DE102018209804A1

DE102018209804A1 - Verfahren und Vorrichtung zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug

Info

Publication number: DE102018209804A1
Application number: DE102018209804.2A
Authority: DE
Inventors: Pablo Luis Grarnizo
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2018-06-18
Filing date: 2018-06-18
Publication date: 2019-12-19
Also published as: CN110617829A; FR3082613B1; FR3082613A1; CN110617829B

Abstract

Die Erfindung betrifft ein Verfahren zur Vorhersage einer wahrscheinlichen Fahrroute 170 für ein Fahrzeug 105, wobei das Verfahren zunächst einen Schritt des Vorhersagens aufweist, bei dem ein Fahrziel unter Verwendung zumindest eines Datensignals 135, das einen vergangenen Aufenthaltsort des Fahrzeugs 105 repräsentiert, sowie eines Positionssignals 140, das eine aktuelle Position des Fahrzeugs 105 repräsentiert, vorhergesagt wird. Das Verfahren weist weiterhin einen Schritt des Erstellens auf, bei dem eine Prämienkarte 150 zur Abbildung einer Gewichtung zumindest eines Bereichs zwischen der aktuellen Position des Fahrzeugs 105 und dem vorhergesagten Fahrziel unter Verwendung einer Fahrhistorie 155 des Fahrzeugs und/oder einer Fahrpräferenz 160 des Fahrers erstellt wird. Schließlich weist das Verfahren einen Schritt des Berechnens auf, bei dem die wahrscheinliche Fahrroute 170 unter Verwendung eines neuronalen Netzwerks 165 und der erstellten Prämienkarte 150 berechnet wird, um somit die wahrscheinliche Fahrroute 170 vorherzusagen.

Description

Stand der Technik
Die Erfindung geht von einer Vorrichtung oder einem Verfahren nach Gattung der unabhängigen Ansprüche aus. Gegenstand der vorliegenden Erfindung ist auch ein Computerprogramm.
Um autonom fahrende Fahrzeuge zu realisieren, werden Navigationsmodule verwendet, die Kartendaten verarbeiten, um eine Vorschau einer vorausliegenden Fahrroute für eine Fahrstrategieeinheit bereitzustellen, die das Fahrzeug dann autonom steuert. Insbesondere ist hier der Elektronische Horizont zu nennen, der eine Vernetzung von Navigation und Motorsteuerung darstellt. Eine der Schlüsselkomponenten zum Aufbau des Elektronischen Horizonts sind Algorithmen zur Vorhersage einer Fahrroute, wenn die aktuelle Position bekannt ist und das Fahrziel und/oder die Route ungewiss sind, beispielsweise wenn der Fahrer kein Ziel angegeben hat oder ein Steuersystem das endgültige Ziel nicht kommunizieren kann oder darf. Die Vorhersage der Fahrroute basiert hierbei auf historischen Daten des Fahrzeugs, das heißt das Fahrzeug folgt derselben Fahrroute, wie zuletzt, als das Fahrzeug zum selben Fahrziel fuhr.
Die DE 10 2007 043 533 A1 beschreibt ein Navigationsgerät für Kraftfahrzeuge sowie ein Verfahren zur Berechnung und Ausgabe mindestens einer alternativen Straßenroute im Falle eines Verkehrsstaus. Hierbei wird dem Fahrer bzw. dem Nutzer des Navigationssystems auch bei einer deaktivierten Zielführungsfunktion für jeden Stau, der in einem definierten Positionshorizont liegt, mindestens eine alternative Straßenroute angeboten.
Offenbarung der Erfindung
Vor diesem Hintergrund werden mit dem hier vorgestellten Ansatz ein Verfahren zur Vorhersage einer wahrscheinlichen Fahrroute, weiterhin eine Vorrichtung, die dieses Verfahren verwendet, sowie schließlich ein entsprechendes Computerprogramm gemäß den Hauptansprüchen vorgestellt. Durch die in den abhängigen Ansprüchen aufgeführten Maßnahmen sind vorteilhafte Weiterbildungen und Verbesserungen der im unabhängigen Anspruch angegebenen Vorrichtung möglich.
Der hier gezeigte Verfahrensansatz zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug zielt darauf ab, eine wahrscheinliche Fahrroute eines Fahrzeugs zu einem Fahrziel vorherzusagen. Hierbei kann mittels moderner maschineller Lernverfahren beispielsweise versucht werden, zu imitieren, wie ein Mensch eine Fahrroute plant bzw. eine Fahrroute zu einem Fahrziel unter Berücksichtigung von Routenpräferenzen, wie einem kürzesten Weg, einer Treibstoffeinsparung oder dergleichen wählt. Ferner können bei dem hier vorgestellten Verfahrensansatz zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug beispielsweise ebenso relevante Informationen wie Fahrer- und/oder Fahrzeugpräferenzen und Echtzeit-Verkehrssituationen zur Vorhersage einer wahrscheinlichen Fahrroute berücksichtigt werden.
Es wird ein Verfahren zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug vorgestellt, wobei das Verfahren die folgenden Schritte aufweist:

Vorhersagen eines Fahrziels unter Verwendung zumindest eines Datensignals, das einen vergangenen Aufenthaltsort des Fahrzeugs repräsentiert, sowie eines Positionssignals, das eine aktuelle Position des Fahrzeugs repräsentiert;
Erstellen einer Prämienkarte zur Abbildung einer Gewichtung zumindest eines Bereichs zwischen der aktuellen Position des Fahrzeugs und dem vorhergesagten Fahrziel unter Verwendung einer Fahrhistorie des Fahrzeugs und/oder einer Fahrpräferenz des Fahrers; und

