover DIN A5 true
Die folgenden Lizenzbestimmungen sind mit dieser Ressource verbunden: