Data-driven generalized perimeter control: Zürich case study

Die Studie stellt ein datengesteuertes, verhaltensbasiertes perimeter control-Verfahren für die dynamische Lichtsignalsteuerung vor, das in einer hochfidelien Simulation von Zürich erfolgreich zur Reduzierung von Reisezeiten und CO₂-Emissionen eingesetzt wird, um die Nachteile modellbasierter und rein lernender Ansätze zu überwinden.

Das Wesentliche

Stellen Sie sich vor, die Stadt Zürich ist ein riesiger, pulsierender Körper. Die Straßen sind die Adern, die Autos sind die roten Blutkörperchen und die Ampeln sind die Herzen, die den Fluss steuern. Wenn es zu viel Blut gibt, verstopfen die Adern – das ist der Stau. Wenn zu wenig da ist, ist der Körper inaktiv.

Das Ziel dieses Forschungsprojekts war es, einen neuen, schlauen „Arzt" zu entwickeln, der diesen städtischen Körper gesund hält, ohne dass man jede einzelne Zelle (jedes Auto) oder jeden Blutkreislauf (jede Straße) im Detail verstehen muss.

Hier ist die Geschichte der Forschung, einfach erklärt:

1. Das Problem: Der alte Weg ist zu langsam

Bisher haben Städte versucht, Staus zu bekämpfen, indem sie riesige, komplizierte mathematische Modelle gebaut haben. Das ist wie der Versuch, das Wetter vorherzusagen, indem man jeden einzelnen Wassertropfen in der Atmosphäre berechnet. Das dauert ewig, kostet viel Geld und ist oft ungenau, weil sich die Straßen und das Fahrverhalten ständig ändern.

Andere Methoden nutzen künstliche Intelligenz (KI), die durch Millionen von Simulationen lernt. Das ist wie ein Schüler, der nur durch Auswendiglernen bestehen will. Das funktioniert gut, wenn die Prüfung immer gleich ist, aber wenn plötzlich ein Unfall passiert oder die Regenmenge sich ändert, scheitert die KI oft. Außerdem kann KI keine harten Regeln garantieren (z. B. „niemals den Stau komplett verschlimmern").

2. Die Lösung: „DeePC" – Der lernende Dirigent

Die Autoren (eine Gruppe von Ingenieuren aus Zürich, Delft und Vancouver) haben eine neue Methode namens DeePC (Data-enabled Predictive Control) entwickelt.

Stellen Sie sich DeePC nicht als einen strengen Mathematiker vor, der Formeln auswendig lernt, sondern als einen erfahrenen Dirigenten, der direkt auf die Musiker hört.

• Der Dirigent braucht keine Partitur: Er muss nicht wissen, wie die Geige physikalisch funktioniert (kein komplexes Modell nötig).
• Er hört nur zu: Er schaut sich an, was die Musiker (die Ampeln und Autos) in der Vergangenheit getan haben und wie die Musik (der Verkehr) darauf reagiert hat.
• Er leitet live: Basierend auf dem, was er gerade hört, sagt er den Musikern sofort, ob sie schneller oder leiser spielen sollen.

Die Magie dahinter ist eine mathematische Technik namens „Verhaltenssystemtheorie". Vereinfacht gesagt: Der Computer sammelt Daten über den Verkehr (wie viele Autos sind wo?) und nutzt diese Daten, um direkt eine Vorhersage zu treffen, wie sich der Verkehr ändern wird, wenn man die Ampeln anders schaltet.

3. Der große Test: Zürich als Labor

Um zu beweisen, dass ihre Idee funktioniert, haben die Forscher eine digitale Zwilling der Stadt Zürich erstellt. Das ist wie ein extrem realistisches Videospiel, in dem über 170.000 Autos zur Rushhour durch die Stadt fahren.

Sie haben drei Szenarien verglichen:

1. Der Standard: Die Ampeln machen einfach das, was sie immer tun (ein fester Takt).
2. Der alte Mathematiker (MPC): Ein System, das versucht, ein vereinfachtes Modell des Verkehrs zu berechnen.
3. Der neue Dirigent (DeePC): Das datengetriebene System.

4. Die Ergebnisse: Weniger Stau, sauberere Luft

Das Ergebnis war beeindruckend. Der neue Dirigent (DeePC) war dem alten Mathematiker und dem Standard-System haushoch überlegen:

• Reisezeit: Die Autos waren im Durchschnitt 18 % schneller unterwegs. Das ist, als würde man jeden Tag 10 Minuten Zeit sparen.
• Umwelt: Da die Autos weniger im Stau stehen und öfter fahren statt zu stottern, wurden deutlich weniger Schadstoffe (CO2, Stickoxide) ausgestoßen.
• Stabilität: Während das alte System manchmal in einen kompletten „Kollaps" (Gridlock) geriet, wo sich alles festgefahren hat, hielt DeePC den Verkehr fließend.

