DE102013202643A1

DE102013202643A1 - Verfahren und vorrichtung zur voraussage eines fahrerzielorts

Info

Publication number: DE102013202643A1
Application number: DE201310202643
Authority: DE
Inventors: Dimitar Petrov Filev; Ryan Abraham McGee; Johannes Geir Kristinsson; Payam Naghshtabrizi; Fling Tseng
Original assignee: Ford Global Technologies LLC
Current assignee: Ford Global Technologies LLC
Priority date: 2012-02-20
Filing date: 2013-02-19
Publication date: 2013-08-22
Also published as: US20130218379A1; CN103256938B; CN103256938A; US9020743B2

Abstract

Ein von einem Computer implementiertes Verfahren umfasst ein Zugreifen auf eine Matrix mit Elementen, die sowohl Uhrzeiten als auch Wochentagen entsprechen. Das Verfahren umfasst auch ein positives Augmentieren eines Elements, das einer festgestellten Fahrtstartzeit an einem festgestellten Wochentag entspricht, und ein negatives Augmentieren mindestens eines anderen Elements an dem festgestellten Wochentag. Das Verfahren umfasst, für jedes Element der Matrix, die Bereitstellung mindestens einer sekundären Matrix, die bekannten Fahrtorten entspricht, wobei Elemente der sekundären Matrix mindestens einem Startort und einem Zielort entsprechen. Zusätzlich umfasst das Verfahren ein positives Augmentieren eines Elements, das einem festgestellten Startort und einem festgestellten Endort entspricht, und ein negatives Augmentieren mindestens eines anderen Elements, das dem festgestellten Startort und einem Endort entspricht, der sich von dem festgestellten Endort unterscheidet.

