-
Die Erfindung betrifft ein computer-implementiertes Verfahren und ein Hardwaremodul zur Klassifizierung von Fahrten eines Fahrzeugs für ein Fahrtenbuch, ein computer-implementiertes Verfahren und ein Hardwaremodul zum maschinellen Lernen einer Klassifizierung von Fahrten eines Fahrzeugs für ein Fahrtenbuch, sowie entsprechende Computerprogrammprodukte.
-
Ein Fahrtenbuch kann in Form eines elektronischen Fahrtenbuchs oder eines gedruckten Fahrtenbuchs bzw. -hefts geführt werden, um die mit einem Fahrzeug zurückgelegten Fahrten zu notieren. Bei einem gedruckten Fahrtenbuch muss der Fahrer eine Fahrt händisch eintragen, was zeitintensiv ist. Dabei muss der Fahrer die Fahrt möglichst genau und korrekt dokumentieren. Inzwischen gibt es elektronische Fahrtenbücher, welche Informationen wie das Datum, die Uhrzeit, die Fahrzeit der Fahrt und die Länge der Strecke automatisch erfassen bzw. verarbeiten können. Jedoch muss der Fahrer auch hier selbstständig eine Fahrt als privat und/oder beruflich einstufen. Wird das Fahrzeug von mehreren Fahrern genutzt, müssen die Fahrten auch noch von den Fahrern den jeweiligen Fahrerprofilen zugeordnet werden. Schließlich muss der Fahrer weitere Informationen händisch angeben, wenn ein Umweg gefahren wurde.
-
Es gibt verschiedene Anbieter für ein elektronisches Fahrtenbuch auf Basis eines On-Board-Diagnostics-, OBD-Adapters (z.B. www.pace.car/de), die mit einer monatlichen Grundgebühr Fahrzeugdaten des Fahrzeugs an ein externes Endgerät übertragen, um diese dort auszuwerten. Ein solches Endgerät kann ein Mobilgerät sein. Neben der Grundgebühr ist eine Datenverbindung zwischen dem Fahrzeug und dem Endgerät notwendig, sodass es zu einem erhöhten Datenvolumenverbrauch und Akkuverbrauch des Endgeräts kommen kann. Auch bei dieser Lösung muss ein Fahrer händisch die Fahrt als privat und/oder beruflich einstufen und Informationen zu möglichen Umwegen angeben. Schließlich muss ein OBD-Adapter oft erst als Zusatz für ein bestehendes Fahrzeug erworben und fachmännisch installiert werden. Neben den Anschaffungskosten können OBD-Adapter auch während eines Stillstands des Fahrzeugs aktiviert bzw. aktiv sein, wobei diese OBD-Adapter keinen Sleepmode aufweisen. Dies kann zu einem erhöhten Energieverbrauch für das Fahrzeug führen. Insbesondere kann eine Belastung der Fahrzeugbatterie im Ruhezustand des Fahrzeugs erfolgen. Alternativ gibt es auch Apps für das Smartphone zum Tracken von Fahrten, wobei auch hier händisch eine Fahrt klassifiziert werden muss (z.B. www.kfz-fahrtenbuch.de). Für das Tracken wird eine Datenverbindung des Smartphones benötigt, was zu einem erhöhten Datenvolumenverbrauch und Akkuverbrauch führen kann.
-
Es ist daher die Aufgabe der vorliegenden Erfindung, eine automatisierte Klassifizierung von Fahrten eines Fahrzeugs bereitzustellen, die einen oder mehrere der zuvor genannten Nachteile aufwiegt.
-
Diese Aufgabe wird gelöst durch ein computer-implementiertes Verfahren zur Klassifizierung von Fahrten eines Fahrzeugs für ein Fahrtenbuch. Das Verfahren umfasst ein Erhalten von Fahrtinformationen einer aktuellen Fahrt eines Fahrzeugs, die zumindest einen Start, ein Ziel und eine aktuelle Fahrstrecke der aktuellen Fahrt umfassen und ein Bestimmen zumindest einer Klassifizierung der aktuellen Fahrt mittels eines Klassifizierungsalgorithmus, der auf Trainingsdaten umfassend zumindest eine klassifizierte Lernfahrt mit einem Start und einem Ziel und eine Lernstrecke der Lernfahrt basiert und Relationen zwischen zumindest einer Klassifizierung der Lernfahrt, einem Ziel der Lernfahrt, der Lernstrecke, der aktuellen Fahrstrecke und dem Ziel der aktuellen Fahrt bestimmt. Das Verfahren umfasst weiter ein Ausgeben einer Klassifizierungsinformation für das Fahrtenbuch, welche die klassifizierte aktuelle Fahrt und die zumindest eine Klassifizierung der aktuellen Fahrt charakterisiert.
-
Mittels des zuvor beschriebenen Verfahrens ist es möglich, automatisiert eine aktuelle Fahrt eines Fahrzeugs für ein Fahrtenbuch zu klassifizieren. Dabei kann es sich um ein elektronisches Fahrtenbuch handeln. Alternativ können die Klassifizierungsinformationen bereitgestellt und in einem ausgedruckten Fahrtenbuch ausgedruckt abgeheftet werden. Folglich wird der Prozess des Erfassens einer Fahrt für ein Fahrtenbuch vereinfacht und es können Zeit und Kosten gespart werden, da kein zusätzlicher OBD-Adapter verwendet werden muss. Modernere Fahrzeuge mit Konnektivität umfassen bereits Mittel zum Erfassen und Aufzeichnen einer Fahrt, sodass diese Informationen ohne weitere Mittel direkt verwendet werden können und keine zusätzliche Hardware verwendet werden muss.
-
Unter einer aktuellen Fahrt ist eine Fahrt zu verstehen, die gerade mit dem Fahrzeug gefahren wird, eine Fahrt die als nächstes gefahren wird oder als letztes mit dem Fahrzeug gefahren wurde.
-
Die Fahrtinformationen können weiter Koordinaten des Fahrzeugs entlang der aktuellen Fahrstrecke der aktuellen Fahrt umfassen und/oder die Trainingsdaten können weiter Koordinaten der Lernstrecke der Lernfahrt umfassen. Der Klassifizierungsalgorithmus kann die Relationen weiter basierend auf den Koordinaten der Lernstrecke und/oder den Koordinaten der aktuellen Fahrstrecke bestimmen.
-
Das Klassifizierungsalgorithmus kann die Relationen weiter basierend auf dem Start der Lernfahrt und/oder dem Start der aktuellen Fahrt bestimmen.
-
Unter einer Fahrstrecke ist eine Distanz zwischen einem Anfangs- und einem Endpunkt, insbesondere zwischen einem Start und einem Ziel einer Fahrt zu verstehen und kann beispielsweise in Kilometern oder Metern angegeben sein.
-
Die Koordinaten des Fahrzeugs entlang der aktuellen Fahrstrecke können in Form von GPS-Daten erhalten werden. Eine Fahrt kann durch Karteninformationen zusammen mit den GPS-Daten beschrieben sein. Die Karteninformationen können von einem Navigationsgerät des Fahrzeugs und/oder einem lokalen oder externen Netzwerk oder einer Cloud erhalten werden.
-
Die Klassifizierungsinformationen können in Form eines Ausgabesignals bereitgestellt werden, insbesondere an ein elektronisches Fahrtenbuch. Die Klassifizierungsinformationen charakterisieren die klassifizierte Fahrt und die zumindest eine Klassifizierung der aktuellen Fahrt, das bedeutet, dass die Klassifizierungsinformationen Informationen über die klassifizierte Fahrt und die entsprechende Klassifizierung umfassen können und/oder in einer Datenstruktur bereitgestellt werden, welche auf die klassifizierte Fahrt und die entsprechende Klassifizierung hinweisen.
