Tidiga tester av ett nytt maskininlärningssystem från Google har visat något lovande när det gäller att förbättra trafiksignalsmönster. The Green Light Project modellerar trafikmönster för att ge optimala trafikljussekvenser genom att använda maskininlärning och artificiell intelligens. Enligt Scientific American har tidiga experiment lett till något bättre trafikflödet på några överbelastade rutter i Seattle. Transportmyndigheterna i Seattle uppgav att Green Light verifierade kända choke-platser, hjälpte till att upptäcka trafikflaskhalsar och gav praktiska rekommendationer.
Googles testprogram för Green Light, som introducerades hösten 2023, testas i trafiktunga metropoler som Rio de Janeiro och Kolkata, samt i Seattle och tolv andra städer, inklusive Hamburg. Under dessa experiment modifieras trafiksignalsekvenser av lokala trafiktekniker baserat på rekommendationer från systemet. Initiativets mål är att förkorta trafikljusväntetider, förbättra trafikflödet på viktiga vägar och korsningar och på sikt minska utsläppen av växthusgaser. Enligt Google tyder preliminär forskning på att CO2-utsläppen kan minska med 10 % och trafikljusstoppen kan minskas med upp till 30 %.
I sin kärna är Green Light en artificiell intelligens (AI) modell som är anpassad för varje korsning, med hänsyn till element som dess layout, kör- och stoppvanor, trafikljustider och samspelet mellan signal- och trafiksystem. Tekniken skapar rekommendationer baserade på dessa mönster, som stadsplanerare kan komma åt via ett dedikerat gränssnitt. Projektets bristande behov av dyra fasta sensorer eller löpande övervakning på plats är ett stort plus. Snarare använder den redan existerande trafikdata från Google Maps, som samlas in från rörliga bilar och smartphoneanvändare som fungerar som "mobila sensorer".
Green Lights förslag är dock inte alltid tillförlitliga. Direktören för University of Michigans Transportation Research Institute, Henry Liu, är mer försiktig om tekniken. Även om Green Light kunde minska väntetiderna i korsningar i Birmingham med 20 till 30 procent, påpekar Liu att graden av effektivitet varierar beroende på utgångspunkten. I Birmingham, till exempel, följer trafikljusen fastställda tidtabeller som är baserade på föråldrad trafikinformation. Fördelarna för miljön kan också diskuteras eftersom, enligt statliga uppgifter, tomgångsbilar och bilköer bara står för cirka 2 % av de trafikrelaterade utsläppen i USA. I själva verket använder bilar som färdas snabbare än hastighetsgränsen mycket mer bränsle än bilar som stannas vid rött ljus.
Dessutom misslyckas Green Light med att ta hänsyn till komplexa element som kan leda till mindre användbara rekommendationer, som att korsa buss- och cykelbanor, spårvagnar eller trafikerade övergångsställen. En trafikljusjustering i Seattle var tvungen att vända eftersom den så småningom visade sig vara ineffektiv. En annan teststad, Manchester, har trafikingenjörer som rutinmässigt bestämmer sig för att ignorera Googles råd eftersom trafiksignalerna där ibland är målmedvetet programmerade för att gynna bussar eller för att få pendlare i bostadsområden att ta med extra tid. AI:s strategi att minska antalet stopp vid korsningar kan motverka det i vissa situationer.