Research on Traffic Congestion Area Identification and Traffic Control Based on Multi-source Data Fusion

In den geschäftigen Arterien moderner Städte ist der Verkehr mehr als nur eine Ansammlung von Autos; er ist ein komplexes, lebendiges System, in dem eine einzige Blockade weitreichende Wellen schlagen kann, die einen reibungslosen Pendelverkehr in einen im Stau stehenden Albtraum verwandeln kann. Um dies zu bewältigen, haben sich Stadtplaner lange Zeit auf das Zählen von Fahrzeugen oder das Beobachten von Kameras verlassen, doch diese Methoden erfassen oft nur einen Bruchteil des Gesamtbildes. Ein neuerer Ansatz besteht darin, viele verschiedene Arten von Informationen gleichzeitig zu sammeln, ganz so, wie ein Arzt vielleicht die Temperatur, den Blutdruck und die Krankengeschichte eines Patienten kombiniert, um eine vollständige Diagnose zu erhalten. Durch die Verschmelzung von Daten aus den GPS-Systemen von Ride-Hailing-Fahrzeugen, den unter den Straßen vergrabenen magnetischen Sensoren und den Signalen von Mobiltelefonen, während sich Menschen durch eine Stadt bewegen, können Forscher eine viel klarere Echtzeit-Karte darüber erstellen, wie sich der Verkehr tatsächlich verhält. Diese Fusion verschiedener Datenquellen ermöglicht ein tieferes Verständnis dafür, wo Staus entstehen, wie sie sich ausbreiten und wann sie sich auflösen, was den Weg zu einem intelligenteren, reaktionsfähigeren Stadtmanagement ebnet.

In einer kürzlich durchgeführten Studie, die sich auf das Gebiet Hongjialou in Jinan, China, konzentrierte, setzte ein Forscherteam diesen Multi-Quellen-Datenansatz ein, um das anhaltende Problem des städtischen Staus zu lösen. Ihr Ziel war es nicht nur, festzustellen, wo der Verkehr langsam ist, sondern genau vorherzusagen, wie ein Stau wachsen wird, und um spezifische Strategien zu testen, um ihn zu lindern. Die Forscher begannen damit, das Straßennetz der Stadt in ein Gitter aus kleinen, quadratischen Abschnitten zu unterteilen. Dann speisten sie Daten aus drei unterschiedlichen Quellen in ein Computersystem ein: die Bewegungspfade von Online-Ride-Hailing-Fahrzeugen, den Fluss von Autos, die von magnetischen Sensoren unter dem Asphalt erfasst wurden, und die Bewegungsmuster von Menschen, die aus Mobilfunksignalen abgeleitet wurden. Durch die sorgfältige Abstimmung dieser verschiedenen Informationsströme erstellten sie einen einheitlichen, hochauflösenden Datensatz, der Geschwindigkeit, Volumen und Dichte des Verkehrs mit einer weitaus größeren Präzision erfasste, als es eine einzelne Quelle allein könnte.

Mit diesem reichhaltigen Datensatz in der Hand entwickelte das Team eine Methode, um exakt zu identifizieren, wo sich Verkehrsstaus bildeten und wie sie sich wahrscheinlich ausbreiten würden. Sie verwendeten eine Clustering-Technik, um Gitterabschnitte zusammenzufassen, die ähnliche Verkehrsverhalten aufwiesen, wodurch sie effektiv die spezifischen Stadtteile hervorhielten, in denen die Verkehrsbelastung am schwersten war. Um zu verstehen, wie ein Stau in einem Block einen Stau im nächsten verursachen könnte, bauten sie ein Modell, das die Wahrscheinlichkeit berechnete, mit der sich eine Verkehrsverzögerung von einem Gitter auf seine Nachbarn ausbreitet. Ihre Analyse der morgendlichen Rushhour enthüllte ein klares Muster: Staus traten nicht zufällig auf. Stattdessen begannen sie oft in spezifischen Gitterabschnitten, wie etwa in der Nähe großer Universitätsgelände, und breiteten sich dann in einer Kettenreaktion nach außen aus. In einem beobachteten Fall breitete sich ein Stau, der in zwei spezifischen Gittern begann, innerhalb von fünfzehn Minuten auf fast zwei Drittel des Untersuchungsgebiets aus, mit einer hohen Wahrscheinlichkeit, sich lateral auf angrenzende Straßen zu bewegen.

