-
Die Erfindung betrifft ein Verfahren, insbesondere ein computerimplementiertes, zum Prädizieren von Luftqualitätsdaten.
-
Bisher beruhen die zeitlichen und örtlichen Luftqualitätsinformationen auf stationär erfassten und somit aktuell gemessenen Daten. Ferner sind diese Informationen auch durch statistische Ansätze ermittelbar. Eine Darstellung dieser aktuellen und/oder statistischen Luftqualitätsinformationen in einer in einem Navigationssystem angezeigten Karte ermöglicht einem Fahrer eines Fahrzeugs eine eingeschränkte Reaktionszeit, aktiv gegen schlechte Luftqualitätswerte auf einer Fahrt zu einem Ankunftsort zu reagieren.
-
Die
DE 10 2015 013 596 A1 und
FR 2983948 beschreiben Verfahren zur Bestimmung einer Fahrroute in Abhängigkeit von Luftqualitätsdaten, die von Sensoren erfasst werden. Die
WO 2017/187064 A1 beschreibt ebenfalls ein Verfahren zur Bestimmung einer solchen Fahrtroute, wobei eine Simulationssoftware Verschmutzungslevel momentan oder prädiktiv kalkuliert.
-
Es besteht nun ein Kundenwunsch, z.B. von Städten und Gemeinden, das Vorhersagen (Prädizieren) einer Luftqualität in einem Gebiet und/oder entlang von Routen zu verbessern, um gezielte Maßnahmen zur Vermeidung schlechter Luftqualität in einem Gebiet zu ermöglichen, wie z.B. Verkehrsumleitungen.
-
Entsprechend stellt die vorliegende Erfindung ein Verfahren nach Anspruch 1, ein Navigationssystem nach Anspruch 13, ein Fahrzeug nach Anspruch 14 und ein System nach Anspruch 15 bereit.
-
Weitere vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den Unteransprüchen und der folgenden Beschreibung bevorzugter Ausführungsbeispiele der vorliegenden Erfindung.
-
Ein erster Aspekt der vorliegenden Offenbarung ist ein erfindungsgemäßes Verfahren zur Luftqualitätsoptimierung auf von Straßenfahrzeugen befahrbaren Routen, mit:
- - Festlegen eines Ankunftsorts;
- - Ermitteln wenigstens einer Route, die zum Ankunftsort führt;
- - Abrufen von verfügbaren Luftqualitätsdaten für die ermittelte Route; und
- - Prädizieren von zukünftigen Luftqualitätsdaten für die ermittelte Route ausgehend von den verfügbaren Luftqualitätsdaten, wobei das Prädizieren mittels eines Luftqualitäts-Bestimmungsmodells erfolgt, das eine Einheit für maschinelles Lernen aufweist.
-
Hierbei wird das Festlegen des Ankunftsorts durch einen Nutzer des Navigationssystems durchgeführt, beispielswiese durch eine Eingabe des Ankunftsorts in einer Eingabevorrichtung, z.B. Touchscreen, des Navigationssystems.
-
Das Ermitteln der Route erfolgt durch das Navigationssystem, wobei ein Startort ein aktueller Standort des Nutzers/Navigationssystem zum Zeitpunkt des Festlegens des Ankunftsorts ist. Ferner kann der Startort durch den Nutzer manuell festgelegt werden. Das Ermitteln der Route kann in bekannter Weise ausgeführt sein, beispielsweise kann standardmäßig eine schnellste oder eine kürzeste Route ausgewählt werden.
-
Mit verfügbaren (, d.h. bisherigen) Luftqualitätsdaten sind solche gemeint, die sich über einen Zeitraum von der Vergangenheit bis zum Zeitpunkt des Abrufens der verfügbaren Luftqualitätsdaten erstrecken. Die Luftqualitätsdaten werden mit Messeinrichtungen erfasst, die weiter unten genauer beschrieben werden. Hierbei können Luftqualitätsdaten beispielsweise Feinstaub-, CO2- und/oder NOx-Emissionswerte umfassen. Ferner können die Luftqualitätsdaten auch die räumliche/örtliche Information umfassen, wo sie erfasst wurden.
