Optimaal op diepe neurale netwerken gebaseerd verkeersmanagementsysteem voor Internet of Things-gestuurde slimme stadsomgevingen

Waarom slimmer verkeer belangrijk is voor het stadsleven

Files tijdens de spits zijn meer dan een ergernis: ze verspillen brandstof, vervuilen de lucht, vertragen hulpdiensten en kosten mensen tijd met hun gezin. Naarmate steden groeien en meer auto’s de weg op gaan, kunnen ouderwetse vaste verkeerslichten en handmatige controlecentra steeds minder goed meekomen. Deze studie onderzoekt hoe netwerken van sensoren en een geavanceerd type kunstmatige intelligentie in realtime kunnen samenwerken om opstoppingen te detecteren, problemen te voorspellen en signalen aan te passen voordat het verkeer vastloopt.

Van verbonden straten naar een brein voor verkeer

Het artikel bekijkt steden waar wegen, verkeerslichten en voertuigen met elkaar zijn verbonden via het “Internet of Things”, wat betekent dat ze continu digitale updates sturen over wat er op straat gebeurt. Sensoren en camera’s registreren hoeveel voertuigen een kruising passeren, hoe snel ze rijden, welk type voertuigen het zijn en zelfs het weer, ongevallen en de huidige signaalstatus. In plaats van dat menselijke operators al deze informatie moeten doorzoeken, stellen de auteurs een geautomatiseerd beslissingsondersteunend systeem voor dat deze patronen kan begrijpen en suggesties kan doen voor het slimmer beheren van signalen en routes.

Opschonen en de juiste aanwijzingen kiezen

Verkeersdata uit de echte wereld is rommelig: sensoren falen, waarden ontbreken en verschillende metingen kunnen op sterk uiteenlopende schalen staan. Het systeem begint daarom met een zorgvuldige schoonmaakfase, waarbij zelden ontbrekende metingen worden ingevuld en alle metingen worden herschaald zodat ze eerlijk vergeleken kunnen worden. Vervolgens volgt een cruciale stap: bepalen welke informatie daadwerkelijk helpt om verschillende verkeerssituaties te onderscheiden. Het model combineert drie families van selectietechnieken, die elk op een iets andere manier naar de data kijken. Samen filteren ze onbruikbare of redundante details eruit en behouden alleen de kenmerken die daadwerkelijk aangeven of congestie kritiek, zwaar, matig of laag is, wat ook de latere verwerking versnelt.

Hoe het model verkeerspatronen in de tijd leert

Verkeer draait niet alleen om wat er op een enkel moment gebeurt; het verandert over minuten en uren terwijl lichten cyclus en rijgedrag verschuift. Om deze evoluerende patronen vast te leggen gebruiken de auteurs een diep neuraal netwerk dat is ontworpen voor tijdsgebonden data. Dit netwerk schuift over reeksen verkeersmetingen en gebruikt gestapelde convolutionele lagen om zowel korte uitbarstingen als langere opbouw van congestie te detecteren. Een attention-mechanisme richt zich vervolgens selectief op de meest veelzeggende momenten in elke reeks, waardoor het systeem recente pieken of dalen zwaarder kan meewegen bij de beslissing hoe druk een weg werkelijk is. Het resultaat is een duidelijke toewijzing van elke situatie aan een van vier congestieniveaus, in de studie gekoppeld aan specifieke acties zoals het verlengen van groentijd of het activeren van alternatieve routes.

Het systeem op de proef stellen

De onderzoekers trainden en evalueerden hun aanpak op een open verkeersdataset die een slim stedelijk netwerk vertegenwoordigt. Elk record bevat voertuigtellingen, snelheden, weersomstandigheden, tijdstempels, locaties en signaalstrategieën. Om bias te voorkomen door het feit dat ernstige congestie in de data veel vaker voorkomt dan licht verkeer, gebruikten ze balancing-technieken en zorgvuldige validatie. Over meerdere train–test-splits heen classificeerde hun systeem verkeersstaten in bijna 99 procent van de gevallen correct, waarmee het een reeks andere moderne methoden overtrof. Dit bereikte het systeem terwijl het relatief licht bleef in reken- en geheugenbehoefte, een praktisch voordeel voor realtime stedelijke operaties.

Wat dit betekent voor alledaagse forenzen

In praktische zin laat de studie zien dat een zorgvuldig ontworpen AI-systeem kan optreden als een snelle, datagedreven adviseur voor stedelijke verkeerscentra, die ruwe sensordata omzet in concrete, tijdige besturingsacties. Hoewel het huidige werk op één dataset is gebaseerd en nog niet volledig rekening houdt met verstoringen zoals wegwerkzaamheden of grote evenementen, wijst het op een toekomst waarin verkeerslichten en routingsuggesties zich continu aanpassen aan veranderende omstandigheden. Voor de gemiddelde forens kan dat zich vertalen in kortere ritten, soepelere doorstroming en veiligere straten naarmate steden beter leren luisteren naar — en handelen naar — het digitale hartslagritme van hun wegen.

Bronvermelding: 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

Trefwoorden: slim verkeersbeheer, Internet of Things, deep learning, slimme steden, congestie voorspelling