Berechnen der wahrscheinlichen Fahrroute unter Verwendung eines neuronalen Netzwerks und der erstellten Prämienkarte, um die wahrscheinliche Fahrroute vorherzusagen.
Bei dem Begriff Prämienkarte handelt es sich um die deutsche Übersetzung des englischen Begriffs „rewards map“.
Eine Prämienkarte ist eine Karte, in der jeder Position in der Karte oder Zelle eine Prämie bzw. eine Zahl zugewiesen ist. Die Zahl ist ein Maß dafür, wie günstig oder ungünstig eine Position zu befahren ist.
Bei einer Fahrroute kann es sich um einen Weg zwischen mehreren Punkten handeln, wobei eine Fahrroute insbesondere eine geordnete Liste von Wegpunkten beschreibt, die beispielsweise von einem bestimmten Standort eines Fahrzeugs zu einem Fahrziel führen. Bei dem Fahrzeug kann es sich um ein Fahrzeug zur Personenbeförderung, beispielsweise ein hochautomatisiert fahrendes Fahrzeug, handeln. Bei einer Prämienkarte kann es sich um ein kartenbasiertes Fahrzeugumfeldmodell mit einer Mehrzahl von geografischen Bereichen handeln. Hierbei kann die Prämienkarte als eine Art zweidimensionales, in der Bodenebene liegendes Belegungsgitter ausgeformt sein, das eine Karte der Umgebung als ein gleichmäßig beanstandetes Feld binärer Zufallsvariablen darstellt, die jeweils einen Prämienwert des geografischen Bereichs darstellen. Bei einem neuronalen Netzwerk kann es sich um ein künstliches Abstraktionsmodell des menschlichen Gehirns handeln, das aus einer Vielzahl von Schichten mit künstlichen Knoten, einer Art Neuronen, besteht. Insbesondere kann das neuronale Netzwerk hierbei über eine Eingabe- und eine Ausgabeschicht verfügen, dazwischen können mehrere Zwischenschichten angeordnet sein. Die Knoten der Eingabeschicht lassen sich durch Training auf verschiedenen Wegen über die Knoten der Zwischenschichten mit den Knoten der Ausgabeschicht verknüpfen. Hierbei gilt, je mehr Knoten und Schichten das neuronale Netzwerk aufweist, desto komplexere Sachverhalte lassen sich abbilden.
Die Vorteile des hier vorgestellten Verfahrensansatzes zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug liegen beispielsweise insbesondere in der Erweiterung des Elektronischen Horizonts, wobei der Elektronische Horizont eine Art Vorausschaufunktion für einen Tempomat und/oder ein Fahrerassistenzsystem eines Fahrzeugs bezeichnet und einen wichtigen Schritt in Richtung des automatisierten Fahrens darstellt. Hierbei dient der Elektronische Horizont insbesondere dem vorausschauenden Fahren. In erster Linie kann hierbei unter Verwendung des Elektronischen Horizonts die Verkehrssicherheit gesteigert werden, etwa, wenn das Fahrzeug automatisch verzögert, weil das Navigationssystem eine gefährlich enge Kurve voraus meldet. Das System kann aber nicht nur Unfälle verhindern, sondern auf gleicher Basis so vorausschauend und spritsparend fahren, sodass ein unnötiges Beschleunigen und Bremsen durch den Fahrer vermieden wird. Dieses Prinzip funktioniert beispielsweise prinzipiell auch an Steigungen und Gefällen, bei roten Ampeln, Staus oder anderen Verkehrsverzögerungen. Im Extremfall braucht der Fahrer nur noch lenken; Gas und Bremse bedient das Fahrzeug eigenständig.
Gemäß einer Ausführungsform können im Schritt des Vorhersagens die vergangenen Aufenthaltsorte durch geografische Koordinaten definiert sein, an denen sich das Fahrzeug länger als eine vordefinierte Zeitspanne aufgehalten hat, insbesondere wobei alle geografischen Koordinaten dem Aufenthaltsort zugeordnet werden, die innerhalb eines definierten Abstands um den Aufenthaltsort herum angeordnet sind. Hierbei kann es sich bei den vergangenen Aufenthaltsorten, an denen sich der Fahrer bzw. das Fahrzeug bereits in der Vergangenheit für eine längere Zeitspanne als beispielsweise 20 Minuten aufgehalten hat, um mögliche Fahrziele des Fahrzeugs handeln.
Gemäß einer Ausführungsform können im Schritt des Vorhersagens die vergangenen Aufenthaltsorte gruppiert werden, um mögliche Fahrziele zu bilden und/oder die Aufenthaltsorte in eine zeitliche Abfolge zu bringen. Hierbei werden die Aufenthaltsorte beispielsweise gruppiert, um mögliche Fahrziele zu ermitteln, was zum Beispiel bedeutet, dass die möglichen Fahrziele Cluster von vergangenen Aufenthaltsorten bilden. Ein Cluster beschreibt hierbei eine räumliche Konzentration miteinander durch eine räumliche Nähe bzw. Zusammenballung verbundener vergangener Aufenthaltsorte innerhalb eines bestimmten geografischen Bereichs. Die Aufenthaltsorte eines Clusters werden schließlich in eine zeitliche Abfolge gebracht, je nachdem, wann sie von dem Fahrzeug besucht wurden. Eine solche Ausführungsform bietet den Vorteil einer gröberen Abschätzung der vergangenen Aufenthaltsorte, sodass sich durch eine geringere Komplexität bei der Vorhersage ein numerischer oder schaltungstechnischer Aufwand reduzieren lässt.
Gemäß einer Ausführungsform kann im Schritt des Erstellens geografischen Bereichen und/oder Verbindungen zwischen geografischen Bereichen je ein Prämienwert zugeordnet werden, um die Prämienkarte zu erstellen. Hierbei kann die Prämienkarte als eine Art zweidimensionales, in der Bodenebene liegendes Belegungsgitter ausgeformt sein, das eine Karte der Umgebung als ein gleichmäßig beanstandetes Feld binärer Zufallsvariablen darstellt, die jeweils den einem geografischen Bereich zugeordneten Prämienwert darstellen. Alternativ oder zusätzlich kann auch ein Prämienwert einem Strassenelement einer Standardnavigationskarte (NDS) zugeordnet werden. Das bzw. die Strassenelement(e) sind Links oder Verbindungen zwischen zwei Noden bzw. Knoten und verfügen beispielsweise über eine eindeutige Id bzw. Indentifikationsmerkmal innerhalb einer Karte. Eine Karte wird beispielsweise wie ein Graph modelliert. Eine solche Ausführungsform des hier vorgestellten Ansatzes bietet den Vorteil einer möglichst feinen Bewertung der einzelnen Bereiche bei der Gewichtung.
Gemäß einer Ausführungsform kann im Schritt des Erstellens jedem geografischen Bereich und/oder je einer Verbindung zwischen zwei geografischen Bereichen der Prämienkarte ein Prämienwert in Abhängigkeit einer Fahrpräferenz des Fahrers für eine Straßenklasse und/oder einen Interessenpunkt und/oder einen vergangenen Aufenthaltsort des Fahrzeugs zugeordnet wird, insbesondere wobei einem Prämienwert eine negative und/oder positive Zahl zugeordnet wird. Hierbei können die Prämienwerte entlang der wahrscheinlichen Fahrroute anhand der verwendeten Prämienkarte vorteilhaft und technisch einfach ausführbar maximiert werden, wobei den Prämienwerten vorteilhafterweise ein positiver Zahlenwert zugeordnet ist. Eine solche Ausführungsform des hier vorgestellten Ansatzes bietet den Vorteil einer Berücksichtigung von weiteren fahrerspezifischen Informationen bei der Vorhersage der wahrscheinlichsten Fahrroute.
Gemäß einer Ausführungsform können im Schritt des Erstellens die Prämienwerte der Prämienkarte unter Verwendung einer Gewichtung zumindest eines Merkmals erstellt werden, insbesondere wobei das Merkmal und/oder die Merkmale je eine euklidische Entfernung eines aktuellen geografischen Bereiches und eines in der Prämienkarte benachbarten geografischen Bereichs und/oder eine Verkehrssituation in einem benachbarten geografischen Bereich und/oder eine Information, ob der geografische Bereich in der Vergangenheit befahren wurde und/oder eine Straßenklasse einer in dem benachbarten geografischen Bereich zu befahrenden Straße und/oder einen geschätzten Kraftstoffverbrauch, um in einen benachbarten geografischen Bereich zu gelangen, repräsentiert. Durch eine Vielzahl an Merkmalen, die zum Erstellen der Prämienwerte der Prämienkarte gewichtet werden, wird vorteilhaft eine Erhöhung der Daten-Variabilität erreicht, was in einer verbesserten Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug durch ein neuronales Netzwerk resultiert.
Gemäß einer Ausführungsform kann im Schritt des Erstellens ein Merkmal und/oder die Merkmale mit je einem Gewicht gewichtet werden, insbesondere wobei die jedem geografischen Bereich zugeordneten Prämienwerte als Linearkombination von mit dem Gewicht gewichteten Merkmalen des zugeordneten geografischen Bereichs berechnet werden. Hierbei können die Prämienwerte implizit ein Modell zur Entscheidungsfindung des Fahrers enthalten, wobei die Prämienkarte basierend auf den zuvor berechneten Prämienwerten und gewichteten Merkmalen automatisch berechnet wird. Eine solche Ausführungsform des hier vorgestellten Ansatzes bietet den Vorteil einer einfachen und dennoch präzisen Möglichkeit für die Erstellung der Prämienkarte und die hierdurch ermöglichte präzise Vorhersage der wahrscheinlihcsten Fahrroute.
Gemäß einer Ausführungsform können im Schritt des Erstellens die Prämienwerte basierend auf der Fahrhistorie des Fahrzeugs berechnet werden, wobei im Schritt des Berechnens der wahrscheinlichsten Fahrroute diejenigen geografische Bereiche ausgeschlossen werden, deren zugeordnete Prämienwerte einen bestimmten Wertebereich über- und/oder unterschreitet. Hierbei kann die Auswahlwahrscheinlichkeit der jeweiligen geografischen Bereiche für die wahrscheinliche Fahrroute durch die Prämienwerte der jeweiligen geografischen Bereiche der gewählten Fahrroute minimiert werden; den Prämienwerten soll vorteilhafterweise ein positiver Zahlenwert zugeordnet sein.
Gemäß einer Ausführungsform kann mit einem Schritt des Aktualisierens der Prämienkarte zur Planung einer neuen Fahrroute unter Verwendung von zumindest einer dynamischen Verkehrsinformation, insbesondere wobei die dynamische Verkehrsinformation eine Verkehrsverzögerung und/oder aktuelle Straßenbedingung und/oder aktuelle Wetterbedingung repräsentiert. Hierbei gibt es zumindest zwei Hauptvorteile bei der Verwendung eines vortrainierten neuronalen Netzwerks, um nach neuen Fahrtrouten für ein Fahrzeug zu suchen: Erstens ist die Such- bzw. Auffindegeschwindigkeit deutlich erhöht und zweitens imitiert das neuronale Netzwerk erfolgreich, wie Menschen sich einem solchen Problem nähern würden.
Gemäß einer Ausführungsform kann zumindest der Schritt des Berechnens und/oder der Schritt des Aktualisierens wiederholt und/oder zyklisch wiederholt werden. Hierbei liegt ein wichtiger Vorteil der Verwendung eines neuronalen Netzwerkes darin, dass die Ergebnisse einer Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug sich weiter verbessern, sobald der Umfang der eingelesenen Daten sowie die Datenvariabilität durch Berechnen einer Fahrroute sowie ein stetiges Aktualisieren der Prämienkarte zur Planung einer neuen Fahrroute zunehmen.
Gemäß einer Ausführungsform können im Schritt des Aktualisierens die Prämienwerte unter Verwendung von Verkehrsinformationsdaten von mehreren Fahrzeugen ermittelt werden. Hierbei können durch die Verkehrsinformationsdaten mehrerer Fahrzeuge, die in einem geografischen Bereich miteinander verbunden sind, vorteilhaft genauere und reelle Kartendaten erhalten werden. Die Aktualisierung der Prämienkarte kann auch verwendet werden, um den Fahrer eines Fahrzeugs in Echtzeit über aktuelle Verkehrs- und Straßenbedingungen zu warnen.
Das hier vorgestellte Verfahren zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug kann beispielsweise in Software oder Hardware oder in einer Mischform aus Software und Hardware beispielsweise in einem Steuergerät implementiert sein.
Der hier vorgestellte Ansatz schafft ferner eine Vorrichtung zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug, die ausgebildet ist, um die Schritte einer Variante eines hier vorgestellten Verfahrens zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug in entsprechenden Einrichtungen durchzuführen, anzusteuern bzw. umzusetzen. Auch durch diese Ausführungsvariante der Erfindung in Form einer Vorrichtung kann die der Erfindung zugrunde liegende Aufgabe schnell und effizient gelöst werden.
Hierzu kann die Vorrichtung zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug zumindest eine Recheneinheit zum Verarbeiten von Signalen oder Daten, zumindest eine Speichereinheit zum Speichern von Signalen oder Daten, zumindest eine Schnittstelle zu einem Sensor oder einem Aktor zum Einlesen von Sensorsignalen von dem Sensor oder zum Ausgeben von Daten- oder Steuersignalen an den Aktor und/oder zumindest eine Kommunikationsschnittstelle zum Einlesen oder Ausgeben von Daten aufweisen, die in ein Kommunikationsprotokoll eingebettet sind. Die Recheneinheit kann beispielsweise ein Signalprozessor, ein Mikrocontroller oder dergleichen sein, wobei die Speichereinheit ein Flash-Speicher, ein EEPROM oder eine magnetische Speichereinheit sein kann. Die Kommunikationsschnittstelle kann ausgebildet sein, um Daten drahtlos und/oder leitungsgebunden einzulesen oder auszugeben, wobei eine Kommunikationsschnittstelle, die leitungsgebundene Daten einlesen oder ausgeben kann, diese Daten beispielsweise elektrisch oder optisch aus einer entsprechenden Datenübertragungsleitung einlesen oder in eine entsprechende Datenübertragungsleitung ausgeben kann.
Unter einer Vorrichtung kann vorliegend ein elektrisches Gerät verstanden werden, das Sensorsignale verarbeitet und in Abhängigkeit davon Steuer- und/oder Datensignale ausgibt. Die Vorrichtung kann eine Schnittstelle aufweisen, die hard- und/oder softwaremäßig ausgebildet sein kann. Bei einer hardwaremäßigen Ausbildung können die Schnittstellen beispielsweise Teil eines sogenannten System-ASICs sein, der verschiedenste Funktionen der Vorrichtung beinhaltet. Es ist jedoch auch möglich, dass die Schnittstellen eigene, integrierte Schaltkreise sind oder zumindest teilweise aus diskreten Bauelementen bestehen. Bei einer softwaremäßigen Ausbildung können die Schnittstellen Softwaremodule sein, die beispielsweise auf einem Mikrocontroller neben anderen Softwaremodulen vorhanden sind.
Von Vorteil ist auch ein Computerprogrammprodukt oder Computerprogramm mit Programmcode, der auf einem maschinenlesbaren Träger oder Speichermedium wie einem Halbleiterspeicher, einem Festplattenspeicher oder einem optischen Speicher gespeichert sein kann und zur Durchführung, Umsetzung und/oder Ansteuerung der Schritte des Verfahrens nach einer der vorstehend beschriebenen Ausführungsformen verwendet wird, insbesondere wenn das Programmprodukt oder Programm auf einem Computer bzw. einer Recheneinheit oder einer Vorrichtung ausgeführt wird.
Ausführungsbeispiele des hier vorgestellten Ansatzes sind in den Zeichnungen dargestellt und in der nachfolgenden Beschreibung näher erläutert. Es zeigt:

1 eine schematische Ansicht einer Vorrichtung zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug gemäß einem Ausführungsbeispiel;
2 einen vereinfachten schematischen Systemaufbau einer Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug basierend auf einer Vorrichtung zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug gemäß einem Ausführungsbeispiel;
3 eine schematische Ansicht einer Rasterkarte zur Gruppierung vergangener Aufenthaltsorte des Fahrzeugs gemäß einem Ausführungsbeispiel;
4 eine schematische Ansicht eines neuronalen Netzwerks zur Verwendung in einer Vorhersageeinrichtung zur Vorhersage eines Fahrziels eines Fahrzeugs gemäß einem Ausführungsbeispiel;
5 eine schematische Ansicht einer Prämienkarte zur Abbildung einer Gewichtung zwischen einer aktuellen Position eines Fahrzeugs und einem vorhergesagten Fahrziel gemäß einem Ausführungsbeispiel;
6 eine schematische Ansicht eines neuronalen Netzwerks zum Berechnen einer wahrscheinlichen Fahrroute eines Fahrzeugs gemäß einem Ausführungsbeispiel;
7 eine schematische Ansicht einer aktualisierten Prämienkarte zur Abbildung einer Gewichtung eines Bereiches zwischen einer aktuellen Position eines Fahrzeugs und einem vorhergesagten Fahrziel gemäß einem Ausführungsbeispiel;
8 einen schematischen Systemaufbau zur Vorhersage einer wahrscheinlichen Fahrroute basierend auf einem Verfahren zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug gemäß einem Ausführungsbeispiel; und
9 ein Ablaufdiagramm eines Verfahrens zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug gemäß einem Ausführungsbeispiel.

In der nachfolgenden Beschreibung günstiger Ausführungsbeispiele der vorliegenden Erfindung werden für die in den verschiedenen Figuren dargestellten und ähnlich wirkenden Elemente gleiche oder ähnliche Bezugszeichen verwendet, wobei auf eine wiederholte Beschreibung dieser Elemente verzichtet wird.
1 zeigt eine schematische Ansicht einer Vorrichtung 100 zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug 105 gemäß einem Ausführungsbeispiel. Die Vorrichtung 100 ist gemäß einem Ausführungsbeispiel auf einer (Fahrzeug-) externen Recheneinheit 110 angeordnet, wobei es sich bei der externen Recheneinheit 110 um eine informationstechnische Infrastruktur, beispielsweise eine Cloud, handelt. Ein solches Ausführungsbeispiel des hier vorgestellten Ansatzes bietet den Vorteil, dass eine Aufbereitung von Daten in einer externen Recheneinheit 110 einen geringeren Rechenbedarf im Fahrzeug 105 selbst bedeutet und einen damit verbundenen geringeren Energieverbrauch oder die Möglichkeit eröffnet, Ressourcen für andere Funktionen zu nutzen. Außerdem verfügt die externe Recheneinheit 110 meist über eine größere verfügbare Rechenleistung als ein fahrzeuginterner Computer. Denkbar ist jedoch auch eine fahrzeuginterne Rechnereinheit als Vorrichtung 100, wie sie in der 1 dargestellt ist.
Die Vorrichtung 100 zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug 105 weist eine Vorhersageeinrichtung 115, eine Erstelleinrichtung 120, eine Berechnungseinrichtung 125 sowie eine (optionale) Aktualisierungseinrichtung 130 auf. Die Vorhersageeinrichtung 115 ist ausgebildet, um ein Fahrziel unter Verwendung eines Datensignals 135, das einen vergangenen Aufenthaltsort des Fahrzeugs 105 repräsentiert, sowie eines Positionssignals 140, das eine aktuelle Position des Fahrzeugs 105 repräsentiert, vorherzusagen. Die Vorhersageeinrichtung 115 ist ferner ausgebildet, die vergangenen Aufenthaltsorte des Fahrzeugs 105 durch geografische Koordinaten zu definieren, an denen sich das Fahrzeug 105 länger als eine vordefinierte Zeitspanne aufgehalten hat. Hierbei werden die geografischen Koordinaten dem Aufenthaltsort zugeordnet, die innerhalb eines definierten Abstands um den Aufenthaltsort herum angeordnet sind. Schließlich ist die Vorhersageeinrichtung 115 ausgebildet, die vergangenen Aufenthaltsorte des Fahrzeugs 105 zu gruppieren, um mögliche Fahrziele zu bilden und daraufhin die vergangenen Aufenthaltsorte in eine zeitliche Abfolge zu bringen.
Die Erstelleinrichtung 120 ist ausgebildet, eine Prämienkarte 150 zur Abbildung einer Gewichtung zumindest eines Bereichs zwischen der aktuellen Position des Fahrzeugs 105 und dem vorhergesagten Fahrziel des Fahrzeugs 105 unter Verwendung einer Fahrhistorie 155 des Fahrzeugs 105 und/oder einer Fahrpräferenz 160 des Fahrers zu erstellen. Hierbei ist die Erstelleinrichtung 120 ausgebildet, geografischen Bereichen und/oder Verbindungen zwischen geografischen Bereichen ein Prämienwert zuzuordnen, um die Prämienkarte 150 zu erstellen. Dieser dem geografischen Bereich zugeordnete Prämienwert wird beispielsweise dem geografischen Bereich in Abhängigkeit einer Präferenz des Fahrers für eine Straßenklasse und/oder einen Interessenpunkt und/oder einen vergangenen Aufenthaltsort des Fahrzeugs 105 zugeordnet, insbesondere wobei einem Prämienwert eine negative und/oder positive Zahl zugeordnet wird. Die Erstelleinrichtung 120 ist weiterhin ausgebildet, die Prämienwerte der Prämienkarte 150 unter Verwendung einer Gewichtung zumindest eines Bereichs zumindest eines Merkmals zu erstellen, wobei es sich bei dem Merkmal und/oder den Merkmalen beispielsweise um eine euklidische Entfernung eines aktuellen geografischen Bereiches und eines in der Prämienkarte benachbarten geografischen Bereichs und/oder eine Verkehrssituation in einem benachbarten geografischen Bereich und/oder ob der benachbarte geografische Bereich in der Vergangenheit von dem Fahrzeug befahren wurde und/oder eine Straßenklasse einer in dem benachbarten geografischen Bereich zu befahrenden Straße und/oder einen geschätzten Kraftstoffverbrauch, um in einen benachbarten geografischen Bereich zu gelangen, handelt. Hierbei werden das Merkmal und/oder die Merkmale mit je einem Gewicht gewichtet, wobei die jedem geografischen Bereich zugeordneten Prämienwerte als Linearkombination von mit dem Gewicht gewichteten Merkmalen des zugeordneten geografischen Bereichs berechnet werden.
Die Berechnungseinrichtung 125 ist ausgebildet, die wahrscheinliche Fahrroute 170 unter Verwendung eines neuronalen Netzwerks 165 und der erstellten Prämienkarte 150 zu berechnen, um die wahrscheinliche Fahrroute 170 vorherzusagen. Die Berechnungseinrichtung 125 ist ferner ausgebildet, diejenigen geografischen Bereiche auszuschließen, deren zugeordnete Prämienwerte einen bestimmen Wertebereich über- und/oder unterschreiten.
Schließlich ist die Aktualisierungseinrichtung 130 ausgebildet, die Prämienkarte 150 zur Planung einer neuen Fahrroute unter Verwendung von dynamischen Verkehrsinformationen 175 zu aktualisieren, wobei es sich bei den dynamischen Verkehrsinformationen 175 um Verkehrsverzögerungen und/oder aktuelle Straßenbedingungen und/oder aktuelle Wetterbedingungen handelt. Die Aktualisierungseinrichtung 130 ist zudem ausgebildet, die Prämienwerte unter Verwendung von Verkehrsinformationsdaten 180, die von mehreren Fahrzeugen ermittelt und an die Aktualisierungseinrichtung 130 bereitgestellt werden, zu aktualisieren und diese Aktualisierungsinformation in Form eines Aktualisierungssignals 185 an die Berechnungseinrichtung 125 auszugeben. Hierbei sind die Berechnungseinrichtung 125 und die Aktualisierungseinrichtung 130 ausgebildet, die Vorgänge des Berechnens der wahrscheinlichen Fahrroute 170 des Fahrzeugs sowie der Aktualisierung der Prämienkarte 150 zur Planung einer neuen Fahrroute zu wiederholen und/oder zyklisch zu wiederholen.
2 zeigt einen vereinfachten schematischen Systemaufbau einer Vorhersage einer wahrscheinlichen Fahrroute 170 für ein Fahrzeug basierend auf einer Vorrichtung 100 zur Vorhersage einer wahrscheinlichen Fahrroute 170 für ein Fahrzeug gemäß einem Ausführungsbeispiel. Der Systemaufbau weist die Vorrichtung 100 zur Vorhersage einer wahrscheinlichen Fahrroute 170 für ein Fahrzeug auf, die wiederum die Vorhersageeinrichtung 115, die Erstelleinrichtung 120, die Berechnungseinrichtung 125 sowie die Aktualisierungseinrichtung 130 umfasst.
Ein wichtiger Aspekt des hier vorgestellten Verfahrensansatzes ist die Vorhersage, auf welcher Route 170 der Fahrer eines Fahrzeugs zu einem Fahrziel 205 fährt. Der erste Schritt zur Vorhersage einer wahrscheinlichen Fahrroute 170 für ein Fahrzeug besteht beispielsweise darin, das endgültige Fahrziel 205 einer aktuellen Fahrt des Fahrzeugs vorherzusagen. Der Fahrer fügt sein Fahrziel 205 hierbei allerdings nicht in das System ein. Diese Vorhersage des endgültigen Fahrziels 205 basiert auf historischen Daten sowie einer aktuellen Position des Fahrzeugs. Hierfür stellt das Fahrzeug das Datensignal 135, das einen vergangenen Aufenthaltsort des Fahrzeugs repräsentiert, sowie das Positionssignal 140, das eine aktuelle Position des Fahrzeugs repräsentiert, an die Vorhersageeinrichtung 115 bereit. Ferner wird ein Zeitsignal 210 an die Vorhersageeinrichtung 115 bereitgestellt, wobei das Zeitsignal 210 beispielsweise eine Uhrzeit sowie einen Wochentag vergangener Fahrrouten repräsentiert. Sobald das Fahrziel 205 des Fahrzeugs geschätzt ist, wird eine wahrscheinliche Fahrroute 170 erstellt, die alle folgenden Zielvorgaben berücksichtigen kann, wie beispielsweise:

