Im Jahre 1990 saßen bei knapp 90% aller Arbeitsfahrten und bei 58% aller anderen Fahrten in den Vereinigten Staaten neben dem Fahrer keine weiteren Passagiere in den Fahrzeugen. Die meisten Fahrzeuge stehen zudem knapp 23 Stunden täglich ungenutzt auf Parkplätzen. Ähnliche Zahlen sind auch für Europa zu erwarten. Daher erscheint es eine logische Folge zu sein, dass CarSharing vor allem in den letzten Jahren zu einem immer größeren Thema – vor allem in Europa – wird.
Auf den Seiten dieser Arbeit wird zunächst genauer auf den Begriff „CarSharing“ und die aktuelle Ausgangslage bei den größeren Dienstleistern eingegangen. Anschließend werden „Activity Recognition“ und „Floating Car Data“ genauer beleuchtet. Im Anschluss wird auf mögliche Dienste für CarSharing Nutzer auf Basis von „Activity Recognition“ und „Floating Car Data“ eingegangen, wobei vor allem das automatische Erkennen von Zielen im Fokus stehen soll. Hierbei werden auch Techniken zum Clustern von Daten miteinander verglichen und deren Nutzen diskutiert. Zum Ende folgt eine Zusammenfassung der Ergebnisse und ein Fazit.
Inhaltsverzeichnis
1 Car Sharing
1.1 Definition des Begriffes
1.2 Aktuelle Ausgangslage bei CarSharing Dienstleistern
2 Activity Recognition und Floating Car Data
2.1 Activity Recognition
2.2 Floating Car Data
3 Mögliche Anwendungsfälle
3.1 Verkehrsflussanalyse und Navigationssystem mit Echtzeitinformationen
3.2 Analyse des Fahrverhaltens und flexibles Preismodell
3.3 Automatisches Erkennen von Zielen
3.3.1 Bestimmen eines geeigneten Zeitrahmens t
3.3.2 Clustern von Zielorten
3.3.2.1 k-Means-Algorithmus
3.3.2.2 BIRCH-Algorithmus
3.3.2.3 DBSCAN-Algorithmus
3.3.2.4 Algorithmus nach Ashbrook et al.
3.4 Verfügbarkeitsprognosen von Fahrzeugen
4 Zusammenfassung und Fazit
Zielsetzung & Themen
Die Arbeit untersucht das Potenzial der Kombination von "Activity Recognition" mit "Floating Car Data" (FCD) im Kontext von CarSharing-Diensten, um neue, nutzerzentrierte Anwendungen zu ermöglichen und die Effizienz des CarSharing-Betriebs zu steigern.
- Grundlagen und Definitionen von CarSharing sowie Activity Recognition.
- Technologien zur Erhebung und Nutzung von Floating Car Data.
- Anwendungsbeispiele für Echtzeit-Verkehrsinformationen und Navigationssysteme.
- Methoden zur automatischen Identifikation von Nutzerzielen mittels Clustering-Algorithmen.
- Optimierung von Fahrzeugverfügbarkeitsprognosen durch datengestützte Analysen.
