DE112018007858T5

DE112018007858T5 - Computerimplementiertes Verfahren und Datenverarbeitungssystem zum Prädizieren der Rückkehr eines Benutzers zu einem Fahrzeug

Info

Publication number: DE112018007858T5
Application number: DE112018007858.2T
Authority: DE
Inventors: Jilei Tian; Alvin Chin; Daria Pontus
Original assignee: Bayerische Motoren Werke AG
Current assignee: Bayerische Motoren Werke AG
Priority date: 2018-07-27
Filing date: 2018-07-27
Publication date: 2021-04-15
Also published as: WO2020020464A1

Abstract

Es wird ein computerimplementiertes Verfahren zum Prädizieren der Rückkehr eines Benutzers zu einem Fahrzeug bereitgestellt. Das Verfahren umfasst das Bestimmen einer ersten Wahrscheinlichkeit für die Rückkehr des Benutzers zum Fahrzeug basierend auf einem ersten trainierten Modell und zumindest Daten über einen aktuellen Aufenthaltsort des Benutzers und einen aktuellen Aufenthaltsort des Fahrzeugs. Das erste trainierte Modell wird basierend auf historischen Fahrdaten des Benutzers trainiert. Das Verfahren umfasst ferner das Bestimmen einer zweiten Wahrscheinlichkeit für die Rückkehr des Benutzers zum Fahrzeug basierend auf einem zweiten trainierten Modell und Kontextdaten von einer mobilen Kommunikationsvorrichtung des Benutzers, die eine aktuelle Aktivität des Benutzers angeben. Das zweite trainierte Modell wird basierend auf historischen Kontextdaten des Benutzers trainiert. Zusätzlich umfasst das Verfahren das Kombinieren der ersten Wahrscheinlichkeit und der zweiten Wahrscheinlichkeit zu einer kombinierten Wahrscheinlichkeit und das Bestimmen, dass der Benutzer zum Fahrzeug zurückkehrt, wenn die kombinierte Wahrscheinlichkeit einen Schwellenwert überschreitet. Wenn bestimmt wird, dass der Benutzer zum Fahrzeug zurückkehrt, umfasst das Verfahren ferner das Steuern mindestens eines Sensors der mobilen Kommunikationsvorrichtung und/oder des Fahrzeugs, um Sensordaten zu sammeln, die eine Bewegung des Benutzers anzeigen können. Das Verfahren umfasst zusätzlich das Senden einer Benachrichtigung an die mobile Kommunikationsvorrichtung, wenn die Sensordaten angeben, dass sich der Benutzer ungefähr dem Fahrzeug nähert. Die Benachrichtigung umfasst eine Anfrage an den Benutzer, ob der Benutzer eine Personalisierung des Fahrzeugs wünscht.

Description

Gebiet der Technik
Die vorliegende Offenbarung betrifft die Prädiktion der Rückkehr eines Fahrers zum Zwecke der Personalisierung im Fahrzeug. Beispiele betreffen insbesondere ein computerimplementiertes Verfahren und Datenverarbeitungssystem zum Prädizieren der Rückkehr eines Benutzers zu einem Fahrzeug.
Hintergrund
Die Personalisierung von Einstellungen in einem Fahrzeug wird heutzutage zunehmend zu einem Merkmal das erwartet wird. Bei einem Privatfahrzeug, das von verschiedenen Mitgliedern des Haushalts gefahren wird, sowie bei gemeinsam genutzten Fahrzeugen bzw. Flottenfahrzeugen erwarten die Kunden, dass ihre bereits voreingestellten bevorzugten Einstellungen von Anfang an zur Verfügung stehen, wenn sie in das Fahrzeug einsteigen. Zum Bereitstellen von Personalisierung im Fahrzeug werden unterschiedliche Ansätze untersucht und teilweise bereits in die Serienproduktion übernommen. Die bevorzugten Einstellungen des Benutzers können beispielsweise explizit über einen Schlüsselanhänger, auf dem die Einstellungen gespeichert sind, eingegeben werden, oder die Fahrzeuge und Kunden-Smartphones können mit dem gesicherten Backend des Herstellers verbunden sein, um Verhaltensmuster automatisch zu lernen und dadurch den Nutzen personalisierter Merkmale zu steigern.
