Multimodaal en multi-agent versterkend-leren kader voor voorspelling van stedelijke verkeersstromen en optimalisatie van signaleringsregeling

Waarom slimme verkeerslichten ertoe doen

Ieder die ooit voor een reeks rode lichten heeft gezeten of over een verstopt stadsstraatje heeft gekropen, weet hoe inefficiënt stadsverkeer kan zijn. Naast frustratie verspillen stationaire auto’s brandstof en stoten ze broeikasgassen en vervuilende stoffen uit. Dit artikel presenteert een nieuwe manier om stedelijk verkeer te beheren die verkeerslichten ziet als een gecoördineerd, lerend netwerk in plaats van vaste timers, met als doel mensen sneller te vervoeren en tegelijk congestie en uitstoot te verminderen.

Een stad die haar verkeer voelt en begrijpt

De onderzoekers stellen een systeem voor genaamd MM-STMAP dat een stad een soort digitaal zenuwstelsel geeft. In plaats van uitsluitend te vertrouwen op eenvoudige voertuigtellingen, verzamelt het veel verschillende soorten gegevens tegelijk: verkeersstromen, snelheden, weersomstandigheden zoals regen of mist, en bijzondere dagen zoals feestdagen. Deze uiteenlopende signalen worden opgeschoond, gecombineerd en omgezet in een eenduidige beschrijving van wat er op de wegen gebeurt. Door bijvoorbeeld te herkennen dat een regenachtige feestdagspits zich anders gedraagt dan een gewone werkdag, kan het systeem beter voorspellen hoe het verkeer zich in de komende minuten zal ontwikkelen.

Patronen zien in ruimte en tijd

Verkeersproblemen bevinden zich zelden bij één enkel kruispunt; ze verspreiden zich door een heel wegennet. MM-STMAP legt dit vast door de wegen en kruispunten van de stad te representeren als een web van verbonden punten en vervolgens te leren hoe condities zich door dat web over de tijd verspreiden. Het gebruikt gelaagde berekeningen die eerst kijken naar hoe naburige straten elkaar beïnvloeden en daarna naar hoe die invloeden van het ene tijdstapje op het volgende veranderen. Een speciaal ontworpen “attention”-mechanisme stelt het model in staat zijn rekenkracht te richten op de meest relevante gedeeltes van de geschiedenis—zoals de spits van gisteren op hetzelfde tijdstip—zonder te verzanden als de hoeveelheid data toeneemt. Dit maakt het praktisch om langlopende sensorstromen van grote stedelijke netwerken te verwerken.

Verkeerslichten die samen leren

Bovenop deze voorspellende motor bouwen de auteurs een op leren gebaseerd controlesysteem voor verkeerslichten. Elk kruispunt wordt behandeld als een intelligent agent die kan kiezen hoe lang hij groen of rood houdt in verschillende richtingen. Deze agenten werken niet geïsoleerd: zij delen informatie over de bredere verkeerssituatie en worden gezamenlijk getraind zodat hun individuele beslissingen een vloeiende doorstroming in het hele netwerk ondersteunen. Het leerproces beloont patronen die het aantal passerende voertuigen verhogen, de gemiddelde wachttijden verkorten en het stop-and-go-gedrag verminderen dat brandstof verspilt, terwijl het configuraties afstraft die lange rijen en vertragingen veroorzaken.

Het systeem op de proef stellen

Om te onderzoeken of MM-STMAP echte voordelen biedt, testte het team het op grote, realistische datasets uit de regio Los Angeles. Deze gegevens bevatten tienduizenden meetpunten van snelweg- en stadssensoren, samen met realistische problemen zoals ontbrekende metingen, ruis in de gegevens en onregelmatige verkeerspatronen. Vergeleken met verschillende state-of-the-art voorspellingsmodellen en met traditionele signaalregelschema’s—vaste cycli en lokaal reagerende lichten—leverde de nieuwe aanpak nauwkeurigere kortetermijnverkeersvoorspellingen en efficiëntere signaleringstiming op. Het verminderde veelgebruikte foutmaten voor voorspelling met ongeveer een derde ten opzichte van de huidige best presterende vaste en actuatoren systemen, en in simulaties verlaagde het de gemiddelde vertragingen en het aantal stops terwijl er per uur meer voertuigen door het netwerk werden geleid.

Wat dit betekent voor dagelijkse automobilisten

In eenvoudige bewoordingen beschrijft MM-STMAP een toekomst waarin verkeerslichten samenwerken en continu leren van ervaring, in plaats van blindelings vaste cycli te volgen. Door te anticiperen waar files op het punt staan te ontstaan en de signalering over meerdere kruispunten aan te passen, kan het systeem reistijden verkorten, stop-and-go-verkeer afvlakken en onnodig stationair draaien verminderen. Hoewel de aanpak nog uitdagingen kent—zoals de behoefte aan betrouwbare data en aanzienlijke rekenkracht op stadsniveau—wijst het de weg naar slim, schoner stedelijk vervoer waarin onze dagelijkse ritten niet alleen sneller, maar ook milieuvriendelijker zijn.

Bronvermelding: 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

Trefwoorden: stedelijk verkeer, verkeersvoorspelling, versterkend leren, slimme verkeerslichten, intelligente mobiliteit