DE102022117432A1 - Method for controlling a function of a vehicle depending on a departure time window or a stationary time window of the vehicle, computer-readable medium, system, and vehicle - Google Patents

Method for controlling a function of a vehicle depending on a departure time window or a stationary time window of the vehicle, computer-readable medium, system, and vehicle Download PDF

Info

Publication number
DE102022117432A1
DE102022117432A1 DE102022117432.8A DE102022117432A DE102022117432A1 DE 102022117432 A1 DE102022117432 A1 DE 102022117432A1 DE 102022117432 A DE102022117432 A DE 102022117432A DE 102022117432 A1 DE102022117432 A1 DE 102022117432A1
Authority
DE
Germany
Prior art keywords
vehicle
time window
prediction method
departure time
function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102022117432.8A
Other languages
German (de)
Inventor
Stefan Holder
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayerische Motoren Werke AG
Original Assignee
Bayerische Motoren Werke AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bayerische Motoren Werke AG filed Critical Bayerische Motoren Werke AG
Priority to DE102022117432.8A priority Critical patent/DE102022117432A1/en
Publication of DE102022117432A1 publication Critical patent/DE102022117432A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • B60R16/037—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for occupant comfort, e.g. for automatic adjustment of appliances according to personal settings, e.g. seats, mirrors, steering wheel
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Steuern einer Funktion eines Fahrzeugs in Abhängigkeit eines Abfahrtzeitfensters oder eines Standzeitfensters des Fahrzeugs, das Verfahren umfassend: Empfangen von Trainingsdaten, wobei die Trainingsdaten fahrzeugspezifische Merkmale umfassen; Trainieren eines ersten Prädiktionsverfahrens mit einem Abfahrtszeitfenster als Zielvariable des ersten Prädiktionsverfahrens und einer ersten Teilmenge der Trainingsdaten; Trainieren eines zweiten Prädiktionsverfahren mit einem Standzeitfenster als Zielvariable des zweiten Prädiktionsverfahrens und der ersten Teilmenge der Trainingsdaten; Trainieren eines Klassifikationsverfahrens unter Verwendung des trainierten ersten Prädiktionsverfahrens, des trainierten zweiten Prädiktionsverfahrens, einer zweiten Teilmenge der Trainingsdaten und eines Indikators als Zielvariable, wobei der Indikator repräsentativ für eines der beiden Prädiktionsverfahren, das erste Prädiktionsverfahren oder das zweiten Prädiktionsverfahren, ist; Empfangen eines Datensatzes der fahrzeugspezifischen Merkmale, nachdem das Fahrzeug abgestellt wurde; Prädizieren des Indikators mit dem trainierten Klassifikationsverfahren unter Verwendung des empfangenen Datensatzes der fahrzeugspezifischen Merkmale; und Falls der Indikator repräsentativ für das erste, trainierte Prädiktionsverfahren ist: Prädizieren eines Abfahrtzeitfensters und einer Wahrscheinlichkeit des Abfahrtzeitfensters des Fahrzeugs mit dem ersten, trainierten Prädiktionsverfahren unter Verwendung des empfangenen Datensatzes der fahrzeugspezifischen Merkmale; und Steuern der Funktion des Fahrzeugs in Abhängigkeit des prädizierten Abfahrtszeitfensters und der Wahrscheinlichkeit des prädizierten Abfahrtzeitfensters.The invention relates to a method for controlling a function of a vehicle depending on a departure time window or a stationary time window of the vehicle, the method comprising: receiving training data, the training data comprising vehicle-specific features; Training a first prediction method with a departure time window as the target variable of the first prediction method and a first subset of the training data; Training a second prediction method with a stance time window as the target variable of the second prediction method and the first subset of the training data; Training a classification method using the trained first prediction method, the trained second prediction method, a second subset of the training data and an indicator as a target variable, the indicator being representative of one of the two prediction methods, the first prediction method or the second prediction method; receiving a record of the vehicle-specific characteristics after the vehicle has been parked; Predicting the indicator with the trained classification method using the received data set of vehicle-specific features; and If the indicator is representative of the first trained prediction method: predicting a departure time window and a probability of the vehicle's departure time window with the first trained prediction method using the received data set of vehicle-specific features; and controlling the function of the vehicle depending on the predicted departure time window and the probability of the predicted departure time window.

Description

Die Erfindung betrifft ein Verfahren zum Steuern einer Funktion eines Fahrzeugs in Abhängigkeit eines Abfahrtzeitfensters oder eines Standzeitfensters des Fahrzeugs. Die Erfindung betrifft ferner ein computerlesbares Medium zum Steuern einer Funktion eines Fahrzeugs in Abhängigkeit eines Abfahrtzeitfensters oder eines Standzeitfensters des Fahrzeugs, ein System zum Steuern einer Funktion eines Fahrzeugs in Abhängigkeit eines Abfahrtzeitfensters oder eines Standzeitfensters des Fahrzeugs, sowie ein Fahrzeug umfassend das System zum Steuern einer Funktion eines Fahrzeugs in Abhängigkeit eines Abfahrtzeitfensters oder eines Standzeitfensters des Fahrzeugs.The invention relates to a method for controlling a function of a vehicle depending on a departure time window or a stationary time window of the vehicle. The invention further relates to a computer-readable medium for controlling a function of a vehicle depending on a departure time window or a standing time window of the vehicle, a system for controlling a function of a vehicle depending on a departure time window or a standing time window of the vehicle, and a vehicle comprising the system for controlling a Function of a vehicle depending on a departure time window or a vehicle standstill time window.

In aktuellen Fahrzeugen kann ein Nutzer manuell eine Funktion des Fahrzeugs, beispielsweise eine Klimafunktion des Fahrzeugs, mit einem mobilen Endgerät zeitgesteuert einschalten.In current vehicles, a user can manually switch on a function of the vehicle, for example a climate function of the vehicle, using a mobile device in a time-controlled manner.

Es ist daher eine Aufgabe der Erfindung, eine Funktion eines Fahrzeugs effizienter zu steuern. Insbesondere ist eine Aufgabe der Erfindung, eine Funktion eines Fahrzeugs automatisiert zeitabhängig zu steuern. Weiter insbesondere ist es eine Aufgabe der Erfindung, eine Funktion eines Fahrzeugs automatisiert zeitabhängig auszuführen.It is therefore an object of the invention to control a function of a vehicle more efficiently. In particular, an object of the invention is to automatically control a function of a vehicle in a time-dependent manner. In particular, it is an object of the invention to automatically carry out a function of a vehicle in a time-dependent manner.

Gelöst wird diese Aufgabe durch die Merkmale der unabhängigen Ansprüche. Vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung ergeben sich aus den abhängigen Ansprüchen.This task is solved by the features of the independent claims. Advantageous refinements and further developments of the invention result from the dependent claims.

