Das Management von Verkehrssignalanlagen wird durch „intelligente“ Sensorik und KI zunehmend datengetrieben: Sensoren erzeugen große Datenmengen, die direkt für die Steuerung moderner Lichtsignalanlagen genutzt werden. Darauf aufbauende KI-gestützte Signalsteuerungsalgorithmen können den Grünzeitbedarf prognostizieren und Wartezeiten innerhalb der Signalgruppen optimieren. Ein dafür eingesetztes Reinforcement-Learning-(RL)-Modell weist Grünzeiten so zu, dass die gewichtete Gesamtverspätung im System möglichst stark sinkt; alternativ lassen sich – abgestimmt auf die Mobilitätsstrategie einer Stadt – andere Ziele definieren, was zu einer Anpassung der Grünzeitparameter führt. Das Modell berechnet dafür kontinuierlich die aktuelle Gesamtverspätung aus gemessenen und erwarteten Daten, indem Verzögerungen einzelner Verkehrsteilnehmer über die Signalgruppen aggregiert werden; Prioritäten (z.B. Fußgänger, Radverkehr, Rettungsdienste, ÖV) können über Gewichtungen abgebildet werden. Als Handlung entscheidet das Modell, welche Signalgruppe(n) aktuell Grün erhalten sollen; die Empfehlung wird jedoch nur nach Sicherheits- und Regelprüfung umgesetzt (z.B. keine gleichzeitige Freigabe konfliktierender Ströme). Über die Zeit überwacht das System die Entwicklung der Verspätungen und lernt wiederkehrende Muster, die in zukünftige Entscheidungen einfließen.