Traffic control and optimization have become increasingly critical with the rise of autonomous vehicles and the growing number of cars on the road. Effective traffic management requires a comprehensive understanding of road conditions, often achieved through traffic flow or density predictions using sensors or cameras. However, these data sources are frequently limited and noisy. This thesis proposes a novel approach using a traffic cellular automaton model to generate synthetic data representing various road conditions, classified into three phases according to the three-phase theory. We trained Graph Neural Networks on these synthetic, labeled graphs to predict the state of each road segment over time. The model demonstrated high performance, achieving 93% accuracy and excellent class/phase separation. This work contributes to traffic control by developing a strong and efficient traffic classification model and generating balanced, comprehensive data for improved traffic management.

Trafikstyrning och optimering har blivit allt viktigare med framväxten av autonoma fordon och det ökande antalet bilar på vägarna. Effektiv trafikhantering kräver en omfattande förståelse för vägförhållandena, vilket ofta uppnås genom trafikflödeseller täthetsprognoser med hjälp av sensorer eller kameror. Dessa datakällor är dock ofta begränsade och brusiga. Denna avhandling föreslår en ny metod som använder en trafikcellulär automatonmodell för att generera syntetiska data som representerar olika vägförhållanden, klassificerade i tre faser enligt trefasteorin. Vi tränade grafneurala nätverk på dessa syntetiska, märkta grafer för att förutsäga tillståndet för varje vägsegment över tid. Modellen visade stark prestanda med 93% noggrannhet och utmärkt klass-/fas-separation. Detta arbete bidrar till trafikstyrning genom att utveckla en robust trafikklassificeringsmodell och generera balanserade, omfattande data för förbättrad trafikhantering.