Gemäß einem ersten Aspekt zeichnet sich die Erfindung aus durch Verfahren zum Steuern einer Funktion eines Fahrzeugs in Abhängigkeit eines Abfahrtzeitfensters oder eines Standzeitfensters des Fahrzeugs. Das Verfahren kann ein computerimplementiertes Verfahren und/oder ein steuergeräteimplementiertes Verfahren sein. Die Funktion kann eine Funktion eines Fahrzeugs sein, die von einem Nutzer bedient und/oder einen Nutzer des Fahrzeugs benachrichtigen kann. Das Verfahren umfasst ein Empfangen von Trainingsdaten, wobei die Trainingsdaten fahrzeugspezifische Merkmale umfassen. Die Trainingsdaten können beispielsweise eine Teilmenge von Daten zu fahrzeugspezifischen Merkmalen einer Vielzahl von Fahrzeugen umfassen. Die Vielzahl von Fahrzeugen kann beispielsweise ein Fahrzeugflotte oder einen oder mehrere Fahrzeugtypen einer Fahrzeugflotte umfassen.According to a first aspect, the invention is characterized by a method for controlling a function of a vehicle depending on a departure time window or a standstill time window of the vehicle. The method can be a computer-implemented method and/or a control device-implemented method. The function may be a function of a vehicle that can be operated by a user and/or notify a user of the vehicle. The method includes receiving training data, wherein the training data includes vehicle-specific features. The training data can, for example, include a subset of data on vehicle-specific features of a large number of vehicles. The plurality of vehicles can include, for example, a vehicle fleet or one or more vehicle types of a vehicle fleet.

Das Verfahren umfasst ein Trainieren eines ersten Prädiktionsverfahrens mit einem Abfahrtszeitfenster als Zielvariable des ersten Prädiktionsverfahrens und einer ersten Teilmenge der Trainingsdaten, ein Trainieren eines zweiten Prädiktionsverfahren mit einem Standzeitfenster als Zielvariable des zweiten Prädiktionsverfahrens und der ersten Teilmenge der Trainingsdaten, und ein Trainieren eines Klassifikationsverfahrens unter Verwendung des trainierten ersten Prädiktionsverfahrens, des trainierten zweiten Prädiktionsverfahrens, einer zweiten Teilmenge der Trainingsdaten und eines Indikators als Zielvariable, wobei der Indikator repräsentativ für eines der beiden Prädiktionsverfahren, das erste Prädiktionsverfahren oder das zweiten Prädiktionsverfahren, ist. Weiter umfasst das Verfahren ein Empfangen eines Datensatzes der fahrzeugspezifischen Merkmale, nachdem das Fahrzeug abgestellt wurde, und ein Prädizieren des Indikators mit dem trainierten Klassifikationsverfahren unter Verwendung des empfangenen Datensatzes der fahrzeugspezifischen Merkmale. Falls der Indikator repräsentativ für das erste, trainierte Prädiktionsverfahren ist, umfasst das Verfahren ein Prädizieren eines Abfahrtzeitfensters und einer Wahrscheinlichkeit des Abfahrtzeitfensters des Fahrzeugs mit dem ersten, trainierten Prädiktionsverfahren unter Verwendung des empfangenen Datensatzes der fahrzeugspezifischen Merkmale, und ein Steuern der Funktion des Fahrzeugs in Abhängigkeit des prädizierten Abfahrtszeitfensters und der Wahrscheinlichkeit des prädizierten Abfahrtzeitfensters. Falls der Indikator repräsentativ für das zweite, trainierte Prädiktionsverfahren ist, umfasst das Verfahren ein Prädizieren eines Standzeitfensters und eine Wahrscheinlichkeit des Standzeitfensters des Fahrzeugs unter Verwendung des empfangenen Datensatzes der fahrzeugspezifischen Merkmale, und ein Steuern der Funktion des Fahrzeugs in Abhängigkeit des prädizierten Standzeitfensters und der Wahrscheinlichkeit des prädizierten Standzeitfensters.The method includes training a first prediction method with a departure time window as the target variable of the first prediction method and a first subset of the training data, training a second prediction method with a station time window as the target variable of the second prediction method and the first subset of the training data, and training a classification method using the trained first prediction method, the trained second prediction method, a second subset of the training data and an indicator as a target variable, the indicator being representative of one of the two prediction methods, the first prediction method or the second prediction method. The method further includes receiving a data set of the vehicle-specific features after the vehicle has been parked and predicting the indicator with the trained classification method using the received data set of the vehicle-specific features. If the indicator is representative of the first, trained prediction method, the method includes predicting a departure time window and a probability of the departure time window of the vehicle with the first, trained prediction method using the received data set of the vehicle-specific features, and controlling the function of the vehicle depending the predicted departure time window and the probability of the predicted departure time window. If the indicator is representative of the second, trained prediction method, the method includes predicting a standing time window and a probability of the standing time window of the vehicle using the received data set of the vehicle-specific features, and controlling the function of the vehicle depending on the predicted standing time window and the probability the predicted service life window.

Vorteilhafterweise kann das Verfahren effizient eine Funktion eines Fahrzeugs in Abhängigkeit eines prädizierten Standzeitfensters oder eines prädizierten Abfahrtzeitfensters steuern. Dazu kann das Verfahren einen Indikator prädizieren, der angibt, ob ein Standzeitfenster oder ein Abfahrtzeitfenster prädiziert werden soll. In Abhängigkeit des Indikators wird ein prädiziertes Standzeitfenster oder ein prädiziertes Abfahrtzeitfenster ermittelt und entsprechend die Funktion des Fahrzeugs gesteuert. Das Verfahren kann somit zeitlich präziser die Funktion des Fahrzeugs steuern.Advantageously, the method can efficiently control a function of a vehicle depending on a predicted idle time window or a predicted departure time window. For this purpose, the method can predict an indicator that indicates whether a standstill time window or a departure time window should be predicted. Depending on the indicator, a predicted idle time window or a predicted departure time window is determined and the function of the vehicle is controlled accordingly. The method can therefore control the function of the vehicle more precisely in time.

Gemäß einer vorteilhaften Ausgestaltung der Erfindung können die fahrzeugspezifischen Merkmale ein Merkmal zu einer Positionsinformation und ein oder mehrere Merkmale zu Zeitinformationen repräsentativ für ein Abstellen des Fahrzeugs umfassen. Hiermit können die Prädiktionsverfahren effizient trainiert werden und das Standzeitfenster oder das Anfahrtszeitfenster in Abhängigkeit der Positionsinformation, beispielsweise eine Position des Fahrzeugs zum Abstellzeitpunkt, effizient prädiziert werden.According to an advantageous embodiment of the invention, the vehicle-specific features can include a feature for position information and one or more features for time information representative of parking the vehicle. This allows the prediction methods to be trained efficiently and the idle time window or the approach time window to be efficiently predicted depending on the position information, for example a position of the vehicle at the time of parking.

Gemäß einer weiteren, vorteilhaften Ausgestaltung der Erfindung können die fahrzeugspezifischen Merkmale folgende Merkmale umfassen: - eine Position, ab dem das Fahrzeug abgestellt wurde, - einen Wochentag, an dem das Fahrzeug abgestellt wurde, - eine Tageszeit, zu der das Fahrzeug abgestellt wurde, und - eine absolute Zeitinformation. Hiermit können die Prädiktionsverfahren effizient trainiert werden und das Standzeitfenster oder das Anfahrtszeitfenster in Abhängigkeit der Positionsinformation, beispielsweise eine Position des Fahrzeugs zum Abstellzeitpunkt, effizient prädiziert werden.According to a further, advantageous embodiment of the invention, the vehicle-specific features can include the following features: - a position from which the vehicle was parked, - a day of the week on which the vehicle was parked, - a time of day at which the vehicle was parked, and - an absolute time information. This allows the prediction methods to be trained efficiently and the idle time window or the approach time window to be efficiently predicted depending on the position information, for example a position of the vehicle at the time of parking.