Um die Personalisierung des Fahrzeugs zu ermöglichen, ist es vorteilhaft, zu erkennen, dass der Fahrer mit der Absicht wegzufahren zum Fahrzeug zurückkehrt, bevor der Fahrer tatsächlich in das Fahrzeug einsteigt. Ein prädizierter Abfahrtszeitpunkt kann dazu beitragen, zu lernen, wann der Fahrer möglicherweise zum Fahrzeug zurückkehrt, allerdings folgt der Fahrer nicht immer dem prädizierten Verhalten. Bei herkömmlichen Ansätzen kann der prädizierte Zeitpunkt von der tatsächlichen Rückkehr abweichen (beispielsweise um bis zu 30 Minuten) und somit ungenaue Fehlstarts von elektrischen Komponenten im Fahrzeug verursachen. Außerdem kann die klassische Prädiktion bei nicht häufigen Fahrten, d.h. bei Abweichungen vom üblichen Verhalten des Fahrers, oder wenn der Fahrer zum Fahrzeug zurückkehrt, jedoch möglicherweise nur Gegenstände in das Fahrzeug legt oder aus dem Fahrzeug herausholt und nicht die Absicht hat, wegzufahren, versagen.
Daher ist möglicherweise eine Nachfrage nach einer verbesserten Technik zum Prädizieren der Rückkehr eines Benutzers zu einem Fahrzeug vorhanden.
Kurzdarstellung
Die Nachfrage kann durch die hier beschriebenen Beispiele befriedigt werden.
Ein Beispiel betrifft ein computerimplementiertes Verfahren zum Prädizieren der Rückkehr eines Benutzers zu einem Fahrzeug. Das Verfahren umfasst das Bestimmen einer ersten Wahrscheinlichkeit für die Rückkehr des Benutzers zu dem Fahrzeug basierend auf einem ersten trainierten Modell und zumindest Daten über einen aktuellen Aufenthaltsort des Benutzers und einen aktuellen Aufenthaltsort des Fahrzeugs. Das erste trainierte Modell wird basierend auf historischen Fahrdaten des Benutzers trainiert. Das Verfahren umfasst ferner das Bestimmen einer zweiten Wahrscheinlichkeit für die Rückkehr des Benutzers zum Fahrzeug basierend auf einem zweiten trainierten Modell und Echtzeit-Kontextdaten von einer persönlichen Vorrichtung, z.B. einer mobilen Vorrichtung des Benutzers, die eine aktuelle Aktivität des Benutzers angeben. Das zweite trainierte Modell wird basierend auf historischen Kontextdaten des Benutzers trainiert und mit Echtzeit-Kontextdaten, die z.B. von mehreren Sensoren generiert werden, genutzt. Zusätzlich umfasst das Verfahren das Kombinieren der ersten Wahrscheinlichkeit und der zweiten Wahrscheinlichkeit zu einer kombinierten Wahrscheinlichkeit und das Bestimmen, dass der Benutzer zum Fahrzeug zurückkehrt, wenn die kombinierte Wahrscheinlichkeit einen Schwellenwert überschreitet. Das Verfahren umfasst ferner das Steuern mindestens eines Sensors der mobilen Kommunikationsvorrichtung und/oder des Fahrzeugs, um Sensordaten zu sammeln, die eine Bewegung des Benutzers anzeigen können, wenn bestimmt wird, dass der Benutzer zum Fahrzeug zurückkehrt. Das Verfahren umfasst zusätzlich das Senden einer Benachrichtigung an die mobile Kommunikationsvorrichtung, wenn die Sensordaten angeben, dass sich der Benutzer ungefähr dem Fahrzeug nähert. Die Benachrichtigung umfasst eine Anfrage an den Benutzer, ob der Benutzer eine Personalisierung des Fahrzeugs wünscht.
ein weiteres Beispiel betrifft ein nichtflüchtiges maschinenlesbares Medium, auf dem ein Programm gespeichert ist, das einen Programmcode zum Ausführen des hierin beschriebenen Verfahrens, wenn das Programm auf einem Prozessor ausgeführt wird, aufweist.
