TU Darmstadt / ULB / TUbiblio

Optimierung der Lichtsignalsteuerung unter der Berücksichtigung des Fußgängerverkehrs

Schönberger, Marika (2016):
Optimierung der Lichtsignalsteuerung unter der Berücksichtigung des Fußgängerverkehrs.
TU Darmstadt, [Master Thesis]

Abstract

Lichtsignalsteuerungen dienen der Steuerung des multimodalen Verkehrs, besonders im städtischen Bereich. Das Ziel einer optimalen Signalsteuerung ist die Anpassung an die Verkehrsverhältnisse zur Minimierung der negativen Auswirkungen, wie hohe Wartezeiten. Häufig werden hierbei jedoch nur Kfz- Wartezeiten in die Optimierung einbezogen. Ein multimodaler Ansatz zur Berücksichtigung der Belange aller Verkehrsteilnehmer fehlt in den überwiegenden Fällen. Die vorliegende Master-Arbeit befasst sich daher mit der Entwicklung einer Optimierungsmethode unter der Berücksichtigung des Fußgängerverkehrs. Unterschieden wird hierbei zwischen der offline-Optimierung anhand fester Werte und der online-Optimierung als Anpassung an aktuelle Messdaten. Die Steuerung von Lichtsignalanlagen lässt sich in mehrere Verfahren gliedern. Die einfachste Form ist das Festzeitprogramm, auch festes Schaltprogramm genannt, das sich aus unveränderlichen Parametern zusammensetzt. Es handelt sich hierbei um ein stationäres Verfahren. Instationäre Verfahren bieten die Möglichkeit auf die aktuelle Verkehrssituation zu reagieren. Eine erste Anpassung ist durch die Signalprogrammauswahl möglich, die abhängig vom Verkehr oder einem Betriebszeitenplan erfolgen kann. Mit Hilfe der Signalprogrammmodifikation können die Freigabezeiten oder die Phasenfolge an die Verkehrsverhältnisse angepasst werden. Bis auf einige sicherheitstechnische Aspekte sind alle Elemente der Signalsteuerung bei dem Verfahren der Signalprogrammbildung veränderlich. Die Umsetzung der instationären Verfahren ist regel-/messwertbasiert und modellbasiert/adaptiv möglich. Regel- bzw. messwertbasierte Verfahren durchlaufen sekündlich eine Ablauflogik mit logischen und zeitlichen Bedingungen zur Anpassung situationsabhängiger Parameter. Die Qualität der Signalsteuerung ist abhängig vom planenden Ingenieur. Eine Optimierung findet nicht statt. Modellbasierte bzw. adaptive Steuerungsverfahren arbeiten mit verschiedenen Modellen. Verkehrsmodelle dienen zur Erfassung des Verkehrs und zur Ermittlung weiterer Kenngrößen, wie beispielsweise den Wartezeiten. Das Optimierungsmodell sucht anhand einer vorgegebenen Zielfunktion und unter der Variation der Steuerungsparameter nach dem optimalen Signalprogramm. Das Ziel der offline-Optimierung ist die Erstellung optimaler Festzeitprogramme anhand von Zähldaten zur tageszeitabhängigen Signalprogrammauswahl. Die online-Optimierung erfolgt mit Hilfe eines adaptiven Steuerungsverfahrens. Die Entwicklung der Optimierungsmethode gliedert sich hierbei in die Auswahl eines Verfahrens zur Kenngrößenermittlung, in die Erstellung einer neuen Zielfunktion und die Auswahl eines geeigneten Optimierungsverfahrens. Die Kenngrößenermittlung der offline-Optimierung erfolgt rechnerisch. So bietet das HBS (2015)1 Vorgaben zur Ermittlung von Wartezeiten sowohl für den Kfz- als auch den Fußgängerverkehr. Als Eingangsgrößen dienen die ausgewerteten Verkehrsbelastungen der Spitzenstunden einer Verkehrserhebung. Die Kenngrößenermittlung der online-Optimierung erfolgt anhand von Modellen. Verkehrsnachfragemodelle dienen der Beschreibung aktueller Verkehrsdaten und ihrer Prognose. Die Nachbildung des Verkehrsablaufs erfolgt durch Verkehrsflussmodelle. Verkehrswirkungsmodelle leiten abschließend die verkehrsbedingten Wirkungen, unter anderem die Wartezeiten, ab. Bei der Zielfunktion handelt es, sich in Anlehnung an die Bewertungsmethode nach Hunter et al. (2011)2, um eine, in Abhängigkeit der Teilnehmerzahl gewichtete, mittlere Wartezeit aller Verkehrsteilnehmer. In der Offline-Optimierung sind dies die jeweils höchste mittlere Wartezeit des Kfz-Verkehrs und die höchste maximale Wartezeit des Fußgängerverkehrs nach HBS (2015)1. Für eine situationsabhängige Gewichtung der Wartezeiten wurden zusätzlich verschiedene Gewichtungsfaktoren eingeführt. Eine Abwägung zwischen Fußgängern und Fahrzeugen diente hierbei als Grundlage. Kraftfahrzeuge