-
Der Klassifizierungsalgorithmus basiert auf den Trainingsdaten umfassend zumindest die klassifizierte Lernfahrt mit dem Start und dem Ziel und die Lernstrecke der Lernfahrt. Die Trainingsdaten sind als Datensatz zu verstehen, welche die zumindest eine vergleichbare Lernfahrt umfassen. Somit kann der Klassifizierungsalgorithmus diese Lernfahrt mit der aktuellen Fahrt vergleichen, um eine Klassifizierung der aktuellen Fahrt zu bestimmen. Die Trainingsdaten können weiter zum Trainieren des Klassifizierungsalgorithmus verwendet werden, wie später genauer in Bezug auf einen Maschinenlernalgorithmus und ein Bayessches Netz erläutert wird.
-
Die zumindest eine klassifizierte Lernfahrt kann bereits als klassifizierte Lernfahrt bereitgestellt sein. Alternativ oder zusätzlich kann die zumindest eine klassifizierte Lernfahrt von einem Fahrer des Fahrzeugs klassifiziert werden oder worden sein. Alternativ oder zusätzlich kann die zumindest eine klassifizierte Lernfahrt durch den Klassifizierungsalgorithmus klassifiziert worden sein.
-
Der Klassifizierungsalgorithmus kann ein Maschinenlernalgorithmus sein. Insbesondere kann es sich dabei um ein neuronales Netz oder einen Random Forest Algorithmus handeln. Der Klassifizierungsalgorithmus kann mittels überwachten Lernens trainiert werden.
-
Die Trainingsdaten können eine Vielzahl von klassifizierten Lernfahrten mit jeweils einem Start, einem Ziel, Lernstrecken und/oder Koordinaten der Lernstrecken der Vielzahl von klassifizierten Lernfahrten umfassen. Je größer die Vielzahl von klassifizierten Lernfahrten, desto größer ist der vergleichbare Datenpool an Fahrstrecken. Bei einem Maschinenlernalgorithmus ergibt sich aus einem größeren Datenpool eine verbesserte Genauigkeit der Klassifizierung.
-
Die zuvor und nachfolgend genannten Lernfahrten und die Trainingsdaten können händisch von einem Fahrer bzw. einem Benutzer eingegeben werden und/oder von einer Quelle erhalten werden, wie einem mobilen Endgerät, einem Navigationsgerät, einem Computer, einem lokalen oder externen Netzwerk oder einer Cloud.
Das Verfahren kann weiter ein Clustern der Ziele und/oder Starts der klassifizierten Lernfahrten umfassen, wobei der Klassifizierungsalgorithmus die Relationen weiter basierend auf den geclusterten Zielen und/oder Starts bestimmt. Das Clustern der Ziele und/oder Starts der klassifizierten Lernfahrten kann mittels des Klassifizierungsalgorithmus erfolgen.
-
Das Clustering kann mittels einem DBSCAN erfolgen oder einen DBSCAN umfassen. Alternativ kann das Clustering ein dichtebasiertes oder ein hierarchisches Clusterverfahren sein. Das Clustering kann ein Teil eines unüberwachten Maschinenlernalgorithmus des Klassifizierungsalgorithmus sein.
-
Weiter kann ein Clustern, insbesondere das Cluster der Starts und/oder Ziele vor dem Bestimmen der zumindest einen Klassifizierung der aktuellen Fahrt erfolgen. Parkt ein Fahrer bei der Arbeit auf unterschiedlichen Parkplätzen des Firmengeländes, können die einzelnen Zielparkplätze des Firmengeländes zu einem Cluster geclustert werden. Folglich wird ein Ziel innerhalb dieses Clusters immer der Firma zugeordnet. Somit können mehrere nah beieinander liegende Ziele und Starts zusammengefasst werden. Dies bietet weiter den Vorteil, dass die verschiedenen Parkpositionen nicht verschiedenen Zielen zugeordnet werden. Dasselbe trifft auf die geclusterten Starts zu. Ein weiterer Vorteil ergibt sich aus der GPS-Ungenauigkeit, mit der die Position des Fahrzeugs erfasst wird. Selbst wenn der Fahrer das Fahrzeug immer auf exakt demselben Parkplatz abstellt, könnten aufgrund der GPS-Ungenauigkeit unterschiedliche Starts und/oder Ziele ermittelt werden. Durch das Clustern der Starts und/oder Ziele wird dieser GPS-Ungenauigkeit entgegengewirkt. Die Trainingsdaten können eine Vielzahl von historisch aufgezeichneten Fahrten des Fahrzeugs umfassen, die von zumindest einem Fahrer des Fahrzeugs oder einer Testperson klassifiziert wurden. Unter historisch aufgezeichneten Fahrten sind Fahrten des Fahrzeugs zu verstehen, die bereits in der Vergangenheit erfolgt sind und vor der aktuellen Fahrt stattgefunden haben. Die historisch aufgezeichneten Fahrten können historisch aufgezeichnete Fahrstrecken und/oder Koordinaten entlang der historisch aufgezeichneten Fahrstrecken umfassen. Die Trainingsdaten können Point-of-Interest-, Pol-, Informationen entlang der zumindest einen klassifizierten Lernfahrt, entlang Fahrstrecken der Vielzahl von historisch aufgezeichneten Fahrten und/oder entlang der Lernstrecken umfassen. Alternativ oder zusätzlich können die Trainingsdaten Fahrzeiten der zumindest einen klassifizierten Lernfahrt, der Fahrstrecken der Vielzahl von historisch aufgezeichneten Fahrten und/oder der Lernstrecken umfassen. Mittels der Vielzahl von historisch aufgezeichneten Fahrten, der Pol-Informationen und der Fahrzeiten kann eine Genauigkeit des Klassifizierungsalgorithmus verbessert werden. Weiter kann durch Einbeziehen weiterer Informationen, wie den Pol-Informationen die Trainingsdatenmenge bzw. die Anzahl der Trainingsdaten reduziert werden, die für eine hohe Genauigkeit notwendig sind.
-
Das Verfahren kann weiter ein Bestimmen umfassen, dass die aktuelle Fahrstrecke zumindest einen Umweg umfasst. Die Trainingsdaten können zumindest eine klassifizierte Vergleichslernfahrt mit dem Start und dem Ziel der aktuellen Fahrt und Koordinaten einer Vergleichsstrecke der klassifizierten Vergleichslernfahrt umfassen, wobei ein Umweg eine Abweichung der aktuellen Fahrstrecke von der Vergleichsstrecke ist. Das Verfahren kann weiter ein Erhalten von Verkehrsinformationen und/oder Pol-Informationen entlang der Vergleichsstrecke und entlang der aktuellen Fahrstrecke umfassen, wobei der Klassifizierungsalgorithmus weiter basierend auf den Verkehrsinformationen und/oder Pol-Informationen die Relationen bestimmt. Das Verfahren kann weiter ein Klassifizieren des zumindest einen Umwegs mittels des Klassifizierungsalgorithmus; und ein Bestimmen zumindest einer Begründung für den zumindest einen Umweg basierend auf den Verkehrsinformationen und/oder Pol-Informationen umfassen, wobei die Klassifizierungsinformationen weiter den Umweg und die zumindest eine bestimmte Begründung charakterisieren. Die Schritte des Bestimmens, dass die aktuelle Fahrstrecke zumindest den Umweg umfasst, des Erhaltens von Verkehrsinformationen und/oder Pol-Informationen und Bestimmen der zumindest einen Begründung kann mittels des Klassifizierungsalgorithmus erfolgen. Das Charakterisieren einer Fahrstrecke bzw. eines Umwegs kann ein angeben der Strecke, insbesondere in Form der gefahrenen Kilometer sein.