Description

Die beispielhaften Ausführungsformen betreffen allgemein Verfahren und Vorrichtungen zur Voraussage eines Fahrerzielorts.
Fortschritte auf dem Gebiet der fahrzeugintegrierten Computertechnologie haben es ermöglicht, nicht nur eine Vielfalt von Fahrzeugsystemen durch integrierte Software und Hardware zu steuern, sondern diese Systeme aufgrund festgestellter Zustände auch tatsächlich zu optimieren.
Beispielsweise bieten bestimmte bestehende Protokolle Verfahren und Techniken zum Optimieren der Kraftstoffeffizienz auf Grundlage festgestellter Fahrtzustände zwischen einem aktuellen Aufenthaltsort und einem Zielort. Verkehr, Wetter und sogar Fahrbahnzustände können bei der Optimierung der Antriebstrangsteuerungen brücksichtigt werden. Um eine Optimierung mit derartigem Weitblick bereitzustellen, ist es natürlich wünschenswert zu wissen, wohin der Fahrer fährt.
Obwohl viele Fahrzeuge mit Navigationssystemen ausgerüstet sind, werden Fahrer, besonders bei Anfahrt eines bekannten Orts, nicht immer ihren Zielort eingeben. Dementsprechend ist es nicht immer offensichtlich, wohin sich das Fahrzeug bewegt. Außerdem könnte ein Fahrer es als umständlich oder gar lästig empfinden, für jede Fahrt einen Zielort eingeben zu müssen. Auch wenn ein Fahrer hinsichtlich Kraftstoffeinsparungen (und anderen Optimierungsstrategien) finanziellen Gewinn erfahren kann, wird er es dennoch als störend empfinden, bei jeder Fahrt Zeit zur Eingabe eines Zielorts aufzuwenden.
Außerdem sind viele Fahrzeugnavigationssysteme mit einer Sperrfunktion ausgerüstet, mit der eine Zielorteingabe während der Fahrt mit dem Fahrzeug verhindert ist. Dies bedeutet, dass ein Fahrer, der einen Zielort eingeben möchte, um aus Optimierungsalgorithmen einen Vorteil zu schlagen, tatsächlich die Straße verlassen und die Fahrt unterbrechen muss. Solche Umwege sind für einen Fahrer unerwünscht, und es wäre bevorzugt, wenn sie gänzlich oder zumindest zum Großteil unnötig wären.
In einem Beispiel, für Plug-In-Hybridelektrofahrzeuge (Plug-In Hybrid Electric Vehicles – PHEVs), läuft das Fahrzeug für eine festgelegte Entfernung, oder wenn die Zieltiefe der Entladung erreicht wird, üblicherweise im Ladungsverbrauchsmodus. Danach schaltet das System in einen Ladungserhaltungsmodus um, in dem der Ladezustand (SOC) der Batterie um einen festgelegten Wert herum gehalten wird. Wenn das Ladungsverbrauchsprofil eines PHEVs derart modifiziert wird, dass die Verbrauchsentfernung, die der beabsichtigten Fahrentfernung des Fahrers entspricht, bis zum nächsten Ort, an dem eine Ladeaktivität stattfinden kann, verlängert wird, kann dies potenzielle Energieökonomievorteile (durchschn. Reichweite/Ladung) mit sich bringen. Wenn ein Zielort nicht bekannt oder vorausgesagt ist, könnte es sich leider als schwierig erweisen, festzustellen, wann eine nächste Ladungsaktivität stattfinden kann, und dementsprechend könnte die Verwaltung des Energieverbrauchs bis zu diesem Ereignis sehr schwierig sein.
Bei einer ersten veranschaulichenden Ausführungsform umfasst ein von einem Computer implementiertes Verfahren Zugreifen auf eine Matrix mit Elementen, die sowohl Uhrzeiten als auch Wochentagen entsprechen. Das Verfahren umfasst auch ein positives Augmentieren eines Elements, das einer festgestellten Fahrtstartzeit an einem festgestellten Wochentag entspricht, und ein negatives Augmentieren mindestens eines anderen Elements, das nicht der festgestellten Startzeit an dem festgestellten Wochentag entspricht.
Ebenfalls bei dieser Ausführungsform führt die Wiederholung der positiven und negativen Augmentation von Zeitinformationen mit der Zeit zu einer Matrix, die die Wahrscheinlichkeit der Fahrzeugbenutzung unter Berücksichtigung einer bestimmten Zeit und eines bestimmten Tags zeigt. Das Verfahren umfasst, für jedes Element der Matrix, die Bereitstellung mindestens einer sekundären Matrix, die bekannten Fahrtorten entspricht, wobei Elemente der sekundären Matrix mindestens einem Startort und einem Zielort entsprechen.
Zusätzlich umfasst das Verfahren ein positives Augmentieren eines Elements, das einem festgestellten Startort und einem festgestellten Endort entspricht, und ein negatives Augmentieren mindestens eines anderen Elements, das dem festgestellten Startort und einem Endort entspricht, der sich von dem festgestellten Endort unterscheidet.
Bei diesem Beispiel führt die Wiederholung der positiven und negativen Augmentation von Ortsinformationen mit der Zeit weiterhin zu einer Matrix, die die Wahrscheinlichkeit zeigt, mit der ein Fahrzeug zu einem jeweiligen Zielort fährt, unter Berücksichtigung eines jeweiligen Startorts.
Bei einer zweiten veranschaulichenden Ausführungsform, speichert ein computerlesbares Speichermedium Anweisungen, die bei Ausführung einen Prozessor dazu veranlassen, das Verfahren durchzuführen, das Zugreifen auf eine Matrix mit Elementen, die sowohl Uhrzeiten als auch Wochentagen entsprechen, umfasst. Die zweite Ausführungsform umfasst auch ein positives Augmentieren eines Elements, das einer festgestellten Fahrtstartzeit an einem festgestellten Wochentag entspricht, und ein negatives Augmentieren mindestens eines anderen Elements, das nicht der festgestellten Startzeit an dem festgestellten Wochentag entspricht.
Bei diesem Beispiel führt die Wiederholung der positiven und negativen Augmentation von Zeitinformationen mit der Zeit zu einer Matrix, die die Wahrscheinlichkeit der Fahrzeugbenutzung unter Berücksichtigung einer jeweiligen Zeit und eines jeweiligen Tags zeigt.
Dieses Verfahren umfasst weiterhin, für jedes Element der Matrix, die Bereitstellung mindestens einer sekundären Matrix, die bekannten Fahrtorten entspricht, wobei Elemente der sekundären Matrix mindestens einem Startort und einem Zielort entsprechen. Das Verfahren umfasst auch ein positives Augmentieren eines Elements, das einem festgestellten Startort und einem festgestellten Endort entspricht, und ein negatives Augmentieren mindestens eines anderen Elements, das dem festgestellten Startort und einem Endort entspricht, der sich von dem festgestellten Endort unterscheidet.
Bei dieser Ausführungsform führt die Wiederholung der positiven und negativen Augmentation von Ortsinformationen mit der Zeit zu einer Matrix, die die Wahrscheinlichkeit zeigt, mit der ein Fahrzeug zu einem jeweiligen Zielort fährt, unter Berücksichtigung eines jeweiligen Startorts.
Bei einer dritten veranschaulichenden Ausführungsform umfasst ein computerimplementiertes Verfahren das Bestimmen einer Uhrzeit, eines Wochentags und eines Orts, die dem Start einer Autofahrt entsprechen. Auch umfasst das veranschaulichende Verfahren das Zugreifen auf eine Ortsmatrix, die einem Zeitmatrixelement entspricht, wobei das Zeitmatrixelement auf Basis der Uhrzeit und des Wochentags aus der Zeitmatrix ausgewählt ist.
Das Verfahren umfasst weiterhin das Auswählen eines Zielorts aus mehreren Matrixelementen in der Ortsmatrix, wobei der ausgewählte Zielort die höchste festgestellte Wahrscheinlichkeit dafür besitzt, der Zielort zu sein, an dem die Fahrzeugfahrt abschließt. Weiterhin umfasst dieses Verfahren das Verwenden des ausgewählten Zielorts als Endzielort zum Zweck der Fahrtplanung.
1 zeigt ein veranschaulichendes Beispiel eines Fahrzeugdatenverarbeitungssystems;
2 zeigt ein veranschaulichendes Beispiel eines Datenauswertungsprozesses;
3 zeigt ein veranschaulichendes Beispiel eines Datenerfassungsprozesses;
4 zeigt ein veranschaulichendes Beispiel eines zweiten Datenauswertungsprozesses;
5 zeigt ein veranschaulichendes Beispiel eines Zielortvoraussagungsprozesses; und
6 zeigt ein veranschaulichendes Beispiel eines iterativen Zielortvoraussagungsprozesses.
AUSFÜHRLICHE BESCHREIBUNG
Wie verlangt, werden hier ausführliche Ausführungsformen der vorliegenden Erfindung offenbart; es versteht sich jedoch, dass die offenbarten Ausführungsformen lediglich beispielhaft für die Erfindung sind, welche in verschiedenen und alternativen Formen ausgestaltet werden kann. Die Figuren sind nicht notwendigerweise maßstabsgetreu; einige Merkmale können übertrieben oder minimiert sein, um Einzelheiten eines bestimmten Bauteils zu zeigen. Deshalb sollen spezielle strukturelle und funktionale Einzelheiten, die hier offenbart werden, nicht als einschränkend interpretiert werden, sondern lediglich als eine veranschaulichende Basis, um einem Fachmann die verschiedenartigen Verwendungen der vorliegenden Erfindung zu lehren.
1 zeigt eine beispielhafte Blocktopologie für ein fahrzeuggestütztes Datenverarbeitungssystem (VCS) 1 für ein Fahrzeug 31. Ein Beispiel für ein derartiges fahrzeuggestütztes Datenverarbeitungssystem 1 ist das SYNC-System, das von THE FORD MOTOR COMPANY hergestellt wird. Ein mit einem fahrzeuggestützten Datenverarbeitungssystem befähigtes Fahrzeug kann eine visuelle Frontend-Schnittstelle 4 enthalten, die sich in dem Fahrzeug befindet. Der Benutzer kann auch mit der Schnittstelle in Dialog treten, wenn sie zum Beispiel mit einem berührungsempfindlichen Schirm ausgestattet ist. Bei einer anderen veranschaulichenden Ausführungsform erfolgt der Dialog durch Tastenbetätigungen, hörbare Sprache und Sprachsynthese.
Bei der in 1 gezeigten veranschaulichenden Ausführungsform 1 steuert ein Prozessor 3 mindestens einen Teil des Betriebs des fahrzeuggestützten Datenverarbeitungssystems. Der Prozessor ist in dem Fahrzeug vorgesehen und erlaubt Onboard-Verarbeitung von Befehlen und Routinen. Ferner ist der Prozessor sowohl mit nichtpersistentem 5 als auch persistentem Speicher 7 verbunden. Bei dieser veranschaulichenden Ausführungsform ist der nichtpersistente Speicher ein Direktzugriffsspeicher (RAM) und der persistente Speicher ein Festplattenlaufwerk (HDD) oder Flash-Speicher.
Der Prozessor ist außerdem mit einer Anzahl von verschiedenen Eingängen ausgestattet, die es dem Benutzer ermöglichen, mit dem Prozessor in Dialog zu treten. Bei dieser veranschaulichenden Ausführungsform sind ein Mikrofon 29, ein Hilfseingang 25 (für den Eingang 33), ein USB-Eingang 23, ein GPS-Eingang 24 und ein BLUETOOTH-Eingang 15 vorgesehen. Außerdem ist ein Eingangsselektor 51 vorgesehen, um es einem Benutzer zu erlauben, zwischen verschiedenen Eingängen zu wechseln. Der Eingang sowohl zu dem Mikrofon als auch zu dem Hilfsverbinder wird durch einen Umsetzer 27 von analog in digital umgesetzt, bevor er zu dem Prozessor weitergeleitet wird. Obwohl dies nicht gezeigt ist, können zahlreiche der Fahrzeugkomponenten und der Hilfskomponenten, die mit dem VCS in Verbindung stehen, ein Fahrzeugnetzwerk verwenden (wie zum Beispiel unter anderem einen CAN-Bus) um Daten an das und von dem VCS (oder dessen Komponenten) zu leiten.
Ausgaben an das System können, ohne Beschränkung darauf, ein visuelles Display 4 und einen Lautsprecher 13 oder Stereoanlagenausgang umfassen. Der Lautsprecher ist mit einem Verstärker 11 verbunden und empfängt sein Signal durch einen Digital-Analog-Umsetzer 9 von dem Prozessor 3. Ausgaben können auch an eine entfernte BLUETOOTH-Einrichtung, wie etwa eine PND 54, oder eine USB-Einrichtung, wie etwa die Fahrzeugnavigationseinrichtung 60, entlang der bei 19 bzw. 21 gezeigten bidirektionalen Datenströme erfolgen. Bei einer veranschaulichenden Ausführungsform verwendet das System 1 den BLUETOOTH-Sender/-Empfänger 15 zum Kommunizieren 17 mit der nomadischen Einrichtung 53 (z. B. Mobiltelefon, Smartphone, PDA oder jeglicher anderen Einrichtung mit drahtloser entfernter Netzwerkkonnektivität) eines Benutzers. Die nomadische Einrichtung kann dann dazu verwendet werden, zum Beispiel durch Kommunikation 55 mit einem Zellularmast 57 mit einem Netzwerk 61 außerhalb des Fahrzeugs 31 zu kommunizieren 59. Bei einigen Ausführungsformen kann der Mast 57 ein WiFi-Zugangspunkt sein.
Eine beispielhafte Kommunikation zwischen der nomadischen Einrichtung und dem BLUETOOTH-Sender/-Empfänger wird durch das Signal 14 repräsentiert. Das Paaren einer nomadischen Einrichtung 53 und des BLUETOOTH-Sender/-Empfängers 15 kann durch eine Taste 52 oder ähnliche Eingabe befohlen werden. Dementsprechend wird der CPU befohlen, dass der Onboard-BLUETOOTH-Sender/-Empfänger mit einem BLUETOOTH-Sender/-Empfänger in einer nomadischen Einrichtung gepaart wird.
Daten können zum Beispiel unter Verwendung eines Datenplans, von Data-over-Voice oder DTMF-Tönen, die mit der nomadischen Einrichtung 53 assoziiert sind, zwischen der CPU 3 und dem Netzwerk 61 übermittelt werden. Als Alternative kann es wünschenswert sein, ein Onboard-Modem 63 mit einer Antenne 18 vorzusehen, um Daten zwischen der CPU 3 und dem Netzwerk 61 über das Sprachband zu kommunizieren 16. Die nomadische Einrichtung 53 kann dann dazu verwendet werden, beispielsweise durch Kommunikation 55 mit einem Zellularmast 57 mit einem Netzwerk 61 außerhalb des Fahrzeugs 31 zu kommunizieren 59. Bei einigen Ausführungsformen kann das Modem 63 die Kommunikation 20 mit dem Mast 57 zum Kommunizieren mit dem Netzwerk 61 herstellen. Als nicht einschränkendes Beispiel kann das Modem 63 ein USB-Zellularmodem sein, und bei der Kommunikation 20 kann es sich um Zellularkommunikation handeln.
Bei einer veranschaulichenden Ausführungsform ist der Prozessor mit einem Betriebssystem ausgestattet, das eine API zum Kommunizieren mit Modem-Anwendungssoftware umfasst. Die Modem-Anwendungssoftware kann auf ein eingebettetes Modul oder Firmware auf dem BLUETOOTH-Sender/-Empfänger zugreifen, um drahtlose Kommunikation mit einem entfernten BLUETOOTH-Sender/-Empfänger (wie etwa dem in einer nomadischen Einrichtung anzutreffenden) abzuschließen. BLUETOOTH ist eine Teilmenge der Protokolle IEEE 802 PAN (Personal Area Network). Die Protokolle IEEE 802 LAN (Lokales Netzwerk) umfassen WiFi und besitzen beträchtliche Kreuzfunktionalität mit IEEE 802 PAN. Beide eignen sich für drahtlose Kommunikation in einem Fahrzeug. Ein anderes Kommunikationsmittel, das in diesem Bereich verwendet werden kann, sind optische Freiraumkommunikation (wie etwa IrDA) und nichtstandardisierte Verbraucher-IR-Protokolle.
Bei einer anderen Ausführungsform umfasst die nomadische Einrichtung 53 ein Modern für Sprachband- oder Breitband-Datenkommunikation. Bei der Data-Over-Voice-Ausführungsform kann eine als Frequenzmultiplexen bekannte Technik implementiert werden, wenn der Eigentümer der nomadischen Einrichtung über die Einrichtung sprechen kann, während Daten transferiert werden. Zu anderen Zeiten, wenn der Eigentümer die Einrichtung nicht benutzt, kann der Datentransfer die gesamte Bandbreite verwenden (in einem Beispiel 300 Hz bis 3,4 kHz). Obwohl Frequenzmultiplexen für analoge zellulare Kommunikation zwischen dem Fahrzeug und dem Internet üblich sein kann und auch weiterhin verwendet wird, wurde es zum großen Teil durch Hybride von CDMA (Code Domain Multiple Access), TDMA (Time Domain Multiple Access), SDMA (Space-Domain Multiple Access) für digitale zellulare Kommunikation ersetzt. Diese sind alle ITU IMT-2000 (3G) genügende Standards und bieten Datenraten von bis zu 2 mbs für stationäre oder gehende Benutzer und 385 kbs für Benutzer in einem sich bewegenden Fahrzeug. 3G-Standards werden nunmehr durch IMT-Advanced (4G) ersetzt, das für Benutzer in einem Fahrzeug 100 mbs und für stationäre Benutzer 1 gbs bietet. Wenn der Benutzer über einen mit der nomadischen Einrichtung assoziierten Datenplan verfügt, ist es möglich, dass der Datenplan Breitband-Übertragung gestattet und das System eine viel größere Bandbreite verwenden könnte (wodurch der Datentransfer beschleunigt wird). Bei einer weiteren Ausführungsform wird die nomadische Einrichtung 53 durch eine (nicht gezeigte) zellulare Kommunikationseinrichtung ersetzt, die in das Fahrzeug 31 installiert ist. Bei einer weiteren Ausführungsform kann die ND 53 eine Einrichtung eines drahtlosen lokalen Netzwerks (LAN) sein, die zum Beispiel (und ohne Beschränkung) über ein 802.11 g-Netzwerk (d. h. WiFi) oder ein WiMax-Netzwerk kommunizieren kann.
Bei einer Ausführungsform können ankommende Daten durch die nomadische Einrichtung über Data-over-Voice oder Datenplan geleitet werden, durch den Onboard-BLUETOOTH-Sender/Empfänger und in den internen Prozessor 3 des Fahrzeugs. Im Fall bestimmter temporärer Daten können die Daten zum Beispiel auf der HDD oder einem anderen Speichermedium 7 gespeichert werden, bis die Daten nicht mehr benötigt werden.
Zu zusätzlichen Quellen, die an das Fahrzeug angeschaltet werden können, gehören eine persönliche Navigationseinrichtung 54, die zum Beispiel eine USB-Verbindung 56 und/oder eine Antenne 58 aufweist, eine Fahrzeugnavigationseinrichtung 60 mit einem USB 62 oder einer anderen Verbindung, eine Onboard-GPS-Einrichtung 24 oder ein (nicht gezeigtes) Fernnavigationssystem, das Konnektivität mit dem Netzwerk 61 aufweist. USB ist eines einer Klasse von Serienvernetzungsprotokollen. IEEE 1394 (Firewire), serielle Protokolle der EIA (Electronics Industry Association), IEEE 1284 (Centronics Port), S/PDIF (Sony/Philips Digital Interconnect Format) und USB-IF (USB Implementers Forum) bilden das Rückgrat der seriellen Standards von Einrichtung zu Einrichtung. Die meisten der Protokolle können entweder für elektrische oder optische Kommunikation implementiert werden.
Ferner könnte sich die CPU in Kommunikation mit vielfältigen anderen Zusatzeinrichtungen 65 befinden. Diese Einrichtungen können durch eine drahtlose 67 oder verdrahtete 69 Verbindung verbunden sein. Die Hilfseinrichtung 65 kann, aber ohne Beschränkung darauf, persönliche Medien-Player, drahtlose Gesundheitseinrichtungen, tragbare Computer und dergleichen umfassen.
Außerdem oder als Alternative könnte die CPU zum Beispiel unter Verwendung eines Sender/Empfängers für WiFi 71 mit einem fahrzeuggestützten drahtlosen Router 73 verbunden werden. Dadurch könnte sich die CPU mit entfernten Netzwerken in der Reichweite des lokalen Routers 73 verbinden.
Zusätzlich dazu, dass beispielhafte Prozesse durch ein Fahrzeugdatenverarbeitungssystem ausgeführt werden, das sich in einem Fahrzeug befindet, können bei bestimmten Ausführungsformen die beispielhaften Prozesse durch ein Datenverarbeitungssystem in Kommunikation mit einem Fahrzeugdatenverarbeitungssystem ausgeführt werden. Ein solches System wäre beispielsweise eine drahtlose Einrichtung (zum Beispiel, aber ohne Beschränkung darauf, ein Mobiltelefon) oder ein entferntes Datenverarbeitungssystem (zum Beispiel, aber ohne Beschränkung darauf, ein Server), das durch die drahtlose Einrichtung verbunden ist. Kollektiv können solche Systeme als ein fahrzeugassoziiertes Datenverarbeitungssystem (VACS) bezeichnet werden. Bei bestimmten Ausführungsformen können bestimmte Komponenten des VACS abhängig von der bestimmten Implementierung des Systems bestimmte Teile eines Prozesses ausführen. Z. B. und ohne Beschränkung ist es, wenn ein Prozess einen Schritt des Sendens oder Empfangens von Informationen mit einer gepaarten drahtlosen Einrichtung aufweist, dann wahrscheinlich, dass die drahtlose Einrichtung den Prozess nicht ausführt, da die drahtlose Einrichtung nicht Informationen mit sich selbst ”senden und empfangen” würde. Durchschnittsfachleute verstehen, wann es nicht angemessen ist, ein bestimmtes VACS auf eine gegebene Lösung anzuwenden. Bei allen Lösungen wird in Betracht gezogen, dass mindestens das Fahrzeugdatenverarbeitungssystem (VCS), das sich in dem Fahrzeug selbst befindet, in der Lage ist, die beispielhaften Prozesse auszuführen.