Gemäß einer weiteren, vorteilhaften Ausgestaltung kann das erste Prädiktionsverfahren ein Quantil-Random-Forest-Verfahren sein, und/oder kann das zweite Prädiktionsverfahren ein Quantil-Radom-Forest-Verfahren sein, und/oder kann das Klassifikationsverfahren ein binäres Klassifikationsverfahren sein. Hiermit kann das Standzeitfenster, das Abfahrtszeitfenster, und der Indikator effizient prädiziert werden.According to a further, advantageous embodiment, the first prediction method can be a quantile random forest method, and/or the second prediction method can be a quantile radome forest method, and/or the classification method can be a binary classification method. This allows the idle time window, the departure time window, and the indicator to be predicted efficiently.

Gemäß einer weiteren, vorteilhaften Ausgestaltung kann die erste Teilmenge der Trainingsdaten und die zweite Teilmenge der Trainingsdaten überschneidungsfrei sein. Hiermit kann das Trainieren der beiden Prädiktionsverfahren und des Klassifikationsverfahren effizient verbessert werden.According to a further, advantageous embodiment, the first subset of the training data and the second subset of the training data can be free of overlap. This allows the training of the two prediction methods and the classification method to be efficiently improved.

Gemäß einer weiteren, vorteilhaften Ausgestaltung der Erfindung kann das Trainieren des Klassifikationsverfahrens unter Verwendung des trainierten, ersten Prädiktionsverfahrens, des trainierten, zweiten Prädiktionsverfahrens, der zweiten Teilmenge der Trainingsdaten und des Indikators als Zielvariable ein Prädizieren des Abfahrtszeitfenster mit dem trainierten, ersten Prädiktionsverfahren unter Verwendung der zweiten Teilmenge der Trainingsdaten, ein Prädizieren des Standzeitfensters mit dem trainierten, zweiten Prädiktionsverfahren unter Verwendung der zweiten Teilmenge der Trainingsdaten, ein Ermitteln einer Abweichung des prädizierten Abfahrtszeitfenster und des prädizierten Standzeitfensters von einer tatsächlichen Abfahrtszeit des Fahrzeugs, ein Bestimmen des Indikators in Abhängigkeit der ermittelten Abweichung, und ein Trainieren des Klassifikationsverfahren unter Verwendung der zweiten Teilmenge der Trainingsdaten und dem bestimmten Indikator als Zielvariable des Klassifikationsverfahrens umfassen. Hiermit kann ein überwachtes Lernen des Indikators effiziert umgesetzt werden. Das Prädizieren des Indikators kann somit effizient verbessert werden.According to a further, advantageous embodiment of the invention, training the classification method using the trained, first prediction method, the trained, second prediction method, the second subset of the training data and the indicator as a target variable can involve predicting the departure time window with the trained, first prediction method using the second subset of the training data, predicting the idle time window with the trained, second prediction method using the second subset of the training data, determining a deviation of the predicted departure time window and the predicted idle time window from an actual departure time of the vehicle, determining the indicator depending on the determined deviation , and training the classification method using the second subset of the training data and the specific indicator as the target variable of the classification method. This allows supervised learning of the indicator to be implemented efficiently. The prediction of the indicator can thus be efficiently improved.

Gemäß einer weiteren, vorteilhaften Ausgestaltung der Erfindung kann das Abfahrtszeitfenster ein Zeitintervall mit einer höchsten Wahrscheinlichkeit für eine vorgegebene Dauer des Abfahrtszeitfensters umfassen, und/oder kann das Standzeitfenster ein Zeitintervall mit einer höchsten Wahrscheinlichkeit für eine vorgegebene Dauer des Standzeitfensters umfassen. Hiermit kann das Standzeitfenster oder das Abfahrtzeitfenster effizient bestimmt werden.According to a further, advantageous embodiment of the invention, the departure time window can comprise a time interval with a highest probability for a predetermined duration of the departure time window, and / or the idle time window can comprise a time interval with a highest probability for a predetermined duration of the idle time window. This allows the idle time window or the departure time window to be determined efficiently.

Gemäß einer weiteren, vorteilhaften Ausgestaltung der Erfindung kann das Abfahrtszeitfenster ein kürzestes Zeitintervall für eine vorgegebene Wahrscheinlichkeit des Abfahrtszeitfenster umfassen, und/oder kann das Standzeitfenster ein kürzestes Zeitintervall für eine vorgegebene Wahrscheinlichkeit des Standzeitfenster umfassen. Hiermit kann das Standzeitfenster oder das Abfahrtzeitfenster effizient bestimmt werden.According to a further, advantageous embodiment of the invention, the departure time window can comprise a shortest time interval for a predetermined probability of the departure time window, and/or the idle time window can comprise a shortest time interval for a predetermined probability of the idle time window. This allows the idle time window or the departure time window to be determined efficiently.

Gemäß einer weiteren, vorteilhaften Ausgestaltung der Erfindung kann die Funktion des Fahrzeugs eine Funktion zum Vorkonditionieren des Fahrzeugs und/oder eine Funktion zum Übermitteln einer Nachricht bezüglich des Zeitintervalls und/oder des Vorkonditionierens des Fahrzeugs an ein Endgerät eines Nutzers des Fahrzeugs umfassen. Hiermit können flexibel verschiedene Funktionen des Fahrzeugs automatisiert zeitbasiert gesteuert, insbesondere ausgeführt, werden. Es ist keine manuelle Konfiguration der Funktionen durch einen Nutzer des Fahrzeugs notwendig, um diese zeitbasiert auszuführen.According to a further, advantageous embodiment of the invention, the function of the vehicle can include a function for preconditioning the vehicle and/or a function for transmitting a message regarding the time interval and/or the preconditioning of the vehicle to a terminal of a user of the vehicle. This allows various functions of the vehicle to be flexibly controlled, in particular executed, in an automated, time-based manner. No manual configuration of the functions by a user of the vehicle is necessary in order to execute them on a time-based basis.

Gemäß einem weiteren Aspekt zeichnet sich die Erfindung aus durch ein computerlesbares Medium zum Steuern einer Funktion eines Fahrzeugs, wobei das computerlesbare Medium Instruktionen umfasst, die, wenn ausgeführt auf einem Rechner oder einem Steuergerät, das oben beschriebene Verfahren ausführen.According to a further aspect, the invention is characterized by a computer-readable medium for controlling a function of a vehicle, the computer-readable medium comprising instructions which, when executed on a computer or a control device, carry out the method described above.

Gemäß einem weiteren Aspekt zeichnet sich die Erfindung aus durch ein System zum Steuern einer Fahrzeugfunktion, wobei das System dazu ausgebildet ist, das oben beschriebene Verfahren auszuführen.According to a further aspect, the invention is characterized by a system for controlling a vehicle function, the system being designed to carry out the method described above.

Gemäß einem weiteren Aspekt zeichnet sich die Erfindung aus durch ein Fahrzeug umfassend das oben beschriebene System zum Steuern einer Funktion des Fahrzeugs.According to a further aspect, the invention is characterized by a vehicle comprising the system described above for controlling a function of the vehicle.

Weitere Merkmale der Erfindung ergeben sich aus den Ansprüchen, den Figuren und der Figurenbeschreibung. Alle vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren allein gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder aber in Alleinstellung verwendbar.Further features of the invention emerge from the claims, the figures and the description of the figures. All features and feature combinations mentioned above in the description as well as the features and feature combinations mentioned below in the description of the figures and/or shown in the figures alone can be used not only in the combination specified in each case, but also in other combinations or on their own.

