Adaptive Verkehrssignalsteuerungssysteme bilden das Rückgrat des modernen Stadtverkehrsmanagements. Anders als zeitfeste Signale, die nach vorgegebenen Zeitplänen arbeiten, passen adaptive Systeme die Signalzeiten kontinuierlich an, basierend auf Echtzeitdaten von Fahrzeugdetektoren, Kameras und anderen Sensoren. Das Ziel ist es, Staus zu reduzieren, die Sicherheit zu verbessern und die Umweltbelastung zu minimieren. Das Design solcher Systeme ist jedoch mit einer grundlegenden Herausforderung verbunden: Mehrere, oft widersprüchliche Ziele müssen gleichzeitig erfüllt werden. Die Minimierung von Fahrzeugverzögerungen kann beispielsweise den Kraftstoffverbrauch erhöhen, wenn aggressive Beschleunigungsmuster induziert werden. Die Verringerung von Emissionen kann längere Zykluslängen erfordern, was wiederum die Wartezeiten der Fußgänger erhöht. Um diese konkurrierenden Anforderungen auszugleichen, ist ein strenger mathematischer Rahmen erforderlich - eine multi-objektive Optimierung.

Multi-Objective Optimierung verstehen

In der realen Welt sind diese Ziele nicht meßbar und oft widersprüchlich. In der Verkehrssteuerung ist es beispielsweise unmöglich, sowohl durchschnittliche Verzögerungen als auch Gesamtemissionen mit einem einzigen Signalzeitplan gleichzeitig zu minimieren, da Maßnahmen, die Verzögerungen reduzieren (z. B. kürzere Zykluslängen), dazu neigen, das Stop-and-Go-Verhalten zu erhöhen und die Emissionen zu erhöhen.

Mathematisch kann ein multi-objektives Optimierungsproblem als:

Minimieren (oder maximieren) F(x) = [f1(x), f2(x), ..., fm(x)]
unterliegend x ∈ X, wobei X der machbare Satz von Entscheidungsvariablen ist.

Statt einer einzigen optimalen Lösung produziert MOO eine Reihe von Lösungen, die als Pareto optimal oder nicht-dominierte Lösungen bekannt sind. Eine Lösung ist Pareto optimal, wenn kein Ziel verbessert werden kann, ohne mindestens ein anderes Ziel zu verschlechtern. Die Sammlung all dieser Lösungen bildet die Pareto-Front, die Entscheidungsträgern ein klares Bild der damit verbundenen Kompromisse vermittelt.

Klassische Methoden wie der gewichtete Summenansatz wandeln mehrere Ziele durch die Zuweisung von Gewichten in ein einziges Ziel um, aber sie können nur eine begrenzte Teilmenge der Pareto-Front finden. Fortgeschrittene Methoden - insbesondere evolutionäre Algorithmen - sind so konzipiert, dass sie die gesamte Front in einem einzigen Durchlauf entdecken, wodurch sie ideal für komplexe Probleme der realen Welt wie die Steuerung von Verkehrssignalen sind.

Ziele in der adaptiven Verkehrssignalsteuerung

Die Entwicklung eines adaptiven Signalsystems beginnt mit der Definition der Ziele.

  • Minimierung der Fahrzeugverzögerung – die durchschnittliche Zeit, die Fahrzeuge an Kreuzungen warten.
  • Minimierung der Anzahl der Haltestellen – die Reduzierung des Stop-and-Go-Verkehrs erhöht den Komfort und reduziert den Verschleiß von Fahrzeugen.
  • Maximierung des Durchsatzes – die Anzahl der Fahrzeuge, die pro Zeiteinheit eine Kreuzung passieren.
  • Reduzieren des Kraftstoffverbrauchs und der Emissionen – insbesondere CO2, NOx und Feinstaub.
  • Verbesserung der Fußgängersicherheit – Gewährleistung angemessener Überflugzeiten und Reduzierung von Konflikten.
  • Transitpriorität – bevorzugt Busse und Straßenbahnen.
  • Notfallfahrzeug-Preemption – Räumungswege für Feuerwehrfahrzeuge, Krankenwagen und Polizei.

