DE 
EnglishStandard
Українська
Polski🚦 Adaptiver Ampel-Zwilling
Interaktiver digitaler Ampel-Zwilling: Ein 3×3-Straßenraster läuft mit Festzeit- oder warteschlangenbewusster adaptiver Steuerung — beobachten Sie, wie Stau und durchschnittliche Wartezeit in Echtzeit auseinanderdriften.
Über den adaptiven Ampel-Zwilling
Diese Simulation ist ein kleiner digitaler Zwilling eines Straßennetzes: ein 3×3-Raster signalisierter Kreuzungen, verbunden durch Zweirichtungsstraßen. Fahrzeuge entstehen an den zwölf Randeinfahrtspunkten mit einstellbarer Ankunftsrate, werden zu einem zufälligen Ausfahrtspunkt geroutet und stauen sich physisch hinter roten Ampeln — Autos stapeln sich Stoßstange an Stoßstange, wenn die Ampel voraus rot ist, und fließen mit begrenzter Rate weiter, sobald sie grün wird, genau wie auf einer echten Anfahrspur.
Zwei Ampelsteuerungsstrategien können ausgeführt und verglichen werden. Festzeit-Steuerung schaltet jede Kreuzung nach starrem Zeitplan zwischen Nord-Süd-Grün und Ost-West-Grün um, unabhängig von der Nachfrage. Adaptive Steuerung nutzt eine einfache verkehrsabhängige Regel: Jede Kreuzung liest die aktuelle Warteschlangenlänge jeder Anfahrt und hält die aktuelle Richtung grün, solange noch Verkehr wartet und die maximale Grünzeit noch nicht erreicht ist; sobald dieses Limit erreicht ist oder die Warteschlange auf der roten Anfahrt die der grünen übersteigt, wird umgeschaltet. Führen Sie jeden Modus aus, beobachten Sie Fahrzeuge im System, abgeschlossene Fahrten, durchschnittliche Wartezeit und Durchsatz live und vergleichen Sie die resultierende durchschnittliche Wartezeit zwischen beiden Strategien, sobald Sie beide ausgeführt haben.
Häufig gestellte Fragen
Was bedeutet „adaptive“ oder verkehrsabhängige Ampelsteuerung in echten Anwendungen tatsächlich?
Eine verkehrsabhängige Ampel nutzt Sensoren — Induktionsschleifen im Straßenbelag, Videoerkennung oder Radar —, um Fahrzeuge auf jeder Anfahrt zu erkennen und die Signalzeiten entsprechend anzupassen, statt einen vorgegebenen festen Zyklus zu fahren. Die einfachste verkehrsabhängige Logik, die diese Simulation implementiert, hält eine Phase grün, solange auf dieser Anfahrt weiter Fahrzeuge eintreffen (Verlängerung bis zu einem Maximum) und schaltet um, sobald sich die Nachfrage zur anderen Anfahrt verlagert. Reale Anwendungen fügen zusätzliche Sensoren einige Sekunden vor der Haltelinie hinzu, damit die Steuerung entscheiden kann, ob sie vor Ankunft des letzten Fahrzeugs im Pulk grün verlängert, um einen unnötigen Stopp zu vermeiden.
Warum verschwenden Festzeit-Ampeln Grünzeit?
Eine Festzeit-Steuerung teilt jeder Richtung einen starren, vorab berechneten Zyklusanteil zu — zum Beispiel 20 Sekunden Nord-Süd und 20 Sekunden Ost-West — basierend auf durchschnittlich erwarteter Nachfrage. Doch echter Verkehr trifft ungleichmäßig ein: Um 2 Uhr nachts erhält eine Richtung mit null Autos trotzdem ihre vollen 20 Sekunden Grün, während die senkrechte Richtung (selbst wenn ebenfalls leer) auf Rot wartet. Zur Rushhour passiert das Gegenteil: Eine stark belastete Richtung erhält trotzdem nur ihren festen Anteil, obwohl die Warteschlange jeden Zyklus wächst. Da der Anteil nicht auf das reagieren kann, was gerade tatsächlich an der Haltelinie wartet, geben Festzeit-Ampeln systematisch Grünzeit an leere Anfahrten, während überlastete Anfahrten überlaufen.
Was ist ein digitaler Zwilling, und wie verhält sich das zur intelligenten Verkehrsplanung in Städten?
Ein digitaler Zwilling ist ein lebendiges, kontinuierlich aktualisiertes Softwaremodell eines physischen Systems — hier ein kleines Straßennetz —, das dessen echte Dynamik eng genug abbildet, um „Was wäre wenn“-Szenarien zu testen, bevor die reale Welt berührt wird. Städtische Verkehrsingenieure bauen deutlich größere Versionen genau dieser Idee (Werkzeuge wie SUMO, VISSIM oder Aimsun), um die Ampeln eines ganzen Stadtbezirks zu simulieren, sie mit echten Sensordaten zu füttern und einen neuen Signalzeitplan oder adaptiven Steuerungsalgorithmus zuerst in der Simulation zu erproben, weil eine schlechte, live eingesetzte Änderung eine Stadt stundenlang lahmlegen kann. Diese Seite ist eine minimale, transparente Version desselben Arbeitsablaufs: ein Modell, das Sie sofort untersuchen, einstellen und neu laufen lassen können.