-
Es ist ersichtlich, dass auch weitere luftqualitätsbezogene Daten miteinbegriffen werden können. Ferner sind auch solche Daten von Bedeutung, die Einfluss auf die Luftqualität haben, wie z.B. Wetter- und Verkehrsbedingungen.
-
Die verfügbaren Luftqualitätsdaten werden dem Luftqualitäts-Bestimmungsmodell zugeführt, das beispielsweise durch ein Programm, einen Algorithmus, etc. dargestellt/modelliert werden kann. So kann es beispielsweise eine (computerimplementierte) Simulationssoftware sein. Mittels der Einheit für maschinelles Lernen (engl. „machine learning“) werden zukünftige Luftqualitätsdaten vorhergesagt. Insbesondere können durch Data-Mining-Verfahren, die in dem Luftqualitäts-Bestimmungsmodell hinterlegbar sind, aus den verfügbaren Luftqualitätsdaten für die ermittelte Route beispielsweise Muster, Korrelationen und/oder Zusammenhänge gewonnen werden. Aus diesen gewonnenen (auf die Vergangenheit und/oder Gegenwart bezogenen) Erkenntnissen werden anschließend mittels der Einheit für maschinelles Lernen die zukünftigen Luftqualitätsdaten prädiziert. Mit anderen Worten, maschinelles Lernen ermöglicht, dass zukünftige Luftqualitätsdaten aus verfügbarem Wissen und verfügbarer Erfahrung (also den verfügbaren Luftqualitätsdaten) generierbar sind. Die Einheit für maschinelles Lernen kann als ein Funktionsblock, eine (Teil-)Funktion, ein (Teil-Algorithmus, etc. des Luftqualitäts-Bestimmungsmodells ausgebildet sein. Beispielswiese kann die Einheit für maschinelles Lernen ein neuronales Netz(werk) sein, das durch einen entsprechenden Algorithmus in das Luftqualitäts-Bestimmungsmodell implementiert ist.
-
Ferner kann das Verfahren ein Erzeugen einer Routendarstellung auf einer Karte in einer Anzeigevorrichtung eines Navigationssystems umfassen. Es kann also eine Karte mit Routen in der Anzeigevorrichtung dargestellt werden. Insbesondere können in dieser Karte zumindest der aktuelle Standort des Navigationssystems und der Ankunftsort angezeigt sein. Alternativ oder zusätzlich dazu kann die ermittelte Route zumindest teilweise auf der Karte dargestellt sein. Mit anderen Worten, die Karte umfasst zumindest einen Teil der ermittelten Route. Die Karte kann von dem Navigationssystem in Ausführung seiner Navigationsfunktion erzeugt und dargestellt werden.
-
In einer Ausgestaltung des Verfahrens werden für mehrere in der Karte angezeigten Routen das Abrufen und Prädizieren durchgeführt. Mit anderen Worten, für mehrere der in der Karte angezeigten Routen werden die zukünftigen Luftqualitätsdaten prädiziert. Dabei kann mit „mehrere“ eine bestimmte Auswahl an Routen oder aber alle Routen gemeint sein, die auf der Karte dargestellt sind.
-
Ferner kann/können die (ermittelte/n und/oder angezeigte/n) Route/n entsprechend ihrer Luftqualität bewertet. Hierzu dienen die prädizierten Luftqualitätsdaten der ermittelten Route als Bewertungsgrundlage. So können beispielsweise aus den prädizierten Luftqualitätsdaten Luftqualitätsindizes für entsprechende Streckenabschnitte der ermittelten Route gebildet werden. Mit anderen Worten, eine Luftqualität in einem Streckenabschnitt der ermittelten Route wird durch einen entsprechenden Luftqualitätsindex für diesen Streckenabschnitt bewertet, wobei der Luftqualitätsindex anhand der prädizierten Luftqualitätsdaten ermittelbar/bestimmbar ist.
-
Es kann auch lediglich ein Luftqualitätsindex der/den Route/n zugeordnet werden, wobei der Luftqualitätsindex einem Durchschnittswert der prädizierten Luftqualität entlang der gesamten Strecke der ermittelten Route entspricht.
