Verkehrsfluss,
dynamisch.
Zwei aufeinanderfolgende Studien zur Verkehrsoptimierung in Bottrop — von der mit Note 1,1 ausgezeichneten Bachelorarbeit zur geförderten Folgestudie der 11. Research Challenge Sustainability.
Verkehrsfluss-Optimierung Bottrop.
Bachelorarbeit mit Note 1,1 — die Datengrundlage für alles, was danach kam.
Methodik
Drohne. Daten. Simulation.
Datenbasierte Untersuchung der Bottroper Verkehrsknotenpunkte. Drohnenaufnahmen lieferten reale Verkehrsdaten, die in PTV VISSIM als Mikrosimulation rekalibriert wurden. Eine algorithmische Optimierung der Signalpläne wurde gegen den IST-Zustand validiert.
Methodik: PTV VISSIM Mikrosimulation + Algorithmus-Studie. Resultat: deutlich messbare Reduktion von Stau und Emissionen — gerechnet, simuliert, validiert.
Eckdaten
Im Überblick
- Jahr
- 2023
- Note
- 1,1
- Methodik
- PTV VISSIM + Algorithmus
- Datenbasis
- Drohnen-Verkehrszählung
Partner
- ▸Autobahn GmbH
- ▸adesso SE
- ▸Westfälische Hochschule Gelsenkirchen
- ▸Stadt Bottrop
Hauptergebnis
IST vs. SOLL — PTV VISSIM Mikrosimulation
Ziehe den Slider, um den IST-Zustand mit dem optimierten SOLL-Zustand zu vergleichen. Beide Simulationen sind synchronisiert und zeigen denselben Zeitabschnitt.
Ergebnisse
Messbare Wirkung
weniger Stau
gegenüber IST-Zustand
weniger CO₂
durch optimierte Signalpläne
Bachelor-Note
Westfälische Hochschule
Verkehrszählung — Knotenpunkt-Erfassung
Analyse — Datenaufbereitung pro Spur
Was danach kam
Die Studie zeigte: Optimierung ist möglich. Aber statische Schaltpläne stoßen an Grenzen — die nächste Frage war: Wie geht das adaptiv, in Echtzeit, mit Low-Cost-Hardware? Die Antwort entstand 2026 als geförderte Folgestudie.
Weiter zu SmartFlowSmartFlow —
adaptive Verkehrssteuerung.
Folgeprojekt der Bachelorarbeit. Die statische VISSIM-Studie zeigte das Potenzial — SmartFlow erforscht jetzt, wie Verkehr in Echtzeit adaptiv geregelt werden kann: Low-Cost-Sensorik kombiniert mit Reinforcement-Learning-Modellen für Edge-Inferenz.
Problemstellung
Warum überhaupt?
Starre Ampelschaltungen
Schaltpläne stammen oft noch aus den 1990ern und passen sich nicht an aktuellen Verkehr an.
4,2 min Wartezeit
Durchschnittliche Wartezeit pro Kreuzung in der innerstädtischen Hauptverkehrszeit.
23 % unnötige Emissionen
CO₂-Mehrausstoß durch Stop-and-Go-Verkehr an schlecht koordinierten Knoten.
Keine Echtzeitdaten
Planung basiert auf manuellen Zählungen, die teils über 3 Jahre alt sind.
Konzept
Sensorik trifft Reinforcement Learning.
Statt teurer kommerzieller Detektoren kombiniert SmartFlow sechs Low-Cost-Sensoren pro Knoten zu einer multimodalen Erfassung. Ein Reinforcement-Learning-Modell trainiert auf realen Verkehrszählungen und optimiert Signalpläne in Echtzeit über Edge-Inferenz.
Ziel: ein Forschungsprototyp, der den Sprung vom statischen Optimierungsansatz der Bachelorarbeit zum vollständig adaptiven System macht — bei Bauteilkosten unter 110 € pro Knoten.
Architektur
Stack
- FastAPI (Python 3.12+) Backend
- React 18 + Vite 5 Frontend
- Eclipse SUMO Mikrosimulation
- PostgreSQL + TimescaleDB
- MQTT Sensor-Bus
- Reinforcement-Learning Edge-Pipeline
Sensorik
Sechs Sensoren · ein Knoten
Multimodale Erfassung zu Forschungs-Hardware-Kosten von ~103 € pro Standort.
Radar
77 GHz FMCW · Reichweite 200 m
~ 35 € / Stück
Lidar
2D-Scan · 360° · 30 Hz
~ 25 € / Stück
Infrarot
Passiv-IR · 120° FoV
~ 15 € / Stück
Umwelt
CO₂ · NO₂ · PM2.5 · Temp · Feuchte
~ 20 € / Stück
Akustik
MEMS-Mikrofon · dB(A)
~ 5 € / Stück
Magnetometer
3-Achsen · Fahrzeugerkennung
~ 3 € / Stück
Roadmap
5 Phasen · 28 Wochen
01
4 Wochen
Ist-Analyse & Datenerfassung
Bestandsaufnahme der Verkehrsinfrastruktur in Bottrop. Drohnenflüge, Verkehrszählungen und Baseline-Messungen bilden die Grundlage.
- ▸Verkehrszählung an 12 Kreuzungen
- ▸Infrastruktur-Mapping
- ▸Baseline-Messung
02
6 Wochen
Sensorik-Planung & Hardware
Auswahl und Planung der Sensorinfrastruktur. 6 Sensortypen werden für multimodale Verkehrserfassung kombiniert.
- ▸Standortauswahl
- ▸6 Sensortypen spezifiziert
- ▸Netzwerk-Topologie
03
8 Wochen
KI-Modellierung
Entwicklung der Reinforcement-Learning-Modelle für adaptive Signalplanoptimierung. Edge-Inferenz für Echtzeit-Entscheidungen.
- ▸Reinforcement Learning Modell
- ▸Signalplan-Optimierung
- ▸Edge-Inferenz Pipeline
04
4 Wochen
Simulation & Validierung
Digital Twin des Verkehrsnetzes in Eclipse SUMO. A/B-Szenarien validieren die Wirksamkeit der adaptiven Steuerung.
- ▸Digital Twin in SUMO
- ▸A/B-Szenarien
- ▸Sicherheitsvalidierung
05
6 Wochen
Feldtest & Evaluation
Pilotbetrieb an einer Kreuzung mit Live-Monitoring. Wirkungsanalyse bestätigt die simulierten Verbesserungen.
- ▸Pilotkreuzung Bottrop
- ▸Live-Monitoring
- ▸Wirkungsanalyse
Zielwerte
Erwartete Wirkung
CO₂-Emissionen
Wartezeit
Staulänge
Kreuzungen
Sensortypen
Kosten / Knoten
Latenz
Uptime-Ziel
Monitoring
Konsortium
Partner
Westfälische Hochschule
Forschungspartner · Träger
Stadt Bottrop
Infrastruktur · Genehmigungen
Mohammad Alboush
Technische Konzeption & Umsetzung
Zusammenarbeit
Forschung diskutieren?
Du hast ein ähnliches Forschungs- oder Mobilitäts-Vorhaben? Ich freue mich auf den Austausch.