-
Unter dem Umweg ist eine Abweichung von der Vergleichslernfahrt zu verstehen. Die Abweichung kann 5% betragen. Die Abweichung kann durch einen Benutzer eingestellt werden, um beispielsweise eine Abweichung von 10% einzustellen. Die Abweichung kann einer von einem Gesetzgeber vorgegebenen Abweichung entsprechen. Da die Vergleichslernfahrt und die aktuelle Fahrt den gleichen Start und das gleiche Ziel aufweisen, können die zwischen dem Start und dem Ziel liegenden Strecken vergleichen werden. Eine Abweichung der Vergleichsstrecke von der aktuellen Fahrstrecke kann ein Umweg sein, insbesondere wenn die Abweichung mehr als 5% beträgt, für den es verschiedene Gründe geben kann. Ein Umweg kann aufgrund eines Staus, einer Baustelle oder einer Sperrung eines Teils der Fahrstrecke sinnvoll sein. Basierend auf den Verkehrsinformationen kann darauf geschlossen werden, ob ein solcher Stau, eine solche Baustelle oder eine solche Sperrung vorliegt. Folglich wird eine andere Strecke gewählt, um möglicherweise schneller an das Ziel zu gelangen. Es können auch andere bzw. weitere Gründe für den Umweg geben. Beispielsweise kann durch einen kurzen Umweg auf der täglichen Strecke zur Arbeit des Fahrers ein Supermarkt erreicht werden. Der Supermarkt kann durch die Pol-Informationen erkannt werden. Somit ist es möglich, einen Umweg automatisiert zu erkennen und zugleich eine Begründung für den Umweg anzugeben.
-
Die Vergleichslernfahrt kann eine historisch aufgezeichnete Fahrstrecke von dem Start zu dem Ziel der aktuellen Fahrt, eine kürzeste Strecke von dem Start zu dem Ziel und/oder eine schnellste Strecke von dem Start zu dem Ziel sein. Die Vergleichslernfahrt kann eine Fahrstrecke sein, die in der Vergangenheit mehrmals gefahren wurde.
-
Die aktuelle Fahrt als auch die Vergleichslernfahrt können mehr als einen Umweg aufweisen, wobei jeder dieser Umwege klassifiziert und eine Begründung für den jeweiligen Umweg angegeben werden kann.
-
Die Klassifizierung der aktuellen Fahrt bzw. einer Lernfahrt und Vergleichslernfahrt kann auf eine beruflich bedingte und/oder eine privat bedingte Fahrt hinweisen. Insbesondere kann die Klassifizierungsinformation eine Fahrt als beruflich und/oder privat bedingt charakterisieren, sodass diese in dem Fahrtenbuch und bei dem Finanzamt entsprechend geltend gemacht werden kann. Alternativ oder zusätzlich kann eine Klassifizierung eines Umwegs auf einen beruflich bedingten oder privat bedingten Umweg hinweisen. Beispielsweise kann eine Fahrt von der Wohnung zu dem Arbeitgeber eine beruflich bedingte Fahrt sein, wobei unterwegs ein Umweg zu einem Supermarkt genommen wurde. Dieser Umweg kann als privat bedingt klassifiziert werden.
-
Die zumindest eine Begründung für einen beruflich bedingten Umweg kann zumindest eines der folgenden umfassen: einen Stau, eine Baustelle und/oder eine Sperrung entlang der Vergleichslernfahrt; einen Vorschlag eines Navigationssystems, der der aktuellen Fahrstrecke entspricht. Es kann vorkommen, dass aufgrund eines erhöhten Verkehrsaufkommens entlang der eigentlichen geplanten Fahrstrecke von dem Start zu dem Ziel der aktuellen Fahrt es zeitsparender ist, eine andere Fahrstrecke zu wählen, um schneller an das Ziel zu gelangen. Ein solcher Vorschlag kann von dem Navigationssystem oder einem mobilen Endgerät empfangen bzw. gemacht werden.
-
Weiter kann das Verfahren ein Erhalten von Fahrzeuginformationen des Fahrzeugs umfassen, wobei die Fahrzeuginformationen auf zumindest eines von einem Beschleunigungsverhalten eines Fahrers der aktuellen Fahrt, einem Bremsverhalten des Fahrers der aktuellen Fahrt und einem Kraftstoffverbrauch des Fahrzeugs entlang der aktuellen Fahrstrecke hinweisen. Das Verfahren kann weiter ein Erstellen zumindest eines Fahrerprofils basierend auf den Fahrzeuginformationen und/oder Zuordnen der aktuellen Fahrt zu dem zumindest einen erstellen Fahrerprofil basierend auf den Fahrzeuginformationen umfassen.
-
Das Verfahren kann weiter ein Erhalten von historischen Fahrzeuginformationen des Fahrzeugs umfassen, wobei die historischen Fahrzeuginformationen auf zumindest eines von einem Beschleunigungsverhalten eines oder des Fahrers (der aktuellen Fahrt) der historischen Fahrten, einem Bremsverhalten eines oder des Fahrers der historischen Fahrten und einem Kraftstoffverbrauch des Fahrzeugs entlang der historischen Fahrstrecken hinweisen. Die historischen Fahrzeuginformationen können entsprechend den Fahrzeuginformationen weitere Informationen beinhalten.
-
Die Trainingsdaten können weiter Fahrzeiten der Vielzahl von klassifizierten Lernfahrten von dem Start zu dem Ziel der jeweiligen Lernfahrt, Fahrzeiten von historischen Fahrten und/oder eine Fahrzeit der aktuellen Fahrt von dem Start zu dem Ziel der aktuellen Fahrt umfassen.
-
Das Verfahren kann weiter ein Clustern der Fahrzeiten der Vielzahl von klassifizierten Lernfahrten, der Fahrzeiten der historischen Fahrten und/oder der Fahrzeit der aktuellen Fahrt umfassen. Das Clustern kann mittels K-Means erfolgen oder dieses umfassen. Das Clustern kann durch den Klassifizierungsalgorithmus oder einen weiteren Algorithmus, insbesondere einen Maschinenlernalgorithmus erfolgen.
Weiter kann das Verfahren ein Clustern der Fahrzeuginformationen der aktuellen Fahrt, der Lernfahrzeuginformationen und/oder der historischen Fahrzeuginformationen umfassen. Mittels Clustering können ein oder mehrere Fahrerprofile bestimmt und/oder erstellt werden. Das Clustern kann mittels K-Means erfolgen oder dieses umfassen. Weiter kann das Clustern durch den Klassifizierungsalgorithmus oder den weiteren Algorithmus erfolgen.
-
Das Verfahren kann weiter ein Erstellen zumindest eines Fahrerprofils basierend auf den Fahrzeuginformationen der aktuellen Fahrt, den geclusterten Fahrzeuginformationen, Lernfahrzeuginformationen der Lernfahrt, geclusterten Lernfahrzeuginformationen der Lernfahrt, den historischen Fahrzeuginformationen, den geclusterten historischen Fahrzeuginformationen, einer Fahrzeit der aktuellen Fahrt, den Fahrzeiten der Vielzahl von klassifizierten Lernfahrten, den geclusterten Fahrzeiten der Vielzahl von klassifizierten Lernfahrten, den Fahrzeiten der historischen Fahrten und/oder den geclusterten Fahrzeiten umfassen.
-
Alternativ oder zusätzlich kann das Verfahren ein Zuordnen der aktuellen Fahrt zu dem zumindest einen erstellten Fahrerprofil basierend auf den Fahrzeuginformationen, den Lernfahrzeuginformationen, den historischen Fahrzeuginformationen, der Fahrzeit der aktuellen Fahrt, der Fahrzeiten der Vielzahl von klassifizierten Lernfahrten und/oder den zuvor genannten geclusterten Informationen umfassen.
-
Der Schritt des Erstellens des zumindest einen Fahrerprofils und/oder des Zuordnens der aktuellen Fahrt zu dem zumindest einen Fahrerprofil kann mittels des Klassifizierungsalgorithmus erfolgen.