Im Folgenden wird anhand der beigefügten Zeichnungen ein bevorzugtes Ausführungsbeispiel der Erfindung beschrieben. Daraus ergeben sich weitere Details, bevorzugte Ausgestaltungen und Weiterbildungen der Erfindung. Im Einzelnen zeigt schematisch 1 ein beispielhaftes Verfahren zum Steuern einer Funktion eines Fahrzeugs in Abhängigkeit eines Abfahrtzeitfensters oder eines Standzeitfensters des Fahrzeugs.A preferred exemplary embodiment of the invention is described below with reference to the accompanying drawings. This results in further details, preferred refinements and further developments of the invention. In detail shows schematically 1 an exemplary method for controlling a function of a vehicle depending on a departure time window or a stationary time window of the vehicle.

Im Detail zeigt 1 beispielhaftes Verfahren 100 zum Steuern einer Funktion eines Fahrzeugs in Abhängigkeit eines Abfahrtzeitfensters oder eines Standzeitfensters des Fahrzeugs. Das Verfahren kann einen Beginn einer nächsten Fahrt durch ein Abfahrtzeitfenster schätzen bzw. prädizieren. Oder das Verfahren kann einen (restliche) Standzeit durch ein Standzeitfenster schätzen bzw. prädizieren. In Abhängigkeit des prädizierten Abfahrtzeitfenster oder des prädizierten Standzeitfensters kann das Verfahren eine Funktion des Fahrzeugs steuern. Das Steuern der Funktion des Fahrzeugs kann ein Ausführen, ein Konfigurieren, ein Starten, und/oder ein Beenden der Funktion des Fahrzeugs umfassen. Das Verfahren kann die Funktion des Fahrzeugs am Ende des Standzeitfenster oder zu Beginn der Abfahrtzeitfensters ausführen. Ein Nutzer eines Fahrzeugs kann somit präziser vor der nächsten Fahrt mit dem Fahrzeug die Funktion des Fahrzeugs automatisiert nutzen, ohne dass ein manuelles Konfigurieren und/oder ein manuelles Ausführen der Funktion notwendig ist.Shows in detail 1 exemplary method 100 for controlling a function of a vehicle depending on a departure time window or a stationary time window of the vehicle. The method can estimate or predict a start of a next trip through a departure time window. Or the method can estimate or predict a (remaining) service life using a service time window. Depending on the predicted departure time window or the predicted idle time window, the method can control a function of the vehicle. Controlling the function of the vehicle may include executing, configuring, starting, and/or terminating the function of the vehicle. The method can execute the function of the vehicle at the end of the idle time window or at the beginning of the departure time window. A user of a vehicle can thus use the function of the vehicle more precisely before the next trip with the vehicle in an automated manner, without the need for manual configuration and/or manual execution of the function.

Der Verfahren 100 kann Trainingsdaten empfangen 102. Die Trainingsdaten können fahrzeugspezifische Merkmale umfassen. Die fahrzeugspezifischen Merkmale können ein Merkmal zu einer Positionsinformation und ein oder mehrere Merkmale zu Zeitinformationen repräsentativ für ein Abstellen des Fahrzeugs umfassen. Beispielsweise können die fahrzeugspezifischen Merkmale folgende Merkmale umfassen: - eine Position, ab dem das Fahrzeug abgestellt wurde, - einen Wochentag, an dem das Fahrzeug abgestellt wurde, - eine Tageszeit, zu der das Fahrzeug abgestellt wurde, und - eine absolute Zeitinformation.The method 100 may receive training data 102. The training data may include vehicle-specific features. The vehicle-specific features may include a feature for position information and one or more features for time information representative of parking the vehicle. For example, the vehicle-specific features can include the following features: - a position from which the vehicle was parked, - a day of the week on which the vehicle was parked, - a time of day at which the vehicle was parked, and - absolute time information.

Der Verfahren 100 kann eines ersten Prädiktionsverfahrens mit einem Abfahrtszeitfenster als Zielvariable des ersten Prädiktionsverfahrens und einer ersten Teilmenge der Trainingsdaten trainieren 104. Weiter kann das Verfahren 100 ein zweites Prädiktionsverfahren mit einem Standzeitfenster als Zielvariable des zweiten Prädiktionsverfahrens und der ersten Teilmenge der Trainingsdaten trainieren 106. Anschließend kann das Verfahren 100 ein Klassifikationsverfahrens als Metamodell unter Verwendung des trainierten ersten Prädiktionsverfahrens, des trainierten zweiten Prädiktionsverfahrens, einer zweiten Teilmenge der Trainingsdaten und eines Indikators als Zielvariable trainieren 108. Der Indikator ist repräsentativ für eines der beiden Prädiktionsverfahren, das erste Prädiktionsverfahren oder das zweiten Prädiktionsverfahren. Durch die Kombination des ersten Prädiktionsverfahrens und des zweiten Prädiktionsverfahrens kann eine bessere Prädiktionsgenauigkeit erzielt werden.The method 100 can train 104 a first prediction method with a departure time window as the target variable of the first prediction method and a first subset of the training data. Furthermore, the method 100 can train a second prediction method with a stationary time window as the target variable of the second prediction method and the first subset of the training data 106. Then The method 100 can train a classification method as a metamodel using the trained first prediction method, the trained second prediction method, a second subset of the training data and an indicator as a target variable 108. The indicator is representative of one of the two prediction methods, the first prediction method or the second prediction method . By combining the first prediction method and the second prediction method, better prediction accuracy can be achieved.

Ein Beginn einer nächsten Fahrt mit dem Fahrzeug kann in einem ersten Szenario einfacher als absoluter Zeitpunkt prädiziert werden. In dem ersten Szenario fährt ein Nutzer des Fahrzeugs jeden Werktag zwischen 6:45 Uhr und 7:15 Uhr von zuhause zur Arbeit. In diesem Szenario ist die Abfahrtszeit des Fahrzeugs unabhängig von der Uhrzeit, zu der das Fahrzeug am Vortag zuletzt abgestellt wurde. Die Abfahrtszeit kann im dem ersten Szenario einfacher prädiziert werden, um den Beginn der nächsten Fahrt zu prädizieren.In a first scenario, the start of a next trip with the vehicle can be more easily predicted as an absolute point in time. In the first scenario, a user of the vehicle drives from home to work every working day between 6:45 a.m. and 7:15 a.m. In this scenario, the vehicle's departure time is independent of the time the vehicle was last parked the day before. The departure time can be predicted more easily in the first scenario in order to predict the start of the next trip.

Ein Beginn einer nächsten Fahrt mit dem Fahrzeug kann in einem zweiten Szenario einfacher als eine Zeitdauer relativ zu einem vorherigen Ende der Fahrt prädiziert werden. Ein Nutzer des Fahrzeugs sucht ein Fitnessstudio zu unterschiedlichen Tageszeiten auf, beispielsweise morgens gegen 7:00 Uhr oder abends gegen 18:00 Uhr. Die Standzeit am Fitnessstudio beträgt ca. 1 Stunde nach der Ankunft an dem Fitnessstudio. In dem zweiten Szenario lässt sich die Abfahrtszeit des Fahrzeugs am Fitnessstudio einfacher relativ zum vorherigen Fahrtende prädizieren, um den Beginn der nächsten Fahrt zu prädizieren.In a second scenario, the start of a next trip with the vehicle can be predicted more easily than a period of time relative to a previous end of the trip. A user of the vehicle visits a fitness studio at different times of the day, for example in the morning around 7:00 a.m. or in the evening around 6:00 p.m. The waiting time at the gym is approximately 1 hour after arrival at the gym. In the second scenario, it is easier to predict the vehicle's departure time from the gym relative to the previous end of the trip in order to predict the start of the next trip.