Jedes Ziel kann als Funktion der Parameter für die Signalzeitung ausgedrückt werden - Zykluslänge, Phasenaufteilungen, Versatz zwischen Schnittpunkten und Phasenfolge.

Trade-Offs zwischen Zielen

Eine gemeinsame Spannung besteht zwischen Verzögerungsminimierung und Emissionsreduzierung. Längere Zykluslängen neigen dazu, die Anzahl der roten Phasen zu reduzieren, auf die ein Zug trifft, wodurch Stopps und Emissionen gesenkt werden, aber die Wartezeit für Fahrzeuge, die kurz nach dem Start eines roten Signals ankommen, erhöhen. In ähnlicher Weise erhöht die Bereitstellung längerer Fußgängerüberquerungszeiten die Sicherheit, verringert jedoch die Kapazität für den Fahrzeugverkehr. Multi-Ziel-Optimierung macht diese Kompromisse explizit, so dass Verkehrsingenieure einen Zeitplan wählen können, der mit den politischen Prioritäten übereinstimmt - zum Beispiel kann eine Stadt die Emissionsreduzierung bei Smogwarnungen oder Fußgängersicherheit in der Nähe von Schulen priorisieren.

Evolutionäre Multi-Objektive Algorithmen für die Verkehrssignalsteuerung

Mehrere evolutionäre Algorithmen wurden erfolgreich zur Optimierung von Verkehrssignalen eingesetzt und eignen sich gut, da sie nichtlineare, multimodale und eingeschränkte Zielfunktionen ohne Gradienteninformationen verarbeiten können.

Nichtdominierter Sortierungsalgorithmus II (NSGA-II)

NSGA-II, das 2002 von Deb et al. eingeführt wurde, ist einer der am häufigsten verwendeten Algorithmen.

  • Schnelle, nicht-dominierte Sortierung, um Lösungen nach Pareto-Dominanz zu ordnen.
  • Enge Distanz, um die Vielfalt entlang der Pareto-Front zu erhalten.
  • Elitismus, um die besten Lösungen über Generationen hinweg zu erhalten.

In der Verkehrssignalsteuerung kann NSGA-II eine Reihe von Signalzeitplänen erzeugen, die verschiedene Kompromisse zwischen beispielsweise Verzögerung und Emissionen darstellen. Seine bevölkerungsbezogene Natur ermöglicht es Ingenieuren, viele Alternativen gleichzeitig zu bewerten. Für eine detaillierte Beschreibung siehe das Originalpapier: Ein schneller und Elitist Multiobjective Genetic Algorithm: NSGA-II.

Multi-Objective Evolutionary Algorithmus basierend auf Zersetzung (MOEA/D)

MOEA/D zerlegt ein multi-objektives Problem in eine Reihe von Einzel-Ziel-Subproblemen mit Gewichtsvektoren. Es hat sich als gut bei hochdimensionalen Problemen erwiesen und kann effizienter sein als dominanzbasierte Ansätze. Für Verkehrsnetze mit vielen Kreuzungen hilft die Zerlegungsstrategie von MOEA/D bei der Skalierung auf groß angelegte Optimierungsaufgaben.

Multi-Objective Particle Swarm Optimization (MOPSO)

Die Partikelschwarmoptimierung nutzt eine Population von Partikeln, die sich aufgrund ihrer persönlichen und globalen besten Positionen durch den Suchraum bewegen. In ihrer Multi-Ziel-Variante speichert ein externes Archiv nicht-dominierte Lösungen. MOPSO konvergiert oft schnell und ist effektiv für dynamische Umgebungen, was es attraktiv für eine adaptive Echtzeitsteuerung macht, bei der sich die Verkehrsbedingungen von Minute zu Minute ändern.

Vergleich und Eignung

Während NSGA-II robust und breit genormt ist, kann MOEA/D bei Problemen mit gut trennbaren Zielen effizienter sein. MOPSO ist besonders attraktiv, wenn die Rechengeschwindigkeit kritisch ist. Viele moderne adaptive Systeme kombinieren mehrere Algorithmen oder verwenden einen hybriden Ansatz. Die Wahl hängt von den spezifischen Zielen, der Größe des Netzwerks und den im Verkehrsmanagementzentrum verfügbaren Rechenressourcen ab.