bieten einen hohen Komfort und die Möglichkeit der individuellen Fortbewegung bei kurzen Reisezeiten. Hohe Wartezeiten führen zu einem vermehrten Ausstoß von Emissionen in Form von Schadstoffen und Lärm. Aufgrund ihres hohen Platzbedarfs und begrenzter Flächen im Kreuzungsbereich, sind Überstauungen innerhalb des Knotenpunktes bei hohen Wartezeiten möglich und können sich negativ auf das gesamte Netz auswirken. Der Fußgängerverkehr gilt als besonders umweltfreundlich und die Baukosten der Infrastruktur sind gering. Aufgrund seiner fehlenden „Hülle“ ist er Umwelteinflüssen schutzlos ausgeliefert. Unfälle sind zwar relativ selten, die Verletzungen in der Regel jedoch schwerwiegender. Fußgänger reagieren besonders empfindlich auf lange Wartezeiten. „Rotgehen“ oder das Ausweichen auf die Strecke können die Folge sein. Zur Berücksichtigung dieser Faktoren wurden für die Offline-Optimierung folgende Gewichtungsmöglichkeiten eingeführt. Der Standortfaktor berücksichtigt die Merkmale der näheren Umgebung, wie lärmempfindliche oder schutzbedürftige Einrichtungen. Der Faktor der Netzbedeutung bezieht die Relevanz des Knotenpunktes für die Teilnehmergruppen, wie z.B. seine Verbindungsfunktion, in die Bewertung ein. Geringe Aufstellflächen, sowohl für den Kfz- als auch den Fußgängerverkehr, werden durch den Faktor der Knotenpunktsform berücksichtigt. Der historische Faktor lässt Umwelt- und Unfalldaten in die Gewichtung der Wartezeiten einfließen. Innerhalb der Online-Optimierung stehen zwei weitere Gewichtungsfaktoren zur Verfügung. Der witterungsabhängige Faktor berücksichtigt die Schutzlosigkeit des Fußgängers bei Niederschlägen. Überschreitungen von Emissionsgrenzwerten sollen durch die Gewichtung des Kfz-Verkehrs mit dem umweltabhängigen Faktor vermieden werden. Unter Optimierung versteht man das beste Resultat, das unter gegeben Bedingungen erreicht werden kann. Mathematisch betrachtet, handelt es sich um die optimale Lösung einer Funktion in Form eines Minimums oder Maximums. Ein lokales Optimum beschränkt sich auf einen Teilbereich des Lösungsraumes, währenddessen das globale Optimum das Minimum bzw. Maximum des gesamten Lösungsraumes darstellt. Das Optimierungskriterium definiert den Zielfunktionswert, wobei es sich in der Optimierung von Lichtsignalanlagen häufig um die minimalen Wartezeiten handelt. Optimierungsparameter dienen der Lösung des Optimierungsproblems und umfassen hier alle veränderlichen Bestandteile des Signalprogramms, wie die Phasenaufteilung und -folge oder die Freigabezeiten der Signalgruppen. Die Verfahren zur Lösung von Optimierungsproblemen lassen sich in vier Gruppen unterteilen. Die exakten Verfahren führen zur sicheren Lösung des Problems nach einer endlichen Anzahl von Schritten. Beispiele hierfür sind die vollständige Enumeration oder analytische Verfahren. Näherungsverfahren konvergieren lediglich gegen das gesuchte Optimum. Aussagen über die Güte der ermittelten Lösung sind hierbei möglich. Das Probierverfahren produziert systematisch willkürliche Lösungen, wodurch Angaben über die Qualität der Lösung nicht gegeben werden können. Heuristiken dienen der Findung einer möglichst guten Lösung in kurzer Zeit. Verwendungen finden sich vor allem in Bereichen, in denen andere Verfahren aufgrund der hohen Rechenzeiten an ihre Grenzen gelangen, wie das Lösen NP-schwerer Probleme. Unterschieden wird hierbei zwischen Konstruktionsheuristiken für das Finden einer ersten guten Lösung und den Verbesserungsheuristiken zur stetigen Verbesserung der Ergebnisse. Metaheuristiken dienen der systematischen Überwindung lokaler Optima. Häufig zur Optimierung von Lichtsignalsteuerungen verwendete Verfahren sind populationsbasierte Heuristiken, wie der genetische Algorithmus. In Anlehnung an die Evolutions- und Vererbungslehre nach Darwin und Mendel unterscheidet der Algorithmus zwischen einem Gen, einem Chromosom und einer Population. Ein Gen entspricht einem Teil der Lösung, das Chromosom einer möglichen Gesamtlösung des Optimierungsproblems und die Population einer Menge von Chromosomen. Über mehrere Generationen werden durch Rekombination und Mutation neue Populationen möglicher Lösungen produziert. Abhängig ihres Fitnesswertes, der