Ein weiteres Beispiel betrifft ein Datenverarbeitungssystem zum Prädizieren der Rückkehr eines Benutzers zu einem Fahrzeug. Das Datenverarbeitungssystem umfasst einen oder mehrere Prozessoren die konfiguriert sind zum Bestimmen einer ersten Wahrscheinlichkeit für die Rückkehr des Benutzers zu dem Fahrzeug basierend auf einem ersten trainierten Modell und zumindest Daten über einen aktuellen Aufenthaltsort des Benutzers und einen aktuellen Aufenthaltsort des Fahrzeugs. Das erste trainierte Modell wird basierend auf historischen Fahrdaten des Benutzers trainiert. Der eine oder die mehreren Prozessoren sind ferner konfiguriert zum Bestimmen einer zweiten Wahrscheinlichkeit für die Rückkehr des Benutzers zu dem Fahrzeug basierend auf einem zweiten trainierten Modell und Kontextdaten von einer mobilen Kommunikationsvorrichtung des Benutzers, die eine aktuelle Aktivität des Benutzers anzeigen. Das zweite trainierte Modell wird basierend auf historischen Kontextdaten des Benutzers trainiert. Zusätzlich sind der eine oder die mehreren Prozessoren konfiguriert zum Kombinieren der ersten Wahrscheinlichkeit und der zweiten Wahrscheinlichkeit zu einer kombinierten Wahrscheinlichkeit und zum Bestimmen, dass der Benutzer zum Fahrzeug zurückkehrt, wenn die kombinierte Wahrscheinlichkeit einen Schwellenwert überschreitet. Der eine oder die mehreren Prozessoren sind konfiguriert zum Steuern mindestens eines Sensors der mobilen Kommunikationsvorrichtung und/oder des Fahrzeugs, um Sensordaten zu sammeln, die eine Bewegung des Benutzers anzeigen können, wenn bestimmt wird, dass der Benutzer zum Fahrzeug zurückkehrt. Zusätzlich sind der eine oder die mehreren Prozessoren konfiguriert zum Senden einer Benachrichtigung an die mobile Kommunikationsvorrichtung, wenn die Sensordaten angeben, dass sich der Benutzer ungefähr dem Fahrzeug nähert. Die Benachrichtigung umfasst eine Anfrage an den Benutzer, ob der Benutzer eine Personalisierung des Fahrzeugs wünscht.
Figurenliste
Im Folgenden werden einige Beispiele für Vorrichtungen und/oder Verfahren lediglich beispielhaft und unter Bezugnahme auf die beigefügten Figuren beschrieben. Es zeigen:

die 1 ein Ablaufdiagramm eines Beispiels für ein computerimplementiertes Verfahren zum Prädizieren der Rückkehr eines Benutzers zu einem Fahrzeug;
die 2 ein Ablaufdiagramm eines Beispiels für das Bestimmen einer kombinierten Wahrscheinlichkeit;
die 3 ein Ablaufdiagramm eines Beispiels zum Bestimmen einer auf Kontextdaten basierenden Wahrscheinlichkeit für die Rückkehr eines Benutzers zu einem Fahrzeug;
die 4 ein Beispiel für das Benutzerverhalten; und
die 5 ein Ablaufdiagramm eines Beispiels einer Prädiktion der Rückkehr eines Fahrers.

Ausführliche Beschreibung
Verschiedene Beispiele werden nun unter Bezugnahme auf die beigefügten Zeichnungen, in denen einige Beispiele dargestellt sind, ausführlicher beschrieben. In den Figuren sind die Dicken der Linien, Schichten und/oder Bereiche zur Verdeutlichung möglicherweise übertrieben dargestellt.