- an dem endgültigen Fahrziel 205 (tatsächlich oder zu einem bestimmten Zeitpunkt) ankommen;
- bevorzugt Fahrrouten 170 folgen, die zuvor vom Fahrzeug zur gleichen Tageszeit, an einem gleichen Wochentag und mit demselben Fahrziel 205 gefahren wurden;
- bevorzugt Straßenklassen folgen, die in der Regel von dem Fahrzeug in einem bestimmten geografischen Bereich bevorzugt werden;
- bevorzugt eine kürzeste Fahrroute 170 und/oder eine Fahrroute 170 mit maximaler Kraftstoffeinsparung fahren, wobei eine Gewichtung hierbei abhängig von den Fahrerpräferenzen ist;
- Straßen mit Staus und/oder anderen verkehrstechnischen Verzögerungen vermeiden; und/oder
- Straßen in schlechtem Zustand vermeiden.

Um die Fahrroute 170 zu erstellen, wird die Information über das Fahrziel 205 des Fahrzeugs an die Erstelleinrichtung 120 bereitgestellt, die ausgebildet ist, eine Prämienkarte 150 zur Abbildung einer Gewichtung zumindest eines Bereichs zwischen der aktuellen Position des Fahrzeugs und dem endgültigen Fahrziel 205 des Fahrzeugs unter Verwendung einer Fahrhistorie 155 des Fahrzeugs und/oder einer Fahrpräferenz 160 des Fahrers und/oder dem vorhergesagten Fahrziel 205 zu erstellen. Hierbei werden beispielsweise den geografischen Bereichen und/oder den Verbindungen zwischen den geografischen Bereichen der Prämienkarte 150 Prämienwerte basierend auf den Präferenzen des Fahrers und historischen Fahrten zugeordnet, um die Prämienkarte 150 zu erstellen. Unter Verwendung der erstellten Prämienkarte 150 und eines maschinellen Lernverfahrens, das zu eigenständigen und eigendynamischen Verhalten fähig ist, beispielsweise ein neuronaler Agent bzw. ein neuronales Netzwerk 165, wird die wahrscheinliche Fahrroute 170 in der Berechnungseinrichtung 125 berechnet. Gemäß einem Ausführungsbeispiel wurde das neuronale Netzwerk 165 bzw. der neuronale Agent, mit einem Verstärkungslernprozess trainiert, um entlang der erstellten Prämienkarte 150 zu navigieren und das vorhergesagte Fahrziel 205 des Fahrzeugs zu erreichen. Hierbei gilt es beispielsweise, die Prämienwerte anhand der verwendeten Prämienkarte 150 zu maximieren, eine kürzeste Fahrroute 170 unter Verwendung eines Effizienssignals 215 zu finden und/oder Treibstoff unter Verwendung eines Wirtschaftlichkeitssignals 220 zu sparen. Bei einem bestärkenden bzw. verstärkenden Lernprozess erlernt ein neuronaler Agent bzw. ein neuronales Netzwerk 165 selbständig eine Strategie, um in einer Umgebung des Fahrzeugs ein Fahrziel 205 zu erreichen und dabei erhaltene Prämienwerte zu maximieren. Die Prämienkarte 150, bei der es sich um eine statische Prämienkarte 150 mit fest vorgegebenen Parametern handelt, wird dann beispielsweise unter Verwendung der wahrscheinlichen Fahrroute 170 und dynamischer Verkehrsinformationen 175 aktualisiert, wobei Informationen zu einer Verkehrsverzögerung durch Stau und/oder aktuelle Straßenbedingungen und/oder aktuelle Wetterbedingungen an die Aktualisierungseinrichtung 130 bereitgestellt werden. Der bereits trainierte neuronale Agent bzw. das neuronale Netzwerk 165 wird mit beispielsweise der aktualisierten Prämienkarte zur Planung einer neuen Fahrroute 250 konfrontiert, um die neue Fahrroute 250 zu ermitteln, wobei sämtliche bereits genannten Zielvorgaben weiterhin ausgeglichen werden sollen.
Die neuerstellte, aktualisierte Fahrroute 250 wird dann beispielsweise als wahrscheinlichste Route für den Aufbau des Elektronischen Horizonts verwendet. Hierbei werden über Fahrzeugsysteme hinaus automobile Systeme zudem mit den Daten des Elektronischen Horizonts vernetzt, der als Sensor zur Außenwelt eine detaillierte Routenvorschau liefert. Neue Funktionen reduzieren dadurch den Kraftstoffverbrauch und erhöhen den Komfort beim Fahren.
3 zeigt eine schematische Ansicht einer Rasterkarte 305 zur Gruppierung vergangener Aufenthaltsorte 340 des Fahrzeugs gemäß einem Ausführungsbeispiel. Bei der Rasterkarte 305 handelt es sich gemäß einem Ausführungsbeispiel um eine zweidimensionale, in der Bodenebene liegende Karte, die mit einem Gitter aus regelmäßigen Quadraten gekennzeichnet ist und es ermöglicht, einen Ort anhand von Zahlen oder Buchstaben genau zu lokalisieren. Die Rasterkarte 305 weist hierbei drei Cluster 310, 320, 330 auf, die als Kreise ausgeformt sind, in denen je eine Mehrzahl von Punkten angeordnet ist, wobei die Punkte die vergangenen Aufenthaltsorte 340 des Fahrzeugs repräsentieren.
Die Vorhersage des Fahrziels des Fahrzeugs basiert beispielsweise auf den historischen Daten, insbesondere vergangener Aufenthaltsorte 340 des Fahrers bzw. des Fahrzeugs. Mögliche Fahrziele sind hierbei insbesondere die Aufenthaltsorte, die der Fahrer bzw. das Fahrzeug bereits in der Vergangenheit besucht hat. Die vergangenen Aufenthaltsorte 340 des Fahrzeugs sind durch geografische Koordinaten definiert, an denen sich das Fahrzeug länger als eine vordefinierte Zeitspanne, von beispielsweise 20 Minuten, aufgehalten hat. Hierbei werden die geografischen Koordinaten beispielsweise dem Aufenthaltsort 340 zugeordnet, die innerhalb eines definierten Abstands um den Aufenthaltsort 340 herum angeordnet sind. Nachdem die Aufenthaltsorte 340 identifiziert sind, werden sie gruppiert, um mögliche Fahrziele zu ermitteln, dies bedeutet, dass die möglichen Fahrziele Cluster 310, 320, 330 von Aufenthaltsorten 340 sind. Ein Cluster 310, 320, 330 beschreibt hierbei beispielsweise eine räumliche Konzentration miteinander durch eine räumliche Nähe bzw. Zusammenballung verbundener Aufenthaltsorte 340 innerhalb eines bestimmten geografischen Bereichs. Die Aufenthaltsorte 340 eines Clusters 310, 320, 330 werden schließlich in eine zeitliche Abfolge gebracht, je nachdem, wann sie von dem Fahrzeug besucht wurden.
4 zeigt eine schematische Ansicht eines neuronalen Netzwerks 165 zur Verwendung in einer Vorhersageeinrichtung 115 zur Vorhersage eines Fahrziels 205 eines Fahrzeugs gemäß einem Ausführungsbeispiel. Damit das hier vorgestellte neuronale Netz 165 zur Vorhersage eines Fahrziels 205 eines Fahrzeugs bereits zu Beginn sinnvolle Fahrziele 205 vorhersagt, kann es anhand eines das Fahrziel 205 in Abhängigkeit von zufällig vorgegebenen Eingangsgrößen berechnenden Fahrzielmodells vortrainiert werden.
Das hier verwendende neuronale Netzwerk 165 beruht auf einem überwachten Lernverfahren. Dabei weist das neuronale Netzwerk 165 eine Eingabeschicht 410, eine Ausgabeschicht 420 und eine oder mehrere innere Zwischenschichten 430 auf, wobei das neuronale Netzwerk 165 gemäß einem Ausführungsbeispiel zur besseren Übersicht lediglich eine Zwischenschicht 430 aufweist. Eine Informationsverarbeitung in einem solchen neuronalen Netzwerk 165 erfolgt in der Regel von der Eingabeschicht 410 über die verborgene Zwischenschicht 430 zur Ausgabeschicht 420, wobei die Ausgabeschicht 420 das nächste Fahrziel 205 des Fahrzeugs voraussagt. Jede der Schichten 410, 420, 430 des neuronalen Netzwerks 165 weist eine Mehrzahl von Knoten 450 auf, bei denen es sich um eine Art Neuronen handelt. Eine Verbindung zwischen zwei Knoten 450 wird als Gewicht bezeichnet.
Die zeitlichen Sequenzen der in der Vergangenheit von dem Fahrzeug besuchten Aufenthaltsorte werden verwendet, um das neuronale Netzwerk 165 zu trainieren, um ein mögliches Fahrziel 205 des Fahrzeugs vorherzusagen. Dies geschieht mit einem überwachten Trainingsverfahren. Die Eingänge des neuronalen Netzwerks 165 sind hierbei beispielsweise eine Uhrzeit sowie ein Wochentag vergangener Fahrrouten, die in Form eines Zeitsignals 210 eingelesen werden, weiterhin ein aktuelles Cluster von einer Position des Fahrzeugs, das in Form des Positionssignals 140 eingelesen wird und ein Cluster von Aufenthaltsorten, an denen sich das Fahrzeug bzw. der Fahrer in der Vergangenheit befand, welches in Form des Datensignals 135 eingelesen wird.
Eine sigmoide Aktivitätsfunktion wird beispielsweise für das hier dargestellte neuronale Netzwerk 165 verwendet, um einen kognitiven Prozess der Fahrzielvorhersage zu simulieren, wobei gemäß einem Ausführungsbeispiel eine Tangens-Hyperbolicus-Funktion tanh verwendet wird. W₁ , W₂ , W_n-1 und W_n bezeichnen hierbei Gewichtsfaktoren von der Zwischenschicht 430 zu der Ausgabeschicht 420 des neuronalen Netzwerks 165. In vielen Fällen weist die Zwischenschicht 430 zudem ein Element auf, das Bias- Element genannt wird. Dieses Element, das mit b₁ , b₂ , b_n-1 und b_n bezeichnet ist, hat den konstanten Wert 1 und hat nur Ausgänge, keine Eingänge. Mit Hilfe des Bias-Elements kann hierbei sichergestellt werden, dass bestimmte Knoten 450 immer eine Eingabe ungleich Null erhalten.