über die Zielfunktion ermittelt wird, werden schlechte Lösungen selektiert. Die beste Lösung ist nach der Erreichung eines vorgegebenen Abbruchkriteriums gefunden. Ausgehend von diesen Erkenntnissen gliedert sich die entwickelte Optimierungsmethode in die rechnerische bzw. modellhafte Kenngrößenermittlung, die Bestimmung der Gewichtungsfaktoren und die abschließende Optimierung der Zielfunktion in Form der multimodalen Gesamtwartezeit mit Hilfe eines genetischen Algorithmus. Die Anwendung und Überprüfung der Methode erfolgte anhand der Offline- Optimierung eines 4-armigen Knotenpunktes in der Darmstädter Innenstadt. Die Offline-Optimierung des Fallbeispiels wurde in mehrere Teilprobleme zerlegt. Eine Verkehrszählung diente der Erhebung der Eingangsgrößen zur rechnerischen Ermittlung der Kenngrößen und zur verkehrsabhängigen Gewichtung. Die Festlegung der Phasenaufteilung und -folge erfolgte unter der Abwägung qualitativer und sicherheitstechnischer Aspekte sowie unter der Berücksichtigung der maßgebenden Verkehrsstärken. Die optimale Phasenfolge bestimmte sich anhand der kritischen Zwischenzeitensummen verschiedener Varianten. Anschließend erfolgte die Beurteilung des Knotenpunktes anhand der situationsabhängigen Gewichtungsfaktoren. Die Optimierung wurde mit Hilfe eines genetischen Algorithmus des Programms MATLAB durchgeführt. Unter der Variation der Gewichtungsfaktoren zeigten sich folgende Ergebnisse. Ein erster Einfluss der Fußgängerwartezeiten innerhalb der Zielfunktion zeigte sich bei einer 4-fachen bzw. 2-fachen Gewichtung der Anzahl der Fußgänger. Während die maximalen Fußgängerwartezeiten sich um mehrere Sekunden verringerten, stiegen die Kfz-Wartezeiten kaum. Eine weitere Verbesserung der Fußgängerwartezeiten erfolgte durch die 8-fache bzw. 25-fache Gewichtung in der Abendspitze. Aufgrund des Erreichens der minimalen Phasenlänge einer einzelnen Phase, stiegen die Kfz-Wartezeiten anderer Ströme mit der höheren Gewichtung der Fußgänger im weiteren Verlauf stark an. Bei einer Gewichtung mit dem Faktor „38“ bzw. „46“ übertrafen die Wartezeiten des Kfz-Verkehrs die Fußgängerwartezeiten. Die mittleren Wartezeiten, bezogen auf die Teilnehmerzahl der Gruppen, erhöhten sich aufgrund der geringen Anzahl an Fußgängern stetig. Zur Überprüfung der entwickelten Optimierungsmethode erfolgte die Simulation des Fallbeispiels durch das mikroskopische Verkehrsflussmodell VISSIM. Aufgrund fehlender Datensätze zur Überprüfung des simulierten Netzes konnten hierbei lediglich qualitative Aussagen getroffen werden. Die Simulation erfolgte anhand der zuvor ermittelten optimalen Signalprogramme unterschiedlich gewichteter Zielfunktionen. Die Ergebnisse entsprachen den Erkenntnissen der Optimierung qualitativ. Mit steigender Gewichtung der Fußgängerwartezeiten, verringerten sich deren Reisezeitverluste, während die Verlustzeiten des Kfz-Verkehrs mit zunehmender Stärke stiegen. Bei der Anwendung der Optimierungsmethode und der Bewertung des Knotenpunktes hinsichtlich der situationsabhängigen Gewichtungsfaktoren sind die Auswirkungen vor Ort differenziert zu betrachten. Eine hohe Gewichtung der Fußgängerwartezeiten erhöht den Komfort und macht den fußläufigen Verkehr unter Umständen attraktiver. Sicherheitsrisiken wie das „Rotgehen“ oder die Gefährdung von Kindern können durch kurze Wartezeiten reduziert werden. Geringe Fußgängerwartezeiten erhöhen in der Regel jedoch gleichzeitig die Wartezeiten des Kfz-Verkehrs. Hohe Reisezeitverluste und mögliche Überstauungen in benachbarte Knotenpunkte sind die Konsequenz. Der erhöhte Ausstoß von Abgasen oder Lärm betrifft gerade die nähere Umgebung und damit auch den wartenden Fußgänger. Ein erster Vorschlag ist die standardmäßige Gewichtung der Fußgängerwartezeiten mit dem Faktor „3“ als Ausgleich der Komforteinbußen des ungeschützten Fußgängers. Ein weiterer Einfluss ist durch den Planer mit Hilfe der situationsabhängigen Gewichtungsfaktoren möglich. In folgenden Studien sind die Teilnehmergruppen Radfahrer und ÖPNV in die Optimierungsmethode einzubeziehen. Größere Feldstudien zur Überprüfung der Gewichtungsfaktoren sowie die Umsetzung der Methode als adaptive Signalsteuerung sind Ziel der weiteren Entwicklung.