-
Alternativ kann der Schritt des Erstellens des zumindest einen Fahrerprofils und/oder des Zuordnens der aktuellen Fahrt zu dem zumindest einen Fahrerprofil durch den weiteren Algorithmus erfolgen. Der weitere Algorithmus kann ein Maschinenlernalgorithmus sein, der basierend auf Trainingsdaten umfassend Lernfahrzeuginformationen zumindest einer Lernfahrt trainiert und Relationen zwischen den Fahrzeuginformationen der Lernfahrt und den Fahrzeuginformationen der aktuellen Fahrt bestimmt. Der Algorithmus kann weiter die Relationen zwischen den geclusterten Fahrzeuginformationen der Lernfahrt und den geclusterten Fahrzeuginformationen der aktuellen Fahrt bestimmen. Die Lernfahrzeuginformationen können die historischen Fahrzeuginformationen umfassen.
-
Die Trainingsdaten können weiter Lernfahrzeuginformationen der zumindest einen klassifizierten Lernfahrt umfassen und der Klassifizierungsalgorithmus kann weiter die Relationen basierend auf den Fahrzeuginformationen und den Lernfahrzeuginformationen bestimmen.
-
Die Lernfahrzeuginformationen können auf zumindest eines von einem Beschleunigungsverhalten eines Fahrers der aktuellen Fahrt, einem Bremsverhalten des Fahrers der aktuellen Fahrt und einem Kraftstoffverbrauch des Fahrzeugs entlang der aktuellen Fahrstrecke hinweisen. Die Lernfahrzeuginformationen und die Fahrzeuginformationen können alternativ oder zusätzlich zumindest eines von Fuel-and-Consumption-Informationen (Adblue-Stand, Adblue-Verbrauch, Brennstoffverbrauch, Batteriezustand, Tankzustand...), Charging-Informationen (Ladezustand, Ladegeschwindigkeit, aktives Laden...), Vehicle-Health-Informationen (Bremsflüssigkeitsstand, Zustand der Bremsklötze, Ölstand, Service-Intervall...), Positions-Informationen (GPS-Koordinaten, Richtungsangaben...) und Driving-Informationen (Reichweite basierend auf dem aktuellen Fahrverhalten, der voraussichtlichen Strecke und dem Tankstand...) umfassen.
-
Das Verfahren kann ein Ausgeben einer Kontrollnachricht an den Fahrer zu der aktuellen und/oder zu Fahrten der Trainingsdaten umfassen, damit der Fahrer Informationen wie eine Zuordnung zu einem Fahrerprofil und/oder eine Klassifizierung der aktuellen Fahrt und/oder der Fahrten der Trainingsdaten überprüfen kann. Weiter kann das Verfahren ein Empfangen einer Bestätigung oder einer Änderung einer Zuordnung zu einem Fahrerprofil, einer Klassifizierung der aktuellen Fahrt und/oder der Fahrten der Trainingsdaten von dem Fahrer umfassen.
-
Dies kann vorteilhaft sein, wenn basierend auf den Fahrzeuginformationen und den Lernfahrzeuginformationen eine Zuordnung der aktuellen Fahrt nur als bedingt korrekt angenommen wird. Erscheint die Zuordnung nur bedingt wahrscheinlich, beispielsweise zu 80% oder weniger, kann eine Überprüfung durch den Fahrer angefragt werden bzw. erfolgen, um eine eindeutige Zuordnung basierend auf einer Eingabe durch den Fahrer erfolgen. Die bedingte Wahrscheinlichkeit kann durch rechtliche Rahmen definiert sein und in Abhängigkeit dieser eingestellt sein. Folglich kann das Verfahren weiter ein Empfangen der Eingabe von dem Fahrer umfassen. Die Eingabe des Fahrers kann eine Bestätigung der Zuordnung zu dem zumindest einen Fahrerprofil, eine Änderung zu einem weiteren Fahrerprofil und/oder eine Bestätigung oder Änderung der Klassifizierung der aktuellen Fahrt umfassen.
-
Weiter kann das Verfahren ein Bestimmen, dass zwei oder mehr Fahrerprofile des Fahrzeugs vorliegen, und ein Anfordern und Erhalten einer Benutzereingabe umfassen, wobei die Benutzereingabe eine Identifikation eines Fahrers und eine Zuordnung zu einem der zwei oder mehr Fahrerprofile umfasst, wobei die Klassifizierungsinformationen weiter einen identifizierten Fahrer der aktuellen Fahrt charakterisieren. Das Verfahren kann ein Erhalten zumindest einer Alternativfahrzeit (beziehungsweise eine alternative Abfahrtszeit) der aktuellen Fahrstrecke von dem Start zu dem Ziel, wobei die Alternativfahrzeit eine Fahrzeit der aktuellen Fahrt zu einer alternativen Uhrzeit ist, und ein Ausgeben einer ersten Fahrzeitinformation umfassen, wenn eine Alternativfahrzeit kürzer als die Fahrzeit der aktuellen Fahrt ist. Die erste Fahrzeitinformation umfasst die Alternativfahrzeit, die alternative Uhrzeit der Alternativfahrzeit und die Differenz zwischen der Alternativfahrzeit und der Fahrzeit. Die zumindest eine Alternativfahrzeit kann von einem Navigationssystem des Fahrzeugs oder eines Endgeräts, insbesondere einem mobilen Endgerät empfangen werden und/oder anhand von Verkehrsinformationen bestimmt werden. Die erste Fahrzeitinformation kann an das Navigationssystem des Fahrzeugs und/oder das Endgerät ausgegeben werden, um den Fahrer über die Alternativfahrzeit zu informieren. Beispielsweise kann dem Fahrer vorgeschlagen werden, die aktuelle Fahrt erst 30 Minuten später zu beginnen, weil dann ein geringeres Verkehrsaufkommen auf der Fahrstrecke vorliegt und der Fahrer somit schneller ans Ziel gelangen kann.
-
Weiter kann das Verfahren ein Bestimmen zumindest eines Zwischenhalts entlang der aktuellen Fahrstrecke, wobei der Zwischenhalt ein Point-of-Interest wie ein Museum, eine Einkaufsmöglichkeit, eine Sportanlage ist; ein Erhalten von Informationen über ein Kundenaufkommen bei dem Point-of-Interest zu zumindest einem aktuellen Zeitpunkt während einer Dauer des Zwischenhalts und zu alternativen Zeitpunkten; und ein Ausgeben einer zweiten Fahrzeitinformation umfassen, wenn zu einem alternativen Zeitpunkt ein geringeres Kundenaufkommen bei dem Point-of-Interest als dem aktuellen Zeitpunkt vorliegt, wobei die Fahrzeitinformation den Zeitpunkt des geringeren Kundenaufkommens umfasst. Folglich kann der Fahrer darüber informiert werden, zu welchem Zeitpunkt was für ein Kundenaufkommen bei dem Pol anzutreffen ist. Der aktuelle Zeitpunkt ist der Zeitpunkt, an dem der Fahrer gemäß der aktuellen Fahr- und Fahrstreckensituation bei dem Pol wäre. Der alternative Zeitpunkt kann ein weiterer Zeitpunkt während der Fahrtdauer oder ein Zeitpunkt außerhalb der Fahrtdauer sein. Durch die zur Verfügung gestellten Informationen kann ein Fahrer beurteilen, ob es nicht besser wäre zu einem späteren Zeitpunkt Einkäufe zu erledigen, weil später ein geringeres Kundenaufkommen vorliegt und er somit schneller seine Einkäufe erledigen kann.
