Stadtweite hochauflösende Verkehrsdaten mit verfeinerten Netzen für hierarchische Verkehrssteuerung

Warum städtischer Verkehr bessere Daten braucht

Wer schon einmal eine Reihe roter Ampeln abgewartet oder im stockenden Verkehr einer Innenstadt gekrochen ist, hat erlebt, wie unübersichtlich Stadtverkehr sein kann. Dennoch beruhen die meisten Systeme, die diese Ampeln steuern und den Verkehrsfluss lenken, immer noch auf unvollständigen, wenig detaillierten Daten. Dieses Paper stellt eine neue Familie stadtweiter Verkehrsdatensätze vor, die Forschern und Planern ein deutlich klareres Bild davon geben sollen, wie Fahrzeuge tatsächlich durch reale Straßennetze fahren, und so den Weg für intelligentere, besser koordinierte Staukontrollen öffnen.

Von einigen Straßen bis hin zu ganzen Städten

Die Autoren sammeln und standardisieren detaillierte Verkehrsdaten aus fünf sehr unterschiedlichen urbanen Gebieten: Jinan, Hangzhou, Manhattan, Nanchang und Xuancheng. Diese Städte decken alles ab, von kurzen Hauptachsen mit nur einem Dutzend Kreuzungen bis zu weit verzweigten Netzen mit Tausenden von Knotenpunkten. Frühere offene Datensätze konzentrierten sich typischerweise auf kleine, saubere Raster und kurze Ein-Stunden-Schnappschüsse. Im Gegensatz dazu erfasst diese Sammlung eine große Vielfalt an Straßenlayouts, Kreuzungsformen und Nachfrageverläufen. Ein herausragender Beitrag ist der Xuancheng-Datensatz, der fast eine ganze Stadt mit Hunderten von Kreuzungen im Detail abbildet, einschließlich der Anordnung einzelner Fahrstreifen und der Struktur komplexer Knotenpunkte.

Jedes Fahrzeug sehen, nicht nur eine Stichprobe

Die meisten bestehenden Verkehrsdaten stammen aus Kameras oder spärlichen Sensoren, die nur Teile des Netzes und für kurze Zeiträume erfassen. Die Xuancheng-Daten verfolgen einen anderen Ansatz. In der Stadt ist ein System zur automatischen Fahrzeugerkennung (AVI) an wichtigen Straßensegmenten installiert, das aufzeichnet, wann jedes Fahrzeug ein- und ausfährt. Durch das Abgleichen anonymer Kennungen aus Ein- und Ausfahrtsaufzeichnungen rekonstruieren die Autoren komplette Fahrwege für Hunderttausende von Fahrten pro Tag über einen gesamten Monat. Dadurch können sie sehen, wie Fahrer tatsächlich Routen wählen, wie sich die Ströme zwischen Werktagen und Wochenenden ändern und wie Feiertage die Nachfrage verändern. Fahrzeuge werden zudem in grobe Typen wie Personen- und Güterverkehr klassifiziert, sodass Simulationen widerspiegeln können, wie unterschiedliche Fahrzeugarten den Verkehr beeinflussen.

Unordentliche Aufzeichnungen in eine gemeinsame Karte überführen

Weil die Rohdaten der fünf Städte in unterschiedlichen Formaten und Detailgraden gespeichert waren, entwickelte das Team einen einheitlichen Verarbeitungsworkflow. Zuerst bauen sie jedes Straßennetz als konsistente digitale Karte neu auf, identifizieren Kreuzungen und verbinden Straßen, selbst wenn die ursprünglichen Quellen unterschiedliche Geometriedefinitionen verwenden. Sie schätzen Größe und Lage von Kreuzungen, indem sie rohe Formen in einfache Rechtecke einschließen, und richten Zufahrten mit einer Optimierungsmethode an den Haupthimmelsrichtungen aus. Anschließend standardisieren sie Verkehrszeichen und Signale, indem sie eine kleine Menge typischer Bewegungsmuster definieren—wie Linksabbieger oder Geradeausbewegungen entlang eines Korridors—und automatisch jede reale Kreuzung diesen Mustern zuordnen. Schließlich konstruieren sie Fahrzeugströme und bereinigen die Daten: Unplausible Routen werden entfernt, fehlende Segmente aus dem Netz geschlossen und zusammenhängende Fahrten aus vielen kurzen Sensormessungen zusammengesetzt.