Item Type: Master Thesis
Erschienen: 2016
Creators: Schönberger, Marika
Title: Optimierung der Lichtsignalsteuerung unter der Berücksichtigung des Fußgängerverkehrs
Language: German
Abstract:

Lichtsignalsteuerungen dienen der Steuerung des multimodalen Verkehrs, besonders im städtischen Bereich. Das Ziel einer optimalen Signalsteuerung ist die Anpassung an die Verkehrsverhältnisse zur Minimierung der negativen Auswirkungen, wie hohe Wartezeiten. Häufig werden hierbei jedoch nur Kfz- Wartezeiten in die Optimierung einbezogen. Ein multimodaler Ansatz zur Berücksichtigung der Belange aller Verkehrsteilnehmer fehlt in den überwiegenden Fällen. Die vorliegende Master-Arbeit befasst sich daher mit der Entwicklung einer Optimierungsmethode unter der Berücksichtigung des Fußgängerverkehrs. Unterschieden wird hierbei zwischen der offline-Optimierung anhand fester Werte und der online-Optimierung als Anpassung an aktuelle Messdaten. Die Steuerung von Lichtsignalanlagen lässt sich in mehrere Verfahren gliedern. Die einfachste Form ist das Festzeitprogramm, auch festes Schaltprogramm genannt, das sich aus unveränderlichen Parametern zusammensetzt. Es handelt sich hierbei um ein stationäres Verfahren. Instationäre Verfahren bieten die Möglichkeit auf die aktuelle Verkehrssituation zu reagieren. Eine erste Anpassung ist durch die Signalprogrammauswahl möglich, die abhängig vom Verkehr oder einem Betriebszeitenplan erfolgen kann. Mit Hilfe der Signalprogrammmodifikation können die Freigabezeiten oder die Phasenfolge an die Verkehrsverhältnisse angepasst werden. Bis auf einige sicherheitstechnische Aspekte sind alle Elemente der Signalsteuerung bei dem Verfahren der Signalprogrammbildung veränderlich. Die Umsetzung der instationären Verfahren ist regel-/messwertbasiert und modellbasiert/adaptiv möglich. Regel- bzw. messwertbasierte Verfahren durchlaufen sekündlich eine Ablauflogik mit logischen und zeitlichen Bedingungen zur Anpassung situationsabhängiger Parameter. Die Qualität der Signalsteuerung ist abhängig vom planenden Ingenieur. Eine Optimierung findet nicht statt. Modellbasierte bzw. adaptive Steuerungsverfahren arbeiten mit verschiedenen Modellen. Verkehrsmodelle dienen zur Erfassung des Verkehrs und zur Ermittlung weiterer Kenngrößen, wie beispielsweise den Wartezeiten. Das Optimierungsmodell sucht anhand einer vorgegebenen Zielfunktion und unter der Variation der Steuerungsparameter nach dem optimalen Signalprogramm. Das Ziel der offline-Optimierung ist die Erstellung optimaler Festzeitprogramme anhand von Zähldaten zur tageszeitabhängigen Signalprogrammauswahl. Die online-Optimierung erfolgt mit Hilfe eines adaptiven Steuerungsverfahrens. Die Entwicklung der Optimierungsmethode gliedert sich hierbei in die Auswahl eines Verfahrens zur Kenngrößenermittlung, in die Erstellung einer neuen Zielfunktion und die Auswahl eines geeigneten Optimierungsverfahrens. Die Kenngrößenermittlung der offline-Optimierung erfolgt rechnerisch. So bietet das HBS (2015)1 Vorgaben zur Ermittlung von Wartezeiten sowohl für den Kfz- als auch den Fußgängerverkehr. Als Eingangsgrößen dienen die ausgewerteten Verkehrsbelastungen der Spitzenstunden einer Verkehrserhebung. Die Kenngrößenermittlung der online-Optimierung erfolgt anhand von Modellen. Verkehrsnachfragemodelle dienen der Beschreibung aktueller Verkehrsdaten und ihrer Prognose. Die Nachbildung des Verkehrsablaufs erfolgt durch Verkehrsflussmodelle. Verkehrswirkungsmodelle leiten abschließend die verkehrsbedingten Wirkungen, unter anderem die Wartezeiten, ab. Bei der Zielfunktion handelt es, sich in Anlehnung an die Bewertungsmethode nach Hunter et al. (2011)2, um eine, in Abhängigkeit der Teilnehmerzahl gewichtete, mittlere Wartezeit aller Verkehrsteilnehmer. In der Offline-Optimierung sind dies die jeweils höchste mittlere Wartezeit des Kfz-Verkehrs und die höchste maximale Wartezeit des Fußgängerverkehrs nach HBS (2015)1. Für eine situationsabhängige Gewichtung der Wartezeiten wurden zusätzlich verschiedene Gewichtungsfaktoren eingeführt. Eine Abwägung zwischen Fußgängern und Fahrzeugen diente hierbei als Grundlage. Kraftfahrzeuge bieten einen hohen Komfort und die Möglichkeit der