Tidlige test af et nyt maskinlæringssystem fra Google har vist noget løfte i at forbedre trafiksignalmønstre. Green Light-projektet modellerer trafikmønstre for at give optimale trafiklyssekvenser ved at bruge maskinlæring og kunstig intelligens. Ifølge Scientific American har tidlige eksperimenter ført til noget forbedret trafikstrømmen på nogle overbelastede ruter i Seattle. Transportmyndighederne i Seattle udtalte, at Green Light verificerede kendte chokerplaceringer, hjalp med at opdage trafikflaskehalse og gav praktiske anbefalinger.
Googles prøveprogram for Green Light, som blev introduceret i efteråret 2023, testes i trafiktunge metropoler som Rio de Janeiro og Kolkata samt i Seattle og tolv andre byer, herunder Hamborg. Under disse eksperimenter bliver trafiksignalsekvenser modificeret af lokale trafikingeniører baseret på anbefalinger fra systemet. Initiativets mål er at forkorte ventetider i trafiklys, forbedre trafikafviklingen på nøgleveje og kryds og i sidste ende reducere udledningen af drivhusgasser. Ifølge Google tyder foreløbige undersøgelser på, at CO2-emissioner kan reduceres med 10 %, og trafiklysstop kan reduceres med op til 30 %.
I sin kerne er Green Light en kunstig intelligens (AI) model, der er tilpasset til hvert vejkryds under hensyntagen til elementer som dets layout, køre- og standsevaner, trafiklystidspunkter og samspillet mellem signal- og trafiksystemer. Teknologien skaber anbefalinger baseret på disse mønstre, som byplanlæggere kan få adgang til via en dedikeret grænseflade. Projektets manglende behov for dyre faste sensorer eller løbende overvågning på stedet er et stort plus. Tværtimod gør den brug af allerede eksisterende Google Maps trafikdata, som er indsamlet fra kørende biler og smartphonebrugere, der fungerer som "mobilsensorer."
Green Lights forslag er dog ikke altid pålidelige. Direktøren for University of Michigan's Transportation Research Institute, Henry Liu, er mere forsigtig omkring teknologien. Selvom Green Light var i stand til at reducere ventetider i kryds i Birmingham med 20 til 30 procent, påpeger Liu, at graden af effektivitet varierer afhængigt af udgangspunktet. I Birmingham, for eksempel, følger trafiklys fastlagte køreplaner, der er baseret på forældede trafikoplysninger. Fordelene for miljøet kan også diskuteres, fordi ifølge regeringsdata, biler i tomgang og trafikpropper kun tegner sig for omkring 2 % af de trafikrelaterede emissioner i USA. I virkeligheden bruger biler, der kører hurtigere end hastighedsgrænsen, meget mere brændstof end biler, der er standset ved rødt lys.
Derudover undlader Green Light at tage højde for komplekse elementer, der kan føre til mindre nyttige anbefalinger, såsom at krydse bus- og cykelbaner, sporvogne eller travle fodgængerfelter. En lyskrydsjustering i Seattle måtte vendes, da den til sidst viste sig at være ineffektiv. En anden testby, Manchester, har trafikingeniører, der rutinemæssigt beslutter sig for at ignorere Googles råd, da trafiksignalerne der nogle gange målrettet er programmeret til at favorisere busser eller til at få pendlere i boligområder til at tage ekstra tid i betragtning. AI's strategi med at reducere stop ved krydsninger kan modvirke det i nogle situationer.