Kurs für KI-Traffic-Analyse und -Optimierung

Lektion 1 • Einführung in Verkehrsdatenformate

Behandelt gängige Dateiformate, Schemata und Zeitstempelkonventionen, die in Verkehrsdatensätzen verwendet werden. Befähigt Studierende, Daten programmgesteuert zu laden und zu inspizieren.

Lektion 2 • Kernmetriken und KPIs des Verkehrs

Definiert Volumen, Geschwindigkeit, Dichte und Verlustzeit als primäre Leistungsindikatoren. Verknüpft jede Metrik mit realen betrieblichen Entscheidungen.

Lektion 3 • Datenquellen und Erhebungsmethoden

Bietet einen Überblick über Sensortypen, Floating Cars und manuelle Zählungen als Datenquellen. Bereitet Studierende darauf vor, die Datenqualität vor der Analyse zu bewerten.

Lektion 1 • Feature Engineering für Verkehrsdaten

Erstellt abgeleitete Variablen wie Geschwindigkeitsverhältnisse, Stauindizes und verzögerte Merkmale. Reichert Datensätze an, um die Leistung nachgelagerter Modelle zu verbessern.

Lektion 2 • Datenfusion und -integration

Führt heterogene Quellen – Sensoren, GPS und Ereignisprotokolle – zu einheitlichen Datensätzen zusammen. Löst räumliche und zeitliche Ausrichtungskonflikte zwischen Quellen.

Lektion 3 • Datenaggregation und Resampling

Transformiert hochfrequente Rohzählungen in analysegerechte Zeitintervalle. Unterstützt Multi-Resolution-Studien von Sekundenzusammenfassungen bis zu Tagessummen.

Lektion 4 • Umgang mit fehlenden und fehlerhaften Daten

Identifiziert Ursachen für fehlende Messwerte und Sensorfehler in Verkehrsdaten. Wendet Imputations- und Filterstrategien an, um die Integrität der Datensätze wiederherzustellen.

Lektion 1 • Warteschlangentheorie im Verkehrskontext

Wendet Ankunfts- und Bedienratenmodelle auf Knotenpunkte und Engpässe an. Quantifiziert Verlustzeiten und Staulängen unter variierenden Nachfrageszenarien.

Lektion 2 • Mikroskopische und Fahrzeugfolgemodelle

Untersucht das individuelle Fahrzeugverhalten anhand von Abstands-, Reaktionszeit- und Beschleunigungsregeln. Überbrückt die mikroskopische Dynamik zu netzwerkweiten Ergebnissen.

Lektion 3 • Modellkalibrierung und -validierung

Etabliert Methoden zur Anpassung von Modellparametern an beobachtete Daten und zur Prüfung der Vorhersagegenauigkeit. Stellt die Zuverlässigkeit von Modellen vor der KI-Integration sicher.

Lektion 4 • Makroskopische Verkehrsflusstheorie

Behandelt das Fundamentaldiagramm und die Erhaltungsgleichungen, die den aggregierten Verkehrsfluss bestimmen. Bietet die theoretische Basis für das Benchmarking von KI-Modellen.

Lektion 1 • Zeitreihen-Prognosemodelle

Behandelt ARIMA, exponentielle Glättung und hybride Ansätze für die kurzfristige Verkehrsprognose. Adressiert Saisonalität und Nichtstationarität, die in Verkehrsdaten häufig vorkommen.

Lektion 2 • Modellbewertung und -auswahl

Definiert verkehrsspezifische Fehlermetriken und Protokolle für den Modellvergleich. Leitet die Auswahl des besten Modells für den Einsatz basierend auf betrieblichen Anforderungen an.

Lektion 3 • Grundlagen des überwachten Lernens

Wiederholt Regressions- und Klassifikations-Frameworks in der Anwendung auf Verkehrsprognoseaufgaben. Etabliert den Trainings-Validierungs-Test-Workflow, der im gesamten Kapitel verwendet wird.

Lektion 4 • Baum- und Ensemble-Methoden

Wendet Gradient Boosting und Random Forests auf die Geschwindigkeits- und Volumenprognose an. Demonstriert die Extraktion der Feature-Wichtigkeit für die Auswahl von Verkehrsvariablen.