Die veranschaulichenden Ausführungsformen verwenden Eingaben wie, aber ohne Beschränkung darauf, Ortsinformationen (GPS), Fahrzeuggeschwindigkeit und Zeit als Kontextinformationen, um ein Modell für ein Fahrerverhalten zu bauen. In einem 2D-Zeitraum, der durch eine Menge DOW (Wochentag – Day of Week) und eine Menge TOD (Uhrzeit – Time of Day) aufgespannt wird, sind diskrete Bereiche definiert, die aus der Zeit abgeleitet werden können, und jeder Satz DOW und TOD ist mit einer Übergangswahrscheinlichkeitsmatrix unter häufigen Anhalteorten assoziiert. Das System identifiziert automatisch Anhalteorte, Fahrten zwischen Orten, und generalisiert die Beziehungen zwischen Orten zum Zweck des Voraussagens. Es unterstützt Voraussagen eines Schritts oder mehrerer Schritte im Voraus mit Voraussagen eines einzigen Zielorts oder mehrerer Zielorte. Unterstützende Fahrtinformationen wie Fahrtentfernung, Fahrtdauer und Anhaltedauer am Zielort werden nach Bedarf auch vorausgesagt. Unter Annahme einer wochenkalenderartigen 2D-Darstellung des Zeitbereichs, bei der wie im Folgenden gezeigt die x-Achse DOW und die y-Achse TOD bezeichnet, definiert jede DOW- und TOD-Menge einen Bereich der Zeit, der mit einer K×K-Übergangswahrscheinlichkeitsmatrix assoziiert ist.

	So	Mo	Di	Mi	Do	Fr	Sa
00:00–03:00
03:00–06:00
06:00–09:00
09:00–12:00
12:00–15:00
15:00–18:00
18:00–21:00
21:00–24:00