Die Abfahrtzeit und die Standzeit lassen sich wie folgt umrechnen: Abfahrtszeit = Fahrtende der letzten Fahrt + Standzeit. Somit kann eine Prädiktion der Abfahrtzeit in eine Prädiktion der Standzeit überführt werden und umgekehrt. Für eine Genauigkeit der Prädiktion macht es jedoch einen Unterschied, ob die Abfahrtszeit oder die Standzeit als Zielvariable verwendet wird. Die Abfahrtszeit ist vorzugsweise ein Mittelpunkt des Abfahrtszeitfensters. Eine Standzeit ist vorzugsweise ein Mittelpunkt des Standzeitfensters.The departure time and the idle time can be converted as follows: Departure time = end of the last trip + idle time. A prediction of the departure time can therefore be converted into a prediction of the idle time and vice versa. However, for the accuracy of the prediction, it makes a difference whether the departure time or the waiting time is used as the target variable. The departure time is preferably a midpoint of the departure time window. A service life is preferably a midpoint of the service time window.

Das erste Prädiktionsverfahren und/oder das zweite Prädiktionsverfahren kann ein Quantilregressionsverfahren mit einem Quantile-Random-Forest Verfahren sein. Alternativ kann das erste Prädiktionsverfahren und/oder das zweite Prädiktionsverfahren eines der folgenden Verfahren als Prädiktionsverfahren verwenden: Random Forest, logistische Regression, Support Vector Machines (SVM), Boosting oder künstliche neuronale Netze. Vorzugsweise werden Prädiktionsverfahren verwendet, die für die Prädiktion des Abfahrtzeitfenster oder die Prädiktion des Standzeitfensters eine Wahrscheinlichkeit des Abfahrtszeitfensters oder eine Wahrscheinlichkeit des Standzeitfenster als Ausgabe berechnen. Weiter vorzugsweise werden für die Prädiktion des Abfahrtszeitfensters und die Prädiktion des Standzeitfensters das gleiche Prädiktionsverfahren verwendet.The first prediction method and/or the second prediction method can be a quantile regression method with a quantile random forest method. Alternatively, the first prediction method and/or the second prediction method can use one of the following methods as a prediction method: random forest, logistic regression, support vector machines (SVM), boosting or artificial neural networks. Preference methods are preferably used which, for the prediction of the departure time window or the prediction of the idle time window, use a probability of the departure time window or a probability of the idle time window as off calculate gift. Further preferably, the same prediction method is used for the prediction of the departure time window and the prediction of the waiting time window.

Die beiden Prädiktionsverfahren, das erste Prädiktionsverfahren und das zweite Prädiktionsverfahren, können mit einem Klassifikationsverfahren kombiniert werden. Als Klassifikationsverfahren kann ein binäres Klassifikationsverfahren als Metamodell verwendet werden. Der Indikator des Klassifikationsverfahren gibt vorzugsweise an, welches der beiden Prädiktionsmodelle ein genaueres Prädiktionsergebnis bereitstellt. Das Klassifikationsverfahren nutzt die gleichen fahrzeugspezifischen Merkmale wie die beiden Prädiktionsmodelle.The two prediction methods, the first prediction method and the second prediction method, can be combined with a classification method. A binary classification method can be used as a metamodel as a classification method. The indicator of the classification method preferably indicates which of the two prediction models provides a more precise prediction result. The classification process uses the same vehicle-specific characteristics as the two prediction models.

Für das Trainieren der beiden Prädiktionsverfahren, des ersten Prädiktionsverfahrens und des zweiten Prädiktionsverfahrens, und des Klassifikationsverfahren werden die empfangenen Trainingsdaten in zwei überschneidungsfreie Teilmengen aufgeteilt. Alternativ zu einem Aufteilen der Trainingsdaten in zwei überschneidungsfreie Teilmengen kann auch ein Kreuzvalidierungsverfahren angewendet werden. Der Trainingsprozess wird im Folgenden für das Aufteilen der Trainingsdaten in zwei überschneidungsfreie Teilmengen beschrieben. Das erste Prädiktionsverfahren und das zweite Prädiktionsverfahren werden mit der ersten Teilmenge der Trainingsdaten trainiert. Anschließen kann das Klassifikationsverfahren trainiert werden.For training the two prediction methods, the first prediction method and the second prediction method, and the classification method, the received training data is divided into two overlap-free subsets. As an alternative to dividing the training data into two non-overlapping subsets, a cross-validation procedure can also be used. The training process is described below for dividing the training data into two non-overlapping subsets. The first prediction method and the second prediction method are trained with the first subset of the training data. The classification process can then be trained.

Für das Trainieren des Klassifikationsverfahrens als Metamodell werden vorzugsweise zunächst die Trainingsdaten zum Trainieren des Klassifikationsverfahren erzeugt. Hierzu kann das Verfahren das Abfahrtszeitfenster mit dem trainierten, ersten Prädiktionsverfahren unter Verwendung der zweiten Teilmenge der Trainingsdaten prädizieren, das Standzeitfensters mit dem trainierten, zweiten Prädiktionsverfahren unter Verwendung der zweiten Teilmenge der Trainingsdaten prädizieren, eine Abweichung des prädizierten Abfahrtszeitfenster und des prädizierten Standzeitfensters von einer tatsächlichen Abfahrtszeit des Fahrzeugs ermitteln und den Indikators in Abhängigkeit der ermittelten Abweichung bestimmen. Beispielsweise wird der Indikator auf 0 oder 1 gesetzt, wobei 0 repräsentativ für das erste Prädiktionsmodell und 1 repräsentativ für das zweite Prädiktionsmodell ist.To train the classification method as a metamodel, the training data for training the classification method is preferably first generated. For this purpose, the method can predict the departure time window with the trained, first prediction method using the second subset of the training data, predict the idle time window with the trained, second prediction method using the second subset of the training data, a deviation of the predicted departure time window and the predicted idle time window from an actual one Determine the departure time of the vehicle and determine the indicator depending on the determined deviation. For example, the indicator is set to 0 or 1, where 0 is representative of the first prediction model and 1 is representative of the second prediction model.

Um zu entscheiden, welches der beiden Prädiktionsverfahren ein besseres Prädiktionsergebnis liefert, kann eine absolute Abweichung einer tatsächlichen Abfahrtszeit von einem Mittelpunkt des prädizierten Abfahrtszeitfensters und eine absolute Abweichung einer tatsächlichen Standzeit von einem Mittelpunkt des prädizierten Standzeitfensters berechnet werden. Das Prädiktionsverfahren mit einer kleineren absoluten Abweichung wird vorzugsweise als das Prädiktionsverfahren mit dem besseren Prädiktionsergebnis ausgewählt.In order to decide which of the two prediction methods delivers a better prediction result, an absolute deviation of an actual departure time from a midpoint of the predicted departure time window and an absolute deviation of an actual idle time from a midpoint of the predicted idle time window can be calculated. The prediction method with a smaller absolute deviation is preferably selected as the prediction method with the better prediction result.

Schließlich kann das Klassifikationsverfahren unter Verwendung der zweiten Teilmenge der Trainingsdaten und dem bestimmten Indikator als Zielvariable des Klassifikationsverfahrens trainiert werden. Als Klassifikationsverfahren wird bevorzugt eine Random Forest Klassifikationsverfahren verwendet. Alternativ können auch andere maschinelle Lernverfahren wie logistische Regression, Support Vector Machines (SVM), Boosting oder künstliche neuronale Netze eingesetzt werden.Finally, the classification method can be trained using the second subset of the training data and the particular indicator as the target variable of the classification method. A random forest classification method is preferably used as the classification method. Alternatively, other machine learning methods such as logistic regression, support vector machines (SVM), boosting or artificial neural networks can also be used.