5. Warum funktioniert das so gut? (Die Analogie)

Stellen Sie sich vor, Sie wollen den Wasserfluss in einem komplexen Rohrsystem regeln.

• Der alte Weg: Man baut ein 3D-Modell aller Rohre, berechnet den Druck und die Reibung und versucht dann, die Ventile zu steuern.
• Der DeePC-Weg: Man schaut einfach auf den Wasserfluss. Wenn der Fluss langsam wird, öffnet man ein Ventil ein bisschen mehr. Wenn er zu schnell wird, schließt man es. Man lernt aus der Erfahrung, was passiert, wenn man das Ventil dreht, ohne zu wissen, wie das Wasser im Inneren des Rohrs genau fließt.

Ein besonders cooler Aspekt: Der Dirigent (DeePC) musste nicht an den Grenzen der Stadt stehen, um zu wirken. Er konnte Ampeln überall in der Stadt steuern. Er hat herausgefunden, welche Ampeln am wichtigsten sind (z. B. die an den Autobahnauffahrten), um den gesamten Fluss zu regulieren, ähnlich wie ein Dirigent, der weiß, wann er die Trompeten leiser spielen lassen muss, damit die Geigen gehört werden können.

Fazit

Dieses Papier zeigt, dass wir nicht mehr brauchen, um Staus zu bekämpfen, riesige, teure Modelle zu bauen. Stattdessen können wir die Daten nutzen, die wir ohnehin schon haben (von den Sensoren in den Straßen), und einen intelligenten Algorithmus einsetzen, der direkt daraus lernt.

Es ist wie der Unterschied zwischen einem Arzt, der ein riesiges Lehrbuch studiert, um eine Diagnose zu stellen, und einem erfahrenen Hausarzt, der einfach genau hinsieht, was der Patient sagt, und sofort die richtige Medizin gibt. Für die Stadt Zürich (und bald vielleicht für viele andere Städte) bedeutet das: weniger Stau, weniger Stress und sauberere Luft.

Technische Zusammenfassung

1. Problemstellung

Der städtische Verkehrsstau ist eine der größten Herausforderungen für moderne Städte und führt zu erheblichen wirtschaftlichen Verlusten, erhöhten CO₂-Emissionen und Gesundheitsproblemen. Herkömmliche Ansätze zur Verkehrssteuerung, wie modellbasierte Methoden (z. B. Model Predictive Control, MPC), erfordern oft aufwendige und zeitraubende Modellierungsprozesse, die bei großen, dynamischen Netzwerken schwer zu skalieren sind.

Auf der anderen Seite haben rein datengetriebene Methoden (z. B. Deep Reinforcement Learning) Schwierigkeiten, sparse Verkehrsdaten zu verarbeiten, harte Randbedingungen einzuhalten oder benötigen oft synthetische Daten aus Simulationen, die wiederum Modelle voraussetzen. Zudem besteht in der Literatur eine Lücke zwischen theoretischen Ansätzen und praktischen Implementierungen, da viele Studien nur kleine, vereinfachte Netzwerke testen.

Das Ziel dieser Arbeit ist es, eine skalierbare, datengetriebene Methode zur Steuerung von Ampeln in großen städtischen Netzwerken zu entwickeln, die ohne explizite physikalische Modelle auskommt und reale, hochkomplexe Szenarien bewältigen kann.

2. Methodik

Die Autoren schlagen einen neuartigen Ansatz vor, der auf der Verhaltenssystemtheorie (Behavioral Systems Theory) basiert und Data-enabled Predictive Control (DeePC) verwendet.

• Verhaltensbasierte Formulierung: Anstatt ein parametrisches Modell (wie Differentialgleichungen) zu erstellen, wird das Verkehrssystem als Menge aller möglichen Trajektorien (Verhalten) definiert, die aus den Daten abgeleitet werden. Dies ermöglicht eine flexible Integration verschiedener Sensordaten und Steuerungsaktoren.
• Steuerungsstrategie (Split Control): Als Stellgröße wird der Anteil der aktiven Grünphasen ($\lambda$) innerhalb eines festen Zyklus ($\Delta_{dc}$) verwendet. Im Gegensatz zum klassischen „Perimeter Control", bei dem nur die Grenzen von Regionen gesteuert werden, erlaubt dieser Ansatz die Platzierung von Aktuatoren (Ampeln) an beliebigen Stellen im Netzwerk.
• Datengetriebene Vorhersage (DeePC):
  • Das System wird als lineares zeitinvariantes (LTI) System approximiert, dessen Dynamik durch eine Hankel-Matrix aus historischen Eingangs- und Ausgangsdaten repräsentiert wird.
  • Der Algorithmus löst ein quadratisches Optimierungsproblem, um zukünftige Steuerungssequenzen zu finden, die die Verkehrsdichte in den Regionen einem Referenzwert (kritische Dichte $\rho_{cr}$) annähern.
  • Die kritische Dichte wird aus der Makroskopischen Fundamentaldiagramm (MFD) geschätzt, welche den nichtlinearen Zusammenhang zwischen Dichte und Fluss beschreibt.
• Hypothese: Die Autoren postulieren eine annähernd lineare Beziehung zwischen dem Ampelsteuerungssignal ($\lambda$) und der Verkehrsdichte ($\rho$), obwohl die Beziehung zwischen Ampel und Fluss ($\phi$) sowie zwischen Dichte und Fluss nichtlinear ist. DeePC nutzt diese lineare Approximation effektiv aus.