K stellt die Anzahl eindeutiger Orte, die das System bisher identifiziert hat, dar. In der Übergangswahrscheinlichkeitsmatrix stellt wie im Folgenden gezeigt die x-Achse den Startort dar und die y-Achse stellt den Endort dar. Das Fahrmuster ist leicht zu lernen, indem positive exponentielle Aktualisierungen auf Zeitbereiche angewendet werden, wenn das Fahrzeug unterwegs ist, und negative exponentielle Aktualisierungen auf Zeitbereiche angewendet werden, wenn das Fahrzeug nicht in Gebrauch ist.
Positive und negative Aktualisierungen werden durch Wechseln von f₀₁ zwischen 1 und null in der unten stehenden Gleichung (1) realisiert. F(t – 1) bezeichnet den Häufigkeitswert vor der Aktualisierung und F(t) bezeichnet den Wert nach der Aktualisierung. Mit der Zeit kann die Häufigkeit (probabilistischer Wert), mit der der Fahrer das Fahrzeug benutzt, erfasst werden und Ähnlichkeitsmaße unter verschiedenen Zeitbereichen können daraus berechnet werden. F(t) = F(t – 1) + alpha_s(f₀₁ – F(t – 1)) (1)
2 zeigt ein veranschaulichendes Beispiel eines wie oben beschriebenen Datenauswertungsprozesses. Dies stellt lediglich einen beispielhaften Weg zur Erfassung und Auswertung von Daten dar, und soll ein nicht-einschränkendes Beispiel sein. Andere geeignete Verfahren der Datenauswertung können ebenso verwendet werden.
Bei diesem veranschaulichenden Beispiel kann die Erfassung/Auswertung von einem Fahrzeugdatenverarbeitungssystem, einem fernen System, den beiden Systemen zusammen, und/oder von einem oder mehreren Modulen, die auf einem der beiden oder auf beiden Systemen laufen, ausgeführt werden. Es können auch andere geeignete Quellen der Verarbeitung verwendet werden. Bei diesem Beispiel detektiert der Prozess, dass das Fahrzeug aktiv ist 201 (oder dass ein Datenauswertungsprozess begonnen hat). Bei diesem Beispiel wird das Fahrzeug Daten speichern, wenn es inaktiv gemacht wird (wie bei einem Schlüssel-aus-Ereignis). Diese Daten werden mindestens eine Zeit umfassen, wann das Schlüssel-aus-Ereignis stattgefunden hat.
Der Auswertungsprozess bestimmt, wann das Fahrzeug zuletzt aktiv war, indem auf Daten zugegriffen wird, die sich auf das letzte Schlüssel-aus-Ereignis 203 beziehen. Es ist auch möglich, dass Schlüssel-aus-Ereignisse nur aufgezeichnet werden, wenn das Fahrzeug tatsächlich Orte gewechselt hat oder in den Fahrmodus geschaltet wurde.
Für die bestimmte Zuletzt-aktiv-Zeit bestimmt der Prozess dann, ob für einen Zeitblock, der der Zeit am besten entspricht, eine Nutzungsstatistik aufgezeichnet wurde 205. Wurde die Zeit zum Beispiel in Blöcken von 3 Stunden gemessen, beginnend mit 0:00, und das Fahrzeug war zuletzt um 2:53 nachmittags aktiv, würde der Prozess bestimmen, ob Daten für den Zeitblock von 12:00–15:00 aufgezeichnet wurden. Voraussichtlich wurden bei dem letzten Betrieb vor 2:53 Zeitblöcke zwischen einem früheren Betrieb und dem letzten Betrieb angesprochen.
Wurden für den Zeitblock 12:00–15:00 keine Daten aufgezeichnet 205, würde der Prozess (zum Beispiel, ohne Einschränkung, mittels Gleichung (1)) einen Zeitblock 207, der 12:00–15:00 entspricht, positiv aktualisieren. Diese Aktualisierung zeigt an, dass das Fahrzeug während dieser Zeitdauer genutzt wurde (und/oder an dem jeweiligen Tag). Diese Aufzeichnung ist zutreffend, da das Fahrzeug zuletzt um 2:53 (14:53) genutzt wurde, und damit während des richtigen Zeitblocks genutzt wurde. Durch das Sammeln von Daten wie diesen bilden sich für einen bestimmten Fahrer allmählich Nutzungsmuster während jeweiliger Zeitblöcke an bestimmten Tagen. Diese Daten können dazu verwendet werden, prädiktiv zu bestimmen, wann ein ”Nächste-Nutzung”-Ereignis auftreten wird.
Wenn der Fahrer zum Beispiel montags bis freitags von 2:00-3:00 seine Mittagspause einlegt, wird die Fahrzeugnutzungsstatistik mit der Zeit anzeigen, dass das Fahrzeug häufig in dem 12:00–15:00 Zeitblock betrieben wird. Durch Reduzieren der Größe der Zeitblöcke lassen sich natürlich präzisere Daten erhalten.
Als nächstes wird in diesem beispielhaften Prozess ein Zeitfenster (z. B. ein Matrixelement) nach dem 12:00–15:00 Fenster festgestellt 209. Mit Bezug auf dieses Fenster wird festgestellt, ob das Fenster einem ”aktuellen” Zeitfenster entspricht 211. Wäre es zum Beispiel derzeit 9:12 abends (21:12), und das nächste Fenster wäre das 15:00–18:00 Fenster, würde das nächste Fenster nicht einem aktuellen Zeitfenster entsprechen.
In dem Fall, dass das nächste Fenster nicht dem aktuellen Zeitfenster entspricht, ist es bekannt, dass das Fahrzeug nicht während des Zeitfensters aktiv war. Als die letzte aktive Zeit wurde nämlich 2:53 (14:53) festgestellt, was bedeutet, dass zwischen 14:53 und 21:12 (die aktuelle Zeit) keine Aktivität stattfand. Dementsprechend wird der 15:00–18:00 entsprechende Block negativ aktualisiert, was den festgestellten Aktivitätswert während dieses Zeitblocks mindert. Der Block könnte auch einfach ignoriert werden, aber in diesem Beispiel können durch positives Augmentieren von Zeitdauern, wenn eine Aktivität stattfindet, und negatives Augmentieren von Zeitdauern ohne Aktivität schneller Muster ersichtlich werden.
Wieder wird ein nächstes Fenster (18:00–21:00) ausgewählt 209 und wieder entspricht das nächste Fenster nicht einem aktuellen Fenster 211. Dementsprechend wird eine weitere negative Aktualisierung angewendet 213. Wenn das nächste Fenster (21:00–24:00) ausgewählt wird, wird bestimmt, dass dieses Fenster einem aktuellen Fenster entspricht 211. Mit anderen Worten liegt die derzeitige Zeit 21:12 innerhalb der durch das ausgewählte Fenster definierten Zeit.
Da das Fahrzeug derzeit im Betrieb ist, wird bei diesem Beispiel das aktuelle Fenster positiv aktualisiert 215, um während dieses Zeitblocks eine Nutzung anzuzeigen. Da die Aktualisierung periodisch statt fortwährend sein kann, kann das System überprüfen, ob schon ein neues Fenster stattgefunden hat (z. B. ob die Zeit von 24:00 auf 00:01 vorangeschritten ist) 217. Wird ein neues Fenster noch nicht festgestellt, kann der Prozess warten, zum Beispiel indem er entweder periodisch rückfragt oder dazu angewiesen wird, zu warten, bis bekanntlich ein neues Fenster stattfindet (z. B. 00:01). Auf diese Weise können Daten während Betriebszeitdauern gesammelt werden, während gleichzeitig Daten für Zeitdauern, in denen das Fahrzeug nicht betrieben wurde, ausgefüllt werden.
Das CESM oder korrelationskodierte Ähnlichkeitsmaß kann dazu dienen, eine einzige aggregierte Übergangswahrscheinlichkeit bereitzustellen. Dieses kann durch gewichtete Summierung von mit allen Zeitbereichen assoziierten Übergangswahrscheinlichkeitsmatrizen erhalten werden.
Bei der Berechnung der Gewichtungen werden Fahrernutzungsmuster und die CEMS-Werte verwendet. Der Ablauf wird wie folgt zusammengefasst:

1. Angenommen, di, i = 1~7, stellt 8-Element-Spaltenvektoren eines Fahrtnutzungsmusters von Sonntag, Montag ... Samstag, dar. Eine Anwendung von Gleichung (2) ergibt eine volle 7×7-DOW-CESM-Matrix zwischen 7 Wochentagen. Es ist zu bemerken, dass die diagonalen Elemente Einsen (1s) sind und die Matrix symmetrisch zur Diagonalen ist. Ein numerisches Beispiel von DOW-CESM ist im Folgenden gezeigt, wo C1–C7 das Ähnlichkeitsmaß zwischen jedem Tag zu allen sieben Wochentagen darstellt.

Cl	C2	C3	C4	C5	C6	C7
1,0000	0,8315	0,7383	0,8205	0,7580	0,7890	0,8155
0,8315	1,0000	0,9498	0,9262	0,9414	0,9413	0,8048
0,7383	0,9498	1,0000	0,9323	0,9786	0,9858	0,7509
0,8205	0,9262	0,9323	1,0000	0,9277	0,9260	0,6287
0,7580	0,9414	0,9786	0,9277	1,0000	0,9734	0,7490
0,7890	0,9413	0,9858	0,9260	0,9734	1,0000	0,7987
0,8155	0,8048	0,7509	0,6287	0,7490	0,7987	1,0000

2. Ähnlich kann ein CESM mit Bezug auf den TOD-Raum geschätzt werden, indem angenommen wird, dass dj ein nach TOD organisiertes Nutzungsmuster ist, wobei j einen Bereich in dem Raum angibt. Eine volle TOD-CESM-Matrix, D, ist auch eine quadratische Matrix, wobei die diagonalen Elemente Einsen sind und symmetrisch zur Diagonalen sind.
3. Ist die Startzeit der Fahrt bekannt, können die entsprechenden DOW und TOD erhalten werden. Angenommen, der I-te DOW-Bereich und J-te TOD-Bereich entsprechen der Startzeit der Fahrt. C_I und D_J sind Teilmengen einer vollen DOW-CESM-Matrix und einer vollen TOD-CESM-Matrix, die das Ähnlichkeitsmaß eines bestimmten DOW und TOD mit Bezug auf alle definierten DOW- und TOD-Bereiche darstellen.
4. Die Gewichtungsmatrix, die verschiedene Trigger-Levels aller Übergangswahrscheinlichkeitsmatrizen definiert, kann wie folgt geschrieben werden: W = C T / I × D_J (3)

Zusätzlich zu Lernperioden des Betriebs können auch K×K-Matrizen bezüglich jeweiliger Fahrten zur Auswertung gebildet werden. K stellt die Anzahl einzelner Zielorte dar, die ein Fahrzeug wie festgestellt angefahren hat. K kann auch durch einen Radius definiert sein, so dass Zielorte in nächster Nähe als ein einziger Zielort festgestellt werden.
Jede Fahrt vom Start zum Ende kann als Fahrtvektor bezeichnet werden. Wenn ein neu vollendeter Fahrtvektor gebildet wird, kann der folgende Vorgang stattfinden, damit die Beziehungen zwischen Orten unter Berücksichtigung der Kontextinformationen DOW und TOD allmählich gelernt werden. Angenommen, die Fahrt startet an Ort N und endet an Ort M (3 zeigt ein veranschaulichendes Beispiel dieses Prozesses):