-
In einer Ausgestaltung des Verfahrens können die (ermittelte/n und/oder angezeigte/n) Route/n mit ihrer/ihren entsprechenden Bewertung/en in der Anzeigevorrichtung dargestellt werden. Insbesondere wenn alle in der Karte angezeigten Routen mit ihren entsprechenden Bewertungen angezeigt werden, erhält man eine Kartendarstellung der Luftqualität auf Basis der zukünftigen Daten. Dadurch kann sich ein Nutzer des Navigationssystems während seiner Reise/Fahrt auf die zukünftigen Luftverhältnisse einstellen. So kann er beispielsweise schlecht bewertete Routenabschnitte umgehen oder (falls das Navigationssystem in einem Fahrzeug angebracht ist) entlang dieser einen emissionsärmeren Fahrstil verwenden, um eine weitere Verschlechterung der Luftqualität zu vermeiden.
-
Wie oben beschrieben, kann die Bewertung der Routen abschnittsweise erfolgen, wodurch der Nutzer besonders gut seine aktuelle Route ändern kann, um schlecht bewertete Streckenabschnitte zu umgehen, indem er auf besser bewertete Umgehungsstrecken ausweicht. Mit anderen Worten, durch die Darstellung der aller ermittelten Routen kann ein Nutzer des Navigationssystems aktiv seine Route in Abhängigkeit der Luftqualität bestimmen.
-
Ferner kann das Verfahren lediglich eine luftqualitätsoptimierte Route in der Anzeigevorrichtung anzeigen bzw. hervorheben, insbesondere auf der Karte. Das Hervorheben kann beispielsweise durch eine farbliche Umrandung der luftqualitätsoptimierten Route auf der Karte erfolgen. Alternativ oder zusätzlich dazu können auch die übrigen Routen ausgeblendet werden oder deren Bewertung.
-
Zusätzlich zu der luftqualitätsoptimierten Route können auch die schnellste, kürzeste, schadstoffärmste und/oder hinsichtlich der Luftqualität am besten bewertete Route mitangezeigt werden.
-
In einer Ausgestaltung kann das Luftqualitäts-Bestimmungsmodell vortrainiert werden, indem eine manuelle Zuordnung von bekannten Luftqualitätsdaten als Eingangsgröße des Modells mit anderen bekannten Luftqualitätsdaten als Ausgangsgröße des Modells erfolgt.
-
Die Einheit für maschinelles Lernen kann (vor)trainiert werden, um eine Prädiktionsgenauigkeit der zukünftigen Luftqualitätsdaten zu erhöhen. Dabei können gegebene Paare aus Eingangs- und Ausgangsgrößen der Einheit für maschinelles Lernen zur Verfügung gestellt werden, wobei eine von dem Bestimmungsmodell externe Entität, beispielsweise ein Mensch, die Eingangs- und Ausgangsgrößen zueinander ordnet. Dadurch wird der Einheit für maschinelles Lernen beigebracht/antrainiert, Assoziationen zwischen zueinander gehörigen Paaren an Eingangs- und Ausgangsgröße herzustellen/zu erkennen. So kann die Einheit für maschinelles Lernen eine Funktion approximieren, mit der für einen beliebigen Wert (Eingangsgröße) ein entsprechender Funktionswert (Ausgangsgröße) prädizierbar ist. Dadurch kann das Luftqualitäts-Bestimmungsmodell aus verfügbaren Eingangsgrößen (verfügbare Luftqualitätsdaten) lernen, die beispielsweise Informationen zu Luftqualität, Verkehr, Wetter, usw. (also luftqualitätsbezogene Daten) für eine Route umfassen, so dass entsprechende Ausgangsgrößen (zukünftige Luftqualitätsdaten) für diese Route prädizierbar sind.
-
Ferner kann das Verfahren umfassen:
- - Abrufen der aktuellen Luftqualitätsdaten zum aktuellen Zeitpunkt für die (ermittelte/n und/oder angezeigte/n) Route/n; und
- - Trainieren des Luftqualitäts-Bestimmungsmodells, insbesondere der Einheit für maschinelles Lernen, anhand der aktuellen Luftqualitätsdaten.