Auch wenn weitere Beispiele für verschiedene Abwandlungen und alternative Ausführungsformen geeignet sind, sind einige besondere Beispiele von diesen in den Figuren dargestellt und werden dementsprechend nachfolgend ausführlich beschrieben. Diese ausführliche Beschreibung beschränkt jedoch weitere Beispiele nicht auf die speziellen beschriebenen Ausführungsformen. Weitere Beispiele können alle Abwandlungen, Äquivalente und Alternativen umfassen, die in den Geltungsbereich der Offenbarung fallen. Gleiche oder ähnliche Bezugszeichen beziehen sich in der gesamten Beschreibung der Figuren auf gleiche oder ähnliche Elemente, die im Vergleich zueinander identisch oder in abgewandelter Form ausgeführt sein können, während sie dieselbe oder eine ähnliche Funktionalität bereitstellen.
Werden zwei Elemente A und B mit einem „oder“ kombiniert, ist dies, sofern nicht explizit oder implizit anders definiert, dahingehend zu verstehen, alle möglichen Kombinationen zu offenbaren, d.h., nur A, nur B, sowie A und B. Eine alternative Formulierung für dieselben Kombinationen ist „mindestens eine/einer/eines von A und B“ oder „A und/oder B“. Gleiches gilt mutatis mutandis für Kombinationen von mehr als zwei Elementen.
Die hierin zum Zwecke der Beschreibung bestimmter Beispiele verwendete Terminologie ist nicht als einschränkend für weitere Beispiele zu verstehen. Wann immer eine Singularform wie etwa „ein“ bzw. „eine“ und „der“ bzw. „die“ bzw. „das“ verwendet wird und die Verwendung nur eines einzigen Elements weder explizit noch implizit als zwingend erforderlich definiert ist, können weitere Beispiele auch mehrere Elemente verwenden, um die gleiche Funktionalität zu implementieren. Ebenso können, wenn eine Funktionalität nachfolgend als unter Verwendung mehrerer Elemente implementiert beschrieben wird, weitere Beispiele die gleiche Funktionalität unter Verwendung eines einzelnen Elements oder einer einzigen Verarbeitungseinheit implementieren. Ferner versteht es sich, dass jegliche Verwendung der Begriffe „umfasst“, „umfassend“, „einschließlich“ und/oder „einschließend“, das Vorhandensein dargelegter Merkmale, Ganzzahlen, Schritte, Vorgänge, Prozesse, Handlungen, Elemente und/oder Komponenten angibt, jedoch nicht das Vorhandensein oder das Hinzufügen von einem oder mehreren weiteren Merkmalen, Ganzzahlen, Schritten, Vorgängen, Prozessen, Handlungen, Elementen, Komponenten und/oder Gruppen derselben ausschließt.
Sofern nicht anders definiert, werden alle Begriffe (einschließlich technischer und wissenschaftlicher Begriffe) hierin in ihrer gewöhnlichen Bedeutung in der Technik, zu der die Beispiele gehören, verwendet.
Die 1 zeigt ein computerimplementiertes Verfahren 100 zum Prädizieren der Rückkehr eines Benutzers zu einem Fahrzeug. Beispielsweise kann ein Datenverarbeitungssystem, das einen oder mehrere Prozessoren umfasst, dazu konfiguriert sein, das Verfahren 100 auszuführen. Das Fahrzeug kann eine beliebige Vorrichtung sein, die Räder umfasst, welche von einem Motor (und optional einem Antriebsstrangsystem) angetrieben werden. In einigen Beispielen kann das Fahrzeug ein Privatfahrzeug oder ein Nutzfahrzeug sein. Insbesondere kann das Fahrzeug ein Automobil, ein Lastwagen, ein Motorrad oder ein Traktor sein.
Das Verfahren 100 umfasst das Bestimmen (Berechnen) 102 einer ersten Wahrscheinlichkeit für die Rückkehr des Benutzers zu dem Fahrzeug basierend auf einem ersten trainierten Modell und zumindest Daten über einen aktuellen Aufenthaltsort des Benutzers und einen aktuellen Aufenthaltsort des Fahrzeugs. Das erste trainierte Modell wird basierend auf historischen Fahrdaten des Benutzers trainiert.
