Optimal Scheduling of Road Maintenance Jobs Considering Impact on Traffic Flows

Stellen Sie sich die Stadt als ein riesiges, lebendiges Puzzle vor, bei dem jede Straße ein Teilstück ist und jeder Autofahrer ein Spieler, der versucht, es zu lösen. Wenn eine Straße wegen Reparaturarbeiten gesperrt wird, ist das so, als würde man ein Teil aus dem Puzzle ziehen; plötzlich müssen alle hektisch nach einem neuen Platz suchen, und das gesamte Bild verschiebt sich. Dies ist die Welt des Verkehrsingenieurwesens, eines Fachbereichs, der sich damit beschäftigt, wie sich Menschen durch diese komplexen Netzwerke bewegen. Im Herzen dieses Puzzles liegt ein Konzept namens „Gleichgewicht“ (Equilibrium), was nur eine schicke Art zu sagen ist, dass jeder eine Route gefunden hat, auf der er sein Ziel nicht schneller erreichen kann, indem er den Weg wechselt. Wenn Sie jemals im Stau standen, während Ihr GPS Sie umleitet, nur um festzustellen, dass der neue Weg genauso verstopft ist, haben Sie dieses Gleichgewicht in Aktion erlebt. Die große Frage für Stadtplaner lautet: Wie planen wir Straßenreparaturen so, dass wir aus der Behebung eines kleinen Schlaglochs kein stadtweites Verkehrstrauma machen? Traditionell war das Herausfinden dessen so, als versuche man jedes Mal, wenn man einen neuen Reparaturplan in Betracht zieht, eine massive mathematische Gleichung zu lösen – ein Prozess, der so langsam und schwerfällig ist, dass er Planer oft davon abhält, die besten Entscheidungen zu treffen.

Dieses Paper, das auf der IISE Jahreskonferenz 2026 präsentiert wurde, geht dieses schwere mathematische Problem an, indem es Computern beibringt, die Antwort zu erraten, anstatt sie jedes Mal von Grund auf neu zu berechnen. Die Autoren, Charitha Nandepu und sein Team, untersuchten ein reales Verkehrsnetz in Newark, New Jersey, wobei sie sich speziell auf einen belebten Korridor konzentrierten, der als Garden State Parkway bekannt ist. Sie begannen damit, eine supergenaue, aber sehr langsame Computersimulation laufen zu lassen, um genau zu ermitteln, wie der Verkehr fließen würde, wenn Straßen gesperrt wären. Betrachten Sie dies als den „Goldstandard“ oder die „Ground Truth“ – den perfekten Lösungsschlüssel. Sie nutzten diese Daten, um vier verschiedene Arten von Modellen der Künstlichen Intelligenz (KI) zu trainieren, indem sie ihnen im Wesentlichen beibrachten, wohin Menschen fahren wollen (Ursprung-Ziel-Nachfrage / Origin-Destination Demand) und augenblicklich vorherzusagen, wie sich der Verkehr verhalten würde, ohne die schwere Mathematik betreiben zu müssen.

Das Team testete vier verschiedene „Gehirne“ für ihre KI: ein Standard-Mehrschicht-Netzwerk (MLP), einen Mustererkennner (CNN), einen Experten für Netzwerkstrukturen (GNN) und ein Modell, das die Beziehungen zwischen allen Teilen des Systems beachtet (Attention-basiertes NN). Die Ergebnisse waren eindeutig: Das Modell, das das große Ganze im Blick behielt, gewann. Das „Attention-basierte“ neuronale Netzwerk war der Star der Show; es sagte Verkehrsmuster zu etwa 98 % der Zeit korrekt voraus (ein R²-Wert von 0,9835) und machte die wenigsten Fehler auf den am stärksten befahrenen Straßen. Im Gegensatz dazu gerieten die anderen Modelle, insbesondere die Standardmodelle, besonders bei hohem Verkehrsaufkommen ins Straucheln, wobei die Fehler auf fast 1.000 Fahrzeuge pro Stunde auf kritischen Abschnitten anstiegen. Das graphbasierte Modell (GNN) leistete eine ordentliche Arbeit, aber das Attention-basierte Modell war das genaueste, mit einer Fehlerrate von lediglich 35,87 Fahrzeugen pro Stunde insgesamt.

Das Paper behauptet nicht, das gesamte Problem der Planung von Straßenreparaturen für immer gelöst zu haben. Stattdessen legt es nahe, dass die Verwendung dieser schnellen, datengesteuerten KI-Modelle ein vielversprechender Weg ist, um den Planungsprozess zu beschleunigen. Indem man die langsamen, schweren Berechnungen durch eine schnelle KI-Vorhersage ersetzt, könnten Stadtmanager potenziell viel mehr Reparaturpläne testen in der Zeit, die früher benötigt wurde, um nur einen einzigen zu testen. Die Studie zeigt, dass dieser Ansatz für das Gebiet von Newark gut genug funktioniert, um ein nützliches Werkzeug zu sein, das einen Weg bietet, den Verkehrsfluss auch dann aufrechtzuerhalten, wenn die Straßen unter Bauarbeiten stehen. Es ist ein Schritt in Richtung einer weniger verkehrsgestauten Stadt, eine kluge Vorhersage nach der anderen.