Yunex Traffic
Yunex Traffic GmbH
Yunex Traffic (ehemals Siemens Mobility Traffic) entwickelt das adaptive Verkehrssteuerungssystem Yutraffic Fusion. Es analysiert Echtzeit-Sensordaten, erstellt kurzfristige Verkehrsprognosen und passt Signalschaltungen automatisch an — ohne manuelle Eingriffe. Das System wurde als erstes dieser Art in Deutschland in Ellwangen (Baden-Württemberg) im Auftrag des Landesverkehrsministeriums eingesetzt.
Kosten: Projektbasiert. Pilotprojekt Ellwangen (BW): ca. 200.000 € inkl. Software, Hardware-Erweiterung und Konfiguration (vollständig Landesförderung). Laufende Betriebskosten je nach Projektgröße.
Stärken
- Einzige in Deutschland pilotierte KI-adaptive Signalsteuerung dieser Komplexität (Stand 2024)
- Integriert ÖPNV, Radverkehr und Fußgänger in die Priorisierungslogik
- Kurzfristige Verkehrsprognose (Stunden-Horizont) ermöglicht proaktive Steuerung
- Deutschsprachiger Support, EU-Datenhaltung
- Erfahrung aus London-Einsatz mit messbaren Ergebnissen (20 % weniger Reisezeit)
Einschränkungen
- Hohe Einstiegsinvestition — für Kleinstädte unter 30.000 Einwohnern kaum wirtschaftlich
- Technische Integration mit vorhandener Verkehrsleitzentrale erforderlich
- Pilot-Phase in Deutschland noch kurz — Langzeit-Daten fehlen
- Abhängigkeit von funktionierenden Sensordaten — schlechte Sensorqualität begrenzt KI-Nutzen
Passt gut zu
So steigst du ein
Schritt 1: Kontaktaufnahme mit Yunex Traffic für eine Bedarfsanalyse — yunextraffic.com/de. Klärung: Wie viele Signalanlagen sind betroffen? Welche Sensordaten liegen vor? Gibt es eine bestehende Verkehrsleitzentrale?
Schritt 2: Machbarkeitsprüfung und Hardware-Audit der vorhandenen Infrastruktur. Yutraffic Fusion lässt sich in viele bestehende Steuergeräte integrieren, aber ein Bestandscheck ist Pflicht.
Schritt 3: Pilotierung auf einem definierten Korridor (z.B. eine Hauptachse mit 8–15 Signalanlagen) mit Messung von Baseline vs. KI-Betrieb über 3–6 Monate.
Ein konkretes Beispiel
In Ellwangen (Baden-Württemberg) steuert Yutraffic Fusion seit 2024 zwölf Signalanlagen entlang der B290 und der südlichen Umgehungsstraße. Das System verarbeitet Sensordaten aus Kameras und Detektoren, erstellt Prognosen für den nächsten Fahrtzeitraum und passt die Grünphasen-Längen entsprechend an. In vergleichbaren Deployments (London) sanken Reisezeiten um bis zu 20 Prozent, Haltezeiten um 15 Prozent. Die Ergebnisse des deutschen Piloten werden nach sechs Monaten durch das Landesverkehrsministerium Baden-Württemberg evaluiert.
Diesen Inhalt teilen:
Empfohlen in 1 Use Cases
Öffentliche Verwaltung
Redaktionell bewertet · Preise und Funktionen können sich ändern.
Stimmt etwas nicht?
Preise geändert, Feature veraltet oder etwas fehlt? Wir freuen uns über Hinweise und Ergänzungen.
Weitere Tools
Augury
Augury
Predictive Maintenance Plattform spezialisiert auf Rotationsmaschinen (Motoren, Pumpen, Ventilatoren). Machine Learning analysiert Vibration und Akustiksignale zur Fehlervorhersage.
Mehr erfahrenBigQuery ML
Google Cloud
Machine-Learning-Erweiterung für Googles Data Warehouse BigQuery. Analysten trainieren Modelle direkt per SQL — ohne Datenbewegung, ohne separaten ML-Stack. Inklusive Forecasting mit TimesFM und Remote-Calls zu Gemini, Vertex AI und Anthropic-Modellen.
Mehr erfahrenBrightrock
Brightrock
ML-Plattform für Kosmetikformulierungen, die Stabilität, Verträglichkeit und Wirksamkeit von Rezepturen vorhersagt, bevor die erste Laborcharge hergestellt wird. Trainiert auf proprietären Formulation-Datenbanken.
Mehr erfahren