5 zeigt eine schematische Ansicht einer beispielhaften Prämienkarte 150 zur Abbildung einer Gewichtung zwischen einer aktuellen Position 505 eines Fahrzeugs und einem vorhergesagten Fahrziel 205 gemäß einem Ausführungsbeispiel. Gemäß einem Ausführungsbeispiel handelt es sich bei der Prämienkarte 150 um ein kartenbasiertes Fahrzeugumfeldmodell mit einer Mehrzahl von geografischen Bereichen 510. Hierbei kann die Prämienkarte 150 als eine Art zweidimensionales, in der Bodenebene liegendes Belegungsgitter ausgeformt sein, das eine Karte der Umgebung als ein gleichmäßig beanstandetes Feld binärer Zufallsvariablen darstellt, die jeweils einen Prämienwert 515 des geografischen Bereichs 510 darstellen.
Sobald das Fahrziel 205 vorhergesagt ist, wird die Prämienkarte 150 zur Abbildung einer Gewichtung zwischen der aktuellen Position 505 des Fahrzeugs und dem vorhergesagten Fahrziel 205 erstellt. Die Erstellung der Prämienkarte 150 wird beispielsweise hierbei unter Verwendung einer Fahrhistorie des Fahrzeugs und/oder einer Fahrpräferenz des Fahrers realisiert. Diese statische Prämienkarte 150 enthält beispielsweise keine dynamischen Informationen wie Staus und aktuelle Straßen- und/oder Wetterbedingungen. Den geografischen Bereichen 510 und/oder Verbindungen zwischen den geografischen Bereichen 510 wird ein Prämienwert 515 zugeordnet, um die Prämienkarte 150 zu erstellen. Dieser einem geografischen Bereich 510 zugeordnete Prämienwert 515 wird beispielsweise in Abhängigkeit einer Präferenz des Fahrers für eine Straßenklasse und/oder einen Interessenpunkt und/oder einen vergangenen Aufenthaltsort des Fahrzeugs zugeordnet, insbesondere wobei einem Prämienwert 515 eine negative und/oder positive Zahl zugeordnet ist. In dem hier gezeigten Beispiel der Prämienkarte 150 sind den Prämienwerten 515 die Zahlen 5 und -1 und -5 zugeordnet. Den Prämienwert 5 erhält beispielsweise derjenige geografische Bereich 510, der in der Vergangenheit zwischen der aktuellen Position 505 des Fahrzeugs und einem vergangenen Aufenthaltsort im selben Zeitfenster befahren wurde. Den Prämienwert -1 erhält beispielsweise derjenige geografische Bereich 510, der noch nicht von dem Fahrzeug befahren wurde, wobei sich in diesem geografischen Bereich 510 aber Straßen einer bevorzugte Straßenklasse befinden. Den Prämienwert -5 erhält beispielsweise derjenige geografische Bereich 510, der weder von dem Fahrzeug befahren wurde noch eine Straße einer bevorzugten Straßenklasse aufweist. Der geografische Bereich 510, der mit dem Buchstaben S gekennzeichnet ist, beschreibt die aktuelle Position des Fahrzeugs 505. Der geografische Bereich 510, der mit dem Buchstaben D gekennzeichnet ist, beschreibt das Fahrziel 205 des Fahrzeugs, also dessen Destination.
Wenn ein Fahrer die Entscheidung trifft, eine bestimmte Route zum Fahrziel 205 zu folgen, gewichtet er beispielsweise verschiedene Faktoren, wie den kürzesten Weg zum Fahrziel 205, die kürzeste Zeit bis zum Fahrziel 205, die Straßenklassen auf der Route und ob der Weg zum Fahrziel 205 innerhalb eines vom Fahrer bekannten Gebiets liegt. Jeder Fahrer wird beispielsweise diese Faktoren auf andere Weise gewichten. Basierend auf diesen Faktoren, werden die jedem geografischen Bereich 510 und/oder jeder Verbindung zwischen zwei geografischen Bereichen 510 zugewiesenen Prämienwerte 515 (der hier auch als „reward“ bezeichnet wird) als Linearkombination von mit einem Gewicht W_n gewichteten Merkmalen (die hier auch als „Features“ bezeichnet werden) bzw. Faktoren des zugeordneten geografischen Bereichs 510 und/oder der Verbindung zweier geografischer Bereiche 510 basierend auf der Fahrhistorie des Fahrzeugs wie folgt berechnet: $r e w a r d (i) = \frac{1}{\sum_{n = 1}^{F e a t u r e s} (w_{n} * F_{n})}$
F_n beschreibt hierbei beispielsweise das Merkmal und/oder die Merkmale unter deren Gewichtung die Prämienwerte 515 der Prämienkarte 150 erstellt werden. Hierbei handelt es sich beispielsweise bei dem Merkmal F_n und/oder den Merkmalen F_n um eine euklidische Entfernung eines aktuellen geografischen Bereiches 510 und eines zu dem aktuellen geografischen Bereich 510 der Prämienkarte 150 benachbarten geografischen Bereich 510 und/oder eine Verkehrssituation in einem zu dem aktuellen geografischen Bereich 510 benachbarten geografischen Bereich 510 und/oder ob der zu dem aktuellen geografischen Bereich 510 benachbarte geografische Bereich 510 in der Vergangenheit vom Fahrzeug befahren wurde und/oder eine Straßenklasse einer zu dem aktuellen geografischen Bereich 510 benachbarten geografischen Bereich 510 zu befahrenden Straße und/oder einen geschätzten Kraftstoffverbrauch, um in einen zu dem aktuellen geografischen Bereich 510 benachbarten geografischen Bereich 510 zu gelangen.
Bei der Berechnung einer wahrscheinlichen Fahrroute des Fahrzeugs werden diejenigen geografischen Bereiche 510 und/oder Verbindungen zwischen zwei geografischen Bereichen 510 ausgeschlossen, deren zugeordnete Prämienwerte 515 einen bestimmten Bereich über- und/oder unterschreiten. Gemäß einem Ausführungsbeispiel soll die Minuswahrscheinlichkeit (bzw. minimierte Wahrscheinlichkeit) der Prämienwerte 515 der geografischen Bereiche 510 der gewählten Fahrroute (die mit der Bezeichnung „Pfad“ oder „path“ benannt ist) bzw. die Wahrscheinlichkeit für die Wahl oder Berücksichtigung des betreffenden Bereichs (bzw. der betreffenden Zelle oder „cell“) bei der Auswahl der Fahrtroute (als einer Aktion oder „action“) hierbei minimiert werden: $min_{w_{n}} (- P (p a t h)) = min_{w_{n}} (- \prod_{i}^{c e l l s} \frac{\sum_{n} e^{- (w_{n} * F_{n})}}{\sum_{a c t i o n} \sum_{n} e^{- (w_{n} * F_{n})}})$
Die Lösung für die obige Gleichung wären die hochprämiert gewichteten Prämienwerte 515, insbesondere die Prämienwerte 5, die eine bestimmte Fahrroute zwischen der aktuellen Position 505 des Fahrzeugs und dem Fahrziel 205 am Wahrscheinlichsten macht. Im Folgenden werden die gewichteten Prämienwerte 515 jeder wahrscheinlichen Fahrroute (bzw. Pfad oder „path“) zwischen der aktuellen Fahrzeugposition 505 und dem Fahrziel 205 für einen Fahrer (der auch als „driver“ bezeichnet wird) linear kombiniert: $W_{d r i v e r} = \frac{1}{# p a t h s} \sum_{p a t h s} w_{n}$
Hierbei enthalten die Prämienwerte 515 implizit ein Modell zur Entscheidungsfindung des Fahrers, wobei die Prämienkarte 150 basierend auf den zuvor berechneten Prämienwerten 515 und gewichteten Merkmalen F_n automatisch berechnet wird. Der nächste Schritt wird sein, das Fahrzeug entlang der Prämienkarte 150 optimal zu navigieren.
6 zeigt eine schematische Ansicht eines neuronalen Netzwerks 165 zur Verwendung in einer Berechnungseinrichtung 125 zum Berechnen einer wahrscheinlichen Fahrroute 170 eines Fahrzeugs gemäß einem Ausführungsbeispiel. Das hier verwendende neuronale Netzwerk 165 beruht beispielsweise auf einem überwachten Lernverfahren. Dabei weist das neuronale Netzwerk 165 beispielsweise eine Eingabeschicht 410, eine Ausgabeschicht 420 und eine oder mehrere innere Zwischenschichten 430 auf, wobei das neuronale Netzwerk 165 gemäß einem Ausführungsbeispiel zwei Zwischenschichten 430 aufweist. Eine Informationsverarbeitung in einem solchen neuronalen Netzwerk 165 erfolgt beispielsweise in der Regel von der Eingabeschicht 410 über die verborgenen Zwischenschichten 430 zur Ausgabeschicht 420, wobei die Ausgabeschicht 420 die wahrscheinliche Fahrroute 170 des Fahrzeugs voraussagt. Jede der Schichten 410, 420, 430 des neuronalen Netzwerks 165 weist eine Mehrzahl von Knoten 450 auf, bei denen es sich um eine Art Neuronen handelt. Eine Verbindung zwischen zwei Knoten 450 wird als Gewicht bezeichnet.
Sobald die Prämienkarte erstellt wurde, kann das neuronale Netzwerk 165 beispielsweise die Richtlinien zur Bewegung auf der Prämienkarte, um die maximale Prämie zu erhalten und das Fahrziel zu erreichen, mit einem Verstärkungslernprozess erlernen. Um zu erfahren, was die höchstprämierte Bewegung in jedem geografischen Bereich und/oder jeder Verbindung zweier geografischer Bereiche ist, wird beispielsweise das neuronale Netzwerk 165 mit der aktuellen Position 505 des Fahrzeugs als Eingabe 410 und einer wahrscheinlichen Fahrroute 170 mit den maximalen Prämienwerten als Ausgabe 420 verwendet. Hierbei wird das neuronale Netzwerk 165 so vortrainiert, dass die folgende Verlustfunktion „Loss“ minimiert wird: $L o s s = - log (A c t i o n) * R e w a r d s$
