Neighbor-embedded Graph Neural Network-based Crowd Delivery Traffic Management in Smart City

Städte atmen schwerer als je zuvor. Das schiere Volumen an Fahrzeugen auf den Straßen hat die täglichen Pendelwege und Lieferrouten in ein verworrenes Netz aus Stop-and-Go-Frustration verwandelt, das die Luft erstickt und Zeit verschwendet. In der Vision einer „Smart City“ soll Technologie dieses Chaos entwirren – nicht nur, indem sie vorhersagt, wo der Verkehr sein wird, sondern indem sie aktiv steuert, wie Waren durch das Verkehrsnetz bewegt werden. Die zentrale Herausforderung liegt in zwei schwierigen Aufgaben: genau zu wissen, wie belebt eine Straße sein wird, noch bevor ein Lkw überhaupt das Depot verlässt, und dann das richtige Fahrzeug für den Auftrag auszuwählen. Ein Lieferwagen mag perfekt für eine kurze Fahrt durch ein ruhiges Wohnviertel sein, aber eine schreckliche Wahl für eine lange Strecke über eine überlastete Autobahn, besonders wenn er elektrisch betrieben wird und eine begrenzte Reichweite hat. Diese beiden Entscheidungen richtig zu treffen – die Vorhersage des Verkehrsflusses und die Auswahl der Maschine – ist der Schlüssel zur Reduzierung der Anzahl der Fahrzeuge auf der Straße, was wiederum die Kohlenstoffemissionen senkt und die Reisezeiten für alle verkürzt.

Ein Forschungsteam hat dieses Problem mit einem neuen System angegangen, das als zentrales Nervensystem für die städtische Zustellung konzipiert ist. Sie nennen ihre Kreation das „Neighbor-Embedded Graph Neural Network-basierte Crowd-Delivery-Traffic-Management-Modell“. Während der Name technisch klingt, ist das Konzept unkompliziert: Es handelt sich um einen zweiteiligen Motor, der zuerst Staus vorhersagt und dann diese Vorhersage nutzt, um das beste Fahrzeug für eine bestimmte Lieferroute auszuwählen. Das System ist darauf ausgelegt, „Crowd Delivery“ zu handhaben – eine Strategie, bei der mehrere nahe beieinander liegende Pakete in einer einzigen Fahrt zusammengefasst werden, anstatt für jedes Paket ein separates Fahrzeug auszusenden. Dieser Ansatz zielt darauf ab, die Gesamtzahl der aktiven Fahrzeuge auf der Straße zu verringern, was direkt auf das Ziel einzahlt, Städte nachhaltiger zu gestalten.

Der erste Teil dieses Systems, die „Traffic Congestion Prediction Unit“ (Einheit zur Vorhersage von Verkehrsstaus), fungt als Kristallkugel für die Straßenbedingungen. Anstatt Verkehrsdaten isoliert zu betrachten, behandelt sie die Lieferstationen der Stadt als Punkte auf einer Landkarte, die alle miteinander verbunden sind. Das System lernt, wie der Verkehr an einer Station den Verkehr ihrer Nachbarn beeinflusst, ganz ähnlich wie ein Ring in einem Teich, der sich nach außen ausbreitet. Durch die Analyse historischer Daten zu Fahrzeugzahlen, Geschwindigkeiten und Reisezeiten erstellt es ein dynamisches Bild davon, wie sich Staus durch das Netzwerk bewegen. Dies ermöglicht es, das Verkehrsaufkommen an spezifischen Lieferstopps mit hoher Präzision vorherzusagen, selbst wenn Daten fehlen oder die Bedingungen volatil sind. Die Forscher fanden heraus, dass das System durch die genaue Beachtung dieser Nachbarschaftsbeziehungen den Verkehrsfluss deutlich besser vorhersagen konnte als ältere Methoden, die jeden Standort als separate Insel behandelten.

Sob sobald das System weiß, wie der Verkehr aussehen wird, übernimmt der zweite Teil, die „Traffic Observation and Management Unit“ (Einheit zur Verkehrsbeobachtung und -steuerung), um die eigentlichen Entscheidungen zu treffen. Diese Einheit erhält die Verkehrsprognose und gleicht sie mit den spezifischen Anforderungen einer Lieferanfrage ab. Sie berücksichtigt eine Vielzahl von Faktoren: wie weit das Fahrzeug fahren muss, wie viele Stopps es machen muss, welche Art von Straße es nutzen wird und die eigenen Fähigkeiten des Fahrzeugs, wie etwa die Kraftstoffart und die Ladekapazität. Das System berechnet dann einen Wert, um zu bestimmen, welches Fahrzeug am besten geeignet ist. Es könnte beispielsweise entscheiden, dass ein schwerer Diesel-Lkw für eine lange Route mit vielen Stopps notwendig ist, während ein kleineres Elektrofahrzeug die richtige Wahl für eine kurze, lokale Fahrt ist. Dieses intelligente Matching stellt sicher, dass das ausgewählte Fahrzeug nicht nur verfügbar, sondern auch tatsächlich für den Job geeignet ist – dies verhindert Situationen, in denen ein kleiner Transporter in einer Langstreckenfahrt stecken bleibt oder ein großer Lkw Energie für eine winzige Erledigung verschwendet.

Um zu testen, ob dieser Ansatz tatsächlich funktioniert, führten die Forscher umfangreiche Auswertungen unter Verwendung eines erweiterten Real-World-Datensatzes von Beijing-Trajektoriendaten durch – einer Stadt mit komplexen und schweren Verkehrsmustern. Sie speisten das System mit tausenden von Lieferanfragen und beobachteten, wie es im Vergleich zu bestehenden Methoden abschnitt. Die Ergebnisse waren eindeutig: Das neue Modell machte weniger Fehler in seinen Vorhersagen und benötigte weniger Zeit, um seine Antworten zu berechnen. Speziell reduzierte das System den Fehler in seinen Verkehrsprognosen im Vergleich zu Standardmodellen um eine spürbare Marge und verkürzte die Zeit, die für die Datenverarbeitung benötigt wurde. In den Auswertungen identifizierte das Modell erfolgreich die effizientesten Routen und Fahrzeugkombinationen und bewies damit, dass es die chaotische, sich ständig ändernde Natur des Stadtverkehrs bewältigen kann, ohne überfordert zu werden.

Die Studie hob auch hervor, was passiert, wenn man die Verbindungen zwischen den verschiedenen Teilen der Stadt ignoriert. Als die Forscher Versionen des Systems testeten, die nicht berücksichtigten, wie benachbarte Stationen einander beeinflussen, wurden die Vorhersagen weniger genau. Dies bestätigte, dass Verkehr nicht nur eine Sammlung isolierter Ereignisse ist, sondern ein zusammenhängender Fluss, bei dem ein Rückstau in einem Gebiet zwangsläufig den nächsten beeinflusst. Durch die direkte Einbettung dieser Beziehungen in den Lernprozess erfasst das neue Modell die Realität der Verkehrsverläufe. Die Forscher kamen zu dem Schluss, dass dieser integrierte Ansatz – die Kombination aus präziser Prognose und intelligenter Fahrzeugauswahl – einen praktikablen Weg zur Reduzierung der Anzahl der Lieferfahrzeuge auf der Straße bietet. Obwohl die Arbeit zur Evaluierung historische Trajektoriendaten nutzte, legen die Ergebnisse nahe, dass ein solches System die Effizienz der städtischen Logistik erheblich verbessern könnte, was Städten den Weg in eine Zukunft mit weniger Staus und einer saubereren Umwelt ebnet.