individuellen Fortbewegung bei kurzen Reisezeiten. Hohe Wartezeiten führen zu einem vermehrten Ausstoß von Emissionen in Form von Schadstoffen und Lärm. Aufgrund ihres hohen Platzbedarfs und begrenzter Flächen im Kreuzungsbereich, sind Überstauungen innerhalb des Knotenpunktes bei hohen Wartezeiten möglich und können sich negativ auf das gesamte Netz auswirken. Der Fußgängerverkehr gilt als besonders umweltfreundlich und die Baukosten der Infrastruktur sind gering. Aufgrund seiner fehlenden „Hülle“ ist er Umwelteinflüssen schutzlos ausgeliefert. Unfälle sind zwar relativ selten, die Verletzungen in der Regel jedoch schwerwiegender. Fußgänger reagieren besonders empfindlich auf lange Wartezeiten. „Rotgehen“ oder das Ausweichen auf die Strecke können die Folge sein. Zur Berücksichtigung dieser Faktoren wurden für die Offline-Optimierung folgende Gewichtungsmöglichkeiten eingeführt. Der Standortfaktor berücksichtigt die Merkmale der näheren Umgebung, wie lärmempfindliche oder schutzbedürftige Einrichtungen. Der Faktor der Netzbedeutung bezieht die Relevanz des Knotenpunktes für die Teilnehmergruppen, wie z.B. seine Verbindungsfunktion, in die Bewertung ein. Geringe Aufstellflächen, sowohl für den Kfz- als auch den Fußgängerverkehr, werden durch den Faktor der Knotenpunktsform berücksichtigt. Der historische Faktor lässt Umwelt- und Unfalldaten in die Gewichtung der Wartezeiten einfließen. Innerhalb der Online-Optimierung stehen zwei weitere Gewichtungsfaktoren zur Verfügung. Der witterungsabhängige Faktor berücksichtigt die Schutzlosigkeit des Fußgängers bei Niederschlägen. Überschreitungen von Emissionsgrenzwerten sollen durch die Gewichtung des Kfz-Verkehrs mit dem umweltabhängigen Faktor vermieden werden. Unter Optimierung versteht man das beste Resultat, das unter gegeben Bedingungen erreicht werden kann. Mathematisch betrachtet, handelt es sich um die optimale Lösung einer Funktion in Form eines Minimums oder Maximums. Ein lokales Optimum beschränkt sich auf einen Teilbereich des Lösungsraumes, währenddessen das globale Optimum das Minimum bzw. Maximum des gesamten Lösungsraumes darstellt. Das Optimierungskriterium definiert den Zielfunktionswert, wobei es sich in der Optimierung von Lichtsignalanlagen häufig um die minimalen Wartezeiten handelt. Optimierungsparameter dienen der Lösung des Optimierungsproblems und umfassen hier alle veränderlichen Bestandteile des Signalprogramms, wie die Phasenaufteilung und -folge oder die Freigabezeiten der Signalgruppen. Die Verfahren zur Lösung von Optimierungsproblemen lassen sich in vier Gruppen unterteilen. Die exakten Verfahren führen zur sicheren Lösung des Problems nach einer endlichen Anzahl von Schritten. Beispiele hierfür sind die vollständige Enumeration oder analytische Verfahren. Näherungsverfahren konvergieren lediglich gegen das gesuchte Optimum. Aussagen über die Güte der ermittelten Lösung sind hierbei möglich. Das Probierverfahren produziert systematisch willkürliche Lösungen, wodurch Angaben über die Qualität der Lösung nicht gegeben werden können. Heuristiken dienen der Findung einer möglichst guten Lösung in kurzer Zeit. Verwendungen finden sich vor allem in Bereichen, in denen andere Verfahren aufgrund der hohen Rechenzeiten an ihre Grenzen gelangen, wie das Lösen NP-schwerer Probleme. Unterschieden wird hierbei zwischen Konstruktionsheuristiken für das Finden einer ersten guten Lösung und den Verbesserungsheuristiken zur stetigen Verbesserung der Ergebnisse. Metaheuristiken dienen der systematischen Überwindung lokaler Optima. Häufig zur Optimierung von Lichtsignalsteuerungen verwendete Verfahren sind populationsbasierte Heuristiken, wie der genetische Algorithmus. In Anlehnung an die Evolutions- und Vererbungslehre nach Darwin und Mendel unterscheidet der Algorithmus zwischen einem Gen, einem Chromosom und einer Population. Ein Gen entspricht einem Teil der Lösung, das Chromosom einer möglichen Gesamtlösung des Optimierungsproblems und die Population einer Menge von Chromosomen. Über mehrere Generationen werden durch Rekombination und Mutation neue Populationen möglicher Lösungen produziert. Abhängig ihres Fitnesswertes, der über die Zielfunktion