Algorithmic vehicle data analysis as business enabler of electric and distributed mobility

verfasst von

Leonie von Wahl

betreut von

Wolfgang Nejdl

Abstract

Die Installierung von Sensoren in Fahrzeugen sowie der vermehrte Gebrauch mobiler Endgeräte hat in den vergangenen Jahren die Massenerhebung von Mobilitätsdaten ermöglicht. Diese Daten machen den Weg dafür frei, CO2 Emissionen zu reduzieren, die Fahrzeugqualität und -laufzeit zu verbessern, Mobilität für alle zugänglich zu machen und autonomes Fahren einzuführen. Zeitgleich zum Anstieg an erhobenen Mobilitätsdaten haben wir auch eine Entwicklung in Datenanalysemethoden wie dem maschinellen Lernen erlebt. Während neuronale Netze noch vor zehn Jahren nur verhältnismäßig einfache Muster erkennen konnten, wird modernes tiefes Lernen jeden Aspekt des täglichen Lebens revolutionieren und tut dies bereits heute. Der Umgang mit Mobilitätsdaten birgt besondere Herausforderungen: Erstens müssen wir darauf achten, wie wir die Daten erheben. Wir müssen sicherstellen, ein unverzerrtes Gesamtbild zu erhalten. Da tiefes Lernen dazu tendiert, die Verzerrung im Datensatz zu vergrößern, ist es besonders wichtig, aussagekräftige Daten zu sammeln. Außerdem benötigen wir Aufbereitungsmethoden, um die Echtweltdaten für das Training nutzbar zu machen. Zweitens hat die Privatsphäre an Bedeutung gewonnen, weil in der Vergangenheit zahlreiche Missbrauchsmöglichkeiten aufgezeigt wurden. Mobilitätsdaten sind besonders kritisch, da sie den Standort, das Verhalten oder die Missachtung von Verkehrsregeln verraten können. Deswegen müssen wir Mechanismen finden, die die Privatsphäre nicht verletzen und den Nutzern die Herrschaft über ihre Daten lassen. Drittens verursacht der Datentransfer enorme Kommunikationskosten, die ein effektives zentrales Training verhindern. Die vorliegende Dissertation adressiert die genannten Herausforderungen mittels neuer Algorithmen. Wir untersuchen, wie Fahrzeugdatenanalyse neue Geschäftsfelder im Bereich Elektromobilität eröffnen kann. Dazu schlagen wir in Kapitel 3 einen neuartigen Routingalgorithmus zur Umgebungsdatensammlung vor. Der Routingalgorithmus ermöglicht ein Zweitgeschäft für Ride-Hailing Flottendienste. In Kapitel 4 präsentieren wir einen asynchronen föderierten Lernansatz, der die prädiktive Wartung von Flotten ermöglicht. Föderiertes Lernen schützt die Nutzerdaten und reduziert die Kommunikationskosten. Unser asynchrones Aggregierungsschema überwindet die im Transportsektor typischen Herausforderungen von temporärer Nichtverfügbarkeit und Datendisparität. Außerdem entwickeln wir die erste Early-Stopping-Methode für asynchrones föderiertes Lernen. Zuletzt wenden wir uns in Kapitel 5 der Platzierung von Ladesäuleninfrastruktur zu. Wir wenden erstmals bestärkendes Lernen an, um eine optimale Platzierung und Ladetypenkonfiguration zu finden. Dabei berücksichtigen wir die bisher vernachlässigte Möglichkeit, Fahrzeuge privat zu laden.

Organisationseinheit(en)

Forschungszentrum L3S

Typ

Dissertation

Anzahl der Seiten

108

Publikationsdatum

22.01.2025

Publikationsstatus

Veröffentlicht

Ziele für nachhaltige Entwicklung

SDG 11 – Nachhaltige Städte und Gemeinschaften

Elektronische Version(en)

https://doi.org/10.15488/18347 (Zugang: Offen)