Eine sigmoide Aktivitätsfunktion wird für das hier dargestellte neuronale Netzwerk 165 verwendet, um beispielsweise einen kognitiven Prozess einer Navigation entlang einer wahrscheinlichen Fahrroute 170 des Fahrzeugs zu simulieren, wobei gemäß einem Ausführungsbeispiel eine Tangens-Hyperbolicus-Funktion tanh verwendet wird. Im Trainingsprozess bewegt sich ein neuronaler Agent, der beispielsweise das ungeschulte neuronale Netzwerk 165 verwendet, entlang der Prämienkarte. Dies erlaubt den internen Parametern des neuronalen Netzwerks 165 (W und b), einen Prämienwertverlust entlang einer wahrscheinlichen Fahrroute 170 zwischen den geografischen Bereichen zu minimieren. Ein Algorithmus wird hierbei beispielsweise über die gesamte Prämienkarte angewendet, um zu lernen, wie ein Fahrziel mit den angegebenen Zielvorgaben erreicht werden kann. Dies ist ein iterativer Prozess. Die Aktionen der zweiten Zwischenschicht 430, die mit Pfeilsymbolen bezeichnet sind, definieren beispielsweise, in welche Richtung sich das Fahrzeug von einem aktuellen geografischen Bereich zu einem von dem aktuellen geografischen Bereich benachbarten geografischen Bereich bewegen soll.
Zusätzlich zu den Prämienwerten, die sich auf einen geografischen Bereich und/oder eine Verbindung zweier geografischer Bereiche in der Prämienkarte beziehen, wird es auch Prämien geben, wenn sich das neuronale Netzwerk 165 näher an das endgültige Fahrziel bewegt. Dies zwingt beispielsweise das neuronale Netzwerk 165 dazu, vom Fahrer bevorzugte Fahrrouten 170 und die kürzeste Fahrroute 170 zum Fahrziel auszubalancieren. Darüber hinaus wird es beispielsweise eine zusätzliche Prämie geben, wenn der ausgewählte geografische Bereich eine Kraftstoffeinsparung bedeutet, wobei die Treibstoffeinsparungsprämien anhand von statischen Karteninformationen wie Geschwindigkeitsbegrenzung, Topografie usw. berechnet werden. Wie wichtig für einen Fahrer eine Kraftstoff- und/oder Zeiteinsparung ist, wird beispielsweise basierend auf den historischen Daten des Fahrzeugs berechnet.
Sobald die oben beschriebene Strategie zur Navigation entlang der Prämienkarte trainiert wurde, um eine wahrscheinliche Fahrroute 170 zwischen einer aktuellen Position 505 des Fahrzeugs und dem Fahrziel zu erhalten, werden beispielsweise zusätzliche dynamische Verkehrsinformationen, wie Verkehrsverzögerungen und/oder aktuelle Straßenbedingungen und/oder aktuelle Wetterbedingungen einbezogen, um die Prämienwerte der Prämienkarte zu aktualisieren und eine neue Fahrroute zu planen. Das neuronale Netzwerk 165 wird hierbei beispielsweise erneut die beste Fahrstrategie gemäß den neuen Prämienwert-Beschränkungen erlernen.
7 zeigt eine schematische Ansicht einer aktualisierten Prämienkarte 705 zur Abbildung einer Gewichtung zwischen einer aktuellen Position 505 eines Fahrzeugs und einem vorhergesagten Fahrziel 205 gemäß einem Ausführungsbeispiel. Gemäß einem Ausführungsbeispiel handelt es sich bei der Prämienkarte 150 um ein kartenbasiertes Fahrzeugumfeldmodell mit einer Mehrzahl von geografischen Bereichen 510. Hierbei kann die Prämienkarte 150 beispielsweise als eine Art zweidimensionales, in der Bodenebene liegendes Belegungsgitter ausgeformt sein, das eine Karte der Umgebung als ein gleichmäßig beanstandetes Feld binärer Zufallsvariablen darstellt, die jeweils einen Prämienwert 515 des geografischen Bereichs 510 darstellen.
Neben der aktualisierten Prämienkarte 705 zeigt 7 die aus 5 bekannte Prämienkarte 150 zur Abbildung einer Gewichtung zwischen einer aktuellen Position 505 eines Fahrzeugs und einem vorhergesagten Fahrziel 205, wobei beiden Prämienkarten 150 und 705 die Prämienwerte 515 beispielsweise mit den Zahlen 5 und -1 und -5 zugeordnet sind. Den Prämienwert 5 erhält beispielsweise derjenige geografische Bereich 510, der in der Vergangenheit zwischen der aktuellen Position 505 des Fahrzeugs und einem vergangenen Aufenthaltsort im selben Zeitfenster gefahren wurde. Den Prämienwert -1 erhält beispielsweise derjenige geografische Bereich 510, der noch nicht von dem Fahrzeug befahren wurde, wobei sich in diesem geografischen Bereich 510 aber Straßen einer bevorzugte Straßenklasse befinden. Den Prämienwert -5 erhält beispielsweise derjenige geografische Bereich 510, der weder von dem Fahrzeug befahren wurde noch eine Straße einer bevorzugten Straßenklasse aufweist. Der geografische Bereich 510, der mit dem Buchstaben S gekennzeichnet ist, beschreibt beispielsweise die aktuelle Position 505 des Fahrzeugs. Der geografische Bereich 510, der mit dem Buchstaben D gekennzeichnet ist, beschreibt beispielsweise das Fahrziel 205 des Fahrzeugs, also dessen Destination. Die aktualisierte Prämienkarte 705 weist allerdings zusätzlich einen geografischen Bereich 510 auf, in dem ein Verkehrsstau stattfindet, wobei diesem geografischen Bereich 510 ein negativer Prämienwert von -100 zugeordnet ist. Dieser Umstand zwingt beispielsweise das neuronale Netzwerk, eine neue Fahrroute 250 zu erstellen, um den Verkehrsstau bzw. diesen geografischen Bereich 510 zu umfahren.
Da das neuronale Netzwerk bereits eine optimale Lösung für die statische Prämienkarte 150 erlernt hat, wird das neuronale Netzwerk nun auf der Basis der aktualisierten Prämienkarte 705 beispielsweise versuchen, in kürzester Zeit eine neue Fahrroute 250 nahe der ersten Fahrroute 170 zu finden, ähnlich dessen, was auch ein Fahrer machen würde. Die grau unterlegten geografischen Bereiche 510 bezeichnen dabei beispielsweise die geografischen Bereiche, die von den Fahrrouten 170 und 250 durchfahren werden, wobei die den geografischen Bereichen 510 zugeordneten Prämienwerte 515 auch bei der Planung einer neuen Fahrroute 250 maximiert werden sollen.
8 zeigt einen schematischen Systemaufbau zu Vorhersage einer wahrscheinlichen Fahrroute 170 basierend auf einem Verfahren zur Vorhersage einer wahrscheinlichen Fahrroute 170 für ein Fahrzeug gemäß einem Ausführungsbeispiel. Der Systemaufbau weist beispielsweise die externe Recheneinheit 110 auf, wobei es sich bei der externen Recheneinheit 110 um eine informationstechnische Infrastruktur, beispielsweise eine Cloud, handelt, die die Vorrichtung zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug, die Prämienkarte 150, die aktualisierte Prämienkarte 705 sowie das neuronale Netzwerk 165 aufweist. Die Vorrichtung weist beispielsweise wiederum die Vorhersageeinrichtung 115, die Erstelleinrichtung 120, die Berechnungseinrichtung 125 und eine Fahrdateneinrichtung 810 auf. Gemäß einem Ausführungsbeispiel weist die hier dargestellte externe Recheneinheit 110 zudem eine Frontendeinrichtung 815, eine individuelle Übertragungseinrichtung 820 sowie eine Anpassungseinrichtung 825 auf. Der Systemaufbau zeigt ferner eine Mehrzahl von Fahrzeugen 830 sowie eine LTE/5G Verbindungsschnittstelle 840, wobei die Mehrzahl von Fahrzeugen 830 je ein Rechnereinheitsverbindungsmodul 845, ein Positionsmodul 850 sowie ein Horizontbildungsmodul 855 aufweisen. Gemäß einem Ausführungsbeispiel finden die Vorhersage eines Fahrziels 205, das Erstellen der Prämienkarte 150 zur Abbildung einer Gewichtung zwischen der aktuellen Position des Fahrzeugs und dem vorhergesagten Fahrziel 205, das Berechnen der wahrscheinlichen Fahrroute 170 sowie das Aktualisieren der Prämienkarte 150 zur Planung einer neuen Fahrroute 250 auf der externen Recheneinheit 110 statt.
Der erste Schritt zur Vorhersage einer wahrscheinlichen Fahrroute 170 für ein Fahrzeug besteht darin, das endgültige Fahrziel 205 einer aktuellen Fahrt des Fahrzeugs vorherzusagen. Diese Vorhersage des endgültigen Fahrziels 205 basiert auf den historischen Daten und einer aktuellen Position des Fahrzeugs. Hierfür stellt beispielsweise das Fahrzeug ein Fahrzeugidentifikationssignal 860, welches individuelle Daten zur Identifikation des Fahrzeugs repräsentiert, an die Fahrdateneinrichtung 810 der externen Rechnereinheit 110 bereit, wobei die Fahrdateneinrichtung 810 unter Verwendung des Fahrzeugidentifikationssignals 860 das Datensignal 135, das einen vergangenen Aufenthaltsort des Fahrzeugs repräsentiert, an die Vorhersageeinrichtung 115 bereitstellt. Das Positionssignal 140, das eine aktuelle Position des Fahrzeugs repräsentiert, und das Zeitsignal, das eine Uhrzeit sowie einen Wochentag vergangener Fahrrouten repräsentiert, werden beispielsweise mittels der Anpassungseinrichtung 825 der Rechnereinheit 110 ebenfalls an die Vorhersageeinrichtung 115 bereitgestellt, um das Fahrziel 205 vorherzusagen.