Warum kann Stau selbst entstehen, wenn die durchschnittliche Nachfrage innerhalb der Netzkapazität liegt?
Verkehrsankünfte sind nicht gleichmäßig — sie kommen in Schüben. Selbst wenn die langfristige durchschnittliche Ankunftsrate bequem unter dem liegt, was das Raster verarbeiten kann, treffen Fahrzeuge nicht in perfekt gleichmäßigen Abständen ein; durch Zufall häufen sich mehrere Autos auf einer Anfahrt, während eine andere leer bleibt. Die Warteschlangentheorie zeigt, dass mit steigender Auslastung (Nachfrage ÷ Kapazität) gegen 1 die Variabilität der Ankünfte Warteschlangenlänge und Wartezeit nicht-linear, nicht linear wachsen lässt — ein Netz, das im Schnitt bei 90 % Kapazität läuft, kann allein durch zufällige Häufung schon deutlich sichtbare Staus erzeugen, weit bevor die „Lehrbuch“-Kapazitätsgrenze erreicht ist. Erhöhen Sie den Ankunftsraten-Regler schrittweise und beobachten Sie, wie Staus entstehen, lange bevor das Raster nominell gesättigt ist.
Was fügt Pittsburghs Surtrac-System über diese vereinfachte Regel hinaus hinzu?
Surtrac, entwickelt an der Carnegie Mellon University und in ganz Pittsburgh im Einsatz, erweitert dieselbe Kernidee — echte Nachfrage lesen, Grün entsprechend zuteilen — um eine dezentrale Optimierungsplanung an jeder Kreuzung, die die Ankunftszeit jedes Fahrzeugs vorhersagt (nicht nur, ob eine Warteschlange existiert) und einen kurzen rollierenden Zeitplan von Phasenwechseln berechnet, der die insgesamt projizierte Verzögerung minimiert, und diesen Plan dann an benachbarte Kreuzungen kommuniziert, sodass sich grüne Wellen dynamisch entlang des Korridors bilden können, statt dass jede Kreuzung allein agiert. Feldversuche berichteten zweistellige prozentuale Reduktionen bei Fahrzeit und Bremsvorgängen. Die Regel dieser Simulation — verlängern, solange die aktuelle Richtung noch Nachfrage hat, sonst zur Seite mit der längeren Warteschlange wechseln — ist der konzeptionelle Keim dieses Systems, ohne die prädiktive Planung oder Kreuzung-zu-Kreuzung-Koordination.
Wie wird „durchschnittliche Wartezeit“ hier definiert und gemessen?
Die Wartezeit (Verzögerung) einer Fahrt ist die gesamte simulierte Zeit, die ein Fahrzeug stillstehend verbrachte — in einer Warteschlange hinter einem anderen Auto oder an einer roten Ampel gestoppt —, summiert über die gesamte Reise vom Einstieg bis zur Ausfahrt, ohne tatsächliche Bewegungszeit. Das entspricht der üblichen verkehrstechnischen Definition der Steuerungsverzögerung an einer Ampel. Die Simulation akkumuliert dies pro Fahrzeug während der Fahrt und rechnet die Wartezeit einer abgeschlossenen Fahrt erst in den laufenden Durchschnitt ein, sobald dieses Fahrzeug sein Ziel erreicht und das Netz verlassen hat, sodass die Statistik „durchschn. Wartezeit“ tatsächlich abgeschlossene Fahrten widerspiegelt, nicht noch wartende Fahrzeuge mitten in der Fahrt.
Wo liegen die Grenzen dieser Simulation im Vergleich zu echten Verkehrstechnik-Modellen?
Dies ist bewusst ein vereinfachtes Modell: Es hat keine Abbiegebeschränkungen jenseits des geroutetenPfads, keine Fußgänger, keine Linksabbiegephasen oder geschützten Abbiegungen, einheitliches Fahrzeugverhalten (keine Lkw, Radfahrer oder unterschiedlich aggressive Fahrer) und eine einzige feste Freiflussgeschwindigkeit mit einer einfachen Mindestabstandsregel für Fahrzeugfolge statt eines kalibrierten Fahrermodells. Echte Werkzeuge wie SUMO oder VISSIM modellieren einzelne Fahrspurgeometrien, Beschleunigungs-/Bremskurven, Reaktionszeiten von Fahrern und validieren Ankunftsmuster gegen gemessene Sensordaten, bevor einer Signalzeitänderung vertraut wird. Was diese Simulation treu bewahrt, ist der Kernmechanismus, der adaptive Steuerung besser macht als Festzeit-Steuerung: den echten Warteschlangenzustand lesen und Grünzeit dorthin zuteilen, wo die Nachfrage tatsächlich ist.