Data-driven generalized perimeter control: Zürich case study

Dit paper introduceert een nieuwe datagedreven methode voor perimetercontrole in stadsverkeer, gebaseerd op gedragsystemen en voorspellende regeling, die succesvol wordt gevalideerd in een gedetailleerde simulatie van Zürich om reistijden en CO₂-uitstoot te verlagen.

De kern

Stedelijk Verkeerssturing: Een Slimme Chef in de Keuken van Zürich

Stel je voor dat een stad als Zürich een gigantische, levende keuken is. De wegen zijn de aanrechtbladen, de auto's zijn de ingrediënten die van het ene bord naar het andere moeten, en de verkeerslichten zijn de koks die beslissen wie er mag koken en wie moet wachten.

Het probleem? Op drukke momenten (zoals 's avonds tijdens het avondspits) raakt deze keuken in de war. De ingrediënten (auto's) hopen zich op, de koks (verkeerslichten) weten niet meer wie ze moeten bedienen, en er ontstaat een enorme file. Dit is wat we "verkeersopstopping" noemen.

De onderzoekers van deze paper hebben een nieuwe, slimme manier bedacht om deze keuken te besturen, zonder dat ze eerst een compleet handboek hoeven te schrijven over hoe elke auto zich gedraagt.

Het oude probleem: De "Handboek"-methode

Vroeger probeerden steden het verkeer te regelen door eerst een heel complex model te bouwen. Ze dachten: "Als auto A hier rijdt, en auto B daar, en het regent, dan gebeurt X."
Dit is als proberen een recept te schrijven voor een gerecht dat je nog nooit hebt gemaakt, puur op papier. Het kost veel tijd, veel geld, en als er iets onverwachts gebeurt (bijvoorbeeld een ongeluk of een plotselinge storm), werkt het recept niet meer.

De nieuwe oplossing: "Data-Driven" (Gegevensgestuurd)

De onderzoekers zeggen: "Waarom een recept schrijven als we gewoon kunnen kijken naar wat er in de pan gebeurt?"

Ze gebruiken een methode genaamd DeePC (Data-enabled Predictive Control). In plaats van een theorie te bedenken, kijken ze naar de feitelijke data: waar staan de auto's nu? Hoe snel rijden ze? En ze leren van die data wat er gebeurt als ze een verkeerslicht iets anders laten doen.

Het is alsof je een nieuwe chef-kok aanstelt die niet naar een receptboek kijkt, maar gewoon proeft wat er in de pan zit en direct de hitte aanpast.

Hoe werkt het in de praktijk?

1. De "Blik" op de stad:
   De stad wordt opgedeeld in gebieden (zoals wijken). In plaats van elke afzonderlijke auto te volgen, kijken ze naar de "dichtheid" in een hele wijk. Is het er druk? (Veel auto's op weinig ruimte) Of is het rustig?

   • Analogie: Het is alsof je niet kijkt naar elke individuele gast op een feestje, maar gewoon naar hoe vol de kamer is.

2. De "Slimme Chef" (De algoritme):
   De computer kijkt naar de huidige drukte en vraagt zich af: "Als ik nu dit verkeerslicht iets langer op groen zet, en dat andere iets korter, wordt het dan rustiger of chaotischer?"
   Ze gebruiken een slimme wiskundige truc (gebaseerd op "gedragsstelsels") die zegt: "We hoeven niet te weten waarom de auto's zich zo gedragen, we weten alleen dat ze zich zo gedragen als we dit doen."

3. De Test in Zürich:
   Ze hebben dit getest op een super-realistische digitale tweeling van de stad Zürich. Ze hebben de verkeerslichten niet handmatig bediend, maar de computer liet de data de beslissingen nemen.

Wat was het resultaat?

Het resultaat was verbazingwekkend goed. De "Slimme Chef" deed het beter dan de oude methoden (die wel een model gebruikten) en veel beter dan de standaard verkeerslichten.

• Minder files: De auto's kwamen sneller aan bij hun bestemming.
• Schoner: Omdat auto's minder vaak stilstaan en weer optrekken, stoten ze minder CO2 en andere schadelijke stoffen uit.
• Meer auto's gehaald: In de simulatie haalde het systeem meer auto's naar hun bestemming dan de oude systemen.

