Graph-Transformer-Q-Netzwerk für kollaborative Steuerung und dezentrale Entscheidungsfindung in Mehr-Kreuzungs-Netzwerken

Warum klügere Ampeln wichtig sind

Wer in der Stadt unterwegs ist, kennt die Frustration, immer wieder an roten Ampeln hängen zu bleiben, obwohl die Straße leer wirkt. Diese Stop-and-go-Wellen sind mehr als nur lästig: sie verschwenden Zeit, verbrauchen Treibstoff und können ganze Korridore lahmlegen, wenn sich Warteschlangen über mehrere Kreuzungen zurückstauen. Die Studie untersucht einen neuen Ansatz, damit Ampeln "miteinander sprechen" und sich grüne Wellen über lange Strecken zuverlässiger ausbilden, selbst wenn der Verkehr unvorhersehbar ist und das Straßennetz groß und komplex.

Wie Straßen zu einem Netzwerk werden

Die Forscher betrachten ein städtisches Straßensystem als Netzwerk verbundener Punkte. Jede Kreuzung ist ein Knoten und jede dazwischenliegende Straße eine Kante. Jeder Signalcontroller sieht nur das, was lokale Sensoren melden: wie viele Fahrzeuge warten, wie lange sie bereits verzögert werden und welche Phase gerade grün ist. Kein Controller hat auf einmal das komplette Stadtbild, dennoch beeinflusst jede Lichtänderung den Verkehr, der später andere Knoten erreicht. Die Herausforderung besteht darin, diese lokalen Controller so zusammenarbeiten zu lassen, dass Fahrzeuge einen Korridor mit möglichst wenigen unnötigen Stopps durchfahren können, ohne dabei Nebenstraßen und Abbiegenden zu vernachlässigen.

Lichtsteuerungen Schritt für Schritt kooperativ lehren

Statt manuell gestalteter Zeitpläne verwenden die Autoren Verstärkungslernen, bei dem ein Algorithmus durch Ausprobieren in einem Verkehrssimulator und Beobachtung der Folgen lernt. Jede Kreuzung agiert als Agent und wählt, welche Phase als Nächstes angezeigt wird und wie lange. Die Schlüsselinnovation ist eine Methode namens Graph Transformer Q-Network (GTQN), die bestimmt, welche benachbarten Kreuzungen in jedem Moment am wichtigsten sind. Das geschieht in zwei Schritten: Zuerst wird eine kleine Menge einflussreicher, stromaufwärts oder stromabwärts gelegener Nachbarn ausgewählt, dann wird jedem von ihnen basierend auf dem aktuellen Verkehrsstatus eine Einflussstärke zugewiesen. Das verhindert, dass der Controller von verrauschten Informationen weit entfernter Knoten überwältigt wird, die wenig Einfluss auf seinen eigenen Verkehr haben.

Verkehr über Raum und Zeit verfolgen

Um eine gleichmäßige grüne Welle zu bilden, muss ein Signal Fahrzeuge antizipieren, die mehrere Kreuzungen entfernt freigegeben wurden und viele Sekunden brauchen, um anzukommen. GTQN geht das an, indem Informationen zur Netzwerktopologie mit einer Aufzeichnung vergangener Zustandsänderungen kombiniert werden. Ein Transformer-Modul, das ursprünglich in Sprachmodellen populär wurde, blickt an jeder Kreuzung in die jüngere Vergangenheit zurück und filtert die Zeitpunkte heraus, die für die aktuelle Entscheidung wichtig sind. Gleichzeitig beurteilt ein Graph-Modul die Verbindungen zwischen Kreuzungen. Durch das Verschmelzen von Raum und Zeit in einem Modell kann das System lernen, wie Fahrzeugplatoons entlang eines Korridors wandern und wie Grünphasen am besten mit ihrem Eintreffen ausgerichtet werden.

Ziele setzen, die über eine einzelne Ecke hinausgehen

Wenn jede Ampel nur versuchen würde, ihre eigene Warteschlange zu leeren, könnte der Gesamtkorridor schlecht abschneiden. Beispielsweise könnte ein stromabwärts liegendes Signal eine Grünphase verkürzen, die einer von stromaufwärts kommenden Fahrzeuggruppe erlaubt hätte, ohne Halt durchzufahren. Um dies zu vermeiden, entwerfen die Autoren ein zweistufiges Zielsystem. Jede Kreuzung wird weiterhin dafür belohnt, ihre eigenen Warteschlangen und Wartezeiten zu reduzieren, aber ein zentrales Trainingssignal bestraft zudem zusätzliche Stopps, die Fahrzeuge auf dem Hauptkorridor nach dem Verlassen des Einstiegs punkts erleben. Während des Trainings nutzt ein zentralisiertes "Governance"-Modul diese korridorweite Bewertung, um das Lernen zu steuern. Nach dem Training handeln die gelernten Controller lokal und tauschen nur noch spärliche, gezielte Nachrichten mit ihren ausgewählten Nachbarn aus.

Was die Simulationen zeigen

Das Team testet GTQN in detaillierten Simulationen sowohl synthetischer Netze als auch eines realen Stadtnetzwerks aus Chengdu, China, einschließlich eines Systems mit 100 Kreuzungen. Im Vergleich zu mehreren fortgeschrittenen Multi-Agenten-Steuerungsmethoden reduziert GTQN die Häufigkeit von Fahrzeugstopps, verkürzt Wartezeiten und verhindert, dass Warteschlangen so lang werden, dass sie vorgelagerte Kreuzungen blockieren. Es hält zudem eine akzeptable Leistung aufrecht, wenn einige Nachrichten zwischen Kreuzungen verzögert oder verloren gehen—eine wichtige Eigenschaft für reale Kommunikationsnetze. Sorgfältige Ablationsstudien zeigen, dass jedes Gestaltungselement zählt: gelernte Sparsität, das kombinierte Raum-Zeit-Modell und das zentrale Trainingssignal tragen alle zur robusten Koordination bei.

Was das für den Alltag bedeutet

Für Autofahrende, Radfahrende und Busnutzer ist die Idee einfach: Anstatt dass jede Ampel isoliert arbeitet, lernen Signale entlang eines Korridors, sich gegenseitig zu antizipieren und die Bewegung von Fahrzeuggruppen zu schützen. In hochrealistischen Simulationen führt das zu weniger Stopps, kürzeren Warteschlangen und gleichmäßigeren Reisegeschwindigkeiten auf stark befahrenen Routen. Obwohl die Studie noch auf virtuelle Umgebungen beschränkt ist und bislang Fußgänger, Vorrang für den ÖPNV oder alle Eigenheiten realer Hardware nicht vollständig berücksichtigt, zeigt sie, dass sorgfältig gestaltete Kooperation vieler lokaler Controller eine Serie chaotischer roter Ampeln in eine vorhersagbarere und effizientere Fahrt verwandeln kann.

Zitation: Zhang, H. Graph transformer Q-network for collaborative governance and decentralized decision-making in multi-intersection networks. Sci Rep 16, 15549 (2026). https://doi.org/10.1038/s41598-026-45895-2

Schlüsselwörter: Verkehrssignalsteuerung, Multi-Agenten-Verstärkungslernen, Graph-Transformer, Korridor-Progession, Intelligenter Verkehr