1. Bei vorgegebener Startzeit der Fahrt 301, kann eine Gewichtungsmatrix, die auf Basis von DOW-CESM und TOD-CESM berechnet wird, aus den Gleichungen (2) und (3) erhalten werden 303.
2. Jedes Element in W (der Gewichtungsmatrix), bezeichnet als W_s, ist das Ähnlichkeitsmaß zwischen einem DOW- und TOD-Bereich, bezeichnet als s, und der Startzeit der Fahrt. Dieser Wert wird zur Skalierung der Lernrate derart verwendet, dass, je enger eine Übereinstimmung ist, desto stärker ist eine gewichtete Aktualisierung, die die entsprechende Übergangswahrscheinlichkeitsmatrix erhält. Die nominale Lernrate, alpha_n, wird auf 0,001 (oder eine andere geeignete Zahl) eingestellt 305. alpha_n = alpha_n·W_s (4)

Es kann nützlich sein, besonders wenn ein Fahrzeug oder ein Fahrer (je nachdem, mit was/wem die Daten korreliert sind) relativ neu ist (und es daher wenige Datenpunkte gibt), zwischen jeweiligen Zeitblöcken von verschiedenen Tagen und Zeiten Korrelationen zu bestimmen. Zeitblöcke mit einer hohen Korrelation (auf Basis von Nutzung, Start-Zielort oder anderen Variablen) können zusammen mit einem Zeitblock aktualisiert werden, der speziell der festgestellten Zeit/dem festgestellten Tag entspricht. Da die ”Lern”-Rate der Zeitblöcke auf Basis des Korrelationsgrads schwanken kann, werden diese ähnlichen Zeitblöcke eventuell nicht zu einem so hohen Grad aktualisiert wie der festgestellte Zeitblock, aber eine sinnvolle Annahme, dass zu hoch korrelierten Zeiten ähnliche Fahrten getätigt werden können, ist ein ausreichender Grund dafür, diese Blöcke ebenfalls, zu einem niedrigeren Grad, zu aktualisieren. Somit können im Fall eines neuen Fahrers/Fahrzeugs Daten schneller gefüllt werden.

3. Angenommen, ein Fahrtvektor stellt das Fahrzeug dar, das vom Ort N gestartet ist und am Ort M angehalten hat. Man aktualisiere die N-te Spalte der K×K-Übergangswahrscheinlichkeitsmatrix mit den folgenden Gleichungen. F(t) = F(t – 1) + alpha_n(f₀₁ – F(t – 1)) (1)

f₀₁ hat einen Wert null, mit Ausnahme des M-ten Elements, wo es einen Wert von 1 annimmt. Diese Aktualisierung der N-ten Spalte der Übergangswahrscheinlichkeitsmatrix stellt die rekursive Form der Häufigkeitszählungen dar. Das M-te Element der N-ten Spalte stellt das Szenario dar, bei dem das Fahrzeug von Ort N zu Ort M fährt und es eine positive Aktualisierung erhalten hat. Die restlichen Elemente in der N-ten Spalte unterliegen einem exponentiellen Vergesslichkeitsnachlass in ihrem Häufigkeitswert, um die Tatsache wiederzugeben, dass nur der Startort der Fahrt mit dem aktuellen Informationsvektor übereinstimmt. Bis auf die N-te Spalte erhalten alle anderen Spalten keine Aktualisierung, da sie keine Fahrten mit Start am Ort N darstellen.
Diese Aktualisierung ähnelt der positiven/negativen Aktualisierung, die mit Bezug auf eine festgestellte Nutzung zu einem vorgegebenen TOD und/oder DOW stattfindet. Da eine jeweilige Fahrt, die bei M anfängt und bei N aufhört, mit Bezug auf den Zielort N positiv aktualisiert wird, und alle anderen Fahrten, die bei M anfangen und an anderen bekannten Zielorten aufhören, negativ aktualisiert werden, beginnen sich bei einem vorgegebenen jeweiligen Startpunkt Muster hinsichtlich der Ankunft an einem jeweiligen Zielort zu bilden.

4. Eine Anzahl vordefinierter K×K-Matrizen, die fahrtspezifische Attribute wie Entfernung, Fahrtdauer und Anhaltedauer darstellen, können auch mit Formulierung der exponentiellen Glättungsgleichung (1) aktualisiert werden 307. Diese Attribute werden als nur fahrtspezifisch und nicht kontextbezogen (DOW und TOD) angesehen. Der Aktualisierungsvorgang ist leicht mittels der Lernrate alpha_n, ohne weitere Skalierungen, durchzuführen. Während der Aktualisierung jeder Attributmatrix, nimmt f₀₁ Wert der derzeitigen Feststellung an und nur der Inhalt des M-ten Elements der N-ten Spalte wird aktualisiert.