-
Hier können die (zum Prädizieren abgerufenen) verfügbaren Luftqualitätsdaten die Trainingseingangsgrößen und die (zu einem Zeitpunkt während der Fahrt zu dem Ankunftsort) abgerufenen aktuellen Luftqualitätsdaten die Trainingsausgangsgrößen sein.
-
Die Luftqualitätsdaten können von einer an einem Fahrzeug angebrachten Messeinrichtung erfasst werden. In Ergänzung oder alternativ dazu kann eine Messeinrichtung auch stationär angebracht sein. Mit „stationär“ ist insbesondere gemeint, dass die Messeinrichtung nicht an einem Fahrzeug angebracht ist, sondern in einer Landschaft angeordnet ist. Insbesondere sind die verfügbaren, aktuellen sowie zukünftigen Luftqualitätsdaten gemeint.
-
Die Messeinrichtung kann ausgebildet sein, luftqualitätsbezogene Daten zu erfassen. Daher kann auch eine Vielzahl an Messeinrichtungen vorgesehen sein, die einer Vielzahl von verschiedenen luftqualitätsbezogenen Daten entspricht. Alternativ kann auch nur eine Messeinrichtung vorgesehen, die dazu ausgebildet ist, die Vielzahl der verschiedenen luftqualitätsbezogenen Daten zu erfassen.
-
Ferner kann das Fahrzeug Teil einer Fahrzeugflotte sein. Die Fahrzeuge der Fahrzeugflotte können jeweils eine Messeinrichtung zur Erfassung von Luftqualitätsdaten aufweisen. Somit ist eine hohe Menge an Daten generierbar, besonders in Bezug auf Zeit- und Rauminformationen der Luftqualitätsdaten.
-
In einer Alternative können die Luftqualitätsdaten in eine Cloud übertragen und darin gespeichert werden.
Auch kann das Prädizieren mittels des Luftqualitäts-Bestimmungsmodells auf einem zentralen Server erfolgen. Die daraus resultierenden zukünftigen Luftqualitätsdaten können über eine Funkschnittstelle (over-the-air) an das Navigationssystem übertragen werden. Es ist möglich, dass der zentrale Server über eine Funkschnittstelle mit der Cloud verbunden ist, und die Luftqualitätsdaten von der Cloud bezieht und über die Cloud an das Navigationssystem weitergibt.
-
Ein zweiter Aspekt der vorliegenden Offenbarung ist ein Navigationssystem, das eingerichtet und ausgebildet ist, das erfindungsgemäße Verfahren sowie deren oben beschriebene Ausgestaltungen und Alternativen auszuführen.
-
Ein dritter Aspekt der vorliegenden Offenbarung betrifft ein Fahrzeug mit einem Navigationssystem gemäß dem zweiten Aspekt sowie einer Messeinrichtung zum Erfassen von Luftqual itätsdaten.
-
Ein vierter Aspekt der vorliegenden Offenbarung ist ein System zum Prädizieren von (zukünftigen) Luftqualitätsdaten, das wenigstens ein Fahrzeug gemäß dem dritten Aspekt und wenigstens eine stationäre Messeinrichtung zum Erfassen von Luftqualitätsdaten umfasst. Ferner weist das System einen zentralen Server auf, der in Verbindung mit einem Luftqualitäts-Bestimmungsmodell, das eine Einheit zum maschinellen Lernen aufweist, dem wenigsten einen Fahrzeug und der wenigstens einen stationären Messeinrichtung in Datenverbindung steht. Hierbei erfolgt das Prädizieren von zukünftigen Luftqualitätsdaten mittels des Luftqualitäts-Bestimmungsmodells. Unter Datenverbindung ist zu verstehen, dass der zentrale Server beispielsweise Luftqualitätsdaten von dem Fahrzeug, der stationären Messeinrichtung oder dem Luftqualitäts-Bestimmungsmodell beziehen und auch an diese Übertragen kann.
-
Ausführungsbeispiele der Erfindung werden nun beispielhaft und unter Bezugnahme auf die beigefügten Zeichnungen beschrieben. Dabei zeigt:
- 1 ein schematisches System zum Prädizieren von Luftqualitätsdaten;
- 2 eine schematische Darstellung eines Verfahrens zum Prädizieren und Darstellen von Luftqualitätsdaten; und
- 3 eine schematische Kartendarstellung mit Bewertung von Routen entsprechend ihrer Luftqualität.
