Zwischenfall-bewusstes resilientes Verkehrsmanagement für urbane Straßennetze (InTURN)

• Antragsteller: Professor Dr.-Ing. Sven Tomforde
• Fachliche Zuordnung: Verkehrs- und Transportsysteme, Intelligenter und automatisierter Verkehr ; Rechnerarchitektur, eingebettete und massiv parallele Systeme
• Förderung: Förderung von 2019 bis 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 420542957

• Erstellungsjahr: 2023

Zusammenfassung der Projektergebnisse

Ein erstrebenswertes Ziel bei der Nutzung heutiger städtischer Verkehrsnetze ist die zuverlässigste und schnellstmöglichste Durchquerung derselben. Gleichzeitig sollen Engpässe und Störungen aufgrund von Verkehrsunfällen vermieden werden. Ein weiteres Ziel ist die Einsparung von Treibstoff und Emissionen. Dies sollte aus Gründen des Datenschutzes erreicht werden, ohne die aktuelle Situation, den Standort und kontextbezogene Informationen wiederholt und übermäßig mit großen datengetriebenen Unternehmen teilen zu müssen. Dieses Projekt hatte zum Ziel, ein solches System als selbstadaptiven und selbstorganisieren­ den (SASO)-Mechanismus zu realisieren. Das Basis-SASO-System beruht auf unserer Vorarbeit, dem Organic Traffic Control (OTC): ein auf Kreuzungen bezogenes System zur Steuerung von Ampeln, progressiven Signalanlagen und Routenführung. Bezüglich der Datensparsamkeit kombinieren die Strategien dieses dezentralen Ansatzes die erheblichen Verkehrsbelastungen (und den zugrunde liegenden Dynamiken), sich ständig ändernden Verhaltensweisen, Störun­ gen und Zwischenfällen. Maschinelles Lernen (ML)-Techniken wurden verwendet, um abnormale Verkehrsbedingungen zu erkennen und Zwischenfälle zu identifizieren. Bei der automatischen Kategorisierung berücksichtigen wir die Auswirkungen auf benachbarte Kreuzungen und Straßenabschnitte. Diese Verbindung wurde für eine kooperative Validierung erkannter Zwischenfälle und darauf aufbauend für einen an Zwischenfällen orientierten Ansatz zur Bildung verteilter progressiver Signalanlagen verwendet. Unter Verwendung simulierter städtischer Straßennetze und einfacher Fahrzeugzählungsdetektoren (Schleifendetektoren) haben wir verschiedene Ansätze zur Zwischenfallerkennung untersucht. Dazu gehören Entscheidungsbaumbasierte Klassifikatoren, die sich gut für deutlich ausgeprägte Ereignisse eignen, die z. B. ganze Abschnitte sperren. Wird nur teilweise gesperrt, wie das Blockieren nur einer Fahrspur ist die Erkennung schwieriger. Um dies etwas auszugleichen, können Zwischenfälle mittels Daten von benachbarten Kreuzungen validiert werden. Die verschiedenen Ergebnisse wurden peer-reviewed und veröffentlicht. Zusammen mit der bereitgestellten Software können diese als Grundlage für weitere Forschung dienen.

Projektbezogene Publikationen (Auswahl)

• A Self-organising System Combining Self-adaptive Traffic Control and Urban Platooning: A Concept for Autonomous Driving. Proceedings of the 7th International Conference on Vehicle Technology and Intelligent Transport Systems, 429-437. SCITEPRESS -Science and Technology Publications.
  Hamann, Heiko; Schwarzat, Julian; Thomsen, Ingo & Tomforde, Sven
  
• Incident-aware Resilient Traffic Management for Urban Road Networks, volume 18 of Intelligent Embedded Systems, pages 125–138. kassel university press
  I. Thomsen
  
• Urban Traffic Incident Detection for Organic Traffic Control: A Density-based Clustering Approach. Proceedings of the 7th International Conference on Vehicle Technology and Intelligent Transport Systems, 152-160. SCITEPRESS -Science and Technology Publications.
  Thomsen, Ingo; Zapfe, Yannick & Tomforde, Sven
  
• A Concept for Collaborative Incident Validation in a Self-organised Traffic Management System. Proceedings of the 8th International Conference on Vehicle Technology and Intelligent Transport Systems, 316-323. SCITEPRESS -Science and Technology Publications.
  Tomforde, Sven & Thomsen, Ingo
  
• Adaptive Approaches for Tidal-Flow Lanes in Urban-Road Networks. Future Transportation, 2(3), 567-588.
  Striewski, Sören; Thomsen, Ingo & Tomforde, Sven
  
• Detecting Extended Incidents in Urban Road Networks for Organic Traffic Control Using Density-Based Clustering of Traffic Flows. Smart Cities, Green Technologies, and Intelligent Transport Systems, 330–347.
  Thomsen, Ingo & Tomforde, Sven
  
• Intersection-centric Urban Traffic Flow Clustering for Incident Detection in Organic Traffic Control. Proceedings of the 8th International Conference on Vehicle Technology and Intelligent Transport Systems, 410-417. SCITEPRESS -Science and Technology Publications.
  Thomsen, Ingo & Tomforde, Sven
  
• Traffic Flow based Detection of Incidents in Urban Road Networks, volume 20 of Intelligent Embedded Systems, pages 179–194. kassel university press
  I. Thomsen
  
• Abnormal Behaviour Detection of Self-Adaptive Agents in Traffic Environments. 2023 IEEE International Conference on Autonomic Computing and Self-Organizing Systems Companion (ACSOS-C), 41-46. IEEE.
  Goller, Martin; Thomsen, Ingo; Al-Falouji, Ghassan & Tomforde, Sven
  
• Approaches to Automatic Road Traffic Incident Detection and Incident Forecasting. Proceedings of the 9th International Conference on Vehicle Technology and Intelligent Transport Systems, 289-296. SCITEPRESS -Science and Technology Publications.
  Striewski, Sören; Thomsen, Ingo & Tomforde, Sven
  
• Distributed Collaborative Incident Validation in a Self-Organised Traffic Control System. Proceedings of the 9th International Conference on Vehicle Technology and Intelligent Transport Systems, 152-159. SCITEPRESS -Science and Technology Publications.
  Thomsen, Ingo; Brennecke, Torben & Tomforde, Sven
  
• Incident-Aware Distributed Signal Systems in Self-Organised Traffic Control Systems. Proceedings of the 9th International Conference on Vehicle Technology and Intelligent Transport Systems, 15-26. SCITEPRESS -Science and Technology Publications.
  Tomforde, Sven; Ohl, Yanneck & Thomsen, Ingo
  
• Inturn software. Version 1.0.
  S. Tomforde & I. Thomsen