Das Verfahren 100 kann einen Datensatzes der fahrzeugspezifischen Merkmale empfangen 110, nachdem das Fahrzeug abgestellt wurde. Weiter kann das Verfahren 100 den Indikator mit dem trainierten Klassifikationsverfahren unter Verwendung des empfangenen Datensatzes der fahrzeugspezifischen Merkmale prädizieren 112. Der Indikator zeigt an, welches der trainierten Prädiktionsverfahren für die Prädiktion des empfangenen Datensatzes der fahrzeugspezifischen Merkmale anzuwenden ist.The method 100 may receive 110 a data set of the vehicle-specific features after the vehicle has been parked. Furthermore, the method 100 can predict 112 the indicator with the trained classification method using the received data set of vehicle-specific features. The indicator indicates which of the trained prediction methods is to be used for predicting the received data set of vehicle-specific features.

Falls der Indikator repräsentativ für das erste, trainierte Prädiktionsverfahren ist, kann das Verfahren ein Abfahrtzeitfenster und eine Wahrscheinlichkeit des Abfahrtzeitfensters des Fahrzeugs mit dem ersten, trainierten Prädiktionsverfahren unter Verwendung des empfangenen Datensatzes der fahrzeugspezifischen Merkmale prädizieren 114, und die Funktion des Fahrzeugs in Abhängigkeit des prädizierten Abfahrtszeitfensters und der Wahrscheinlichkeit des prädizierten Abfahrtzeitfensters steuern 116. Falls der Indikator repräsentativ für das zweite, trainierte Prädiktionsverfahren ist, kann das Verfahren 100 ein Standzeitfensters und eine Wahrscheinlichkeit des Standzeitfensters des Fahrzeugs unter Verwendung des empfangenen Datensatzes der fahrzeugspezifischen Merkmale prädizieren 118, und die Funktion des Fahrzeugs in Abhängigkeit des prädizierten Standzeitfensters und der Wahrscheinlichkeit des prädizierten Standzeitfensters steuern 120. Zusätzlich kann das Abfahrtzeitfenster in ein Standzeitfenster mit der oben beschriebenen Formal umgerechnet werden.If the indicator is representative of the first, trained prediction method, the method may predict 114 a departure time window and a probability of the departure time window of the vehicle with the first, trained prediction method using the received data set of vehicle-specific features, and the function of the vehicle depending on the predicted Departure time window and the probability of the predicted departure time window control 116. If the indicator is representative of the second, trained prediction method, the method 100 can predict a idle time window and a probability of the idle time window of the vehicle using the received data set of vehicle-specific features 118, and the function of Vehicle control 120 depending on the predicted idle time window and the probability of the predicted idle time window. In addition, the departure time window can be converted into a idle time window using the formality described above.

Alternativ zum Trainieren des Klassifikationsverfahrens als Metamodell kann wie folgt vorgegangen werden. Zunächst können die beiden Prädiktionsverfahren jeweils mit den vollständigen Trainingsdaten trainiert werden. Für eine Prädiktion der Abfahrtszeit bzw. des Abfahrtszeitfensters oder der Standzeit bzw. des Standzeitfensters kann eine Prädiktion mit jedem der beiden trainierten Prädiktionsverfahren durchgeführt werden. Zum Steuern der Funktion kann die Prädiktion desjenigen Prädiktionsverfahrens verwendet werden, welches eine höhere Wahrscheinlichkeit für das Abfahrtszeitfenster bzw. das Standzeitfenster prädiziert.As an alternative to training the classification method as a metamodel, you can proceed as follows. First, the two prediction methods can each be trained with the complete training data. For a prediction of the departure time or the departure time window or the idle time or the idle time window, a prediction can be carried out with each of the two trained prediction methods. To control the function, the prediction of the prediction method can be used, which is a higher probability for the departure time window or the idle time window.

Je nachdem, ob eine Abfahrtszeit bzw. ein Abfahrtszeitfenster oder eine Standzeit bzw. ein Standzeitfenster benötigt wird, kann die Prädiktion mit oben genannter Formel umgerechnet werden, um die von der Funktion des Fahrzeugs benötigten Werte zu ermitteln. Mögliche Funktionen des Fahrzeugs können sein: Benachrichtigen eines Nutzers des Fahrzeugs über starken Verkehr auf seiner Route vor Beginn der Fahrt, und/oder ein Vorkonditionieren des Fahrzeugs für die nächste Fahrt, beispielsweise ein Klimatisieren eines Innenraums für die nächste Fahrt. Die Wahrscheinlichkeit des prädizierten Abfahrtzeitfenster oder des prädizierten Standzeitfensters kann dazu verwendet werden, das Ausführen oder Steuern der Funktion des Fahrzeugs einzuschränken. Beispielsweise kann die Funktion des Fahrzeugs nur ausgeführt oder gesteuert werden, wenn die prädizierte Wahrscheinlichkeit größer als ein vordefinierter Schwellwert, beispielsweise ein Schwellwert von größer als 0,7, ist. Zusätzlich kann das Verfahren in Abhängigkeit eines Typs der Funktion des Fahrzeugs den Nutzer auffordern, das Steuern oder Ausführen der Funktion des Fahrzeugs zu bestätigen. Beispielsweise kann der Nutzer des Fahrzeugs eine Nachricht auf einem mobilen Endgerät erhalten, mit der er aufgefordert wird, das Steuern oder Ausführen der Funktion des Fahrzeugs zu bestätigen. Wenn der Typ der Funktion des Fahrzeugs ein Vorkonditionieren des Fahrzeugs umfasst, kann der Nutzer eine Aufforderung zum Bestätigen oder zum Ablehnen des Steuerns oder Ausführens der Funktion erhalten. Hiermit kann das Nutzer den Ressourcenverbrauch beim automatisierten Ausführen von Funktionen des Fahrzeugs effizient steuern.Depending on whether a departure time or a departure time window or a standstill time or a standstill window is required, the prediction can be converted using the formula mentioned above in order to determine the values required by the function of the vehicle. Possible functions of the vehicle can be: Notifying a user of the vehicle about heavy traffic on his route before starting the journey, and / or preconditioning the vehicle for the next journey, for example air conditioning an interior for the next journey. The probability of the predicted departure time window or the predicted idle time window can be used to limit the execution or control of the function of the vehicle. For example, the function of the vehicle can only be executed or controlled if the predicted probability is greater than a predefined threshold, for example a threshold of greater than 0.7. Additionally, depending on a type of function of the vehicle, the method may prompt the user to confirm controlling or executing the function of the vehicle. For example, the user of the vehicle may receive a message on a mobile device asking him to confirm controlling or executing the function of the vehicle. If the type of function of the vehicle includes preconditioning of the vehicle, the user may receive a request to confirm or decline to control or execute the function. This allows the user to efficiently control resource consumption when automatically executing vehicle functions.

Vorteilhafterweise kann das Verfahren effizient eine oder mehrere Funktionen des Fahrzeugs zeitgesteuert in Abhängigkeit eines Standzeitfensters oder einen Abfahrtszeitfensters ausführen. Dazu werden zwei Prädiktionsverfahren trainiert und das bessere der beiden Prädiktionsverfahren angewandt, um ein genaueres Zeitfenster zu prädizieren. Das Steuern oder Ausführen der Funktion des Fahrzeugs kann somit mit einer zeitlich größeren Präzision durchgeführt werden.Advantageously, the method can efficiently execute one or more functions of the vehicle in a time-controlled manner depending on a standstill time window or a departure time window. To do this, two prediction methods are trained and the better of the two prediction methods is used to predict a more precise time window. Controlling or executing the function of the vehicle can therefore be carried out with greater temporal precision.