Waarom is dit zo speciaal?

Stel je voor dat je een orkest dirigeert.

• De oude methode: Je probeert elke muzikant een partituur te geven die perfect is, maar als één muzikant een noot mist, stort het hele concert in.
• Deze nieuwe methode: Je luistert naar het geluid dat er nu is. Als het te luid wordt in de blaassectie, geef je een teken aan de trompettist om zachter te spelen. Je reageert direct op de realiteit, zonder te hoeven weten hoe de trompet precies werkt.

Conclusie

Deze paper laat zien dat we niet hoeven te wachten tot we alles over verkeer begrijpen om het beter te regelen. Door slim gebruik te maken van de data die we al hebben (van sensoren in de weg), kunnen we verkeerslichten zo aansturen dat de stad soepeler, sneller en schoner draait. Het is een stap in de richting van een stad die "meevoelt" met het verkeer, in plaats van er tegenin te gaan.

Kortom: Geen zware theorie, maar slimme observatie. En dat werkt voor de inwoners van Zürich (en straks misschien voor jou ook) als een verademing.

Technische samenvatting

Titel: Data-gedreven gegeneraliseerde perimetercontrole: Een case study van Zürich

Auteurs: Alessio Rimoldi, Carlo Cenedese, Alberto Padoan, Florian Dörfler, en John Lygeros.
Instituut: ETH Zürich, TU Delft, University of British Columbia.
Datum: 28 februari 2026 (voorgesteld in de publicatie).

---

1. Probleemstelling

Stedelijk verkeerscongestie vormt een kritieke uitdaging voor de ontwikkeling van moderne steden, met negatieve gevolgen voor de economie, de gezondheid en de CO2-uitstoot. Traditionele aanpakken voor verkeersmanagement, zoals Model Predictive Control (MPC), vereisen vaak complexe, handmatig opgestelde modellen van het verkeersnetwerk. Het opstellen van deze modellen is echter tijdrovend, duur en gevoelig voor veranderingen in de infrastructuur of vraagpatronen.

Aan de andere kant vereisen machine learning-benaderingen (zoals Deep Reinforcement Learning) vaak enorme datasets of synthetische data uit simulaties om te trainen, en hebben ze moeite met het afdwingen van harde constraints of het omgaan met de schaarsheid van verkeersdata. Er is een behoefte aan een methode die direct gebruik maakt van beschikbare data zonder expliciete modellering, maar wel theoretisch onderbouwde garanties biedt.

2. Methodologie

De auteurs stellen een nieuwe formulering voor op basis van Gedragstheorie (Behavioral Systems Theory) en passen Data-enabled Predictive Control (DeePC) toe.

• Gedragstheoretische Formulering:
  In plaats van een fysiek model (zoals differentiaalvergelijkingen) te gebruiken, wordt het verkeerssysteem beschreven als een verzameling van alle mogelijke trajecten (het "gedrag") die consistent zijn met de waargenomen data. Het systeem wordt gemodelleerd als een lineair tijd-invariant (LTI) systeem, waarbij de dynamiek wordt gerepresenteerd door een Hankel-matrix die is opgebouwd uit historische invoer- en uitvoerdata.
• Generalisatie van Perimetercontrole:
  De methode generaliseert de klassieke perimetercontrole (waarbij alleen de grenzen van regio's worden gecontroleerd). De actuators (verkeerslichten) kunnen zich overal in het netwerk bevinden, niet alleen op de regio-grenzen. De Hankel-matrix creëert een impliciete mapping tussen deze willekeurig geplaatste actuators en de geaggregeerde netwerkdynamiek.
• Controle Strategie:
  • Invoer: Het controle-invoersignaal is de verhouding van de actieve groene fase ($\lambda$) ten opzichte van de totale cyclusduur van een verkeerslicht.
  • Doel: Het regelen van de verkeersdichtheid ($\rho$) in verschillende regio's naar een kritieke dichtheid ($\rho_{cr}$) die is afgeleid uit de Macroscopische Fundamentele Diagrammen (MFD).
  • Aannames: De auteurs veronderstellen een lineaire relatie tussen de controle-invoer ($\lambda$) en de dichtheid ($\rho$), ondanks de niet-lineaire relatie tussen dichtheid en stroom.
• Optimalisatie:
  Het DeePC-algoritme lost een kwadratisch optimalisatieprobleem op om de toekomstige invoerreeks te bepalen, met als doel het minimaliseren van de afstand tot de referentiedichtheid en het beperken van de controle-inspanning, terwijl constraints (zoals fysieke limieten en cyclusduur) worden gerespecteerd.

