Optimales, auf tiefen neuronalen Netzen basierendes Stra2enverkehrsmanagementsystem f5cr Internet-of-Things-basierte Smart-City-Umgebungen

Warum intelligenterer Verkehr f5cr das Stadtleben wichtig ist

Stau zur Hauptverkehrszeit ist mehr als nur eine Bel2stigung: Er vergeudet Treibstoff, verschmutzt die Luft, verlangsamt Einsatzfahrzeuge und kostet Menschen Zeit mit ihren Familien. Wenn die St2dte wachsen und mehr Autos auf die Stra2en kommen, sto2en herk46mmliche feste Ampeln und manuelle Leitstellen an ihre Grenzen. Diese Studie untersucht, wie Netzwerke aus Sensoren und eine fortschrittliche Form der K5nstlichen Intelligenz in Echtzeit zusammenarbeiten k46nnen, um Staus zu erkennen, Probleme vorherzusagen und Signale anzupassen, bevor der Verkehr zum Stillstand kommt.

Von vernetzten Stra2en zu einem Gehirn f5cr den Verkehr

Das Papier betrachtet St2dte, in denen Stra2en, Ampeln und Fahrzeuge 5ber das „Internet der Dinge" verbunden sind und fortlaufend digitale Updates dar5ber senden, was auf den Stra2en passiert. Sensoren und Kameras erfassen, wie viele Fahrzeuge eine Kreuzung passieren, wie schnell sie fahren, welche Fahrzeugtypen es sind und sogar Wetter, Unf2lle sowie den aktuellen Signalzustand. Anstatt dass menschliche Operatoren all diese Informationen sichten, schlagen die Autorinnen und Autoren ein automatisiertes Entscheidungsunterst5tzungsystem vor, das diese Muster versteht und Empfehlungen zur intelligenteren Steuerung von Signalen und Routen geben kann.

Bereinigen und die richtigen Hinweise ausw4hlen

Echte Verkehrsdaten sind unordentlich: Sensoren fallen aus, Werte fehlen und verschiedene Messungen liegen oft auf stark unterschiedlichen Skalen. Das System beginnt daher mit einer sorgf5ltigen Bereinigungsphase, in der seltene fehlende Messwerte aufgef5llt und alle Messungen neu skaliert werden, damit sie fair verglichen werden k46nnen. Es folgt ein entscheidender Schritt: die Auswahl jener Informationen, die tats2chlich dabei helfen, unterschiedliche Verkehrssituationen zu unterscheiden. Das Modell kombiniert drei Familien von Auswahltechniken, die jeweils die Daten auf leicht unterschiedliche Weise betrachten. Gemeinsam filtern sie unwichtige oder redundante Details heraus und behalten nur die Merkmale, die wirklich signalisieren, ob eine Stauung kritisch, stark, m23fig oder gering ist, was zudem die sp2teren Verarbeitungszeiten beschleunigt.

Wie das Modell Verkehrsmuster 5ber die Zeit erlernt

Verkehr ist nicht nur das, was in einem einzelnen Moment geschieht; er ver2ndert sich 5ber Minuten und Stunden, wenn Ampeln schalten und sich Fahrverhalten 2ndert. Um diese sich entwickelnden Muster zu erfassen, verwenden die Autorinnen und Autoren ein tiefes neuronales Netz, das f5cr zeitbasierte Daten ausgelegt ist. Dieses Netz arbeitet 5ber Sequenzen von Verkehrsmessungen, nutzt geschichtete Faltungsschichten, um sowohl kurze Ausbr5che als auch langfristige Aufbaus von Staus zu erkennen. Ein Aufmerksamkeitsmechanismus konzentriert sich anschlie2end selektiv auf die aussagekr2ftigsten Momente in jeder Sequenz, wodurch das System neuere Spitzen oder Einbr5che st2rker gewichten kann, wenn es dar5fcber entscheidet, wie stark eine Stra2e wirklich belastet ist. Das Ergebnis ist eine klare Zuordnung jeder Situation zu einem von vier Stauungsgraden, die in der Studie mit konkreten Ma2nahmen wie der Verl2ngerung der Gr5cnphase oder der Aktivierung alternativer Routen verkn5pft sind.

Erprobung des Systems

Die Forschenden trainierten und bewerteten ihren Ansatz an einem offenen Verkehrsdataset, das ein intelligentes st2dtisches Netzwerk abbildet. Jeder Datensatz enth2lt Fahrzeugz2hlungen, Geschwindigkeiten, Wetterbedingungen, Zeitstempel, Positionen und Signalstrategien. Um Verzerrungen zu vermeiden, die dadurch entstehen, dass starke Staus in den Daten viel h2ufiger vorkommen als leichter Verkehr, setzten sie Ausgleichstechniken und sorgf5ltige Validierung ein. 2ber mehrere Trainings- und Testaufteilungen hinweg klassifizierte ihr System Verkehrszust2nde in nahezu 99 Prozent der F2lle korrekt und 5bertraf damit eine Reihe anderer moderner Methoden. Dabei blieb es vergleichsweise schlank in Rechen- und Speicherbedarf, ein praktischer Vorteil f5cr den Echtzeitbetrieb in St2dten.

Was das f5cr alltagsm2ssige Pendler bedeutet

Praktisch zeigt die Studie, dass ein sorgf5ltig gestaltetes KI-System als schneller, datengetriebener Berater f5cr st2dtische Verkehrszentralen dienen kann, indem es rohe Sensordaten in konkrete, rechtzeitige Steuerma2nahmen 5fcbersetzt. W5hrend die aktuelle Arbeit auf einem einzigen Datensatz beruht und St46rungen wie Stra2enarbeiten oder gro2e Ereignisse noch nicht vollumf2nglich ber5cksichtigt, weist sie auf eine Zukunft hin, in der Ampeln und Routing-Vorschl2ge sich kontinuierlich an ver2nderte Bedingungen anpassen. F5cr die durchschnittliche Pendlerin und den durchschnittlichen Pendler k46nnte das k5furzere Fahrten, ruhigere Abl2ufe und sicherere Stra2en bedeuten, weil St2dte besser darin werden, auf den digitalen Puls ihrer Stra2en zu h46ren und danach zu handeln.

Zitation: Almejalli, K.A. Optimal deep neural network based road traffic management system for Internet of Things based smart city environment. Sci Rep 16, 12136 (2026). https://doi.org/10.1038/s41598-026-42542-8

Schlüsselwörter: intelligentes Verkehrsmanagement, Internet der Dinge, Deep Learning, Smart Cities, Stauvorhersage