ermittelt wird, werden schlechte Lösungen selektiert. Die beste Lösung ist nach der Erreichung eines vorgegebenen Abbruchkriteriums gefunden. Ausgehend von diesen Erkenntnissen gliedert sich die entwickelte Optimierungsmethode in die rechnerische bzw. modellhafte Kenngrößenermittlung, die Bestimmung der Gewichtungsfaktoren und die abschließende Optimierung der Zielfunktion in Form der multimodalen Gesamtwartezeit mit Hilfe eines genetischen Algorithmus. Die Anwendung und Überprüfung der Methode erfolgte anhand der Offline- Optimierung eines 4-armigen Knotenpunktes in der Darmstädter Innenstadt. Die Offline-Optimierung des Fallbeispiels wurde in mehrere Teilprobleme zerlegt. Eine Verkehrszählung diente der Erhebung der Eingangsgrößen zur rechnerischen Ermittlung der Kenngrößen und zur verkehrsabhängigen Gewichtung. Die Festlegung der Phasenaufteilung und -folge erfolgte unter der Abwägung qualitativer und sicherheitstechnischer Aspekte sowie unter der Berücksichtigung der maßgebenden Verkehrsstärken. Die optimale Phasenfolge bestimmte sich anhand der kritischen Zwischenzeitensummen verschiedener Varianten. Anschließend erfolgte die Beurteilung des Knotenpunktes anhand der situationsabhängigen Gewichtungsfaktoren. Die Optimierung wurde mit Hilfe eines genetischen Algorithmus des Programms MATLAB durchgeführt. Unter der Variation der Gewichtungsfaktoren zeigten sich folgende Ergebnisse. Ein erster Einfluss der Fußgängerwartezeiten innerhalb der Zielfunktion zeigte sich bei einer 4-fachen bzw. 2-fachen Gewichtung der Anzahl der Fußgänger. Während die maximalen Fußgängerwartezeiten sich um mehrere Sekunden verringerten, stiegen die Kfz-Wartezeiten kaum. Eine weitere Verbesserung der Fußgängerwartezeiten erfolgte durch die 8-fache bzw. 25-fache Gewichtung in der Abendspitze. Aufgrund des Erreichens der minimalen Phasenlänge einer einzelnen Phase, stiegen die Kfz-Wartezeiten anderer Ströme mit der höheren Gewichtung der Fußgänger im weiteren Verlauf stark an. Bei einer Gewichtung mit dem Faktor „38“ bzw. „46“ übertrafen die Wartezeiten des Kfz-Verkehrs die Fußgängerwartezeiten. Die mittleren Wartezeiten, bezogen auf die Teilnehmerzahl der Gruppen, erhöhten sich aufgrund der geringen Anzahl an Fußgängern stetig. Zur Überprüfung der entwickelten Optimierungsmethode erfolgte die Simulation des Fallbeispiels durch das mikroskopische Verkehrsflussmodell VISSIM. Aufgrund fehlender Datensätze zur Überprüfung des simulierten Netzes konnten hierbei lediglich qualitative Aussagen getroffen werden. Die Simulation erfolgte anhand der zuvor ermittelten optimalen Signalprogramme unterschiedlich gewichteter Zielfunktionen. Die Ergebnisse entsprachen den Erkenntnissen der Optimierung qualitativ. Mit steigender Gewichtung der Fußgängerwartezeiten, verringerten sich deren Reisezeitverluste, während die Verlustzeiten des Kfz-Verkehrs mit zunehmender Stärke stiegen. Bei der Anwendung der Optimierungsmethode und der Bewertung des Knotenpunktes hinsichtlich der situationsabhängigen Gewichtungsfaktoren sind die Auswirkungen vor Ort differenziert zu betrachten. Eine hohe Gewichtung der Fußgängerwartezeiten erhöht den Komfort und macht den fußläufigen Verkehr unter Umständen attraktiver. Sicherheitsrisiken wie das „Rotgehen“ oder die Gefährdung von Kindern können durch kurze Wartezeiten reduziert werden. Geringe Fußgängerwartezeiten erhöhen in der Regel jedoch gleichzeitig die Wartezeiten des Kfz-Verkehrs. Hohe Reisezeitverluste und mögliche Überstauungen in benachbarte Knotenpunkte sind die Konsequenz. Der erhöhte Ausstoß von Abgasen oder Lärm betrifft gerade die nähere Umgebung und damit auch den wartenden Fußgänger. Ein erster Vorschlag ist die standardmäßige Gewichtung der Fußgängerwartezeiten mit dem Faktor „3“ als Ausgleich der Komforteinbußen des ungeschützten Fußgängers. Ein weiterer Einfluss ist durch den Planer mit Hilfe der situationsabhängigen Gewichtungsfaktoren möglich. In folgenden Studien sind die Teilnehmergruppen Radfahrer und ÖPNV in die Optimierungsmethode einzubeziehen. Größere Feldstudien zur Überprüfung der Gewichtungsfaktoren sowie die Umsetzung der Methode als adaptive Signalsteuerung sind Ziel der weiteren Entwicklung.