Design- und Implementierungsprozess für ein adaptives System mit MOO

Der Workflow für die Bereitstellung eines multi-objektiven adaptiven Signalsteuerungssystems folgt mehreren Phasen mit jeweils unterschiedlichen technischen Herausforderungen.

1. Datenerhebung und -modellierung

Genaue Verkehrsdaten bilden die Grundlage. Induktive Schleifendetektoren, Radarsensoren, Kameras und Bluetooth/Wi-Fi-Detektoren messen das Verkehrsaufkommen, die Geschwindigkeit, die Belegung und die Reisezeiten. In modernen Einsatzgebieten bieten vernetzte Fahrzeugdaten (z.B. von GPS-ausgestatteten Fahrzeugen) hochauflösende Trajektoriendaten, mit denen mikroskopische Simulationsmodelle kalibriert werden können.

Mikrosimulationswerkzeuge wie SUMO (Simulation of Urban MObility), VISSIM oder Aimsun werden zur Erstellung digitaler Zwillinge des Verkehrsnetzes eingesetzt. Diese Modelle simulieren Fahrzeugbewegungen mit Spurwechsel-, Autofolge- und Schnittverhalten. Aus dem Simulationsoutput werden die Ziele (Verzögerung, Emissionen etc.) berechnet.

Ein wichtiger Schritt ist die Definition des Optimierungshorizonts – wie weit in die Zukunft sollte der Signalplan optimiert werden? Für eine adaptive Echtzeitsteuerung ist ein rollender Horizont von 5-15 Minuten typisch. Längere Horizonte erhöhen den Rechenaufwand, können aber bei stabilem Verkehr bessere Pläne liefern.

2. Objektive Funktionsdefinition und -beschränkungen

Jedes Ziel muss als eine berechenbare Funktion formuliert werden. Beispielsweise kann die Gesamtverzögerung als die Summe aller Fahrzeuge berechnet werden, die die Differenz zwischen der Fahrzeit des freien Flusses und der tatsächlichen Fahrzeit ergibt. Emissionen können mit modalen Emissionsmodellen wie PHEM (Pkw- und Schwerlastmodell) oder MOVES (Kraftfahrzeug-Emissionssimulator) geschätzt werden. Einschränkungen gewährleisten die Machbarkeit: Mindestgrünzeiten (z. B. 15 Sekunden), maximale Zykluslängen (z. B. 120 Sekunden) und Anforderungen an Fußgängerübergänge.

3. Multi-Ziel-Optimierung

Die Optimierungs-Engine, die NSGA-II, MOEA/D oder einen anderen Algorithmus ausführt, erzeugt einen Satz von Pareto-Optimal-Timing-Plänen. Für einen einzelnen Schnittpunkt können die Entscheidungsvariablen Phasenaufteilungen sein, für einen koordinierten Korridor umfassen sie Offsets und Zykluslängen. Der Algorithmus wird offline mit historischen Verkehrsmustern ausgeführt und dann die Pareto-Front für die Online-Auswahl gespeichert. Alternativ kann die Echtzeitoptimierung mit leichtgewichtigen Algorithmen durchgeführt werden, wenn Rechenressourcen es zulassen.

4. Entscheidungsfindung und Planungsauswahl

Wenn die Pareto-Front verfügbar ist, wählt der Verkehrsmanager (oder ein automatisiertes System) einen Plan aus, der den aktuellen Prioritäten am besten entspricht.

  • Gewichtete Metrik: Auswahl der Lösung, die eine gewichtete Summe von Zielen minimiert, wobei Gewichte die Politik widerspiegeln.
  • Zielprogrammierung: Auswahl des Plans, der den Zielwerten für jedes Ziel am nächsten kommt.
  • Interaktive Methoden: Der Bediener kann die Trade-off-Oberfläche mit einem Entscheidungshilfe-Tool visuell erkunden.

In adaptiven Systemen kann sich die Auswahl dynamisch je nach Tageszeit, Wochentag oder Echtzeit-Vorfällen ändern.