-
Das Verfahren kann weiter ein Bestimmen und Angeben zumindest einer Ladestation und/oder zumindest einer Tankstelle umfassen, die auf der Fahrstrecke, mit einem Umweg oder mit einem Minimalumweg erreichbar sind. Ein Minimalumweg ist ein Umweg, der nicht mehr als zu einer 5 bis 25%-igen Abweichung der Fahrstrecke von der Vergleichsstrecke führt, sodass der Minimalumweg nicht als Umweg im eigentlichen Sinn zu deklarieren ist/wäre. Weiter können die Ladestation und die Tankstelle nur dann bestimmt und angegeben werden, wenn es sich um eine privat bedingte Fahrt handelt.
-
Die Fahrtinformationen können von dem Fahrzeug und/oder einem mobilen Endgerät des Fahrers der aktuellen Fahrt erhalten werden. Insbesondere kann es sich bei dem Fahrzeug um ein Fahrzeug mit Konnektivität handeln, welches mit Sensoren des Fahrzeugs die Fahrtinformationen erfasst und bereitstellen kann. Zusätzlich oder alternativ können die Fahrtinformationen über ein lokales oder externes Netzwerk oder eine Cloud bereitgestellt werden. Die Fahrtinformationen können von dem mobilen Endgerät empfangen werden und nach Beendigung einer Fahrt kann die mittels des mobilen Endgeräts erfasste Länge der Fahrstrecke mit einem Kilometerstand des Fahrzeugs abgeglichen werden, um die Genauigkeit zu erhöhen. Weiter werden dadurch die Kosten gegenüber einer vollständigen Telematik-Lösung reduziert und es bedarf keiner manuellen Nachbesserung. Weiter kann ein privat bedingter Umweg zu der Fahrt hinzugefügt werden, wenn die mittels des mobilen Endgeräts erfasste Länge der Fahrstrecke kleiner ist als die mittels des Fahrzeugs erfasste Länge der Fahrstrecke.
-
Die Fahrtinformationen können weitere Informationen über die Fahrt umfassen. Solche Informationen sind ein Energie-/Kraftstoffverbrauch, ein Zustand des Fahrzeugs, ein Ölstand usw. bei bzw. während der Fahrt umfassen. Die Fahrtinformationen können Karteninformationen beinhalten, mittels derer die Fahrt und die Koordinaten beschrieben werden können, wie GPS-Koordinaten.
-
Der Klassifizierungsalgorithmus kann zumindest ein Bayessches Netz umfassen, und/oder der Klassifizierungsalgorithmus kann ein Maschinenlernalgorithmus sein, der auf den Trainingsdaten trainiert wird.
-
Das Verfahren kann mittels eines Boardcomputers des Fahrzeugs, eines externen Computers, eines mobilen Endgeräts oder in einer Cloud ausgeführt werden. Einzelne oder mehrere Verfahrensschritte können in einer Cloud ausgeführt werden. Insbesondere können Schritte des Klassifizierungsalgorithmus und/oder des weiteren Algorithmus in der Cloud ausgeführt werden und die anderen Verfahrensschritte können auf dem mobilen Endgerät, dem Boardcomputer und/oder dem externen Computer ausgeführt werden. Weiter kann das Trainieren des Klassifizierungsalgorithmus in der Cloud erfolgen.
-
Ausführungen betreffend ein Clustern können ein Clustern mittels eines DBSCANS, K-Means, eines so genannten centroid-based-Clustering, eines dichtebasierten oder eines hierarchischen Clusterverfahrens bedeuten oder umfassen.
-
Die Aufgabe wird erfindungsgemäß durch ein Computerprogrammprodukt zur Klassifizierung von Fahrten eines Fahrzeugs für ein Fahrtenbuch gelöst, umfassend Befehle, die bewirken, dass ein Prozessor ein Verfahren nach einem der vorherigen Aspekte ausführt, wenn das Programm durch oder auf dem Prozessor ausgeführt wird. Die Aufgabe wird erfindungsgemäß durch ein Verfahren zum maschinellen Lernen einer Klassifizierung von Fahrten eines Fahrzeugs für ein Fahrtenbuch gelöst, umfassend den Schritt: Bestimmen zumindest einer Klassifizierung einer Fahrt des Fahrzeugs mittels eines Klassifizierungsalgorithmus, der auf Trainingsdaten umfassend zumindest eine klassifizierte Lernfahrt mit einem Start und einem Ziel und eine Lernstrecke der Lernfahrt trainiert.
-
Zuvor gemachte Ausführungen bezüglich des computer-implementiertes Verfahren zur Klassifizierung von Fahrten eines Fahrzeugs für ein Fahrtenbuch können auch auf das Verfahren zum maschinellen Lernen einer Klassifizierung von Fahrten eines Fahrzeugs für ein Fahrtenbuch zutreffen und werden an dieser Stelle nicht wiederholt.
-
Die Aufgabe wird erfindungsgemäß durch ein Computerprogrammprodukt zum maschinellen Lernen einer Klassifizierung von Fahrten eines Fahrzeugs für ein Fahrtenbuch gelöst, umfassend Befehle, die bewirken, dass ein Prozessor ein Verfahren gemäß dem zuvor genannten Aspekt ausführt, wenn das Programm durch oder auf dem Prozessor ausgeführt wird.
-
Die Aufgabe wird erfindungsgemäß durch ein Hardwaremodul zur Klassifizierung von Fahrten eines Fahrzeugs für ein Fahrtenbuch gelöst, umfassend: einen Speicher, auf dem ein Computerprogrammprodukt gemäß dem zuvor beschriebenen Aspekt gespeichert ist, und einen Prozessor, der zum Ausführen des Computerprogrammprodukts eingerichtet ist.
-
Das Hardwaremodul zur Klassifizierung von Fahrten eines Fahrzeugs kann ein Mittel zum Aufzeichnen und/oder Erhalten der aktuellen Fahrt des Fahrzeugs und von Koordinaten des Fahrzeugs entlang einer Fahrstrecke der aktuellen Fahrt umfassen. Die Aufgabe wird erfindungsgemäß durch ein Hardwaremodul zum maschinellen Lernen einer Klassifizierung von Fahrten eines Fahrzeugs für ein Fahrtenbuch gelöst, umfassend: einen Speicher, auf dem ein Computerprogrammprodukt gemäß dem zuvor beschriebenen Aspekt gespeichert ist, und einen Prozessor, der zum Ausführen des Computerprogrammprodukts eingerichtet ist.
-
Zuvor und nachfolgend beschriebene Aspekte des Verfahrens zur Klassifizierung von Fahrten eines Fahrzeugs und des Verfahrens zum maschinellen Lernen einer Klassifizierung von Fahrten eines Fahrzeugs können auch auf die Hardwaremodule und die Computerprogrammprodukte zutreffen und werden an dieser Stelle nicht wiederholt.
-
Das Hardwaremodul kann ein Logikbaustein, ein IC, ein ASCI, ein FPGA, eine Rechenverarbeitungseinheit oder ähnliches sein. Das Hardwaremodul kann ein Computer sein. Der Prozessor kann eine CPU oder eine integrierte Schaltung in Form eines Mikroprozessors oder Mikrocontrollers sein. Das Hardwaremodul kann weiter einen Speicher umfassen. Der Speicher kann ein nichtflüchtiger Speicher sein. Der Speicher kann dazu eingerichtet sein, Daten zu speichern, welche der Speicher von dem Prozessor und/oder dem Mittel empfängt. Das Mittel kann die Fahrtinformationen und die Trainingsdaten von einem lokalen und/oder drahtlosen Netzwerk und/oder einem Cloud-Speicher erhalten. Auf dem Speicher kann ein Computerprogrammprodukt gemäß der zuvor beschriebenen Aspekte gespeichert sein. Das Mittel kann eine Schnittstelle sein, die dazu eingerichtet ist, Daten an einen Computer, ein mobiles Endgerät, ein lokales oder externes Netzwerk und/oder eine Cloud zu senden und/oder von diesem Daten zu empfangen. Alternativ oder zusätzlich kann das Mittel zumindest einen Sensor zum Erfassen einer Position des Fahrzeugs und Aufzeichnen der Positionen umfassen. Die Position kann in Form von Koordinaten, wie GPS-Koordinaten, aufgezeichnet werden.