Divisions: 13 Department of Civil and Environmental Engineering Sciences
13 Department of Civil and Environmental Engineering Sciences > Institutes of Transportation
13 Department of Civil and Environmental Engineering Sciences > Institutes of Transportation > Institute for Transport Planning and Traffic Engineering
Date Deposited: 28 Jan 2018 15:34
Official URL: https://www.verkehr.tu-darmstadt.de/media/verkehr/fgvv/beruf...
Referees: Boltze, Prof. Dr. Manfred and Jiang, M. Sc. Wei
Refereed / Verteidigung / mdl. Prüfung: 2016
Corresponding Links:
Alternative Abstract:
Alternative abstract Language
Traffic signals are used to control the multimodal transport, particularly in urban areas. The goal of an optimal signal control is the adaption to the traffic conditions for minimizing adverse effects, such as long delays. However, only the delay of motorized vehicles is included in the optimisation mainly. In the majority of cases, a multimodal approach to address the needs of all road users is missing. Accordingly, this master thesis deals with the development of an optimisation method in consideration of pedestrian traffic. A distinction is made between the offline optimisation based on fixed values and the online optimisation as an adaptation to current data. The control of traffic lights can be divided into several methods. The simplest form is the fixed time program, which consists of immutable parameters and is a stationary method. Unsteady methods offer the opportunity to respond to current traffic situations. A first adjustment is possible by selecting a signal program based on the current flow of traffic or an operating schedule. Using the signal program modification, the green traffic light duration or the phase sequence can be adapted to the traffic conditions. Apart from a few safety aspects, all elements are mutable if new signal controls are created. The implementation of stationary methods can be done in a rule/ measured based or a model-based / an adaptive way. Rule/ measured based methods run through a flow logic every second with logical and temporal conditions for adapting situational parameters. The quality of the signal control depends on the engineer, who designs it. An optimisation does not take place. Model-based or adaptive control methods work with different models. Traffic models are designed to measure the traffic and to determine additional parameters such as delays. The optimisation model computes the optimal signal program by considering a predetermined objective function as well as the variation of the signal control parameters. The goal of the offline optimisation is the creation of optimal fixed time programs based on traffic surveys for daytime-dependent signal program selection. The online optimisation can be carried out due to the adaptive control method. The development of this method is the outcome of the selection of a right method for the determination of parameters, as well as the creation of a new objective function and the selection of a suitable optimisation method. The parameters determining the offline optimisation are done computationally. The HBS (2015)1 sets up the requirements for calculating the delays of motorized and pedestrian traffic. The input variables consist of the evaluated traffic loads during the peak hours, which has been recorded by a traffic survey. The determination of the parameters, which are used in the online optimisation, is based on models. The travel pattern models describe the current traffic data and its prognosis. Traffic flow models carry out the simulation of traffic flow. Traffic impact models derive traffic-related effects, including delays. The objective function is, based on the valuation method by Hunter et al. (2011)2, the average delay of all road users, weighted by the number of participants. In terms of the offline optimisation, these are the respective highest average delay in vehicle traffic and the highest maximum delay in pedestrian traffic, calculated by using the HBS (2015)1. Furthermore, various weighting factors, which weigh up the current delays, are introduced. A consideration between pedestrians and vehicles serves as the basis. Motorized vehicles offer a high comfort and the possibility of individual locomotion with short travel times. High delays lead to increased emissions in form of exhaust fumes and noise. Due to their greater space requirements compared to the limited space, which is provided in the intersection area, congestions are possible within the junction at high delays, which can in turn affect the entire road network. Pedestrian traffic is considered particularly environmentally friendly and the costs for building the infrastructure are low. Pedestrians are, due to their lack of save surroundings, exposed to environmental influences without protection. Although, accidents are relatively rare, injuries are usually far more serious. Pedestrians are particularly vulnerable to high delays, which can result in jaywalking. Taking these attitudes and behaviours into account weighting options are introduced into the offline optimisation. The location factor was added, which takes the characteristics of the surrounding area into account, such as noisesensitive or vulnerable facilities. The importance of the route is another criterion. This factor integrates the relevance of the junction for all road user groups, such as its connection function. Small available areas, both for the motorized and pedestrian traffic will be considered by the factor of the junction shape. The historical factor, which takes environmental and accident data into the consideration, is also used for weighing the delays. Within the online optimisation two additional factors are introduced. The weatherdependent factor takes the vulnerability of the pedestrian during bad weather into account. Exceedances of emission limit values are to be avoided by weighing the delay of vehicles using the environmentally - dependent factor. The best possible result under given conditions can be achieved through optimisation. Mathematical considered, it is the optimal solution