Um die wahrscheinliche Fahrroute 170 für das Fahrzeug zu erstellen, wird beispielsweise die Information über das vorhergesagte Fahrziel 205 des Fahrzeugs von der Vorhersageeinrichtung 115 an die Erstelleinrichtung 120 bereitgestellt. Ferner stellt die Fahrdateneinrichtung 810 die Informationen zu einer Fahrhistorie 155 des Fahrzeugs und/oder einer Fahrpräferenz 160 des Fahrers an die Erstelleinrichtung 120 bereit, wobei die Erstelleinrichtung 120 ausgebildet ist, die Prämienkarte 150 zur Abbildung einer Gewichtung zwischen der aktuellen Position des Fahrzeugs und dem endgültigen Fahrziel 205 des Fahrzeugs unter Verwendung der Fahrhistorie 155 des Fahrzeugs, der Fahrpräferenz 160 des Fahrers und dem vorhergesagten Fahrziel 205 zu erstellen. Unter Verwendung der erstellten Prämienkarte 150 und des neuronalen Netzwerks 165, wird die wahrscheinliche Fahrroute 170 in der Berechnungseinrichtung 125 berechnet. Gemäß einem Ausführungsbeispiel wurde das neuronale Netzwerk 165 mit einem Verstärkungslernprozess trainiert, um beispielsweise entlang der erstellten Prämienkarte 150 zu navigieren und das vorhergesagte Fahrziel 205 des Fahrzeugs zu erreichen. Hierbei gilt es beispielsweise, die Prämienwerte anhand der verwendeten Prämienkarte 150 zu maximieren, eine kürzeste Fahrroute 170 unter Verwendung eines Effizienssignals 215 zu finden und Treibstoff unter Verwendung eines Wirtschaftlichkeitssignals 220 zu sparen. Die Prämienkarte 150 wird im Folgenden unter Verwendung dynamischer Verkehrsinformationen 175 aktualisiert, wobei es sich bei den dynamischen Verkehrsinformationen 175 beispielsweise um Informationen zu einer Verkehrsverzögerung durch Stau und/oder aktuelle Straßenbedingungen und/oder aktuelle Wetterbedingungen handelt. Gemäß einem Ausführungsbeispiel werden zur Aktualisierung der Prämienwerte ebenso Verkehrsinformationsdaten 180 von der Mehrzahl von Fahrzeugen 830 ermittelt und über die Frontendeinrichtung 815 an die Prämienkarte 150 bereitgestellt, wobei die Prämienkarte 150 nun unter Verwendung der dynamischen Verkehrsinformation 175 und der Verkehrsinformationsdaten 180 zur Planung einer neuen Fahrroute 250 aktualisiert wird. Das neuronale Netzwerk 165 wird beispielsweise mit der aktualisierten Prämienkarte 705 geladen, um die neue Fahrroute 250 zu ermitteln, wobei sämtliche bereits genannten Zielvorgaben ausgeglichen werden sollen. Die neu ermittelte Fahrroute 250, die individuell für jedes einzelne Fahrzeug ermittelt wird, wird nun von der individuellen Übertragungseinrichtung 820 an das jeweilige Fahrzeug bereitgestellt. Die neu erstellte, aktualisierte Fahrroute 250 wird dann beispielsweise als wahrscheinlichste Route für den Aufbau des Elektronischen Horizonts mittels des Horizontbildungsmoduls 855 verwendet.
Der hier dargestellte Systemaufbau stellt eine mögliche Implementierung des Verfahrensansatzes zur Vorhersage einer wahrscheinlichen Fahrroute 170 für ein Fahrzeug dar, wobei die Mehrzahl von Fahrzeugen 830 mittels der LTE/5G Verbindungsschnittstelle 840 Verkehrsinformationsdaten 180 in die externe Recheneinheit 110 bereitstellt, um unter Verwendung dieser Verkehrsinformationsdaten 180 die Prämienkarte 150 zu aktualisieren. Hierbei werden beispielsweise jegliche Datensignale zwischen der Mehrzahl von Fahrzeugen 830 und der externen Recheneinheit 110 mittels der LTE/5G Verbindungsschnittstelle 840 übermittelt. Die LTE/5G Verbindungsschnittstelle 840 bietet hierbei Datenraten bis zu 10 Gbit/s, eine Nutzung höherer Frequenzbereiche, Latenzzeiten von unter 1 ms und eine Senkung des Energieverbrauchs bei der Übertragung.
9 zeigt ein Ablaufdiagramm eines Verfahrens 900 zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug gemäß einem Ausführungsbeispiel. Das Verfahren 900 kann unter Verwendung der in 1 vorgestellten Vorrichtung zum Vorhersagen einer wahrscheinlichen Fahrroute für ein Fahrzeug angewendet werden.
Das Verfahren 900 weist zunächst einen Schritt 905 auf, bei dem ein Fahrziel unter Verwendung eines Datensignals, das einen vergangenen Aufenthaltsort des Fahrzeugs repräsentiert, sowie eines Positionssignals, das eine aktuelle Position des Fahrzeugs repräsentiert, vorhergesagt wird. Ferner werden im Schritt 905 die vergangenen Aufenthaltsorte des Fahrzeugs durch geografische Koordinaten definiert, an denen sich das Fahrzeug länger als eine vordefinierte Zeitspanne aufgehalten hat. Hierbei werden die geografischen Koordinaten dem Aufenthaltsort zugeordnet, die innerhalb eines definierten Abstands um den Aufenthaltsort herum angeordnet sind. Schließlich werden im Schritt 905 die vergangenen Aufenthaltsorte des Fahrzeugs gruppiert, um mögliche Fahrziele zu bilden und/oder die Aufenthaltsorte in eine zeitliche Abfolge zu bringen. Das Verfahren weist einen weiteren Schritt 910 auf, bei dem eine Prämienkarte zur Abbildung einer Gewichtung zumindest eines Bereichs zwischen der aktuellen Position des Fahrzeugs und dem vorhergesagten Fahrziel des Fahrzeugs unter Verwendung einer Fahrhistorie des Fahrzeugs und/oder einer Fahrpräferenz des Fahrers erstellt wird. Hierbei wird im Schritt 910 geografischen Bereichen und/oder Verbindungen zwischen geografischen Bereichen ein Prämienwert zugeordnet, um die Prämienkarte zu erstellen. Dieser einem geografischen Bereich zugeordnete Prämienwert wird dem geografischen Bereich in Abhängigkeit einer Präferenz des Fahrers für eine Straßenklasse und/oder einen Interessenpunkt und/oder einen vergangenen Aufenthaltsort des Fahrzeugs zugeordnet, insbesondere wobei einem Prämienwert eine negative und/oder positive Zahl zugeordnet ist. Im Verfahrensschritt 910 werden ferner die Prämienwerte der Prämienkarte unter Verwendung einer Gewichtung zumindest eines Merkmals erstellt, wobei es sich bei dem Merkmal und/oder den Merkmalen um eine euklidische Entfernung eines aktuellen geografischen Bereichs und eines in der Prämienkarte benachbarten geografischen Bereichs und/oder eine Verkehrssituation in einem benachbarten geografischen Bereich und/oder ob der geografische Bereich in der Vergangenheit von dem Fahrzeug befahren wurde und/oder eine Straßenklasse einer in dem benachbarten geografischen Bereich zu befahrenden Straße und/oder einen geschätzten Kraftstoffverbrauch, um in einen benachbarten geografischen Bereich zu gelangen, handelt. Hierbei werden das Merkmal und/oder die Merkmale mit je einem Gewicht gewichtet, wobei die jedem geografischen Bereich zugeordneten Prämienwerte als Linearkombination von mit dem Gewicht gewichteten Merkmalen des zugeordneten geografischen Bereichs berechnet werden, wobei die Prämienwerte insbesondere basierend auf der Fahrhistorie des Fahrzeugs berechnet werden. In einem Schritt 915 des Verfahrens 900 wird die wahrscheinliche Fahrroute unter Verwendung eines neuronalen Netzwerks und der erstellten Prämienkarte berechnet, um die wahrscheinliche Fahrroute vorherzusagen. Ferner werden im Verfahrensschritt 915 diejenigen geografischen Bereiche ausgeschlossen, deren zugeordnete Prämienwerte einen bestimmen Bereich über- und/oder unterschreiten. Schließlich weist das Verfahren 900 einen Schritt 920 auf, bei dem die Prämienkarte zur Planung einer neuen Fahrroute unter Verwendung von dynamischen Verkehrsinformationen aktualisiert wird, wobei es sich bei den dynamischen Verkehrsinformationen um Verkehrsverzögerungen und/oder aktuelle Straßenbedingungen und/oder aktuelle Wetterbedingungen handelt. In dem Verfahrensschritt 920 werden zudem die Prämienwerte unter Verwendung von Verkehrsinformationsdaten, die von mehreren Fahrzeugen ermittelt und an die Aktualisierungseinrichtung bereitgestellt werden, aktualisiert. Insbesondere die Schritte 915 und 920 des Verfahrens 900 werden wiederholt und/oder zyklisch wiederholt ausgeführt.
Umfasst ein Ausführungsbeispiel eine „und/oder“-Verknüpfung zwischen einem ersten Merkmal und einem zweiten Merkmal, so ist dies so zu lesen, dass das Ausführungsbeispiel gemäß einer Ausführungsform sowohl das erste Merkmal als auch das zweite Merkmal und gemäß einer weiteren Ausführungsform entweder nur das erste Merkmal oder nur das zweite Merkmal aufweist.
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 Patentliteratur