BezugszeichenlisteReference symbol list

100100
VerfahrenProceedings
102102
Empfangen von TrainingsdatenReceiving training data
104104
Trainieren eines ersten PrädiktionsverfahrensTraining a first prediction method
106106
Trainieren eines zweiten PrädiktionsverfahrenTraining a second prediction method
108108
Trainieren eines KlassifikationsverfahrensTraining a classification method
110110
Empfangen eines DatensatzesReceiving a record
112112
Prädizieren eines IndikatorsPredicting an indicator
114114
Prädizieren eines AbfahrtszeitfenstersPredicting a departure time window
116116
Steuern einer Funktion eines FahrzeugsControlling a function of a vehicle
118118
Prädizieren eines StandzeitfenstersPredicting a service life window
120120
Steuern einer Funktion eines FahrzeugsControlling a function of a vehicle

Claims (12)

Verfahren zum Steuern einer Funktion eines Fahrzeugs in Abhängigkeit eines Abfahrtzeitfensters oder eines Standzeitfensters des Fahrzeugs, das Verfahren umfassend: Empfangen von Trainingsdaten, wobei die Trainingsdaten fahrzeugspezifische Merkmale umfassen; Trainieren eines ersten Prädiktionsverfahrens mit einem Abfahrtszeitfenster als Zielvariable des ersten Prädiktionsverfahrens und einer ersten Teilmenge der Trainingsdaten; Trainieren eines zweiten Prädiktionsverfahren mit einem Standzeitfenster als Zielvariable des zweiten Prädiktionsverfahrens und der ersten Teilmenge der Trainingsdaten; Trainieren eines Klassifikationsverfahrens unter Verwendung des trainierten ersten Prädiktionsverfahrens, des trainierten zweiten Prädiktionsverfahrens, einer zweiten Teilmenge der Trainingsdaten und eines Indikators als Zielvariable, wobei der Indikator repräsentativ für eines der beiden Prädiktionsverfahren, das erste Prädiktionsverfahren oder das zweiten Prädiktionsverfahren, ist; Empfangen eines Datensatzes der fahrzeugspezifischen Merkmale, nachdem das Fahrzeug abgestellt wurde; Prädizieren des Indikators mit dem trainierten Klassifikationsverfahren unter Verwendung des empfangenen Datensatzes der fahrzeugspezifischen Merkmale; und Falls der Indikator repräsentativ für das erste, trainierte Prädiktionsverfahren ist: Prädizieren eines Abfahrtzeitfensters und einer Wahrscheinlichkeit des Abfahrtzeitfensters des Fahrzeugs mit dem ersten, trainierten Prädiktionsverfahren unter Verwendung des empfangenen Datensatzes der fahrzeugspezifischen Merkmale; und Steuern der Funktion des Fahrzeugs in Abhängigkeit des prädizierten Abfahrtszeitfensters und der Wahrscheinlichkeit des prädizierten Abfahrtzeitfensters; und Falls der Indikator repräsentativ für das zweite, trainierte Prädiktionsverfahren ist: Prädizieren eines Standzeitfensters und einer Wahrscheinlichkeit des Standzeitfensters des Fahrzeugs unter Verwendung des empfangenen Datensatzes der fahrzeugspezifischen Merkmale; und Steuern der Funktion des Fahrzeugs in Abhängigkeit des prädizierten Standzeitfensters und der Wahrscheinlichkeit des prädizierten Standzeitfensters. Method for controlling a function of a vehicle depending on a departure time window or a stationary time window of the vehicle, the method comprising: receiving training data, the training data comprising vehicle-specific features; Training a first prediction method with a departure time window as the target variable of the first prediction method and a first subset of the training data; Training a second prediction method with a stance time window as the target variable of the second prediction method and the first subset of the training data; Training a classification method using the trained first prediction method, the trained second prediction method, a second subset of the training data and an indicator as a target variable, the indicator being representative of one of the two prediction methods, the first prediction method or the second prediction method; receiving a record of the vehicle-specific characteristics after the vehicle has been parked; Predicting the indicator with the trained classification method using the received data set of vehicle-specific features; and If the indicator is representative of the first trained prediction method: predicting a departure time window and a probability of the vehicle's departure time window with the first trained prediction method using the received data set of vehicle-specific features; and controlling the function of the vehicle depending on the predicted departure time window and the probability of the predicted departure time window; and If the indicator is representative of the second, trained prediction method: Predicting a standing time window and a probability of the standing time window of the vehicle using the received data set of the vehicle-specific features; and controlling the function of the vehicle depending on the predicted idle time window and the probability of the predicted idle time window. Verfahren nach Anspruch 1, wobei die fahrzeugspezifischen Merkmale ein Merkmal zu einer Positionsinformation und ein oder mehrere Merkmale zu Zeitinformationen repräsentativ für ein Abstellen des Fahrzeugs umfassen.Procedure according to Claim 1 , wherein the vehicle-specific features include a feature for position information and one or more features for time information representative of parking the vehicle. Verfahren nach einem der vorhergehenden Ansprüche, wobei die fahrzeugspezifischen Merkmale folgende Merkmale umfassen: - eine Position, ab dem das Fahrzeug abgestellt wurde, - einen Wochentag, an dem das Fahrzeug abgestellt wurde, - eine Tageszeit, zu der das Fahrzeug abgestellt wurde, und - eine absolute Zeitinformation.Method according to one of the preceding claims, wherein the vehicle-specific features include the following features: - a position from which the vehicle was parked, - a day of the week on which the vehicle was parked, - a time of day when the vehicle was parked, and - an absolute time information. Verfahren nach einem der vorhergehenden Ansprüche, wobei das erste Prädiktionsverfahren ein Quantil-Random-Forest-Verfahren ist; und/oder wobei das zweite Prädiktionsverfahren ein Quantil-Radom-Forest-Verfahren ist; und/oder wobei das Klassifikationsverfahren ein binäres Klassifikationsverfahren ist.Method according to one of the preceding claims, wherein the first prediction method is a quantile random forest method; and or wherein the second prediction method is a quantile radome forest method; and or where the classification method is a binary classification method. Verfahren nach einem der vorhergehenden Ansprüche, wobei die erste Teilmenge der Trainingsdaten und die zweite Teilmenge der Trainingsdaten überschneidungsfrei sind.Method according to one of the preceding claims, wherein the first subset of the training data and the second subset of the training data are overlap-free. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Trainieren des Klassifikationsverfahrens unter Verwendung des trainierten, ersten Prädiktionsverfahrens, des trainierten, zweiten Prädiktionsverfahrens, der zweiten Teilmenge der Trainingsdaten und des Indikators als Zielvariable umfasst: Prädizieren des Abfahrtszeitfenster mit dem trainierten, ersten Prädiktionsverfahren unter Verwendung der zweiten Teilmenge der Trainingsdaten; Prädizieren des Standzeitfensters mit dem trainierten, zweiten Prädiktionsverfahren unter Verwendung der zweiten Teilmenge der Trainingsdaten; Ermitteln einer Abweichung des prädizierten Abfahrtszeitfenster und des prädizierten Standzeitfensters von einer tatsächlichen Abfahrtszeit des Fahrzeugs; Bestimmen des Indikators in Abhängigkeit der ermittelten Abweichung; und Trainieren des Klassifikationsverfahren unter Verwendung der zweiten Teilmenge der Trainingsdaten und dem bestimmten Indikator als Zielvariable des Klassifikationsverfahrens.Method according to one of the preceding claims, wherein training the classification method using the trained, first prediction method, the trained, second prediction method, the second subset of the training data and the indicator as a target variable comprises: Predicting the departure time window with the trained first prediction method using the second subset of the training data; Predicting the stance time window with the trained, second prediction method using the second subset of the training data; Determining a deviation of the predicted departure time window and the predicted idle time window from an actual departure time of the vehicle; Determining the indicator depending on the detected deviation; and Training the classification method using the second subset of the training data and the specific indicator as the target variable of the classification method. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Abfahrtszeitfenster ein Zeitintervall mit einer höchsten Wahrscheinlichkeit für eine vorgegebene Dauer des Abfahrtszeitfensters umfasst; und/oder wobei das Standzeitfenster ein Zeitintervall mit einer höchsten Wahrscheinlichkeit für eine vorgegebene Dauer des Standzeitfensters umfasst.Method according to one of the preceding claims, wherein the departure time window comprises a time interval with a highest probability for a predetermined duration of the departure time window; and/or wherein the downtime window comprises a time interval with a highest probability for a predetermined duration of the downtime window. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Abfahrtszeitfenster ein kürzestes Zeitintervall für eine vorgegebene Wahrscheinlichkeit des Abfahrtszeitfenster umfasst; und/oder wobei das Standzeitfenster ein kürzestes Zeitintervall für eine vorgegebene Wahrscheinlichkeit des Standzeitfenster umfasst.Method according to one of the preceding claims, wherein the departure time window comprises a shortest time interval for a predetermined probability of the departure time window; and/or wherein the downtime window comprises a shortest time interval for a predetermined probability of the downtime window. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Funktion des Fahrzeugs eine Funktion zum Vorkonditionieren des Fahrzeugs und/oder eine Funktion zum Übermitteln einer Nachricht bezüglich des Zeitintervalls und/oder des Vorkonditionierens des Fahrzeugs an ein Endgerät eines Nutzers des Fahrzeugs umfasst.Method according to one of the preceding claims, wherein the function of the vehicle comprises a function for preconditioning the vehicle and/or a function for transmitting a message regarding the time interval and/or the preconditioning of the vehicle to a terminal of a user of the vehicle. Computerlesbares Medium zum Steuern einer Funktion eines Fahrzeugs, wobei das computerlesbare Medium Instruktionen umfasst, die, wenn ausgeführt auf einem Rechner oder einem Steuergerät, das Verfahren nach einem der Ansprüche 1 bis 9 ausführt.Computer-readable medium for controlling a function of a vehicle, the computer-readable medium comprising instructions that, when executed on a computer or a control device, the method according to one of Claims 1 until 9 executes. System zum Steuern einer Fahrzeugfunktion, wobei das System dazu ausgebildet ist, das Verfahren nach einem der Ansprüche 1 bis 9 auszuführen.System for controlling a vehicle function, the system being designed to carry out the method according to one of Claims 1 until 9 to carry out. Fahrzeug umfassend das System zum Steuern einer Funktion des Fahrzeugs nach Anspruch 11.Vehicle comprising the system for controlling a function of the vehicle Claim 11 .
DE102022117432.8A 2022-07-13 2022-07-13 Method for controlling a function of a vehicle depending on a departure time window or a stationary time window of the vehicle, computer-readable medium, system, and vehicle Pending DE102022117432A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102022117432.8A DE102022117432A1 (en) 2022-07-13 2022-07-13 Method for controlling a function of a vehicle depending on a departure time window or a stationary time window of the vehicle, computer-readable medium, system, and vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102022117432.8A DE102022117432A1 (en) 2022-07-13 2022-07-13 Method for controlling a function of a vehicle depending on a departure time window or a stationary time window of the vehicle, computer-readable medium, system, and vehicle

