Verfahrensentwicklung für Schaltzeitprognosen an verkehrsabhängigen Lichtsignalanlagen mit Hilfe maschinellen Lernens

Im urbanen Raum, insbesondere vor signalisierten Knotenpunkten, entstehen die meisten Emissionen des Straßenverkehrs. Eine Möglichkeit, um diese Emissionen zu senken, sind sogenannte GLOSA-Systeme (Green Light Optimal Speed Advisory) und das Smart Routing, um am Straßenverkehr beteiligten Personen Handlungsempfehlungen geben zu können. Für die Berechnung der Informationen, die diese Systeme ausgeben, wie beispielsweise Geschwindigkeitsempfehlungen für die bestmögliche Nutzung von Grünzeiten und Zeiten bis zum Grünbeginn, werden Vorhersagen der Schaltzeiten von Lichtsignalanlagen (LSA) benötigt. Die Entwicklung ausreichend guter Vorhersageverfahren ist Gegenstand der Forschung. Zentrum dieser Arbeit ist die Verbesserung der bestehenden Vorhersageverfahren zur Schaltzeitprognose (SZP) von LSA. Verbessert werden sollte die Übertragbarkeit, die Zuverlässigkeit und der Prognosehorizont von SZP. Durch die Übertragbarkeit kann der Schritt von der individuellen Prognoselösung für jede einzelne LSA zu einem weitgehend allgemeingültigen Verfahren, das flächendeckend eingesetzt werden kann, erfolgen. Die Zuverlässigkeit soll das Vertrauen der Nutzer in die Anwendung bestätigen, indem möglichst genaue Prognose getroffen werden.