Multimodales und multi-agenten Verstärkungslern‑Framework zur Vorhersage des städtischen Verkehrsflusses und Optimierung der Signalsteuerung

Warum schlauere Ampeln wichtig sind

Wer schon einmal eine Reihe roter Ampeln abgewartet oder sich durch eine verstopfte Innenstadt geschlichen hat, kennt die Ineffizienz städtischen Verkehrs. Abgesehen von der Frustration verbrauchen im Leerlauf stehende Fahrzeuge Kraftstoff und stoßen Treibhausgase sowie Schadstoffe aus. Dieses Papier stellt einen neuen Ansatz zur Steuerung des städtischen Verkehrs vor, der Signale nicht als feste Timer, sondern als koordiniertes, lernendes Netzwerk betrachtet, mit dem Ziel, Menschen schneller zu befördern und zugleich Staus und Emissionen zu reduzieren.

Eine Stadt, die ihren Verkehr spürt und versteht

Die Forschenden schlagen ein System namens MM‑STMAP vor, das einer Stadt eine Art digitales Nervensystem verleiht. Statt sich nur auf einfache Fahrzeugzählungen zu stützen, integriert es gleichzeitig viele Datenquellen: Verkehrsfluss, Geschwindigkeiten, Wetterbedingungen wie Regen oder Nebel sowie besondere Tage wie Feiertage. Diese unterschiedlichen Signale werden bereinigt, kombiniert und zu einer einheitlichen Beschreibung des Straßen­geschehens verdichtet. Indem das System zum Beispiel erkennt, dass eine regnerische Feiertags‑Stoßzeit sich anders verhält als ein gewöhnlicher Wochentag, kann es besser vorhersagen, wie sich der Verkehr in den nächsten Minuten entwickeln wird.

Muster erkennen in Raum und Zeit

Verkehrsprobleme beschränken sich selten auf eine einzelne Kreuzung; sie breiten sich durch ein gesamtes Straßennetz aus. MM‑STMAP bildet dies ab, indem es Straßen und Kreuzungen als ein Netz verbundener Punkte darstellt und dann lernt, wie sich Zustände über dieses Netz im Zeitverlauf ausbreiten. Es verwendet geschichtete Berechnungen, die zuerst betrachten, wie benachbarte Straßen einander beeinflussen, und anschließend, wie sich diese Einflüsse von einem Zeitschritt zum nächsten ändern. Ein speziell entwickelter „Attention“-Mechanismus ermöglicht es dem Modell, seine Rechenressourcen auf die relevantesten Verlaufsabschnitte zu konzentrieren – etwa die Rushhour vom gleichen Zeitpunkt am Vortag – ohne bei wachsendem Datenvolumen ins Stocken zu geraten. Dadurch wird die Verarbeitung lang laufender Sensordaten großer urbaner Netze praktisch realisierbar.

Ampeln, die gemeinsam lernen

Auf dieser Vorhersage‑Engine bauen die Autorinnen und Autoren ein lernbasiertes Steuerungssystem für Ampeln auf. Jede Kreuzung wird als intelligenter Agent behandelt, der auswählen kann, wie lange Grün‑ oder Rotphasen in verschiedenen Richtungen gehalten werden. Diese Agenten agieren nicht isoliert: Sie teilen Informationen über die übergeordnete Verkehrssituation und werden gemeinsam trainiert, sodass ihre individuellen Entscheidungen einen flüssigen Verkehr im gesamten Netz unterstützen. Der Lernprozess belohnt Muster, die die Zahl der durchfahrenden Fahrzeuge erhöhen, die durchschnittlichen Wartezeiten verkürzen und das Stop‑and‑Go‑Verhalten verringern, das Kraftstoff verschwendet, und bestraft Konfigurationen, die lange Warteschlangen und Verzögerungen verursachen.

Das System im Test

Um zu prüfen, ob MM‑STMAP reale Vorteile bringt, testete das Team es an großen, realen Datensätzen aus der Region Los Angeles. Diese Daten umfassen Zehntausende von Messwerten von Autobahn‑ und Stadtsensoren sowie realistische Probleme wie fehlende Messwerte, verrauschte Daten und unregelmäßige Verkehrsmuster. Im Vergleich mit mehreren modernen Prognosemodellen und traditionellen Signalsteuerungs­schemata – festen Fahrplänen und lokal reaktiven Ampeln – lieferte der neue Ansatz genauere Kurzfrist‑Verkehrsvorhersagen und effizientere Signalzeiten. Er verringerte gängige Fehlermaße der Vorhersage um rund ein Drittel gegenüber den derzeit bestperformenden festen und bedarfsgesteuerten Systemen und reduzierte in Simulationen durchschnittliche Verzögerungen und die Anzahl der Haltevorgänge, während pro Stunde mehr Fahrzeuge durch das Netz gelenkt wurden.

Was das für den Alltag der Fahrenden bedeutet

Pragmatisch ausgedrückt beschreibt MM‑STMAP eine Zukunft, in der Ampeln zusammenarbeiten und ständig aus Erfahrungen lernen, anstatt stur festcodierten Zyklen zu folgen. Indem das System voraussieht, wo sich Staus bilden werden, und die Signalzeiten über mehrere Kreuzungen hinweg anpasst, kann es Reisezeiten verkürzen, Stop‑and‑Go‑Verkehr glätten und unnötigen Leerlauf reduzieren. Zwar stehen dem Ansatz weiterhin Herausforderungen gegenüber – etwa der Bedarf an verlässlichen Daten und erheblicher Rechenleistung in Stadtgröße – doch er weist in Richtung einer intelligenteren, saubereren urbanen Mobilität, in der unsere täglichen Wege nicht nur schneller, sondern auch umweltverträglicher sind.

Zitation: Wang, R., Zhang, J., Wang, X. et al. Multi-modal and multi-agent reinforcement learning framework for urban traffic flow prediction and signal control optimization. Sci Rep 16, 7612 (2026). https://doi.org/10.1038/s41598-026-37722-5

Schlüsselwörter: städtischer Verkehr, Verkehrsvorhersage, Verstärkungslernen, intelligente Ampeln, intelligenter Verkehr