Dynamische Parkplatzkonfiguration mit Multi-Agenten-Lernverfahren reduziert Staus

In städtischen Gebieten wird die zunehmende Mobilität immer mehr zu Verkehrsstaus. Die Aufstellung von Parkplätzen auf der Straße schränkt die verfügbare Fahrspur ein und verschärft das Problem.

Forscher haben ein datengetriebenes Optimierungsmodell entwickelt, das die Parkplatzkonfiguration dynamisch anpasst. Dabei nutzt das System Vehicle-to-Infrastructure-Kommunikation, um die Auswirkungen auf den Verkehrsfluss zu minimieren.

Das Herzstück ist ein zweischichtiges Multi-Agenten-Reinforcement-Learning-Framework. Lane‑Level-Agenten bestimmen die optimale Anordnung der Parkplätze für jede Fahrspur, während Block‑Level-Agenten die Lane‑Level-Agenten steuern und dafür sorgen, dass genügend Parkplätze im Block vorhanden bleiben. Für die Lane‑Level-Agenten wurde eine neue Deep‑Q‑Learning‑Architektur entwickelt, die Long‑Short‑Term‑Memory‑Netzwerke und Graph‑Attention‑Netzwerke kombiniert, um räumlich‑zeitliche Zusammenhänge zu erfassen.

Simulationen mit SUMO – sowohl auf synthetischen als auch auf realen Daten aus Melbourne – zeigen, dass das System die durchschnittliche Reisezeitverluste um bis zu 47 % senken kann, ohne dass die Parkplatzverfügbarkeit wesentlich beeinträchtigt wird.