Das Verfahren 100 umfasst ferner das Bestimmen (Berechnen) 104 einer zweiten Wahrscheinlichkeit für die Rückkehr des Benutzers zum Fahrzeug basierend auf einem zweiten trainierten Modell und Kontextdaten von einer mobilen Kommunikationsvorrichtung des Benutzers, die eine aktuelle Aktivität des Benutzers angeben. Das zweite trainierte Modell wird basierend auf historischen Kontextdaten des Benutzers trainiert.
Des Weiteren umfasst das Verfahren das Kombinieren (106) der ersten Wahrscheinlichkeit und der zweiten Wahrscheinlichkeit zu einer kombinierten Wahrscheinlichkeit.
Die Bestimmung und die Kombination der ersten und der zweiten Wahrscheinlichkeit ist in der 2 detaillierter veranschaulicht. Historische Fahrdaten 202 des Benutzers werden zum Trainieren des ersten Modells 210 genutzt. Wie in der 2 angegeben, können die historischen Fahrdaten 202 Informationen über vergangene Fahrten/Fahrziele des Benutzers umfassen. Dementsprechend kann das Abfahrts-/Fahrverhalten des Benutzers von dem ersten Modell 210 gelernt werden. Beispielsweise kann maschinelles Lernen genutzt werden, um das erste Modell 210 basierend auf den historischen Fahrdaten 202 zu trainieren.
Das erste trainierte Modell 210 wird anschließend genutzt, um die nächste Abfahrt des Benutzers basierend auf den Daten, die sich auf die vergangenen Fahrten beziehen, zu prädizieren. Insbesondere werden Daten über den aktuellen Aufenthaltsort des Benutzers und den aktuellen Aufenthaltsort des Fahrzeugs genutzt, um die Wahrscheinlichkeit für die nächste Fahrt und damit die nächste Rückkehr des Benutzers zum Fahrzeug zu bestimmen. In einigen Beispielen kann das Bestimmen 102 der ersten Wahrscheinlichkeit für die Rückkehr des Benutzers ferner auf Daten über ein aktuelles Datum und Daten über eine aktuelle Uhrzeit basieren. In einigen Beispielen kann die erste Wahrscheinlichkeit wie folgt ausgedrückt werden: $P (d r i v e r r e t u r n d a t e t i m e | h i s t o r y, c u r r e n t d a t e t i m e a n d l o c a t i o n)$
wobei driver return datetime den nächsten Zeitpunkt für die Abfahrt/Rückkehr des Benutzers zum Fahrzeug bezeichnet, und driver return datetime das aktuelle Datum, die aktuelle Uhrzeit, den aktuellen Aufenthaltsort des Benutzers und den aktuellen Aufenthaltsort des Fahrzeugs bezeichnet. Anders ausgedrückt kann das erste trainierte Modell 210 ferner einen Zeitpunkt für die Rückkehr des Benutzers zum Fahrzeug ausgeben.
Der nächste Zeitpunkt für die Abfahrt/die Rückkehr des Benutzers zum Fahrzeug kann der wahrscheinlichste Zeitpunkt unter einer Vielzahl möglicher zukünftiger (prädizierter) Fahrten sein, d.h. $\begin{array}{l} d r i v e r r e t u r n d a t e t i m e = \\ \underset{m o d e l}{argmax} P (d r i v e r r e t u r n d a t e t i m e | h i s t o r y, c u r r e n t d a t e t i m e a n d l o c a t i o n) \end{array}$
In einigen Beispielen kann das erste trainierte Modell 210 ferner ein Fahrtziel des Benutzers ausgeben, das der Rückkehr des Benutzers zum Fahrzeug zugeordnet ist. Beispielsweise kann das erste trainierte Modell 210 genutzt werden, um die Wahrscheinlichkeit zu bestimmen, dass ein Benutzer zum Fahrzeug zurückkehrt, um zu einem Zielort zu fahren, den er regelmäßig aufsucht (z.B. die Sonntagsmesse in der Kirche oder ein Einkaufszentrum am Samstagnachmittag).