4 zeigt ein veranschaulichendes Beispiel eines zweiten Datenauswertungsprozesses, wie oben beschrieben, zur Erfassung/Aktualisierung von Fahrtdaten. In diesem veranschaulichenden Beispiel kann die Erfassung/Auswertung durch ein Fahrzeugdatenverarbeitungssystem, ein fernes System, die beiden Systeme zusammen, und/oder ein oder mehrere Module, die auf einem der beiden oder auf beiden Systemen laufen, durchgeführt werden. Andere geeignete Quellen der Verarbeitung können auch verwendet werden. In diesem nicht einschränkenden Beispiel wird ein Startort des Fahrzeugs aufgezeichnet, wenn der Prozess beginnt 401. Da der Startort eventuell schon mit einem in der K×K-Matrix gespeicherten Ort korrelieren kann, wird bestimmt, ob dieser Startort zuvor festgestellt wurde 403.
Da ein Fahrer sich dazu entschließen kann, in unterschiedlichen Parkplätzen zu parken, zum Beispiel wenn es sich bei dem Ort um den Arbeitsort handelt, kann in die ”bekannter Ort”-Bestimmung ein gewisser Grad von Toleranz eingebaut werden. So lange ein Ort innerhalb der Toleranz des zuvor vermerkten Orts fällt, wird er als derselbe bekannte Ort und nicht als ein neuer Ort angesehen. Natürlich lässt sich jeder Ort auch als ein anderer Ort aufzeichnen, falls dies erwünscht ist, obwohl bei einem hochgenauen GPS-System selbst eine Parkabweichung von nur wenigen Metern andere Ortbestimmungen ergeben kann. Somit könnte bei diesem Beispiel K schnell eskalieren und es könnte bald ein Computer mit hoher Verarbeitungsleistung benötigt werden, um die hier beschriebenen Auswertungen vorzunehmen.
Ist der Ort nicht bekannt 403, werden eine neue Spalte und Zeile zu der K×K-Matrix hinzugefügt, die dem Ort entsprechen. Es ist zu bemerken, dass der derzeitige Ort wahrscheinlich schon bekannt ist, da er der Zielort der vorigen Fahrt war, ausgenommen der Prozess wurde nicht für die Fahrt, die den Fahrer zu dem derzeitigen Ort geführt hat, durchgeführt. Somit kann es selten vorkommen, dass ein Startort als ein neuer Ort hinzugefügt wird (könnte aber passieren, wenn zum Beispiel das Fahrzeug erneut gestartet wird oder abgeschleppt wurde).
Da sich der Vektoraufzeichnungsprozess bei diesem Beispiel nur mit einem Start- und Endort befasst, kann der Prozess warten, bis eine Fahrt zu Ende gegangen ist 407. Dieses kann durch Schlüssel-aus, Einlegen des Parkmodus etc. signalisiert werden.
Ist die Fahrt einmal vorbei, wird ein Zielort/Endort bestimmt 409, und es wird auch bestimmt, ob es sich bei dem Endort um einen zuvor bekannten Ort handelt 411. Wie mit dem Startort werden zu der K×K-Matrix eine Zeile und eine Spalte hinzugefügt, die dem Zielort 413 entsprechen, falls der Zielort nicht zuvor festgestellt wurde.
Da nun der Fahrtvektor bekannt ist, schreitet der Prozess zu einer dem Startort entsprechenden Spalte vor 415. Für jeden möglichen Zielort, der bekannt ist 417, wird bestimmt, ob der bekannte Zielort dem aktuellen Zielort 419 entspricht. Eine Entsprechung zwischen dem bekannten Zielort (d. h. Zeilenelement der Spalte) und dem aktuellen Zielort führt zu einer positiven Aktualisierung 421 des mit Bezug auf das Element gespeicherten Werts. Dieses führt zu einer erhöhten Prozentzahl an Fahrten zwischen zwei Punkten. Für alle anderen Elemente in der Spalte 419 wird eine negative Aktualisierung angewandt 423, vorausgesetzt, dass letzte Element in der Spalte wurde nicht augmentiert 425.
Es ist erneut möglich, die anderen Elemente in der Spalte zu ignorieren, aber ein negatives Aktualisieren der Elemente entsprechend den Orten, die nicht der Zielort waren, kann den Auswertungsprozess für eine Gesamtwahrscheinlichkeit, dass ein jeweiliger Startpunkt zu einem jeweiligen Zielort führt, beschleunigen. Fahrtinformationen können gesammelt werden, darunter, aber ohne Beschränkung darauf, GPS-Aufenthaltsorte für das Fahrzeug, Fahrzeuggeschwindigkeit und entsprechende Zeitinformationen. Daraufhin fasst das System die Informationen in Belegstabellen zusammen, die durch die beiden zeitbezogenen Tags, also Wochentag (DOW) und Uhrzeit (TOD), kategorisiert sind.
Aus diesen Belegstabellen kann das System baumartige Fahrtvoraussagen bilden, die verschiedene mögliche Ergebnisse (mit Wahrscheinlichkeitswerten) bei Vorgabe von spezifischer Startzeit und Ort abdecken. Mit der Zeit sammelt das System allmählich mehr Kenntnisse bezüglich der Fahrtroutinen des Fahrers und erzielt genauere Voraussagen.
Wie zuvor erklärt werden mittels GPS und fahrzeugbezogener Parameter häufig besuchte Orte identifiziert, indem die durchschnittlich an jedem Ort verbrachte Zeit ausgewertet wird. Mehrere Tabellen werden erstellt, von denen jede mit einem DOW-Tag (Montag–Sonntag) und einem TOD-Tag (0–24h) verbunden ist, um häufige Fahrten eines Fahrers aufzuzeichnen, während sie stattfinden (mit einer Menge rekursiver Formeln). Wird eine Fahrt festgestellt, zum Beispiel eine Fahrt von Ort A zu Ort B, identifiziert man zuerst die Tabelle, deren DOW- und TOD-Tags am besten mit der Startzeit der Fahrt übereinstimmen. Der Wert des B-ten Elements der A-ten Spalte der Tabelle wird mit der höchsten Lernrate erhöht, zum Beispiel: 5%. Als nächstes wird das gleiche Element von Nachbarschaftstabellen mit einer abnehmenden Lernrate wie z. B. 3%, 1% und 0,05% aktualisiert. Die Werte anderer Elemente in diesen Spalten werden erniedrigt, um die Tatsache wiederzugeben, dass, obwohl der Startort der gleiche ist, diese Orte in den letzten Fahrtdaten nicht besucht wurden. Mit der Zeit stellt jede Spalte der Matrix den langfristigen Durchschnitt der Häufigkeiten, mit denen der Fahrer von einem Ort zum anderen fährt, dar. Diese Tabellen dienen als Beleg des Systems, um unter Vorgabe eines derzeitigen Aufenthaltsorts des Fahrers und der Zeit Zielortvoraussagen bereitzustellen.
Das folgende Diagramm zeigt ein Beispiel für eine Aktualisierung einer Tabelle von festgestelltem Zeit/Tag, und Aktualisierungen benachbarter Elemente haben einen hohen Korrelationsgrad.
Nachbarschaftstabellen sind diejenigen mit DOW- und TOD-Tags, die als ”nahe an” der gefundenen besten Übereinstimmung liegend betrachtet werden. Wenn zum Beispiel die Tabelle mit bester Übereinstimmung DOW = [Dienstag] und TOD = [07:00–08:00] aufweist, kann der Prozess Tabellen mit DOW = [Dienstag] und TOD = [06:00–07:00] (eine Stunde davor) oder TOD = [08:00–09:00] (eine Stunde danach) als Nachbarschaftstabellen ansehen. Ist der Lernprozess in einem frühen Stadium und stehen in den Tabellen wenige Daten zur Verfügung, kann er ferner die Nachbarschaft auf Tage vor/nach der besten Übereinstimmung ausdehnen. Zum Beispiel: Montag und Mittwoch würden die Nachbarschaftstage sein, wenn die beste Übereinstimmung Dienstag ist. Durch Wiederholen dieses Prozesses mit den Eingängen von neuen Fahrtdaten werden allmählich die häufigen Fahrten des Fahrers zwischen unterschiedlichen Orten in den Tabellen erfasst.
Wie zu sehen ist, wird hinsichtlich jedes Zeit/Tag-Paars mindestens eine K×K-Matrix gespeichert, und Korrelationen zwischen typischen Zeit/Tag-Daten für ein jeweiliges Paar und dessen Nachbarn bestimmen, wie hoch der Lerngrad ist, der Aktualisierungen, die benachbarte Elemente erhalten, zugeordnet wird. Mit Bezug auf die obige Figur, zum Beispiel, liegt ein typischer hoher Korrelationsgrad (gezeigt durch die mittlere TOD/DOW-Tabelle) zwischen Ereignissen von 6:00–7:00 am Dienstag und der festgestellten Zeit (7:00–8:00 am Dienstag) vor.
Dementsprechend werden die Werte, die der K×K-Matrix (oder -Matrizen) der 6:00–7:00-Elemente zugeordnet sind, fast genauso augmentiert, wie diejenigen, die der K×K-Matrix (oder -Matrizen) des 7:00–8:00-Elements zugeordnet sind. Umgekehrt liegt ein niedriger Korrelationsgrad zwischen 8:00–9:00 am Mittwoch und der Zeit 7:00–8:00 am Dienstag vor. In einigen Fällen könnte eine solche Korrelation sogar dazu führen, dass Mittwoch 8:00–9:00 gänzlich als Nachbar ignoriert wird, obwohl es bei Vorlage von wenigen Datenpunkten wünschenswert sein kann, diesen Wert zu ändern, bis mehr Daten erhalten werden. Die niedrige Korrelation führt zu einer eher kleinen Aktualisierung der Werte/des Werts der K×K-Matrix von Mittwoch 8:00–9:00 im Vergleich zu dem Wert von Dienstag 8:00–9:00. „Nachbarn” können natürlich auf Basis jedes geeigneten Mittels ausgewählt werden. Beispielsweise kann, statt einfach Zeit- und Tag-Nachbarn, die eine festgestellte Zeit einschließen, auszuwählen, der Prozess stattdessen eine Anzahl von Nachbarn mit der höchsten Korrelation zur festgestellten Zeit auswählen. Eine Korrelation lässt sich auf Basis von Fahrtvektoren, allgemeiner Fahrzeugnutzung, abgefahrenen Entfernungen oder irgendwelchen anderen geeigneten Variablen oder Kombinationen von Variablen bestimmen. Die Anzahl ausgewählter Korrelationen könnte vorbestimmt werden (z. B. die acht nächsten korrelierenden Elemente auswählen) oder könnte beispielsweise auf einem Schwellenwert basieren (z. B. alle Elemente mit mehr als 95% Korrelation auswählen).
Tabellen, die die zuvor gemachten Fahrten des Fahrers zusammenfassen, sind praktische(r) Quellen/Beleg dafür, zukünftige Fahrten vorauszusagen. Bei einem gegebenen aktuellen Ort und Fahrtstartzeit führt das System „informiertes Raten” darüber durch, wohin sich der Fahrer am wahrscheinlichsten begeben wird, mittels des folgenden Vorgangs (ein Beispiel davon ist mit Bezug auf 5 gezeigt):

1. Den Startort und Startzeit der aktuellen Fahrt bestimmen 501 Eine Zone mit DOW- und TOD-Tags, die mit der Startzeit am besten übereinstimmt, finden. Zum Beispiel stimmt die I-te Zeitzone einer TOD-Zeile in einer DOW-Spalte am besten mit der Startzeit der aktuellen Fahrt überein. Verwenden des Elements in W_s als Gewichtung 503 und Folgen von 1 für alle zur Verfügung stehenden DOW- und TOD-Bereiche, p^H(DOW_start, TOD_start) ist die normierte gewichtete Summe der Wahrscheinlichkeitsvektoren 505. Finden des Orts in der Datenbank, der am besten mit dem aktuellen Startort übereinstimmt. Dies kann durch Vergleichen der GPS-Koordinaten des aktuellen Orts mit Orten, die sich schon in der Datenbank befinden, stattfinden. Liegt der N-te Ort in der Datenbank innerhalb einer bestimmten Entfernung (zum Beispiel, ohne Einschränkung, 0,3 Meilen) vom aktuellen Ort, bezeichnet man den aktuellen Startort als den N-ten Ort.
2. Auswerten der N-ten Spalte der I-ten Tabelle stellt die relativen Häufigkeiten, mit denen sich der Fahrer vom I-ten Ort zu allen Orten bewegt, dar. Hat die M-te Zeile in der Spalte zum Beispiel den höchsten Wert, so wäre der M-te Ort der wahrscheinlichste Zielort 507. Sind mehr als ein möglicher Zielort erwünscht 509, können die 2., 3. ... etc. wahrscheinlichen Zielorte 515 auf ähnliche Weise gefunden werden.

Ähnlich wie bei Situationen, in denen das Lernen für das System gerade erst begonnen hat und Informationen noch dürftig sind oder nicht zur Verfügung stehen, sollte die Einbeziehung von Tabellen von Nachbarschaftszeitzonen in Betracht gezogen werden. Dies kann man mit einem Verfahren des gewichteten Durchschnitts erreichen, so dass das System mit Bezug auf die wahrscheinlichen Zielorte „informiert raten” kann.
Bestimmung der Anzahl zusätzlicher Zielorte, die vorausgesagt werden sollten, kann auf verschiedene Weisen stattfinden. Dazu zählen, ohne Einschränkung darauf, eine Auswahl einer vorbestimmten Anzahl von zusätzlichen Zielorten, die die höchste Wahrscheinlichkeit aller bekannten möglichen Zielorte haben; Auswahl aller Zielorte über einem Schwellenwert; oder sogar die Anfrage beim Fahrer bezüglich eines „geratenen” Zielorts und daraufhin Fortschreiten zu einem nächsten Zielort mit einer nächst höchsten Wahrscheinlichkeit, bis der Fahrer bestätigt, dass es sich dabei um den richtigen Zielort handelt.