-
In 1 ist ein System zum Prädizieren von Luftqualitätsdaten gezeigt. Das System 1 umfasst ein Fahrzeug 20 mit einem Navigationssystem 22 und einer Messeinrichtung 26, weitere Fahrzeuge 30 mit jeweils einer Messeinrichtung 36. Ferner umfasst das System 1 einen zentralen Server 4, der eine Cloud hostet, und zwei stationäre Messeinrichtungen 6. Das System 1 weist ferner ein Luftqualitäts-Bestimmungsmodell 8 mit einer Einheit für maschinelles Lernen 10 auf. Die in der 1 dargestellte Anzahl der stationären Messeinrichtungen 6 sowie der Fahrzeuge 30 ist nur beispielhaft und es sind auch mehr oder weniger stationäre Messeinrichtungen 6 und weitere Fahrzeuge 30 möglich.
-
Die stationären Messeinrichtungen 6, das Luftqualitäts-Bestimmungsmodell 10 sowie die Fahrzeuge 20, 30 sowie der zentrale Server 4 stehen miteinander in drahtloser Verbindung, insbesondere in Datenverbindung. Mit anderen Worten, sie können untereinander Daten austauschen, d.h. voneinander beziehen oder aneinander übertragen. Der Datenaustausch kann beispielsweise über eine Funkschnittstelle erfolgen.
-
Die stationären Messeinrichtungen 6 sowie die an den Fahrzeugen angebrachten Messeinrichtungen 26, 36 erfassen luftqualitätsbezogene Daten. Während die stationären Messeinrichtungen 6 im Land verteilt sind und so standortbezogen zu unterschiedlichen Zeiten, Verkehrs- und Wetterbedingungen luftqualitätsbezogene Daten erfassen, erfolgt diese Datenerfassung entlang Fahrzeugstraßen im Land durch eine die Fahrzeuge 20, 30 umfassende Fahrzeugflotte. Die stationären Messeinrichtungen 6 können ferner eingerichtet sein, wetter- und verkehrsbezogene Daten zu erfassen.
-
Es ist ersichtlich, dass der zentrale Server 4 zum Abrufen von weiteren Daten auch mit (nicht gezeigten) sonstigen Messeinrichtungen in drahtloser Verbindung stehen kann, die eingerichtet sind, wetterbezogene und/oder verkehrsbezogene (z.B. Stau, Baustellen) Daten zu erfassen.
-
Das Luftqualitäts-Bestimmungsmodell 8 weist eine Einheit für maschinelles Lernen 10 auf. Mittels des Luftqualitäts-Bestimmungsmodells 8 kann ausgehend von den oben beschriebenen erfassten luftqualitäts-, wetter- und/oder verkehrsbezogenen Daten eine Luftqualität prädiziert werden. Insbesondere erfolgt das Prädizieren durch die Einheit für maschinelles Lernen, die beispielsweise ein neuronales Netz(werk) sein kann.
-
2 zeigt schematisch ein Verfahren zur Prädiktion von Luftqualitätsdaten und zur Bewertung einer Route in Abhängigkeit der prädizierten (zukünftigen) Luftqualitätsdaten. Ferner ist dargestellt, wie eine Prädiktionsgenauigkeit des Luftqualitäts-Bestimmungsmodells durch Training verbessert werden kann.
-
Zunächst wird im Schritt 41 der Ankunftsort festgelegt. Dies kann über Eingabe des Nutzers des Navigationssystem 22 in dessen (nicht gezeigter) Eingabevorrichtung erfolgen. Anschließend wird im nächsten Schritt 43 eine Route 403 ermittelt, die zum Ankunftsort führt. Die Route 403 kann in bekannter Weise durch das Navigationssystem 22 ermittelt werden. Danach werden im Schritt 45 die durch die Messeinrichtungen 6, 26, 36 erfassten verfügbaren Luftqualitätsdaten 405 für die ermittelte Route 403 abgerufen. Die verfügbaren Luftqualitätsdaten 405 umfassen alle Luftqualitätsdaten, die von den Messeinrichtungen 6, 26, 36 bis zum Zeitpunkt des Abrufens 45 erfasst wurden.