-
Für weitere Vorteile, Ausführungsvarianten und Ausführungsdetails der weiteren Aspekte und ihrer möglichen Fortbildungen, wird auch auf die zuvor erfolgte Beschreibung zu den entsprechenden Merkmalen und Fortbildungen des Verfahrens verwiesen.
-
Ausführungsbeispiele werden exemplarisch anhand der beiliegenden Figuren erläutert. Es zeigen:
- 1 eine schematische Darstellung eines Hardwaremoduls;
- 2 eine schematische Darstellung eines Verfahrens zur Klassifizierung von Fahrten eines Fahrzeugs für ein Fahrtenbuch;
- 3 eine schematische Kartenansicht mit historischen Fahrten und einer aktuellen Fahrt;
- 4 eine schematische Kartenansicht einer aktuellen Fahrt mit einem Umweg; und
- 5 eine schematische Kartenansicht einer aktuellen Fahrt mit einem weiteren Umweg
-
In den Figuren sind gleiche oder im Wesentlichen funktionsgleiche beziehungsweise -ähnliche Elemente mit den gleichen Bezugszeichen bezeichnet.
-
Die 1 zeigt ein Hardwaremodul 100 zum Klassifizieren von Fahrten eines Fahrzeugs für ein Fahrtenbuch und/oder zum maschinellen Lernen einer Klassifizierung von Fahrten eines Fahrzeugs für ein Fahrtenbuch. Das Hardwaremodul 100 umfasst ein Mittel 110 zum Aufzeichnen und/oder Erhalten einer aktuellen Fahrt eines Fahrzeugs, einen Prozessor 120 und einen Speicher 130. Bei dem Fahrzeug kann es sich um einen PKW, LKW, ein Motorrad oder ein anderweitig motorgetriebenes Fahrzeug wie ein Wasserfahrzeug oder ein E-Bike handeln. Bei dem Fahrzeug kann es sich um ein nicht motorgetriebenes Fahrzeug, wie ein Fahrrad handeln. Insbesondere kann es sich um ein Fahrzeug mit Konnektivität handeln. Das Mittel 110 ist ein Sensor zum Erfassen einer aktuellen Position des Fahrzeugs und Aufzeichnen einer Fahrstrecke mit einem Start und einem Ziel des Fahrzeugs. Dabei kann das Mittel 110 weiter eine Fahrtdauer der Fahrt und weitere das Fahrzeug betreffende Informationen aufzeichnen, wie Koordinaten entlang der Fahrstrecke bzw. von Fahrstrecken, einen Kraftstoffverbrauch, einen Tankzustand, ein einen Zustand der Bremsklötze usw. Das Mittel 110 kann eine Schnittstelle umfassen und insbesondere ein Sende-/Empfängereinheit umfassen, um Daten zu senden und zu empfangen. Insbesondere ist das Mittel 110 dazu eingerichtet, Daten charakterisierend eine Fahrt zu erhalten. Weiter kann das Mittel 110 als eine Datenübertragungsschnittstelle zu dem Speicher 130 und dem Prozessor 120 dienen. Die Daten können von einem Bordcomputer des Fahrzeugs eingegeben werden, beispielsweise von einem Navigationssystem. Alternativ oder zusätzlich kann das Mittel 110 die Daten über eine drahtlose Verbindung mit einem Netzwerk oder einer Cloud erhalten. Der Prozessor 120 ist eine CPU oder eine integrierte Schaltung in Form eines Mikroprozessors oder Mikrocontrollers. Der Speicher 130 ist dazu eingerichtet, Daten zu speichern, welche der Speicher 130 von dem Mittel 110 und dem Prozessor 120 empfängt. Das Hardwaremodul 100 ist dazu eingerichtet, das bzw. die nachfolgend beschriebenen Verfahren auszuführen. Dazu kann auf dem Speicher 130 ein entsprechendes Computerprogrammprodukt gespeichert sein, umfassend Programmcodeabschnitte zum Ausführen des bzw. der Verfahren. Alternativ oder zusätzlich kann der Speicher 130 ein Datenträger sein, auf dem durch das Verfahren erhaltene Klassifizierungsinformationen für ein Fahrtenbuch und/oder klassifizierte Fahrten gespeichert sind.
-
Die 2 zeigt ein computer-implementiertes Verfahren zur Klassifizierung von Fahrten eines Fahrzeugs für ein Fahrtenbuch. Zunächst werden in einem Schritt 210 Fahrteninformationen einer aktuellen Fahrt eines Fahrzeugs mittels des Mittels 110 erhalten, die zumindest einen Start und ein Ziel der aktuellen Fahrt und eine aktuelle Fahrstrecke der aktuellen Fahrt umfassen.
-
In einem weiteren Schritt 220 wird zumindest eine Klassifizierung der aktuellen Fahrt mittels eines Klassifizierungsalgorithmus bestimmt, der auf Trainingsdaten umfassend zumindest eine klassifizierte Lernfahrt mit einem Start und einem Ziel und eine Lernstrecke der Lernfahrt basiert. Die Lernstrecke erstreckt sich zwischen dem Start und dem Ziel der Lernfahrt und weist eine entsprechende Länge auf. Der Schritt 220 ist Teil eines Verfahrens zum maschinellen Lernen einer Klassifizierung von Fahrten eines Fahrzeugs für ein Fahrtenbuch. Der Klassifizierungsalgorithmus bestimmt in einem Schritt 230 Relationen zwischen zumindest einer Klassifizierung der Lernfahrt, einem Ziel der Lernfahrt, der Lernstrecke, der aktuellen Fahrstrecke und dem Ziel der aktuellen Fahrt. Ein Fahrer des Fahrzeugs oder ein Benutzer kann die zumindest eine Lernfahrt eingeben und klassifizieren.
-
Schließlich wird in Schritt 230 eine Klassifizierungsinformation für das Fahrtenbuch ausgegeben, welche die klassifizierte aktuelle Fahrt und die zumindest eine Klassifizierung der aktuellen Fahrt charakterisieren. Die Klassifizierungsinformation kann an ein Navigationsgerät des Fahrzeugs und/oder an ein Endgerät, insbesondere ein mobiles Endgerät wie ein Smartphone ausgegeben und dem Fahrer angezeigt werden.
-
Das zuvor beschriebene Verfahren und weitere mögliche Aspekte davon werden nachfolgend weiter im Detail beschrieben.
Die 3 zeigt eine schematische Kartenansicht. Die schraffierten Vierecke stellen Häuserblocks bzw. nicht befahrbar oder durchfahrbare Elemente der Karte dar. Zwischen und neben den Häuserblocks befinden sich Straßen, welche von dem Fahrzeug befahren werden können. Zur besseren Darstellung wurde auf Straßenmarkierungen, Straßenschilder, Ampeln, Verkehrsteilnehmer und dergleichen verzichtet. In der 3 ist weiter ein Häuserblock 301 zu sehen, welcher das Zuhause des Fahrers des Fahrzeugs darstellt. Die Bezugszeichen 310, 320 und 330 stellen verschiedene Starts von Fahrten von seinem Zuhause 301 zu einem Firmengelände 302 einer Firma dar, bei der der Fahrer angestellt ist. Die verschiedenen Starts 310, 320, 330 können aufgrund einer Parkplatzsituation entstehen, wenn der Fahrer keinen festen Parkplatz hat. Beispielsweise muss der Fahrer an der Straße parken und es ergeben sich je nach Parkplatzsituation unterschiedliche Starts 310, 320, 330. Ausgehend von den Starts 310, 320, 330 sind drei teilweise unterschiedlich verlaufende Fahrstrecken 311, 321, 331 durch gepunktete, gestrichelte und Punkt-gestrichelte Markierungen in der 3 eingezeichnet. Die Fahrstrecken 321, 331 verlaufen bis zu dem Firmengelände 302 identisch und unterscheiden sich lediglich durch ihre Ziele 322, 332 auf dem Firmengelände. Gemäß der 3 werden die Koordinaten entlang der Fahrstrecke miteinbezogen. Die Fahrstrecke 311 weicht bereits zu Beginn von den Fahrstrecken 321, 331 ab und weist auch ein weiteres Ziel 312 auf dem Firmengelände 302 auf.