Lektion 1 • Transformer-Modelle in der Verkehrsprognose

Passt Self-Attention-Mechanismen für die Modellierung langreichweitiger Verkehrsabhängigkeiten an. Vergleicht die Leistung von Transformern mit rekurrenten Baselines.

Lektion 2 • Rekurrente Netze für zeitliche Daten

Wendet LSTM- und GRU-Architekturen auf die sequenzielle Vorhersage von Verkehrszeitreihen an. Adressiert das Problem verschwindender Gradienten und Abwägungen der Sequenzlänge.

Lektion 3 • Graph Neural Networks für Straßennetze

Modelliert Straßennetze als Graphen und wendet GCN- und GAT-Schichten an, um räumliche Abhängigkeiten zu erfassen. Ermöglicht netzwerkweite simultane Vorhersage.

Lektion 4 • Modellinterpretierbarkeit und Erklärbarkeit

Wendet SHAP, Attention-Visualisierung und Saliency Maps auf tiefe Verkehrsmodelle an. Schafft Vertrauen bei Anwendern und unterstützt gesetzliche Transparenzanforderungen.

Lektion 1 • Objekterkennung für Fahrzeuge

Trainiert und implementiert YOLO- und Faster-R-CNN-Modelle zur Fahrzeugerkennung in Verkehrsszenen. Bewertet die Erkennungsgenauigkeit unter variierenden Licht- und Verdeckungsbedingungen.

Lektion 2 • Algorithmen zur Multi-Objekt-Verfolgung

Implementiert SORT-, DeepSORT- und Kalman-Filter-basierte Tracker, um Fahrzeuge über Einzelbilder hinweg zu verfolgen. Erzeugt Trajektoriendaten für die Geschwindigkeits- und Verkehrsstärkeschätzung.

Lektion 3 • Grundlagen der Bildverarbeitung

Behandelt Vorverarbeitungsschritte – Rauschunterdrückung, Kontrastverbesserung und morphologische Operationen – angewendet auf Verkehrskamerabilder.

Lektion 4 • Störfall- und Ereigniserkennung aus Video

Erkennt liegengebliebene Fahrzeuge, Falschfahrten und Stauentstehung mittels Videoanalyse. Integriert Alarmmeldungen in die Arbeitsabläufe von Verkehrsmanagementzentralen.

Lektion 1 • Reinforcement Learning für die Signalsteuerung

Formuliert die Knotenpunktsteuerung als Markov-Entscheidungsprozess und trainiert RL-Agenten, um Verlustzeiten zu minimieren. Behandelt Zustandsraumgestaltung, Reward Shaping und Politikbewertung.

Lektion 2 • Grundlagen der Signalsteuerung

Wiederholt Festzeit-, verkehrsabhängige und adaptive Signalsteuerungsstrategien und deren Leistungskompromisse. Etabliert die Basis, an der KI-Methoden gemessen werden.

Lektion 3 • Bereitstellung und Leistungsüberwachung

Behandelt Verfahren zur Feldimplementierung, A/B-Testing-Protokolle und die kontinuierliche Leistungsüberwachung für live eingesetzte Signal-KI-Systeme.

Lektion 4 • Multi-Agenten-Koordination in Netzwerken

Erweitert die Einzelknoten-RL auf koordinierte Multi-Agenten-Systeme entlang von Hauptverkehrsachsen. Adressiert Kommunikation, Grüne-Welle-Progression und Konfliktlösung.

Lektion 1 • Störfallmanagement und Reaktion

Integriert KI-Erkennung, Auswirkungsprognose und automatisierte Umleitung, um störfallbedingte Verlustzeiten zu minimieren. Behandelt Entscheidungsunterstützungstools für Operatoren.

Lektion 2 • Strategische Leistungsbewertung

Definiert netzwerkweite KPIs, Frameworks für Szenarienvergleiche und Protokolle zur Langzeitüberwachung für KI-Verkehrssysteme.

Lektion 3 • Nachfrageprognose und -management

Prognostiziert die Quelle-Ziel-Nachfrage mit ML-Modellen und wendet Strategien des Nachfragemanagements an, um Spitzenlaststaus zu reduzieren.

Lektion 4 • Multimodale Netzwerkkoordination

Optimiert die Interaktionen zwischen Straßen-, öffentlichem und aktivem Verkehr mithilfe gemeinsamer Datenplattformen. Verbessert die systemweite Mobilität und reduziert die Nachfrage nach Alleinfahrten.