Parallel dazu wird unter Verwendung des zweiten Modells 220 basierend auf den Kontextdaten 204 eine Abfahrtsprädiktion durchgeführt. Die Kontextdaten 204 geben eine aktuelle Aktivität des Benutzers an. Die Kontextdaten 204 können beispielsweise die Aktivität des Benutzers sein, die von Sensordaten der mobilen Kommunikationsvorrichtung (z.B. einem Smartphone, einem Laptop-Computer oder einem Tablet-Computer) abgeleitet wird. Die Aktivität des Benutzers kann z.B. durch Anwendungen bestimmt werden, die in dem Betriebssystem der mobilen Kommunikationsvorrichtung vorinstalliert oder in dieses integriert sind. Beispielsweise können Sensordaten eines Beschleunigungsmessers der mobilen Kommunikationsvorrichtung genutzt werden, um die Aktivität des Benutzers als Stationär, Gehen, Laufen, Fahren, Radfahren, Verkehrsmittelnutzung, Automobilnutzung etc. zu bestimmen/zu erkennen. In ähnlicher Weise kann ein Barometer der mobilen Kommunikationsvorrichtung genutzt werden, um eine Etage, auf der sich der Benutzer befindet, oder eine Änderung der Etage (z.B. wenn der Benutzer einen Aufzug in einem Parkhaus nimmt) zu bestimmen/zu erkennen. Auch können ein Gyroskop und eine Fahrtrichtung genutzt werden, um die Bewegungsrichtung des Benutzers zu bestimmen/zu erkennen. Darüber hinaus kann die Position des Benutzers genutzt werden, um eine Kategorie seines/ihres aktuellen Aufenthaltsorts zu bestimmen (z.B. einen bestimmten Point-of-Interest oder POI, wie z.B. ein Einkaufszentrum, eine Kirche, das Zuhause etc.).
Anders ausgedrückt können die Kontextdaten 204, welche die aktuelle Aktivität des Benutzers angeben, Sensordaten von mindestens einem Sensor der mobilen Kommunikationsvorrichtung und/oder eine Art des aktuellen Aufenthaltsorts des Benutzers umfassen. Zusätzlich kann das Bestimmen 104 der zweiten Wahrscheinlichkeit für die Rückkehr des Benutzers zu dem Fahrzeug auf Kontextdaten 204 von dem Fahrzeug, welche die eine aktuelle Aktivität des Benutzers anzeigen, basieren. Beispielsweise können Näherungssensoren des Fahrzeugs genutzt werden, um eine Bewegung des Benutzers relativ zum Fahrzeug zu bestimmen.
Wie in der 2 angegeben können die Kontextdaten 204, welche die aktuelle Aktivität des Benutzers angeben, Kontextdaten sein, die durch die mobile Kommunikationsvorrichtung gesammelt wurden, seit der Benutzer das Fahrzeug zuletzt verlassen hat. Dies kann aus der 3, die eine detailliertere Ansicht der Bestimmung der zweiten Wahrscheinlichkeit für die Rückkehr des Benutzers zum Fahrzeug zeigt, deutlicher hervorgehen.
Historische Kontextdaten 206 des Benutzers werden genutzt, um das zweite Modell 220 zu trainieren. Beispielsweise können die Kontextdaten des Benutzers für vergangene Fahrten gesammelt werden. Die historischen Kontextdaten 206 können z.B. Kontextdaten des Benutzers aus einer historischen Zeitspanne beginnend mit dem Abstellen des Fahrzeugs und dem Zurückkommen zum Fahrzeug umfassen. Beispielsweise können die historischen Kontextdaten 206 das Aktivitätsmuster des Benutzers an einem Zielort einer der früheren Fahrten des Benutzers umfassen. Anders ausgedrückt kann das zweite Modell 220 basierend auf den Kontextdaten aus dem Alltag des Benutzers trainiert werden, um Mobilitätsmuster des Benutzers (d.h. eine Art Benutzerprofil) zu lernen. Einzelne Teile der Kontextdaten 204 und 206 können als Merkmale verstanden werden (z.B. eine erste Bewegungsrichtung des Benutzers, eine zweite Bewegungsrichtung des Benutzers, Etagenwechsel durch den Benutzer etc.).
