Schaltzeitprädiktion und Routenoptimierung für die Ampelassistenz in Smart Cities

Schaltzeitprädiktion und Routenoptimierung für die Ampelassistenz in Smart Cities

Die zunehmende Digitalisierung und Vernetzung bietet im Automobilbereich und in urbanen Räumen Chancen für neue Assistenzfunktionen, die zu einem sicheren, komfortableren und effizienteren Fahren führen können. Das Potential durch die Nutzung gesammelter Daten ist enorm - so können Gefahren frühzeitig erkannt, Staus noch präziser vorhergesagt, oder die CO2-Emission reduziert werden. Insbesondere in urbanen Räumen ist die Lichtsignalanlage in ihrer Aufgabe der Steuerung von Verkehrsströmen hauptverantwortlich für viele Staus und Unfälle, aber auch für erhöhten Schadstoffausstoßwieder beschleunigender Fahrzeuge. Mit dem Wissen über die zukünftigen Signalzustände einer Lichtsignalanlage können diese negativen Nebeneffekte abgemildert werden. So kann mithilfe einer Grünband-Geschwindigkeitsempfehlung die Fahrzeuggeschwindigkeit so angepasst werden, dass ein Stopp vermieden wird. Eine Rotlichtüberfahrenswarnung kann unterstützen, Unfälle zu vermeiden, indem vor bevorstehenden Rotlichtverstößen gewarnt wird. Eine ampeladaptive Route kann wiederum Staus an roten Ampeln reduzieren. In der vorliegenden Arbeit werden neue Konzepte zur Prognose zukünftiger Signalzustände an koordinierten Knotenpunkten in Städten mithilfe von crowdsourcing-Daten erforscht. Einerseits wird hierzu der Aspekt einer vernetzten Schaltzeitprognose mittels Kommunikation zwischen Fahrzeugen und der Verkehrsinfrastruktur untersucht. Dazu wird ein Verfahren zur großflächigen Schaltzeitprognose in urbanen Räumen mithilfe vergangener Schaltzeitinformationen entwickelt. Die zentrale Herausforderung stellt hierbei, neben der Akquise von Daten, die Verkehrsabhängigkeit vieler Lichtsignalanlagen. Das entwickelte Verfahren wird anhand der Referenzstadt München implementiert und evaluiert. Darüber hinaus wird ein Verfahren zur Schätzung zukünftiger Signalzustände mithilfe von Daten aus dem Fahrzeugumfeld entwickelt. Entgegen des ersteren Ansatzes werden nicht mehr Verkehrszentralen als Datenquelle herangezogen, sondern gesammelte Daten aus dem Fahrzeug verwendet. Konkret wird die Floating Car Data Technologie auf die Nutzbarkeit zur Rekonstruktion und Schätzung von Schaltzeiten untersucht. Hierbei wird neben einer Potentialabschätzung der Technologie für dieses Einsatzszenario ein Modell zur Extraktion von Schaltzeitinformationen mittels gängiger Machine- Learning Methoden vorgestellt. Ein weiterer Forschungsschwerpunkt der vorliegenden Arbeit liegt auf der Konzeption eines dynamischen Routingverfahrens, welches die zukünftigen Schaltzeiten im Verkehrsnetz in die Routenwahl einbezieht. Ziel dieses ampeladaptiven Routingverfahrens ist es, die Wartezeit an Ampeln aufgrund von Rotzeiten zu minimieren und so die Reisezeit zu verkürzen. Hierzu müssen zunächst Verfahren entwickelt werden, um Unzulänglichkeiten in der bestehenden Graphstruktur in Navigationskarten effzient zu beheben, so dass Informationen über zukünftige Signalzustände an Knotenpunkten korrekt berücksichtigt werden können. Ferner wird eine Bewertung der tatsächlichen Reisezeitersparnis im realistischen Umfeld durchgeführt. Hierzu wird für ein Testfeld in München der Größe 100 km2 eine simulative Untersuchung des zu erwartenden Reisezeitgewinnes des ampeladaptiven Routingverfahrens im Vergleich zum klassischen Routingverfahren durchgeführt., The increasing digitization provides both for the automotive sector and for urban regions opportunities for new assisting functionalities, leading to a saver, more comfortable and more efficient driving. The potential through the use of collected data is enormous - risk can be detected in good time, jams be predicted more accurately and the CO2-emission be reduced. Especially in urban regions, the traffic light, in its task of managing traffic, is one of the main causes for jams, accidents, but also for increased exhaust emission by accelerating vehicles. With the knowledge of a traffic light's future signal states, these negative side-effects could be softened. Thus, a vehicles velocity could be adapted by green light optimal speed advisory so as to avoid a complete stop at a traffic light, a red light violation advisory may help avoiding accidents and a traffic light adaptive route can help reducing jams at crossings. In this thesis, new concepts for the prediction of future signal states at signalized crossings in cities based on crowdsourcing-data are the scope of research. On the one hand, the aspect of a connected switching time prediction through the communication between vehicles and traffic management institution is examined. For this purpose, a concept for the extensive switching time prediction with historical data is developed. The central challenge is thereby besides the acquisition of data the fact that many traffic lights are traffic adaptive. The proposed concept is implemented and evaluated for the city of Munich. Furthermore, a procedure for the estimation of future signal states based on data from the vehicle environment is developed. Opposed to the first approach, no longer data from public authorities is used, but data collected by vehicles. More precisely, the Floating Car Data Technology is examined for its usability to reconstruct and estimate switching times of traffic lights. At this, both an assessment of the potential of this technology for this use-case and a procedure for the extraction of switching time information by means of current machine learning methods is proposed. Another research focus of this thesis is the conception of a dynamic routing strategy taking into account the future switching times in a traffic network. The aim of this so-called traffic-adaptive Routing strategy is to reduce waiting times at traffic lights due to red phases and by that, to minimize the traveling time. To this, a method has to be developed so as to eliminate inadequacies of the underlying graph structure in navigation maps. This is necessary for a proper consideration of future signal states at signalized crossings. Moreover, an evaluation of the probable traveling time gain under realistic conditions is conducted. For that, a test field of 100 km^2 in Munich is chosen to estimate the expected traveling time gain of a traffic adaptive routing strategy over a standard routing strategy.

Not available

18. Nov. 2016

2016

Deutsch

https://nbn-resolving.org/urn:nbn:de:bvb:19-201864