Von einzelnen Autos bis zu ganzen Netzen

Sobald Fahrten und Netze vorliegen, erzeugen die Autoren Verkehrs-„Zustands“-Daten auf drei Ebenen. Auf der detailliertesten Ebene verfolgen sie einzelne Fahrzeuge, einschließlich ihrer Positionen und Geschwindigkeiten, was sich nutzen lässt, um Konzepte wie sanftere Routenführung oder Fahrzeugplatoons zu testen. Auf der mittleren Ebene fassen sie Zustände pro Fahrstreifen und Kreuzung zusammen, etwa Warteschlangen und Dichten—Informationen, die für das Einstellen von Ampeln entscheidend sind. Auf der breitesten Ebene aggregieren sie Zustände über ganze Stadtgebiete, um Strategien zu unterstützen, die regulieren, wie viele Fahrzeuge in ein überlastetes Gebiet einfahren dürfen. All dies wird in einem gemeinsamen Simulationsformat (CityFlow) verpackt, sodass verschiedene Steuerungsverfahren fair und effizient getestet werden können.

Prüfen, dass die digitale Stadt der Realität entspricht

Um sicherzustellen, dass ihre rekonstruierte Welt der realen ähnelt, validieren die Forschenden sowohl die Karten als auch die Fahrten. Sie vergleichen das konvertierte Straßennetz mit ursprünglichen geografischen Daten und stellen fest, dass die meisten Verbindungen und Positionen bis auf wenige Meter erhalten bleiben. Für die Fahrten simulieren sie Fahrzeuge entlang einer ausgewählten Strecke und vergleichen die Reisezeiten mit realen Messungen; die Mittelwerte liegen sehr nah beieinander, kleine Unterschiede lassen sich durch Faktoren wie gelegentliches Überschreiten von Geschwindigkeitsbegrenzungen in der Realität erklären. Sie zeigen auch, dass die abgeleiteten Zustandsdaten fortgeschrittene Strategien unterstützen können: lane-level-Informationen werden verwendet, um eine druckbasierte Ampelsteuerung anzuwenden, dazu kommt eine stadtweite „Perimeter“-Kontrolle, um zu verhindern, dass ein Kerngebiet überlastet wird, und schließlich demonstrieren sie, dass das Umleiten eines einzelnen Fahrzeugs auf Basis dieser Informationen dessen Fahrzeit im dichten Verkehr verkürzen kann.

Was das für Alltagspendler bedeutet

Für Nicht-Spezialisten liegt die Bedeutung dieser Arbeit weniger in den Algorithmen als in der Grundlage, die sie schafft. Durch die Veröffentlichung detaillierter, gut validierter und offen dokumentierter Datensätze geben die Autoren Verkehrsingenieuren und KI-Forschern einen realistischen Spielplatz, um neue Steuerungsschemata zu entwerfen und zu testen, bevor sie in echten Straßen angewendet werden. Mit genauen Darstellungen davon, wie Straßen angelegt sind, wie Signale arbeiten und wie die Nachfrage sich über Tage und Wochen verändert, können künftige Werkzeuge darauf abgestimmt werden, Verzögerungen zu reduzieren, Kraftstoff zu sparen und Stadtverkehr vorhersehbarer zu machen. Kurz gesagt: Diese Datensätze sind ein notwendiger Zwischenschritt hin zu Verkehrssystemen, die auf reale Komplexität reagieren statt auf idealisierte Modelle.

Zitation: Ma, Q., Guo, X., Zhong, W. et al. City-scale high-resolution traffic datasets with refined networks for hierarchical traffic control. Sci Data 13, 547 (2026). https://doi.org/10.1038/s41597-026-06892-2

Schlüsselwörter: städtische Verkehrsdaten, hierarchische Verkehrssteuerung, Verkehrssimulation, automatische Fahrzeuginformation, stadtweite Mobilität