-
Eine aktuelle Fahrstrecke kann die Fahrstrecke 331 mit dem Start 330 und dem Ziel 332 sein, wobei diese Fahrt und die Koordinaten in dem Verfahren erhalten werden. Die Fahrstrecken 311, 321 mit den Starts 310, 320 und den Zielen 312, 322 können klassifizierte Lernfahrten sein, die Teil der Trainingsdaten sind und/oder historisch aufgezeichnete Fahrten und damit Teil der Trainingsdaten sind. Beide Fahrten bzw. Fahrstrecken 311, 321 sind als berufliche Fahrten klassifiziert, da sie beide Fahrten zu dem Firmengelände 302 sind. Diese Klassifizierung kann durch den Fahrer erfolgen. Klassifizierungen einer Fahrt werden in privat-bedingte und beruflich-bedingte Klassifizierungen unterteilt. Basierend auf diesen Trainingsdaten bestimmt der Klassifizierungsalgorithmus die Relationen. Da die Fahrstrecke 331 der aktuellen Fahrt größtenteils identisch mit der Fahrstrecke 321 der Lernfahrt ist, wird mittels des Klassifizierungsalgorithmus bestimmt, dass es sich bei der Fahrt mit der Fahrstrecke 331 um eine berufliche Fahrt handelt. Schließlich wird eine Klassifizierungsinformation für ein Fahrtenbuch ausgegeben, welche die klassifizierte aktuelle Fahrt und die zumindest eine Klassifizierung der aktuellen Fahrt, nämlich eine berufsbedingte Fahrt, charakterisiert.
-
Das Verfahren kann weiter ein Clustern der Starts 310, 320, 330 und/oder der Ziele 312, 322, 332 umfassen. Das Clustern kann mittels einem DBSCAN erfolgen oder einen solchen umfassen. Alternativ kann das Clustern ein dichtebasiertes oder ein hierarchisches Clusterverfahren umfassen oder sein. Mittels des Clusterns können die Starts 310, 320, 330 und die Ziele 312, 332, 332 jeweils als ein Start- und ein Ziel-Cluster zusammengefasst werden. Entsprechend würden die beiden Fahrten mit den Fahrstrecken 321, 331 nicht mehr als unterschiedliche Fahrstrecken bewertet werden, da ihre Starts 320, 330 innerhalb des Startclusters und ihre Ziele 322, 332 innerhalb des Zielclusters liegen. Somit können die Trainingsdaten vereinfacht werden.
-
Es kann eine, insbesondere können mehrere Alternativfahrzeiten für die aktuelle Fahrt bzw. die aktuelle Fahrstrecke 331 mittels des Mittels 110 erhalten werden. Die Alternativfahrzeiten können von einem Navigationssystem, einem Endgerät, insbesondere einem mobilen Endgerät, einem lokalen Netzwerk und/oder einer Cloud erhalten werden. Eine Alternativfahrzeit ist eine Zeitdauer von dem Start 330 zu dem Ziel 332 zu einer alternativen Uhrzeit/Fahrzeit als der Uhrzeit/Fahrzeit der aktuellen Fahrt. Aufgrund eines geringeren Verkehrsaufkommens zu einer Alternativfahrzeit kann es sein, dass der Fahrer, wenn er 30 Minuten früher oder später losfährt, schneller an das Ziel 332 kommt. Diese Alternativfahrzeit kann dem Fahrer zusammen mit der Differenz zwischen der Alternativfahrzeit und der Fahrzeit der aktuellen Fahrt ausgegeben werden.
-
Die 4 zeigt die schematische Kartenansicht der 3, bei der zur Verbesserung der Übersicht nur eine aktuelle Fahrt mit einer Fahrstrecke 431 eingezeichnet ist und die Fahrstrecken 311, 321, 331 weggelassen wurden. Jedoch befindet sich gemäß der 4 temporär eine Straßensperrung 440 auf dem Weg zu dem Firmengelände 302. Gemäß der 4 wird eine aktuelle Fahrt mit einem Start 430 bei dem Zuhause 301 des Fahrers, der aktuellen Fahrstrecke 431 und einem Ziel 432 mit dem Fahrzeug gefahren. Die Fahrstrecken 321, 331 können nicht gefahren werden, da die Straßensperrung 440 vorhanden ist. Folglich muss eine andere Route, nämlich die Fahrstrecke 431 gefahren werden. Entsprechend umfasst die Fahrstrecke 431 einen Umweg 433, um die Straßensperrung 440 zu umfahren. Der Umweg 433 kann mittels des Klassifizierungsalgorithmus bestimmt werden. Der Umweg 433 ist in 4 eine Abweichung von einer Vergleichslernfahrt mit einer Vergleichsstrecke. Als Vergleichsstrecke können die gewohnten Fahrstrecken 321, 331 verwendet werden. Durch den Vergleich der Fahrstrecken 321, 331 mit der aktuellen Fahrstrecke 431 kann der Umweg 433 bestimmt werden. Ein Umweg ist eine Abweichung der aktuellen Fahrt bzw. Fahrstrecke von der Vergleichslernfahrt bzw. Vergleichsstrecke. Insbesondere bei einer Abweichung von 5% wird ein Umweg bestimmt. Die Abweichung kann von einem Benutzer oder Fahrer des Fahrzeugs eingestellt werden. Weiter kann die Abweichung einer rechtlichen Vorgabe entsprechen.
-
Um zu bestimmen, ob der Umweg 433 als beruflich- oder privatbedingt zu klassifizieren ist, werden Verkehrsinformationen und/oder Point-of-Interest-, Pol-, Informationen zumindest entlang der Vergleichsstrecke und entlang der aktuellen Fahrstrecke 431 mittels des Mittels 110 erhalten. Die Verkehrsinformationen beinhalten einen Hinweis auf die Straßensperrung 440. Basierend auf diesen Informationen bestimmt der Klassifizierungsalgorithmus eine Begründung für den Umweg. Da es sich um einen notwendigen Umweg 433 auf dem Weg zum Firmengelände handelt, wird bestimmt, dass der Umweg 433 ein beruflich bedingter Umweg 433 ist. Die Klassifizierungsinformationen bezüglich der aktuellen Fahrt mit der aktuellen Fahrstrecke 431 werden um diese Begründung ergänzt.
-
Die 5 zeigt die schematische Kartensicht der 3 und 4, bei der zur Verbesserung der Übersicht nur eine aktuelle Fahrt mit einer Fahrstrecke 531 eingezeichnet ist und keine Straßensperrung 440 vorhanden ist.
-
Die aktuelle Fahrt mit der Fahrstrecke 531 weicht von den Vergleichslernfahrten 321, 331 ab, sodass die aktuelle Fahrt einen Umweg 533 aufweist. Die Trainingsdaten können Pol-Informationen entlang der klassifizierten Lernfahrten, der Vergleichslernfahrt sowie der aktuellen Fahrt umfassen. Weiter können die Trainingsdaten Fahrzeiten der Lernfahrten, der historischen Fahrten und der Lernstrecken umfassen. Die Fahrzeiten können geclustert werden.
-
Für den Umweg 533 kann es verschiedene Gründe geben, welche als privat- oder beruflich bedingt einzustufen sind, wie nachfolgend an verschiedenen Beispielen erläutert wird.
