ML4RDE - Maschinelles Lernen für reale Fahremissionen

Zielsetzung und Motivation: - Die Schätzung des Energieverbrauchs eines Autofahrers, der eine Straße entlangfährt, basiert derzeit auf statistischen Methoden, die zwar gute, aber nicht sehr genaue Vorhersagen liefern. Im Rahmen dieses Projekts sollen diese Vorhersagen wesentlich präziser werden, ohne dass sie an Erklärbarkeit oder Zuverlässigkeit verlieren. Die Methodik: - Basierend auf realen Fahrerdaten und Kombinationen von Methoden des automatischen und maschinellen Lernens sollen genauere Modelle des Fahrerverhaltens erstellt werden, die präzisere Vorhersagen ermöglichen. Zu Vergleichszwecken wird auch ein reiner Deep-Learning-Ansatz verfolgt. Erwartete Ergebnisse: - Präzisere Fahrermodelle, die in der Lage sind, den Energieverbrauch auf beliebigen Straßen und bei einem bestimmten "Fahrstil" genauer vorherzusagen, wobei der Rechenaufwand gering bleibt und die Berechnung in "Echtzeit" erfolgt (d. h. keine GPUs erforderlich, einige Minuten für die Berechnung).