3. Schlüssige Beiträge

Das Paper leistet drei wesentliche Beiträge:

1. Flexible Formulierung: Eine auf Verhaltenssystemtheorie basierende Formulierung des Problems der Ampelsteuerung (ITSCP), die verschiedene Datentypen integriert und das klassische Perimeter Control verallgemeinert (Ampeln müssen nicht zwingend an den Regionalgrenzen stehen).
2. Validierung der Linearitätshypothese: Die Autoren belegen durch umfangreiche Simulationen, dass eine lineare Beziehung zwischen Ampelsteuerung und Dichte ausreicht, um effektive Kontrollstrategien zu finden, was die Komplexität der nichtlinearen Flussdynamik umgeht.
3. Großskaliger Benchmark: Durchführung einer geschlossenen Regelkreissimulation auf dem größten bekannten mikroskopischen Verkehrsnetz (Stadt Zürich) mit realistischen Nachfrageprofilen. Dies dient als neuer Standard-Benchmark für die Forschung im Bereich Verkehrssteuerung.

4. Ergebnisse

Die Leistung des DeePC-Ansatzes wurde in zwei Szenarien evaluiert: einem Gitternetzwerk (64 Kreuzungen) und dem realen Netzwerk von Zürich (ca. 7.000 Kreuzungen, 15.000 Straßen).

• Vergleich mit Baseline und MPC:
  • Im Zürich-Szenario (Abendverkehrsspitze, >170.000 Fahrzeuge) übertraf DeePC sowohl die statische Baseline als auch den modellbasierten MPC-Ansatz signifikant.
  • Reisezeit: DeePC reduzierte die durchschnittliche Reisezeit um 18,08 % im Vergleich zur Baseline (von 45,23 auf 37,05 Minuten). MPC erreichte nur eine Reduktion von ca. 15 %.
  • Emissionen: Die CO₂-Emissionen wurden um 16,17 % gesenkt, ebenso der Kraftstoffverbrauch.
  • Durchsatz: Die Anzahl der abgeschlossenen Fahrten stieg um 0,74 %, was auf eine Vermeidung von Staus (Gridlock) hindeutet.
• Robustheit: Die Methode funktionierte auch bei längeren Steuerungsintervallen (alle 1, 3 oder 6 Zykluszeiten), wobei die Performance mit längeren Intervallen leicht abnahm, aber immer noch besser als die Baseline war.
• PCA-Analyse: Eine Hauptkomponentenanalyse (PCA) der Steuerungsentscheidungen zeigte, dass ein globaler Muster (erste Hauptkomponente) fast 50 % der Varianz erklärt. Dies deutet darauf hin, dass der Controller globale Muster im Verkehrsfluss erkennt und gezielt an Schlüsselzugängen (positiv korrelierte Ampeln) und im Stadtzentrum (negativ korrelierte Ampeln) eingreift.
• MFD-Verhalten: Unter DeePC bewegte sich die Dichte-Fluss-Verteilung näher an den optimalen Bereich (höhere Geschwindigkeit bei niedrigerer Dichte) im Vergleich zur statischen Steuerung.

5. Bedeutung und Fazit

Diese Studie demonstriert, dass datengetriebene Methoden ohne explizite physikalische Modelle in der Lage sind, komplexe, nichtlineare städtische Verkehrssysteme effizienter zu steuern als traditionelle modellbasierte Ansätze.

• Vorteile: Der Ansatz ersetzt den komplexen Modellierungsaufwand durch eine Datensammlung und Schätzung kritischer Dichten. Er ist skalierbar und flexibel bezüglich der Platzierung von Sensoren und Aktuatoren.
• Herausforderungen: Die Methode hängt von der Qualität und Verteilung der gesammelten Daten ab (Persistenz der Anregung). Bei stark veränderten externen Bedingungen (z. B. völlig neue Nachfragemuster) könnte die Hankel-Matrix das Systemverhalten nicht mehr vollständig abbilden.
• Ausblick: Zukünftige Forschung könnte sich auf die Erstellung von Bibliotheken von Hankel-Matrizen für verschiedene Szenarien oder verteilte Implementierungen zur Skalierung konzentrieren.

Zusammenfassend stellt DeePC ein vielversprechendes Werkzeug dar, um die Effizienz urbaner Infrastrukturen zu maximieren, Reisezeiten zu verkürzen und die Umweltbelastung zu senken, indem es die vorhandenen Daten direkt zur Steuerung nutzt.