-
Vor, zu Beginn oder während der aktuellen Fahrt kann dem Fahrer ein Vorschlag durch ein Navigationssystems gemacht werden, dass auf der zunächst geplanten Fahrstrecke 321, 331 ein sehr hohes Verkehrsaufkommen vorliegt und eine Umfahrung gemäß dem Umweg 533 den Fahrer schneller zum Ziel 532 bringt. Folgt der Fahrer also diesem Vorschlag, wird der Umweg 533 gefahren, der jedoch als beruflich bedingt zu klassifizieren ist.
-
Alternativ kann der Fahrer sein Kind zu einer Schule 533 vor seiner Arbeit fahren. Bei der Schule handelt es sich um einen Pol. Basierend auf den Pol-Informationen kann bestimmt werden, dass der Umweg 533 ein privat-bedingter Umweg ist, da das Kind zur Schule 534 gefahren wurde.
-
Alternativ kann es sich bei dem Pol 533 um ein Geschäft handeln, bei dem der Fahrer zwischenhalten möchte oder zwischengehalten hat. Es können Informationen über ein Kundenaufkommen in dem Geschäft 533 mittels des Mittels 110 erhalten werden, wobei die Informationen über das Kundenaufkommen zu dem Zeitpunkt des Zwischenhalts und zu zumindest einem weiteren alternativen Zeitpunkt erhalten werden. Sollte zu einem alternativen Zeitpunkt ein vermindertes Kundenaufkommen in dem Geschäft 533 vorliegen, kann eine Fahrzeitinformation ausgegeben werden, welche den alternativen Zeitpunkt umfasst. Die Fahrzeitinformation kann dem Fahrer ausgegeben werden. Aufgrund des verminderten Kundenaufkommens zu dem alternativen Zeitpunkt kann der Fahrer seine Einkäufe schneller erledigen.
-
Weiter können Fahrzeuginformationen des Fahrzeugs mittels des Mittels 110 erhalten werden, wobei die Fahrzeuginformationen auf zumindest eines von einem Beschleunigungsverhalten eines Fahrers der aktuellen Fahrt, einem Bremsverhalten des Fahrers und einem Kraftstoffverbrauch des Fahrzeugs entlang der aktuellen Fahrstrecke der aktuellen Fahrt hinweisen. Weiter können die Trainingsdaten entsprechende Lernfahrzeuginformationen umfassen. Der Klassifizierungsalgorithmus kann weiter die Relationen basierend auf den Fahrzeug- und Lernfahrzeuginformationen bestimmen. Entsprechend kann zumindest ein Fahrerprofil basierend auf den Trainingsdaten erstellt werden. Alternativ können die Fahrzeuginformationen der aktuellen Fahrt, die Fahrzeit der aktuellen Fahrt, Fahrzeiten der Trainingsdaten und/oder Fahrzeiten historischer Fahrten geclustert werden. Alternativ oder zusätzlich kann ein weiterer Algorithmus eingesetzt werden, insbesondere ein Maschinenlernalgorithmus, der basierend auf den Fahrzeuginformationen der aktuellen Fahrt, der Fahrzeit der aktuellen Fahrt, den Fahrzeiten der Trainingsdaten und/oder den Fahrzeiten historischer Fahrten lernt und Relationen zwischen diesen bestimmt, um zumindest ein Fahrerprofil zu erzeugen oder die aktuelle Fahrt dem zumindest einen Fahrerprofil zuzuordnen. Es kann sein, dass das Fahrzeug von mehreren Fahrern genutzt wird. Folglich ist es vorteilhaft, für ein Fahrtenbuch die Fahrten einem jeweiligen Fahrer zuzuordnen. Diese Zuordnung kann mittels des Klassifizierungsalgorithmus erfolgen. Wird eine Zuordnung einer aktuellen und/oder historisch aufgezeichneten Fahrt zu einem Fahrerprofil nicht hinreichend genau bestimmt, kann eine Eingabe von dem oder einem Fahrer gefordert werden, sodass die Zuordnung manuell bestätigt oder korrigiert werden kann.
-
Alternativ oder zusätzlich kann dem Fahrer eine Kontrollnachricht ausgegeben werden, damit der Fahrer die aktuelle Fahrt kontrollieren kann. Insbesondere kann eine Klassifizierung der aktuellen Fahrt kontrolliert werden. Weiter kann von dem Fahrer eine Eingabe angefordert und/oder erhalten werden, mit der eine Klassifizierung der aktuellen Fahrt bestätigt oder geändert wird.
-
Der Klassifizierungsalgorithmus kann im einfachsten Fall ein Algorithmus sein, welcher die aktuelle Fahrt mit den Trainingsdaten vergleicht bzw. abgleicht. Ist eine Lernfahrt vorhanden, die identisch oder zumindest nahezu identisch ist, beispielsweise nur zu 10 oder 5% abweicht, kann mittels des Klassifizierungsalgorithmus darauf geschlossen werden, dass es sich bei der aktuellen Fahrt um eine Fahrt mit derselben Klassifizierung handelt. Alternativ oder zusätzlich kann es sich bei dem Klassifizierungsalgorithmus um ein Bayessches Netz und/oder einen Maschinenlernalgorithmus handeln. Basierend auf den Trainingsdaten können Zusammenhänge zwischen den Starts, den Zielen, den geclusterten Starts und Zielen, Pol-Informationen, den Lernstrecken, den historisch aufgezeichneten Fahrstrecken, den Fahrzeiten, den geclusterten Fahrzeiten, dem Verkehrsaufkommen und dem Kundenaufkommen gelernt werden. Bei dem Bayesschen Netz als auch dem Maschinenlernalgorithmus handelt es sich um überwachtes Lernen. Der Maschinenlernalgorithmus kann ein neuronales Netz oder ein Random-Forest-Algorithmus sein. Das Clustering kann ein unüberwachtes Lernen sein. Maschinelles Lernen ist eine Technologie, die Computern und anderen Datenverarbeitungsvorrichtungen die Ausführung von Aufgaben durch Lernen aus Daten lehrt, anstatt für die Aufgaben programmiert zu werden. Die Verfahren als auch der Klassifizierungsalgorithmus können in einer Cloud ausgeführt werden, wobei der Klassifizierungsalgorithmus weiter in der Cloud trainiert werden kann.
-
Bezugszeichenliste
-
- 100
- Hardwaremodul
- 110
- Mittel zum Aufzeichnen und/oder Erhalten einer aktuellen Fahrt eines Fahrzeugs
- 120
- Prozessor
- 130
- Speicher
- 200
- Verfahren zur Klassifizierung von Fahrten eines Fahrzeugs für ein Fahrtenbuch
- 210
- Erhalten von Fahrtinformationen einer aktuellen Fahrt
- 220
- Bestimmen zumindest einer Klassifizierung
- 230
- Bestimmen von Relationen
- 240
- Ausgeben einer Klassifizierungsinformation
- 301
- Zuhause eines Fahrers
- 302
- Firmengelände
- 310
- erster Start
- 311
- erste Lernfahrt
- 312
- erstes Ziel
- 320
- zweiter Start
- 321
- zweite Lernfahrt
- 322
- zweites Ziel
- 330
- Start einer aktuellen Fahrt
- 331
- aktuelle Fahrstrecke
- 332
- Ziel der aktuellen Fahrt
- 430
- Start einer aktuellen Fahrstrecke
- 431
- aktuelle Fahrstrecke
- 432
- Ziel der aktuellen Fahrstrecke
- 433
- Umweg der Fahrstrecke
- 530
- Start einer aktuellen Fahrt
- 531
- aktuelle Fahrstrecke
- 532
- Ziel der aktuellen Fahrt
- 533
- Umweg der aktuellen Fahrt
- 534
- Point-of-Interest