-
Im Schritt 47 wird ausgehend von den verfügbaren Luftqualitätsdaten 405 zukünftige Luftqualitätsdaten für die Route 403 prädiziert. Hierfür werden die verfügbaren Luftqualitätsdaten 405 sowie die Route 403 dem Luftqualitäts-Bestimmungsmodell zugeführt. Die Einheit für maschinelles Lernen 10 prädiziert dann die zukünftigen Luftqualitätsdaten 407.
-
Anschließend erfolgt im Schritt 49 ein Bewerten der Route 403. Als Bewertungsmaßstab liegt die zukünftige Luftqualität 407 der ermittelten Route 403 zugrunde. Beispielsweise kann die Route entsprechend der zukünftigen Luftqualität in mehrere Streckenabschnitte unterteilt werden, die dann entsprechend ihrer zukünftigen Luftqualität farblich markiert werden. So kann die bewertete Route 409 im nächsten Schritt 51 in einer Anzeigevorrichtung 24 des Navigationssystem 22 angezeigt werden.
-
Beispielhaft wird nun erläutert, wie die Verfahrensschritte durchgeführt werden. Die Schritte 41, 43 sind von dem Navigationssystem 22 durchführbar. Die ermittelte Route 405 kann dann an den zentralen Server 4 übertragen werden. Das Luftqualitäts-Bestimmungsmodell 8 führt den Schritt 45 aus und bezieht dafür die verfügbaren Luftqualitätsdaten 405 von dem zentralen Server 4, die dort abgespeichert sind, und prädiziert die zukünftigen Luftqualitätsdaten 407. Ferner kann von dem Luftqualitäts-Bestimmungsmodell 10 auch der Schritt des Bewertens 49 durchgeführt werden. Die bewertete Route 409 kann in dem zentralen Server 4 abgespeichert und anschließend an das Navigationssystem 22 für Schritt 51 übertragen werden. Es ist ersichtlich, dass die Durchführung der Verfahrensschritte abhängig vom Aufbau des Systems 1 ist und daher sind Variationen zu der beispielhaften Durchführung möglich. Insbesondere kann z.B. das Luftqualitäts-Bestimmungsmodell 8 auch Teil des zentralen Servers 4 sein.
-
Ferner kann das Luftqualitäts-Bestimmungsmodell 8 auch trainiert werden, um die Prädiktionsgenauigkeit der zukünftigen Luftqualitätsdaten 407 zu erhöhen. Dazu werden im Schritt 53 die aktuellen Luftqualitätsdaten 503 abgerufen. Die aktuellen Luftqualitätsdaten beziehen sich auf den Zeitpunkt des Abrufens 53 und zum aktuellen Standort des Navigationssystem 22. Beispielsweise können die aktuellen Luftqualitätsdaten 503 von der in dem Fahrzeug 20 angebrachten Messeinrichtung 26 erfasst werden.
-
Beim Schritt 55 wird das Luftqualitäts-Bestimmungsmodell 8 trainiert. Insbesondere wird eine Funktion der Einheit für maschinelles Lernen 10 trainiert bzw. verbessert, durch die ausgehend von den verfügbaren Luftqualitätsdaten 405 die zukünftigen Luftqualitätsdaten 407 prädiziert werden. Im Schritt des Trainierens 55 werden der Funktion die verfügbaren Luftqualitätsdaten 405 (bis zum Zeitpunkt des Abrufens 45) als Eingangswert zugewiesen und die aktuellen Luftqualitätsdaten 503 als Funktionswert. Somit kann die Einheit für maschinelles Lernen 10 ihre Funktion anpassen, dass die Funktion ausgehend von den verfügbaren Luftqualitätsdaten 405 auch die aktuellen Luftqualitätsdaten 503 prädiziert hätte. Es ist ersichtlich, dass das Trainieren an verschiedenen Zeitpunkten während der Fahrt entlang der Route 403 erfolgen kann.