Publications (1)

Publication Number Publication Date
DE102022117432A1 true DE102022117432A1 (en) 2024-01-18

Family

ID=89387699

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102022117432.8A Pending DE102022117432A1 (en) 2022-07-13 2022-07-13 Method for controlling a function of a vehicle depending on a departure time window or a stationary time window of the vehicle, computer-readable medium, system, and vehicle

Country Status (1)

Country Link
DE (1) DE102022117432A1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112018007858T5 (en) 2018-07-27 2021-04-15 Bayerische Motoren Werke Aktiengesellschaft Computer implemented method and processing system for predicting the return of a user to a vehicle

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112018007858T5 (en) 2018-07-27 2021-04-15 Bayerische Motoren Werke Aktiengesellschaft Computer implemented method and processing system for predicting the return of a user to a vehicle

Similar Documents

Publication Publication Date Title
DE102019104974A1 (en) Method and system for determining a driving maneuver
DE102016009032A1 (en) Machine learning unit, spindle replacement judgment apparatus, control, machine tool, production system and machine learning method capable of judging the necessity of a spindle replacement
EP3704573B1 (en) Method for performing a software update in a control unit of a motor vehicle, and motor vehicle designed accordingly
DE102019124018A1 (en) Method for optimizing tests of control systems for automated vehicle dynamics systems
DE102019203214A1 (en) Method for operating a robot in a multi-agent system, robot and multi-agent system
WO2021213593A1 (en) Method for planning an automated parking process for a vehicle
DE102017223579A1 (en) A system and method for supporting a forecast of future signaling of a traffic infrastructure element
WO2020011655A1 (en) Method and system for detecting data in vehicles
WO2019206513A1 (en) Method for driving manouevre assistance of a vehicle, device, computer program, and computer program product
DE102018211726A1 (en) Method for automatic machine training of an electronic vehicle guidance system, and motor vehicle
DE102022117432A1 (en) Method for controlling a function of a vehicle depending on a departure time window or a stationary time window of the vehicle, computer-readable medium, system, and vehicle
DE102019205359B4 (en) Method and device for controlling a technical device
DE102018214467A1 (en) Method and device for operating a functionality, comprising an at least partially automated and / or remote-controlled actuation of an actuator of a vehicle
WO2021254672A1 (en) Method, device, computer program, and computer-readable storage medium for determining a neural network and for operating a vehicle
DE102020206131A1 (en) Device and method for controlling a motor vehicle
EP3644582B1 (en) Method, device and central device for detecting a concept shift in the data and / or feature distribution of input data
WO2020007755A1 (en) Method for determining component behavior of at least one vehicle component of a motor vehicle, vehicle component and motor vehicle
DE112019004524T5 (en) CENTRAL DEVICE, REPROGRAMMING DATA DISTRIBUTION SYSTEM AND REPROGRAMMING DATA DISTRIBUTION PLANNING PROGRAM
DE102009027544A1 (en) Method for determining traffic prognosis provided to foreign vehicle, involves receiving planning data assigned to vehicle, assigning additional planning data to additional vehicle, and determining traffic prognosis from planning data
DE102022117425A1 (en) Method for controlling a function of a vehicle, computer-readable medium, system and vehicle
DE102017207538A1 (en) Driver assistance system and method for assisting a driver of a rail vehicle
DE102022004321A1 (en) Method for estimating the consumption of electric vehicles and using it to determine a navigation route
DE102019213106A1 (en) Method and device for forecasting a switching state and / or a switching time of a signal system for traffic control
DE102022211007A1 (en) INTERNAL VEHICLE INFORMATION PROCESSING DEVICE
DE102019219748A1 (en) Method for determining at least one remaining time value to be determined for an installation

Legal Events

Date Code Title Description
R163 Identified publications notified