3. Belangrijkste Bijdragen

1. Flexibele Formulering: Een nieuwe, op gedragstheorie gebaseerde formulering voor het Intersectie Verkeerssignaal Controle Probleem (ITSCP) die diverse datatypes en actuatoren kan integreren en klassieke perimetercontrole generaliseert.
2. Validatie van Lineariteit: De auteurs hypothetiseren en valideren via simulatie dat er een lineaire relatie bestaat tussen dynamische verkeerslichtsignalen en verkeersdichtheid, wat de toepassing van lineaire data-gedreven methoden mogelijk maakt.
3. Grootste Micro-simulatie: De methode wordt getest op wat de auteurs beschouwen als de grootste gesloten-lus micro-simulatie in de literatuur: een high-fidelity digitale tweeling van de stad Zürich (ongeveer 15.000 wegen, 7.000 kruispunten, >170.000 voertuigen).

4. Resultaten

De prestaties van DeePC werden vergeleken met een standaard baseline (statische verkeerslichten) en een geavanceerde MPC-benadering (gebaseerd op een gelijnde MFD) in twee scenario's:

• Netwerk 1: Lattice-netwerk (64 kruispunten):

  • DeePC voorkwam volledig gridlock (vastlopen van het verkeer) en behield een stabiele stroom, terwijl de baseline en MPC faalden tijdens piekmomenten.
  • DeePC presteerde beter dan MPC op alle metrieken (reistijd, emissies).

• Netwerk 2: Zürich (Realistische stadssimulatie):

  • Reistijd: DeePC zorgde voor een 18% reductie in gemiddelde reistijd ten opzichte van de baseline.
  • Wachttijd: Een reductie van 22,6%.
  • Emissies: Een significante daling van CO2-uitstoot (16,17%) en andere schadelijke emissies (NOx, PMx).
  • Vergelijking met MPC: DeePC presteerde consistent beter dan de MPC-controller. De auteurs verklaren dit doordat MPC eerst optimale stromen berekent en deze vervolgens moet mappen naar actuators (wat foutgevoelig is bij willekeurige plaatsing), terwijl DeePC deze mapping impliciet en direct leert uit de data via de Hankel-matrix.
  • Analyse: Principal Component Analysis (PCA) van de controlevolgorde toonde aan dat de controller een sterk globaal patroon volgt dat reageert op congestie-drempels.

5. Betekenis en Conclusie

Dit onderzoek demonstreert dat data-gedreven controle (DeePC) een krachtig alternatief is voor model-gebaseerde controle in complexe stedelijke verkeersnetwerken.

• Voordeel: Het elimineert de noodzaak van complexe, kostbare modellering en kan direct werken met beschikbare sensordata.
• Schalbaarheid: De methode is succesvol toegepast op een netwerk van de schaal van een echte stad, wat een grote stap is ten opzichte van eerdere studies die zich beperkten tot kleine roosternetwerken.
• Toekomst: Hoewel de resultaten veelbelovend zijn, wijzen de auteurs op uitdagingen zoals de schaalbaarheid van het optimalisatieprobleem bij zeer grote aantallen actuators en de robuustheid bij sterk veranderende externe vraagpatronen (waarvoor mogelijk een bibliotheek van Hankel-matrices nodig is).

Kortom, de studie biedt een nieuw paradigma voor verkeersmanagement waarbij data direct wordt omgezet in controleacties, wat leidt tot aanzienlijke verbeteringen in mobiliteit en duurzaamheid in grote steden.