-
Das in 2 gezeigte Verfahren, insbesondere das Ermitteln 43 der Route 403, das Abrufen 45 der verfügbaren Luftqualitätsdaten 405, das Prädizieren 47 der zukünftigen Luftqualitätsdaten 407 und das Bewerten 49 der Route 403, kann mehrmals durchgeführt werden. Das Navigationssystem 22 kann dann eingerichtet sein, aus den verschiedenen bewerteten Routen 409 diejenige auszusuchen, deren Luftqualität am besten ist. Die am besten bewertete Route 409 kann in der Anzeigevorrichtung 24 des Navigationssystems 22 angezeigt werden. Mit anderen Worten, mit dem in 2 gezeigten Verfahren kann dem Nutzer des Navigationssystems 22 eine Route 409 mit der besten Luftqualität angezeigt werden. In diesem Fall kann die Route 409 ohne eine entsprechende Bewertung dargestellt sein.
-
Alternativ dazu kann auch das Anzeigen 51 der bewerteten Route 409 mehrfach erfolgen (entsprechend der Anzahl der Durchführungen der Schritte 43, 45, 47,49). Im Gegensatz zu oben wird dann nicht nur die am besten bewertete Route 409 in der Anzeigevorrichtung 24 dargestellt, sondern alle durch das in 2 gezeigte Verfahren bewerteten Routen 409. Hierbei ist es vorteilhaft, wenn die Routen 409 mit ihrer entsprechenden Bewertung dargestellt werden.
-
Insbesondere kann das in 2 gezeigt Verfahren so oft durchgeführt werden, dass alle Routen(abschnitte) in einer Kartendarstellung in der Anzeigevorrichtung 24 des Navigationssystems 22 entsprechend ihre Luftqualität bewertet werden. Mit anderen Worten, dass in 2 gezeigte Verfahren ermöglicht eine Kartendarstellung der Luftqualität im Navigationssystem 22 auf Basis der prädizierten zukünftigen Luftqualitätsdaten. Eine derartige Luftqualitätskarte ist in 3 dargestellt.
-
In 3 ist die Anzeigevorrichtung 24 des Navigationssystems 22 gezeigt. In der Anzeigevorrichtung 24 ist die (Straßen-)Kartendarstellung zu sehen, die den Ankunftsort 24e, mehrere (nicht referenzierte) Routen(abschnitte) sowie das Navigationssystem 22 aufweisende Fahrzeug 20 angibt. Alle Routen(abschnitte) sind entsprechend ihrer Luftqualität bewertet, wobei Schraffierungen 24a-d die Luftqualität widerspiegeln. Hierbei stellt Schraffierung 24a die beste Luftqualität dar und Schraffierung 24d die schlechteste. Mittels der in der Anzeigevorrichtung 24 dargestellten Luftqualitätskarte kann der Fahrer des Fahrzeugs 20 seinen Weg zum Ankunftsort 24e derart wählen, um Straßenabschnitte mit schlechter Luftqualität zu umgehen.
-
Bezugszeichenliste
-
- 1
- System
- 4
- zentraler Server
- 6
- stationäre Messeinrichtung
- 8
- Luftqualitäts-Bestimmungsmodell
- 10
- Einheit für maschinelles Lernen
- 20
- Fahrzeug
- 22
- Navigationssystem
- 24
- Anzeigevorrichtung
- 24a-d
- Luftqualitätsbewertung
- 24e
- Ankunftsort
- 26
- Messeinrichtung
- 30
- Fahrzeug
- 36
- Messeinrichtung
- 41
- Festlegen des Ankunftsorts
- 43
- Ermitteln einer Route
- 403
- Route
- 45
- Abrufen verfügbarer Luftqualitätsdaten
- 405
- verfügbare Luftqualitätsdaten
- 47
- Prädizieren von zukünftigen Luftqualitätsdaten
- 407
- Zukünftige Luftqualitätsdaten
- 49
- Bewerten der Route
- 409
- Bewertete Route
- 51
- Anzeigen der Route
- 53
- Abrufen aktueller Luftqualitätsdaten
- 503
- Aktuelle Luftqualitätsdaten
- 55
- Trainieren
-
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 102015013596 A1 [0003]
- FR 2983948 [0003]
- WO 2017/187064 A1 [0003]