of a function in the form of a minimum or maximum. A local optimum is limited to a part of the solution space, whereas the global optimum applies to the minimum or maximum of the entire space. The optimisation criterion defines the objective function value, which often involves the minimum delay in the optimisation of traffic signals. The optimisation parameters are used to solve the optimisation problem and in this case include all variable components of the signal program as the phase split and sequence or the green times of the signal groups. The methods for solving optimisation problems can be divided into four groups. The exact methods lead to a safe solution of the problem through a finite number of steps. Examples of this include the full enumeration or analytical methods. Approximation methods only converge to the searched optimum. Statements about the quality of the identified solution can be made. The approximation method produces systematic arbitrary solutions whereby information about the quality of the solution can not be provided. Heuristics are used to find the best possible solution in a short time. This is mainly used in areas where other methods access their limits due to the high computation times, like solving NP-hard problems. A distinction is made between design heuristics for finding a first good solution and the improvement heuristics for further improvements. Metaheuristics are used to systematically overcome local optima. Often used to optimise traffic light controls are population-based heuristics, such as the genetic algorithm. Based on the theory of evolution and heredity by Darwin and Mendel the algorithm differs between a gene, a chromosome and a population. A gene corresponds to a part of the solution, the chromosome to a possible total solution of the optimisation problem and the population to a set of chromosomes. Over several generations new populations of potential solutions are produced by recombination and mutation. Depending on their fitness value, which is determined by the objective function, bad solutions go extinct. The best possible solution is found after achieving the predetermined termination criterion. Based on these facts, the developed optimisation method is divided into computational or model-like characteristics determination, the determination of the weighting factors and the final optimisation of the objective function in the form of the multimodal total delay using a genetic algorithm. The application and review of the method is based on the offline optimisation of a cross junction in Darmstadt city centre. The offline optimisation of the case study was divided into several sub-problems. A traffic survey was carried out to collect input variables for the determination of the parameters and the traffic-dependent weighting. The definition of the phase split and number was based on the consideration of qualitative and safety aspects as well as taking the relevant traffic volumes into account. The optimal phase sequence is determined by calculating the critical sums of inter-stage times of different variants. Subsequently the junction was evaluated based on the situation-dependent weight factors. The optimisation was performed using a genetic algorithm of the computer program MATLAB. The variation of the weighting factors showed the following results. A first influence of pedestrian delays within the objective function was found in a 4-fold or 2 -fold weighting of the number of pedestrians. While the maximum pedestrian delay was reduced by several seconds, it barley increased for the motorized traffic. 8 - and 25 –folding the weight in the evening rush hour, carried out a further improvement of pedestrian delays. Due to reaching the minimum phase duration of a single phase, the delays of motorized vehicles of the other flows increased sharply, while further raising the weight on pedestrian delays. With a weighting factor of "38" or "46" the delay of motorized vehicle traffic exceeded the pedestrian delay. The average delay, based on the number of travellers of each group, increased due to the low number of pedestrians constantly. To verify the developed optimisation method the simulation of the case study was implemented by the microscopic traffic flow model VISSIM. Due to a lack of records to verify the simulated network, only qualitative statements could be made. The simulation was based on the previously determined optimal signal programs, the result of differently weighted objective functions. The results of the simulation corresponded to the optimisation findings. With increasing weight on pedestrian delays, their travel time decreased, while the loss of time of vehicle traffic increased progressively. By applying the optimisation method and evaluating the junction using the situation-dependent weighting factors, the effects have to be examined precisely. A high weight on pedestrian delays increases the comfort and makes the walking traffic conceivably more attractive. Security risks such as jaywalking or the vulnerability of children can be reduced by shortening the delays. However, low pedestrian waiting times normally increase the delay of vehicle traffic and vice versa. Consequences are high travel time losses and possible congestions into nearby junctions. The increased emissions of exhaust fumes or noise effects the surrounding area and thus also the waiting pedestrians. A first proposal to compensate the loss of comfort of the unprotected pedestrian is a standard weighting of pedestrian delays by the factor of "3". A further influence by the planner is possible by using the situation-dependent weight factors. Missing traffic participants, such as cyclists and the public transport sector, still have to be included into the optimisation method in following studies. Larger field studies to verify the weight factors and the implementation of this method as an adaptive signal control are the aim of future studies.English
Export:
Suche nach Titel in: TUfind oder in Google
Send an inquiry Send an inquiry

Options (only for editors)
Show editorial Details Show editorial Details