3. Für jeden Zielort, oder wenn ein Zielort bekannt ist, können Fahrtattributmatrizen Attribute, die zu einem oder mehreren vorausgesagten Anhalteorten gehören, erhalten werden, indem die Q(1)'ten, Q(2)'ten Elemente der H'ten Spalte von erhältlichen Attributmatrizen genommen werden. Diese Daten können nützlich bei der Bestimmung von Eingaben in Optimierungsalgorithmen sein, wie in Bezug auf 6 gezeigt, zur Voraussage zukünftiger Zielortpunkte von einem vorausgesagten Zielort.

6 zeigt ein veranschaulichendes Beispiel eines iterativen Zielortvoraussagungsprozesses. Bei einem Beispiel ist es wünschenswert, die Energieabgabe zu verwalten, bis ein Aufladungspunkt erreicht ist. Da ein Fahrer an einem oder mehreren Orten entlang einer Fahrtstrecke, die mit einer Aufladungsstation endet, anhalten kann, reicht es eventuell nicht, einfach die Energie bis zum Erreichen eines ersten Zielorts zu verwalten.
Hält ein Fahrer zum Beispiel auf dem Weg von der Arbeit nach Hause konsistent bei einem Fast-Food-Restaurant an, kann ein Voraussagealgorithmus bei einem vorgegebenen Startort als Arbeit und einer Tageszeit von 5:15 nachmittags diesen Ort als wahrscheinlichsten Stopp aufweisen. Einfaches Verwalten von Energie bis zum Erreichen dieses Stopps kann jedoch unklug sein; sofern der Fahrer das Fahrzeug nicht bei dem Fast-Food-Restaurant aufladen kann, steht eventuell zu wenig Strom zum Betrieb des Autos, bis der Fahrer zu Hause ankommt, zur Verfügung.
Bei einem solchen Fall kann es wünschenswert sein, eine Anzahl von Zielpunkt”sprüngen” vorauszusagen, bis ein bekannter Aufladungspunkt erreicht ist.
Um Optimierungs- und/oder Steueranwendungen mit einer Entfernung, bis das Fahrzeug die nächste Aufladungsstation erreicht, bereitzustellen, kann das System eine Voraussage mehrere Schritte im Voraus (Fahrtkette) bereitstellen. Die Fähigkeit konzentriert sich hauptsächlich auf die abzufahrende Entfernung bis zur nächsten Aufladungsstation und kann zum Beispiel bei der dynamischen Terminplanung der Batterieentladungsrate helfen.
Voraussagen mehrere Schritte im Voraus werden erreicht, indem der nächste Startort und dessen zugehörige Kontextinformationen (DOW und TOD) iterativ erhalten werden, um einen neuen Eingabevektor zu bilden, und der Vorgang der Voraussage einen Schritt im Voraus wiederholt wird. Der neue Eingabevektor wird mit dem folgenden Vorgang gebildet:

1. Nachdem ein erster Vektor erhalten wird 601, einschließlich eines ersten Anhalteorts 603, wird bestimmt, ob der vorausgesagte Zielort ein Aufladungsort ist 605. Wenn nicht, wird ein vorausgesagter nächster Startort erhalten.
2. Der vorausgesagte nächste Startort ist der vorausgesagte Anhalteort aus dem Ergebnis der vorausgehenden Voraussageiteration auf Basis des Anhalteorts und der Startzeit 609. Mit anderen Worten wäre in dem obigen Beispiel das Fast-Food-Restaurant sowohl der vorausgesagte erste Anhalteort als auch der nächste Startort.
3. Aus der vorausgesagten Fahrtdauer und Anhaltedauer kann man iterativ eine geschätzte Fahrtstartzeit (für den zweiten Teil der Fahrt) ableiten 611. Die Startzeit für den zweiten Teil der Fahrt ist im Wesentlichen die Startzeit der Fahrt + die Fahrtdauer zum ersten Anhaltepunkt + vorausgesagte Anhaltezeit. Alle diese Daten können als Attributdaten mit Bezug auf einen jeweiligen Fahrtvektor zwischen einem Startort und einem Endzielort gespeichert werden.
4. Diese Schritte 2 und 3 können wiederholt werden, bis der vorausgesagte Anhaltezielort eine Aufladungsstation ist 605, zu welchem Punkt die gesamten Fahrtdaten 607 bestimmt sein und für Optimierungsalgorithmen genutzt werden können.

Obgleich oben beispielhafte Ausführungsformen beschrieben werden, ist nicht beabsichtigt, dass diese Ausführungsformen alle möglichen Formen der Erfindung beschreiben. Die in der Beschreibung verwendeten Ausdrücke dienen der Darstellung und nicht der Einschränkung, und es versteht sich, dass verschiedene Änderungen vorgenommen werden können, ohne von dem Gedanken und Schutzumfang der Erfindung abzuweichen. Zusätzlich können die Merkmale verschiedener implementierender Ausführungsformen zu weiteren Ausführungsformen der Erfindung kombiniert werten.
Bezugszeichenliste
Fig. 1

4: Anzeige
51: Eingangsselektor
52: BT-Paar
11: Verst.
67: Hilfseinrichtung
58: Persönl. Nav.-Einr.
60: Fahrzeug-Nav.-Einr.
61: Netzwerk

219: Warten
217: Neues Fenster?
215: Positive Aktualisierung?
211: Aktuelles Fenster?
213: Negative Aktualisierung?
201: Fahrzeug aktiv detektieren
203: Letzte aktive Zeit bestimmen
205: Nutzung aufgezeichnet?
207: Positive Aktualisierung
209: Nächstes Fenster auswählen

301: Fahrtzeitstartzeit/Tag bestimmen
303: Gewichtungsmatrix erhalten
305: Lernrate skalieren
307: Zusätzliche Matrizen aktualisieren

401: Startort aufzeichnen
403: Bekannt?
405: Spalte/Zeile hinzufügen
407: Fahrtende?
409: Endort aufzeichnen
411: Bekannt
413: Spalte/Zeile hinzufügen
415: Zur Spalte vom Start gehen
417: Nächstes Element in Spalte
419: Endort?
423: Negative Aktualisierung
421: Positive Aktualisierung
425: Letztes?

501: Startort/TOD/DOW erhalten
503: Gewichtungsmatrix erhalten
505: Normierte gewichtete Summe erhalten
507: Höchstwahrscheinlichen Ort erhalten
515: Nächsten Ort erhalten
509: Mehr?
513: Attribute für alle Orte erhalten

601: Startort erhalten
603: Anhalteort aus Start/TOD/DOW voraussagen
607: Fahrtdaten benutzen
605: Anhalten = Aufladen?
609: Anhalteort als Start benutzen
611: TOD/DOW = Startzeit + Fahrtzeit + Anhaltezeit

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Nicht-Patentliteratur

IEEE 802 PAN (Personal Area Network) [0030]
IEEE 802 LAN (Lokales Netzwerk) [0030]
IEEE 1394 (Firewire) [0033]
IEEE 1284 (Centronics Port) [0033]