DE 102007043533 A1 [0003]

Claims

Verfahren (900) zur Vorhersage einer wahrscheinlichen Fahrroute (170) für ein Fahrzeug (105), wobei das Verfahren (900) die folgenden Schritte aufweist: Vorhersagen (905) eines Fahrziels (205) unter Verwendung zumindest eines Datensignals (135), das einen vergangenen Aufenthaltsort (340) des Fahrzeugs (105) repräsentiert, sowie eines Positionssignals (140), das eine aktuelle Position (505) des Fahrzeugs (105) repräsentiert; Erstellen (910) einer Prämienkarte (150) zur Abbildung einer Gewichtung zumindest eines Bereichs (510) zwischen der aktuellen Position (505) des Fahrzeugs (105) und dem vorhergesagten Fahrziel (205) unter Verwendung einer Fahrhistorie (155) des Fahrzeugs (105) und/oder einer Fahrpräferenz (160) des Fahrers; und Berechnen (915) der wahrscheinlichen Fahrroute (170) unter Verwendung eines neuronalen Netzwerks (165) und der erstellten Prämienkarte (150), um die wahrscheinliche Fahrroute (170) vorherzusagen.
Verfahren (900) gemäß Anspruch 1, bei dem im Schritt des Vorhersagens (905) die vergangenen Aufenthaltsorte (340) durch geografische Koordinaten definiert sind, an denen sich das Fahrzeug (105) länger als eine vordefinierte Zeitspanne aufgehalten hat, insbesondere wobei alle geografischen Koordinaten dem Aufenthaltsort (340) zugeordnet werden, die innerhalb eines definierten Abstands um den Aufenthaltsort (340) herum angeordnet sind.
Verfahren (900) gemäß einem der vorangegangenen Ansprüche, bei dem im Schritt des Vorhersagens (905) die Aufenthaltsorte (340) gruppiert werden, um mögliche Fahrziele (205) zu bilden und/oder die Aufenthaltsorte (340) in eine zeitliche Abfolge zu bringen.
Verfahren (900) gemäß einem der vorangegangenen Ansprüche, bei dem im Schritt des Erstellens (910) geografischen Bereichen (510) und/oder Verbindungen zwischen geografischen Bereichen (510) je ein Prämienwert (515) zugeordnet wird, um die Prämienkarte (150) zu erstellen.
Verfahren (900) gemäß Anspruch 4, bei dem im Schritt des Erstellens (910) jedem geografischen Bereich (510) und/oder je einer Verbindung zwischen zwei geografischen Bereichen (510) der Prämienkarte (150) ein Prämienwert (515) in Abhängigkeit einer Fahrpräferenz (160) des Fahrers für eine Straßenklasse und/oder einen Interessenpunkt und/oder einen vergangenen Aufenthaltsort (340) des Fahrzeugs (105) zugeordnet wird, insbesondere wobei einem Prämienwert (515) eine negative und/oder positive Zahl zugeordnet wird.
Verfahren (900) gemäß Anspruch 4 oder 5, bei dem im Schritt des Erstellens (910) die Prämienwerte (515) der Prämienkarte (150) unter Verwendung einer Gewichtung zumindest eines Merkmals (F_n) erstellt werden, insbesondere wobei das Merkmal (F_n) und/oder die Merkmale (F_n) je eine euklidische Entfernung eines aktuellen geografischen Bereichs (510) und eines in der Prämienkarte (150) benachbarten geografischen Bereichs (510) und/oder eine Verkehrssituation in einem benachbarten geografischen Bereich (510) und/oder eine Information, ob der geografische Bereich (510) in der Vergangenheit befahren wurde und/oder eine Straßenklasse einer in dem benachbarten geografischen Bereich (510) zu befahrenden Straße und/oder einen geschätzten Kraftstoffverbrauch, um in einen benachbarten geografischen Bereich (510) zu gelangen, repräsentiert.
Verfahren (900) gemäß einem der Ansprüche 4 bis 6, bei dem im Schritt des Erstellens (915) ein Merkmal (F_n) und/oder die Merkmale (F_n) mit je einem Gewicht gewichtet werden, insbesondere wobei die jedem geografischen Bereich (510) zugeordneten Prämienwerte (515) als Linearkombination von mit dem Gewicht gewichteten Merkmalen (F_n) des zugeordneten geografischen Bereichs (510) berechnet werden.
Verfahren (900) gemäß einem der Ansprüche 4 bis 7, bei dem im Schritt des Erstellens (910) die Prämienwerte (515) basierend auf der Fahrhistorie (155) des Fahrzeugs (105) berechnet werden, wobei im Schritt des Berechnens (915) der wahrscheinlichsten Fahrroute (170) diejenigen geografische Bereiche (510) ausgeschlossen werden, deren zugeordnete Prämienwerte (515) einen bestimmten Wertebereich über- und/oder unterschreitet.
Verfahren (900) gemäß einem der vorangegangenen Ansprüche, mit einem Schritt des Aktualisierens (920) der Prämienkarte (150) zur Planung einer neuen Fahrroute (250) unter Verwendung von zumindest einer dynamischen Verkehrsinformation (175), insbesondere wobei die dynamische Verkehrsinformation (175) eine Verkehrsverzögerung und/oder aktuelle Straßenbedingung und/oder aktuelle Wetterbedingung repräsentiert.
Verfahren (900) gemäß einem der vorangegangenen Ansprüche, wobei zumindest der Schritt des Berechnens (915) und/oder der Schritt des Aktualisierens (920) wiederholt und/oder zyklisch wiederholt werden.
Verfahren (900) gemäß Anspruch 9 oder 10, bei dem im Schritt des Aktualisierens (920) die Prämienwerte (515) unter Verwendung von Verkehrsinformationsdaten (180) von mehreren Fahrzeugen (830) ermittelt werden.
Vorrichtung (100), die eingerichtet ist, um die Schritte des Verfahrens (900) gemäß einem der vorangegangenen Ansprüche in entsprechenden Einheiten auszuführen und/oder anzusteuern.
Computerprogramm umfassend Programmcode, das dazu eingerichtet ist, bei Abarbeiten des Programmcodes mittels einer Recheneinheit oder einer Vorrichtung das Verfahren (900) gemäß einem der vorangegangenen Ansprüche auszuführen und/oder anzusteuern.
Maschinenlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 13 gespeichert ist.