Οι πρώιμες δοκιμές ενός νέου συστήματος μηχανικής εκμάθησης από την Google έδειξαν πολλά υποσχόμενα για τη βελτίωση των μοτίβων σημάτων κυκλοφορίας. The Green Light project μοντελοποιεί μοτίβα κυκλοφορίας για να παρέχει βέλτιστες ακολουθίες φωτεινών σηματοδοτών χρησιμοποιώντας μηχανική μάθηση και τεχνητή νοημοσύνη. Σύμφωνα με τον Scientific American, τα πρώτα πειράματα οδήγησαν σε κάπως βελτίωση κυκλοφοριακή ροή σε ορισμένες διαδρομές με κυκλοφοριακή συμφόρηση στο Σιάτλ. Οι αρχές μεταφορών στο Σιάτλ δήλωσαν ότι το Green Light επαλήθευε γνωστές τοποθεσίες πνιγμού, βοήθησε στον εντοπισμό σημείων συμφόρησης στην κυκλοφορία και πρόσφερε πρακτικές συστάσεις.
Το δοκιμαστικό πρόγραμμα Green Light της Google, το οποίο εισήχθη το φθινόπωρο του 2023, δοκιμάζεται σε μητροπόλεις με μεγάλη κίνηση όπως το Ρίο ντε Τζανέιρο και η Καλκούτα, καθώς και στο Σιάτλ και σε άλλες δώδεκα πόλεις, συμπεριλαμβανομένου του Αμβούργου. Κατά τη διάρκεια αυτών των πειραμάτων, οι ακολουθίες σημάτων κυκλοφορίας τροποποιούνται από τοπικούς μηχανικούς κυκλοφορίας με βάση τις συστάσεις του συστήματος. Οι στόχοι της πρωτοβουλίας είναι να συντομεύσει τους χρόνους αναμονής των φωτεινών σηματοδοτών, να ενισχύσει τη ροή της κυκλοφορίας στους δρόμους και τις διασταυρώσεις και τελικά να μειώσει τις εκπομπές αερίων του θερμοκηπίου. Σύμφωνα με την Google, η προκαταρκτική έρευνα δείχνει ότι οι εκπομπές CO2 ενδέχεται να μειωθούν κατά 10% και οι στάσεις στα φανάρια θα μπορούσαν να μειωθούν έως και 30%.
Στον πυρήνα του, το Green Light είναι ένα μοντέλο τεχνητής νοημοσύνης (AI) που προσαρμόζεται για κάθε διασταύρωση, λαμβάνοντας υπόψη στοιχεία όπως η διάταξη, οι συνήθειες οδήγησης και στάσης, οι χρονισμοί των φαναριών και η αλληλεπίδραση μεταξύ συστημάτων σήματος και κυκλοφορίας. Η τεχνολογία δημιουργεί συστάσεις με βάση αυτά τα μοτίβα, στις οποίες οι πολεοδόμοι μπορούν να έχουν πρόσβαση μέσω μιας αποκλειστικής διεπαφής. Η έλλειψη ανάγκης του έργου για ακριβούς σταθερούς αισθητήρες ή συνεχή επιτόπια παρακολούθηση είναι ένα μεγάλο πλεονέκτημα. Αντίθετα, κάνει χρήση των ήδη υπαρχόντων δεδομένων κίνησης των Χαρτών Google, τα οποία συλλέγονται από κινούμενα αυτοκίνητα και χρήστες smartphone που χρησιμεύουν ως «κινητοί αισθητήρες».
Ωστόσο, οι προτάσεις του Green Light δεν είναι πάντα αξιόπιστες. Ο διευθυντής του Ινστιτούτου Ερευνών Μεταφορών του Πανεπιστημίου του Μίσιγκαν, Henry Liu, είναι πιο προσεκτικός σχετικά με την τεχνολογία. Αν και το Green Light κατάφερε να μειώσει τους χρόνους αναμονής διασταυρώσεων στο Μπέρμιγχαμ κατά 20 έως 30%, ο Liu επισημαίνει ότι ο βαθμός αποτελεσματικότητας ποικίλλει ανάλογα με το σημείο εκκίνησης. Στο Μπέρμιγχαμ, για παράδειγμα, τα φανάρια ακολουθούν καθορισμένα χρονοδιαγράμματα που βασίζονται σε απαρχαιωμένες πληροφορίες κυκλοφορίας. Τα οφέλη για το περιβάλλον είναι επίσης συζητήσιμα, επειδή, σύμφωνα με κυβερνητικά στοιχεία, τα αυτοκίνητα στο ρελαντί και η κυκλοφοριακή συμφόρηση αντιπροσωπεύουν μόνο το 2% περίπου των εκπομπών που σχετίζονται με την κυκλοφορία στην Ηνωμένες Πολιτείες. Στην πραγματικότητα, τα αυτοκίνητα που ταξιδεύουν πιο γρήγορα από το όριο ταχύτητας καταναλώνουν πολύ περισσότερα καύσιμα από τα αυτοκίνητα που σταματούν στα κόκκινα φανάρια.
Επιπλέον, το Πράσινο Φως δεν λαμβάνει υπόψη σύνθετα στοιχεία που μπορεί να οδηγήσουν σε λιγότερο χρήσιμες συστάσεις, όπως η διέλευση λωρίδων λεωφορείων και ποδηλάτων, τραμ ή πολυσύχναστες διαβάσεις πεζών. Μια προσαρμογή φαναριού στο Σιάτλ έπρεπε να αντιστραφεί αφού τελικά αποδείχθηκε αναποτελεσματική. Μια άλλη πόλη δοκιμών, το Μάντσεστερ, έχει μηχανικούς κυκλοφορίας που αποφασίζουν συνήθως να αγνοήσουν τις συμβουλές της Google, καθώς τα σήματα κυκλοφορίας εκεί μερικές φορές προγραμματίζονται σκόπιμα να ευνοούν τα λεωφορεία ή να κάνουν τους μετακινούμενους σε κατοικημένες περιοχές να συνυπολογίζουν τον επιπλέον χρόνο. Η στρατηγική της τεχνητής νοημοσύνης για μείωση των στάσεων στις διασταυρώσεις μπορεί να λειτουργήσει εναντίον της σε ορισμένες περιπτώσεις.