Auszug aus dem Buch
3.3.2.3 DBSCAN-Algorithmus
Der DBSCAN-Algorithmus (Density-Based Spatial Clustering of Applications with Noise) ist ein dichtebasiertes Verfahren, d.h. man geht davon aus, dass die Dichte im Inneren eines Clusters höher ist als außerhalb eines Clusters. Zunächst müssen jedoch zwei Werte definiert werden: Die Mindestanzahl an Objekten für einen Cluster (MinPts) und ein Bereich, in dem diese Mindestanzahl vorhanden sein muss (ε). Zwei Punkte die maximal den Abstand ε haben, sind Nachbarn. Ein Punkt gilt als „dicht“, wenn er mindestens MinPts Nachbarn hat. Punkte, die nicht genug Nachbarn haben um als „dicht“ zu gelten, werden als „Rauschen“ erkannt und für das eigentliche Clustern nicht mehr in Betracht gezogen. Sollte ein Punkt von mehr als einem Cluster erreichbar sein, so wird dieser zufällig einem Cluster zugeteilt (vgl. Ester et al., 1996, S. 4). Der Ablauf des Algorithmus kann durch folgenden Pseudocode beschrieben werden:
DBSCAN (SetOfPoints, Eps, MinPts) // SetOfPoints is UNCLASSIFIED ClusterId := nextId(NOISE); FOR i FROM 1 TO SetOfPoints.size DO Point := SetOfPoints.get(i); IF Point.ClId = UNCLASSIFIED THEN IF ExpandCluster(SetOfPoints, Point, ClusterId, Eps, MinPts) THEN ClusterId := nextId(ClusterId) END IF END IF END FOR END; // DBSCAN
Zusammenfassung der Kapitel
1 Car Sharing: Einführung in die CarSharing-Branche, deren Geschäftsmodell und die aktuelle Marktsituation in Deutschland.
2 Activity Recognition und Floating Car Data: Erläuterung der zugrunde liegenden Konzepte zur automatisierten Analyse von Nutzerverhalten sowie der Gewinnung von Verkehrsdaten durch mobile Sensoren.
3 Mögliche Anwendungsfälle: Vorstellung konkreter digitaler Dienste für CarSharing-Nutzer basierend auf Verkehrsdatenanalyse, Nutzerzielerkennung und Verfügbarkeitsprognosen.
4 Zusammenfassung und Fazit: Resümee über die Synergieeffekte von Activity Recognition und FCD sowie ein Ausblick auf die zukünftige Marktentwicklung.
Schlüsselwörter
CarSharing, Activity Recognition, Floating Car Data, FCD, Verkehrsflussanalyse, Navigationssystem, Clustering, k-Means, BIRCH, DBSCAN, Zielortserkennung, Fahrzeugverfügbarkeit, Mobilität, GPS-Daten, Nutzerverhalten
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit beschäftigt sich mit der Integration moderner Datentechnologien wie Activity Recognition und Floating Car Data in CarSharing-Dienste.
Was sind die zentralen Themenfelder?
Die Schwerpunkte liegen auf der Analyse von Verkehrsflüssen, dem Fahrerverhalten, der automatischen Identifikation von Zielorten und der Verbesserung der Fahrzeugverfügbarkeit.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist es aufzuzeigen, wie durch die Analyse gesammelter Bewegungs- und Sensordaten neue Dienste entwickelt werden können, die den Nutzen für CarSharing-Kunden erhöhen.
Welche wissenschaftlichen Methoden werden verwendet?
Die Arbeit basiert auf einer Literaturrecherche und der Analyse verschiedener Clustering-Algorithmen (k-Means, BIRCH, DBSCAN), um GPS-Daten sinnvoll zu gruppieren.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in die technologischen Grundlagen, die praktische Anwendung zur Verkehrsflussoptimierung, Analyse des Fahrerverhaltens und Algorithmen zur Zielortbestimmung.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die zentralen Schlagworte umfassen CarSharing, Activity Recognition, Floating Car Data, GPS-Clustering und Verkehrsflussanalyse.
Warum ist die Bestimmung des Zeitparameters t bei der Zielerkennung entscheidend?
Der Parameter t legt fest, ab welcher Verweildauer an einem Ort dieser als relevanter Zielort gewertet wird; eine falsche Wahl führt entweder zu einer zu hohen oder zu geringen Anzahl erkannter Ziele.
Warum wird der DBSCAN-Algorithmus als vorteilhaft gegenüber k-Means eingestuft?
DBSCAN erfordert im Gegensatz zu k-Means keine vorherige Kenntnis der Clusteranzahl und kann Rauschen in den Daten besser identifizieren.
- Arbeit zitieren
- Daniel Seidl (Autor:in), 2010, Welche Dienste für CarSharing Nutzer erlaubt Activity Recognition?, München, GRIN Verlag, https://www.hausarbeiten.de/document/167313