5. Umsetzung und Feedback

Der gewählte Zeitplanungsplan wird von der Signalsteuerung umgesetzt. Echtzeit-Leistungsdaten werden in das System zurückgeführt, um das Simulationsmodell zu verfeinern und die Pareto-Front zu aktualisieren. Maschinelles Lernen kann verwendet werden, um Verkehrszustände in naher Zukunft vorherzusagen und eine Reoptimierung auszulösen, bevor sich die Bedingungen verschlechtern.

Real-World-Anwendungen und Fallstudien

Mehrere Städte haben eine multi-objektive adaptive Signalsteuerung mit messbaren Vorteilen eingesetzt.

Los Angeles ATSAC System

Das Los Angeles Automated Traffic Surveillance and Control (ATSAC) System hat über 4.000 signalisierte Kreuzungen. Es verwendet einen adaptiven Steuerungsalgorithmus, der Verzögerung, Durchsatz und Emissionen ausgleicht. Eine Studie des Verkehrsministeriums der Stadt berichtete von Reisezeitreduzierungen von 12-15% und Emissionsreduktionen von 10% während der Hauptverkehrszeiten. Das System passt Pläne basierend auf Detektordaten kontinuierlich an und umfasst Fußgängerprioritätsfunktionen in der Nähe von Schulen.

Kopenhagens grüne Welle mit modaler Balance

Kopenhagen optimierte seine grünen Radwellenkorridore, indem es die Verspätung von Radfahrern als separates Ziel behandelte. Mit Hilfe der Mehrzweckoptimierung bietet das System die Koordination für Radfahrer, während die Fahrzeugverspätung in akzeptablen Grenzen gehalten wird. Das Ergebnis war eine Erhöhung des Fahrraddurchsatzes um 20% und eine Reduzierung der Radfahrzeit um 15%, ohne den Autoverkehr signifikant zu verschlechtern.

Simulationsstudie zu einem Korridor in Hangzhou

Die Forscher wandten NSGA-II auf einen Korridor mit sechs Schnittpunkten in Hangzhou, China, an, mit dem Ziel, Verzögerung und Kraftstoffverbrauch zu minimieren. Die Pareto-Front zeigte große Kompromisse: Eine Verringerung der Verzögerung um 10 % könnte den Kraftstoffverbrauch um 8 % erhöhen. Durch die Auswahl einer ausgewogenen Lösung erreichten sie eine Verringerung der beiden Maßnahmen um 7 % im Vergleich zur bestehenden betätigten Steuerung. Die Studie hob hervor, dass nicht dominierte Lösungen oft über den zielgerichteten optimierten Plänen liegen, wenn mehrere Kriterien berücksichtigt werden.

Weitere Informationen zur Anwendung der evolutionären Multi-Objektiv-Optimierung auf die Verkehrssteuerung finden Sie in der umfassenden Umfrage: Multi-Objektiv-Optimierung für die Verkehrssignalsteuerung: eine Umfrage.

Vorteile und Herausforderungen

Vorteile der Verwendung von Multi-Objective Optimierung

  • Explizites Trade-off-Management: Ingenieure können genau sehen, wie die Verbesserung eines Ziels andere abbaut und fundierte Entscheidungen ermöglicht.
  • Flexibilität : Der gleiche Optimierungslauf erzeugt eine Reihe von Plänen, und der beste kann in Echtzeit basierend auf sich ändernden Prioritäten ausgewählt werden (z. B. während eines Luftqualitätsalarms auf Emissionsminimierung umstellen).
  • Verbesserte Gesamtsystemleistung: Da alle relevanten Ziele berücksichtigt werden, vermeidet der endgültige Plan versteckte negative Nebenwirkungen, die eine Einzelzieloptimierung verursachen könnte.
  • Skalierbarkeit: Mit geeigneten Algorithmen kann der Ansatz von einzelnen Kreuzungen auf große Netzwerke erweitert werden.