Um diese Trends vorherzusagen, bevor sie eintraten, entwarfen die Forscher ein hochentwickeltes Computermodell, das aus der Vergangenheit lernen konnte, um die Zukunft zu prognostizieren. Dieses Modell kombinierte zwei leistungsstarke Arten der künstlichen Intelligenz: eine, die räumliche Muster erkannte, wie etwa den Aufbau einer belebten Kreuzung, und eine andere, die zeitliche Sequenzen verstand, wie etwa die Art und Weise, wie sich der Verkehr im Laufe einer Stunde aufbaut. Sie fügten eine spezielle Funktion hinzu, die es dem Modell ermöglichte, seine Aufmerksamkeit auf die kritischsten Momente und Orte zu richten und weniger wichtige Störfaktoren zu ignorieren. Bei Tests gegen reale Daten erwies sich dieses neue Modell als signifikant genauer als bestehende Methoden. Während der chaotischen Morgen- und Abendstunden reduzierte es die Vorhersagefehler um etwa ein Viertel im Vergleich zu älteren Modellen und sagte die Verkehrsbedingungen mit einer Genauigkeit von etwa 94 % erfolgreich voraus. Diese Präzision bedeutet, dass Verkehrsmanager potenziell zuverlässige Warnungen über bevorstehende Staus weit im Voraus erhalten könnten, anstatt erst zu reagieren, wenn die Straßen bereits verstopft sind.

Der letzte Schritt der Forschung bestand darin zu sehen, ob diese Erkenntnisse den Verkehrsfluss tatsächlich verbessern können. Das Team nutzte eine Simulationsplattform, um einen digitalen Zwilling des Straßennetzes zu erstellen, was es ermöglichte, verschiedene Verkehrssteuerungstrategien zu testen, ohne echte Autofahrer zu stören. Sie verglichen die aktuelle, nicht optimierte Ampelschaltung mit einem neuen Plan, der von einem Algorithmus generiert wurde, der darauf ausgelegt war, die effizienteste Verteilung des Verkehrs zu finden. Dieser Algorithmus arbeitete, indem er ständig kleine Anpassungen am Verkehrsfluss und am Timing der Ampeln testete und die Lösung schrittweise verfeinerte, bis er die bestmögliche Anordnung fand. Die Ergebnisse waren greifbar: Der optimierte Plan reduzierte die durchschnittliche Zeit, die ein Fahrzeug zur Durchquerung des Gebiets benötigte, um 12,5 % und verkürzte die Länge der Fahrzeugschlangen um mehr als 22 %. Darüber hinaus sank die Gesamtwartezeit der Autos an roten Ampeln um fast 18 %, und die Anzahl der Fahrzeuge, die das Netzwerk passierten, stieg um 7,6 %.

Obwohl die Studie demonstrierte, dass die Fusion mehrerer Datenquellen mit fortschrittlichen Vorhersagemodellen das Verkehrsmanagement erheblich verbessern kann, erkannten die Forscher an, dass ihre Arbeit eher ein Ausgangspunkt als eine endgültige Lösung ist. Die verwendeten Daten deckten nur eine Woche im Frühling ab, und die Tests wurden in einem spezifischen Gebiet mit einer gitterartigen Straßenstruktur durchgeführt. Das Team merkte an, dass das System über längere Zeiträume, über verschiedene Jahreszeiten hinweg und in Städten mit unterschiedlichen Straßenlayouts getestet werden müsste, um sicherzustellen, dass es überall funktioniert. Sie wiesen auch darauf hin, dass die komplexen Computermodelle gewissermaßen wie eine „Black Box“ fungieren, was es für menschliche Manager schwierig macht, genau zu verstehen, warum eine Vorhersage getroffen wurde. Trotz dieser Einschränkungen liefert die Studie einen überzeugenden Beweis für die Machbarkeit (Proof of Concept). Sie zeigt, dass Planer, indem sie auf die vielen verschiedenen Signale hören, die eine Stadt aussendet, von der bloßen Vermutung von Verkehrsmustern zum Verständnis dieser Muster mit Klarheit übergehen können, was den Weg für Städte ebnet, die ihren eigenen Fluss mit größerer Intelligenz und Effizienz steuern.