Claims

Von einem Computer implementiertes Verfahren, umfassend: Zugreifen auf eine Matrix mit Elementen, die sowohl Uhrzeiten als auch Wochentagen entsprechen; positives Augmentieren eines Elements, das einer festgestellten Fahrtstartzeit an einem festgestellten Wochentag entspricht; negatives Augmentieren mindestens eines anderen Elements, das nicht der festgestellten Startzeit an dem festgestellten Wochentag entspricht; wobei die Wiederholung der positiven und negativen Augmentation von Zeitinformationen mit der Zeit zu einer Matrix führt, die die Wahrscheinlichkeit der Fahrzeugbenutzung unter Berücksichtigung einer jeweiligen Zeit und eines jeweiligen Tags zeigt; für jedes Element der Matrix, Bereitstellung mindestens einer sekundären Matrix, die bekannten Fahrtorten entspricht, wobei Elemente der sekundären Matrix mindestens einem Startort und einem Zielort entsprechen; positives Augmentieren eines Elements, das einem festgestellten Startort und einem festgestellten Endort entspricht; negatives Augmentieren mindestens eines anderen Elements, das dem festgestellten Startort und einem Endort entspricht, der sich von dem festgestellten Endort unterscheidet; wobei die Wiederholung der positiven und negativen Augmentation von Ortsinformationen mit der Zeit zu einer Matrix führt, die die Wahrscheinlichkeit zeigt, mit der ein Fahrzeug zu einem jeweiligen Zielort fährt, unter Berücksichtigung eines jeweiligen Startorts.
Verfahren nach Anspruch 1, weiterhin umfassend, bei einer vorgegebenen Startzeit, Wochentag und Startort, ein Nutzen der Matrix und mindestens einer sekundären Matrix zur Voraussage eines wahrscheinlichen Zielorts eines Fahrzeugs, das eine Reise antritt.
Verfahren nach Anspruch 1, weiterhin umfassend ein Bereitstellen mindestens einer tertiären Matrix, die eine Beziehung zwischen der Wahrscheinlichkeit der Fahrzeugnutzung für jeden der Wochentage zeigt.
Verfahren nach Anspruch 3, weiterhin umfassend ein positives Augmentieren mindestens eines Elements mindestens einer sekundären Matrix, gehörend zu einer Uhrzeit und einem Wochentag, die sich von der festgestellten Uhrzeit und dem festgestellten Wochentag unterscheiden, und den höchsten Entsprechungsgrad mit dem vorgegebenen Tag aufweisen, wie durch die tertiäre Matrix belegt.
Verfahren nach Anspruch 4, wobei das Augmentieren des mindestens einen Elements der mindestens einen sekundären Matrix, gehörend zu der Uhrzeit und Wochentag, die sich von der festgestellten Uhrzeit und dem festgestellten Wochentag unterscheiden, auf Basis des Entsprechungsgrads zwischen dem festgestellten Wochentag und dem Tag skaliert wird, auf den das mindestens eine zu augmentierende Element fällt, wie durch die tertiäre Matrix belegt.
Verfahren nach Anspruch 1, weiterhin umfassend ein Bereitstellen mindestens einer tertiären Gewichtungsmatrix, die eine Beziehung zwischen der Wahrscheinlichkeit der Fahrzeugnutzung zu der festgestellten Uhrzeit und an dem festgestellten Wochentag und anderen Uhrzeiten an dem festgestellten Wochentag zeigt.
Verfahren nach Anspruch 6, weiterhin umfassend ein positives Augmentieren mindestens eines Elements mindestens einer sekundären Matrix, gehörend zu einer Uhrzeit, die sich von der festgestellten Uhrzeit an dem festgestellten Wochentag unterscheidet, und den höchsten Entsprechungsgrad mit dem vorgegebenen Tag aufweisend, wie durch die tertiäre Matrix belegt.
Verfahren nach Anspruch 7, wobei das Augmentieren des mindestens einen Elements der mindestens einen sekundären Matrix, gehörend zu der Uhrzeit und dem Wochentag, die sich von der festgestellten Uhrzeit und dem festgestellten Wochentag unterscheiden auf Basis des Entsprechungsgrads zwischen dem festgestellten Wochentag und dem Tag skaliert ist, auf den das mindestens eine zu augmentierende Element fällt, wie durch die tertiäre Matrix belegt.
Computerlesbares Speichermedium, das Anweisungen speichert, die bei Ausführung einen Prozessor dazu veranlassen, das Folgendes umfassende Verfahren auszuführen: Zugreifen auf eine Matrix mit Elementen, die sowohl Uhrzeiten als auch Wochentagen entsprechen; positives Augmentieren eines Elements, das einer festgestellten Fahrtstartzeit an einem festgestellten Wochentag entspricht; negatives Augmentieren mindestens eines anderen Elements, das nicht der festgestellten Startzeit an dem festgestellten Wochentag entspricht; wobei die Wiederholung der positiven und negativen Augmentation von Zeitinformationen mit der Zeit zu einer Matrix führt, die die Wahrscheinlichkeit der Fahrzeugbenutzung unter Berücksichtigung einer jeweiligen Zeit und eines jeweiligen Tags zeigt; für jedes Element der Matrix, Bereitstellung mindestens einer sekundären Matrix, die bekannten Fahrtorten entspricht, wobei Elemente der sekundären Matrix mindestens einem Startort und einem Zielort entsprechen; ein positives Augmentieren eines Elements, das einem festgestellten Startort und einem festgestellten Endort entspricht; negatives Augmentieren mindestens eines anderen Elements, das dem festgestellten Startort und einem Endort entspricht, der sich von dem festgestellten Endort unterscheidet; wobei die Wiederholung der positiven und negativen Augmentation von Ortsinformationen mit der Zeit zu einer Matrix führt, die die Wahrscheinlichkeit zeigt, mit der ein Fahrzeug zu einem jeweiligen Zielort fährt, unter Berücksichtigung eines jeweiligen Startorts.
Computerlesbares Speichermedium nach Anspruch 9, wobei das Verfahren weiterhin, unter Vorgabe einer Startzeit, eines Wochentags und eines Startorts, eine Nutzung der Matrix und mindestens einer sekundären Matrix zur Voraussage eines wahrscheinlichen Zielorts eines Fahrzeugs, das eine Reise antritt, umfasst.
Computerlesbares Speichermedium nach Anspruch 9, wobei das Verfahren weiterhin ein Bereitstellen mindestens einer tertiären Matrix, die eine Beziehung zwischen der Wahrscheinlichkeit der Fahrzeugnutzung für jeden der Wochentage zeigt, umfasst.
Computerlesbares Speichermedium nach Anspruch 11, wobei das Verfahren weiterhin ein positives Augmentieren mindestens eines Elements mindestens einer sekundären Matrix umfasst, gehörend zu einer Uhrzeit und einem Wochentag, die sich von der festgestellten Uhrzeit und dem festgestellten Wochentag unterscheiden, und den höchsten Entsprechungsgrad mit dem vorgegebenen Tag aufweisend, wie durch die tertiäre Matrix belegt.
Computerlesbares Speichermedium nach Anspruch 12, wobei das Augmentieren des mindestens einen Elements der mindestens einen sekundären Matrix, gehörend zu der Uhrzeit und dem Wochentag, die sich von der festgestellten Uhrzeit und dem festgestellten Wochentag unterscheiden, auf Basis des Entsprechungsgrads zwischen dem festgestellten Wochentag und dem Tag skaliert ist, auf den das mindestens eine zu augmentierende Element fällt, wie durch die tertiäre Matrix belegt.
Computerlesbares Speichermedium nach Anspruch 9, wobei das Verfahren weiterhin ein Bereitstellen mindestens einer tertiären Gewichtungsmatrix, die eine Beziehung zwischen der Wahrscheinlichkeit der Fahrzeugnutzung zu der festgestellten Uhrzeit und an dem festgestellten Wochentag und anderen Uhrzeiten an dem festgestellten Wochentag zeigt, umfasst.
Computerlesbares Speichermedium nach Anspruch 14, wobei das Verfahren weiterhin ein positives Augmentieren mindestens eines Elements mindestens einer sekundären Matrix, gehörend zu einer Uhrzeit, die sich von der festgestellten Uhrzeit an dem festgestellten Wochentag unterscheidet, und den höchsten Entsprechungsgrad mit dem vorgegebenen Tag aufweisend, wie durch die tertiäre Matrix belegt, umfasst.
Computerlesbares Speichermedium nach Anspruch 15, wobei das Augmentieren des mindestens einen Elements der mindestens einen sekundären Matrix, gehörend zu der Uhrzeit und dem Wochentag, die sich von der festgestellten Uhrzeit und dem festgestellten Wochentag unterscheiden, auf Basis des Entsprechungsgrads zwischen dem festgestellten Wochentag und dem Tag skaliert ist, auf den das mindestens eine zu augmentierende Element fällt, wie durch die tertiäre Matrix belegt.
Ein computerimplementiertes Verfahren, umfassend: Bestimmen einer Uhrzeit, eines Wochentags und eines Orts, die dem Start einer Autofahrt entsprechen; Zugreifen auf eine Ortsmatrix die einem Zeitmatrixelement entspricht, wobei das Zeitmatrixelement auf Basis der Uhrzeit und des Wochentags aus der Zeitmatrix ausgewählt ist; Auswählen eines Zielorts aus mehreren Matrixelementen in der Ortsmatrix, wobei der ausgewählte Zielort die höchste festgestellte Wahrscheinlichkeit dafür besitzt, der Zielort zu sein, an dem die Fahrzeugfahrt abschließt; und Verwenden des ausgewählten Zielorts als Endzielort zum Zweck der Fahrtplanung.
Verfahren nach Anspruch 17, weiterhin umfassend: Bestimmen, ob der ausgewählte Zielort einem bekannten Aufladungsort entspricht; wenn der ausgewählte Zielort einem bekannten Aufladungsort nicht entspricht, Auswählen eines zweiten Zielorts aus mehreren Matrixelementen in einer neuen Ortsmatrix; und Nutzung des zweiten Zielorts als Endzielort zum Zweck der Fahrtplanung.
Verfahren nach Anspruch 18, weiterhin umfassend das Wiederholen der Schritte nach Anspruch 18, bis ein ausgewählter zweiter Zielort einem Aufladungsort entspricht.
Verfahren nach Anspruch 18, wobei das Auswählen eines zweiten Zielorts weiterhin Folgendes umfasst: Bestimmen, wie lang ein Fahrzeug wahrscheinlich für die Fahrt zum ausgewählten Zielort benötigt; Bestimmen, wie lang ein Fahrzeug wahrscheinlich am ausgewählten Zielort angehalten wird, mindestens basierend auf Daten, die in einer Anhaltedauermatrix, die mit der Ortsmatrix in Verbindung steht, aufgezeichnet sind; Hinzuaddieren der bestimmten Fahrtzeit und der bestimmten Anhaltezeit zu der bestimmten Uhrzeit; Nutzung des Ergebnisses des Addierens als neue Uhrzeit; wobei die neue Ortsmatrix eine zugegriffene Ortsmatrix ist, die einem Zeitmatrixelement entspricht, wobei das Zeitmatrixelement aus der Zeitmatrix auf Basis des verwendeten Ergebnisses ausgewählt wird.