Herausforderungen bei der Umsetzung

  • Computational complexity: Die Erzeugung einer Pareto-Front für ein großes Netzwerk mit vielen Zielen kann Tausende von Simulationsläufen erfordern. Die Echtzeitbereitstellung erfordert entweder schnellere Algorithmen oder Offline-Optimierung mit schneller Planabfrage.
  • Datenqualität und -kalibrierung: Das Simulationsmodell muss den realen Datenverkehr genau widerspiegeln. Schlechte Kalibrierung führt zu optimierten Plänen, die vor Ort unterdurchschnittlich sind. Hochwertige Sensordaten und kontinuierliche Aktualisierung des Modells sind unerlässlich.
  • Dynamische Verkehrsbedingungen: Die aus historischen Daten generierte Pareto-Front kann suboptimal werden, wenn sich Verkehrsmuster plötzlich ändern (z. B. durch einen Unfall).
  • Akzeptanz der Stakeholder: Verkehrsmanager, die an Einzelziel-Methoden gewöhnt sind, benötigen möglicherweise Schulungen, um zu vertrauen und multi-objektive Entscheidungsunterstützungsinstrumente zu verwenden.

Zukünftige Richtungen

Multi-Objektive Optimierung für adaptive Verkehrssignalsteuerung ist ein sich schnell entwickelndes Gebiet.

Integration mit Machine Learning

Deep Reinforcement Learning (DRL)-Agenten können lernen, Verkehrssignale direkt aus Daten zu steuern. Jüngste Forschungen haben DRL auf multi-objektive Einstellungen ausgedehnt, indem sie eine Skalarisierungsfunktion verwenden oder mehrere Agenten trainieren, die jeweils ein anderes Ziel optimieren. Die Herausforderung besteht darin, die Erkundung von Kompromissen aufrechtzuerhalten und gleichzeitig Stabilität in einer nicht-stationären Umgebung zu gewährleisten.

Kommunikation Fahrzeug-zu-Infrastruktur (V2I)

Vernetzte und automatisierte Fahrzeuge können präzise Trajektoriendaten liefern, die genauere Emissionsberechnungen und prädiktive Steuerung ermöglichen. Multi-Ziel-Optimierung auf der Kreuzungsebene kann individuelle Fahrzeuganforderungen (z. B. einen Bus, der nach Priorität fragt) als Einschränkungen oder Ziele beinhalten.

Resilienz und Multi-Modal-Optimierung

Zukünftige Systeme müssen Störungen (extremes Wetter, besondere Ereignisse) bewältigen und gleichzeitig für mehrere Modi (Autos, Fahrräder, Fußgänger, Roller) optimieren. Mehrzielige Formulierungen umfassen natürlich auch Ziele wie die Maximierung des Durchsatzes gemeinsamer Mobilität oder die Minimierung von Ungleichheiten bei Wartezeiten zwischen verschiedenen Benutzergruppen.

Online-Optimierung über Metaheuristiken

Mit den Fortschritten im Bereich Parallel Computing und Edge Processing ist es nun möglich, die Leichtbaumetaheuristik (z.B. MOPSO) alle paar Minuten auf Controller-Ebene zu betreiben, wodurch das System sich an Echtzeitschwankungen anpassen kann, ohne auf eine vorberechnete Pareto-Front angewiesen zu sein.

Schlussfolgerung

Multi-Ziel-Optimierung bietet einen prinzipiellen und leistungsstarken Rahmen für die Entwicklung adaptiver Verkehrssignalsteuerungssysteme, die die konkurrierenden Anforderungen an Effizienz, Sicherheit und Umweltauswirkungen ausgleichen. Durch die Schaffung einer Reihe von Pareto-optimalen Lösungen können Verkehrsingenieure Kompromisse visuell erkunden und Pläne auswählen, die zu jeder Zeit mit politischen Zielen übereinstimmen. Reale Implementierungen in Städten wie Los Angeles und Kopenhagen zeigen greifbare Vorteile bei der Verzögerungsreduzierung, Emissionssenkungen und modalen Balance. Während Rechen- und Datenherausforderungen bestehen bleiben, machen Fortschritte bei Algorithmen, Simulationstreue und vernetzter Fahrzeugtechnologie die multi-Ziel-Adaptive Steuerung schnell zu einem Standardwerkzeug für intelligente urbane Mobilität. Der Weg nach vorne liegt in der Integration dieser Methoden mit maschinellem Lernen, Echtzeit-Datenströmen und multimodalen Überlegungen, um wirklich reaktionsfähige und nachhaltige Verkehrsmanagementsysteme zu schaffen.