In einigen Beispielen kann das zweite Modell 220 als überwachte Klassifizierungsaufgabe trainiert werden. Beispielsweise kann für das zweite Modell 220 ein rekurrentes neuronales Netz genutzt werden. Dementsprechend kann eine kontextabhängige Aktivitätssequenz als Eingabe genommen und als Ausgabe gelabelt werden. In anderen Beispielen kann ein neuronales Faltungsnetzwerk genutzt werden, indem ein Merkmal als Eingabe genommen und als Ausgabe gelabelt wird. Bei einer Aktivitätssequenz können alle Merkmale eingebettet sein, da die Merkmale in einer sequentiellen Abfolge angeordnet sind. Alternativ kann für das zweite Modell 220 eine Support Vector Machine oder ein Entscheidungsbaum genutzt werden. Aus den obigen Beispielen ist ersichtlich, dass für das zweite Modell 220 eine Vielzahl unterschiedlicher Ansätze/Strukturen/Techniken des maschinellen Lernens genutzt werden können. Daher ist das vorgeschlagene Konzept nicht auf eines der obigen Beispiele beschränkt.
Infolgedessen kann das zweite trainierte Modell 220 in einigen Beispielen mindestens ein Aktivitätsmuster des Benutzers umfassen, das (z.B. für einen bestimmten Ort, einen POI und/oder einen Tag und eine Uhrzeit) die Rückkehr des Benutzers zum Fahrzeug angibt , wobei das Aktivitätsmuster aus den historischen Kontextdaten 206 des Benutzers gelernt wird.
Die Kontextdaten 204, welche die aktuelle Aktivität des Benutzers angeben, werden in das zweite trainierte Modell 220 eingegeben, um ein Mobilitätsmuster des Benutzers zu identifizieren. Zusätzlich kann das Bestimmen 104 der zweiten Wahrscheinlichkeit für die Rückkehr des Benutzers zu dem Fahrzeug auf Daten über einen aktuellen Aufenthaltsort des Fahrzeugs, Daten über ein aktuelles Datum und Daten über eine aktuelle Uhrzeit basieren. Beispielsweise kann das Bestimmen der zweiten Wahrscheinlichkeit 104 das Vergleichen der aktuellen Aktivität des Benutzers, wie sie durch die Kontextdaten 204 angegeben werden, mit dem mindestens einen Aktivitätsmuster des Benutzers, das durch das zweite trainierte Modell 220 gelernt wurde, umfassen.
In einigen Beispielen kann die zweite Wahrscheinlichkeit wie folgt ausgedrückt werden: $P (d r i v e r r e t u r n d a t e t i m e | c o n t e x t)$
wobei context die Kontextdaten 204 bezeichnet, welche die aktuelle Aktivität des Benutzers angeben (z.B. aktuelles Datum und aktuelle Uhrzeit und Ort, Aktivitätssequenz des Benutzers, Nähe zum Fahrzeug, Nutzung von Nahfeldkommunikation (NFC), Bluetooth oder WiFi).
Zu dem in den 1 und 2 dargestellten Prozessablauf zurückkehrend werden die erste Wahrscheinlichkeit P(driver return datetime | history, current datetime and location) und die zweite Wahrscheinlichkeit P(driver return datetime | context) zu der kombinierten Wahrscheinlichkeit P(driver return datetime) kombiniert. Die erste Wahrscheinlichkeit und die zweite Wahrscheinlichkeit können beispielsweise addiert oder multipliziert werden. Ein Beispiel für das mathematische Verknüpfen beider Wahrscheinlichkeiten zu einer kombinierten Wahrscheinlichkeit für eine Rückkehr des Benutzers zum Fahrzeug mit einem bestimmten Datum und einer bestimmten Uhrzeit (d. h. einer bestimmten Datenzeit [„datetime“]) ist in dem folgenden Ausdruck angegeben (4): $\begin{array}{l} P (d r i v e r r e t u r n d a t e t i m e | h i s t o r y, c o n t e x t, c u r r e n t d a t e t i m e a n d l o c a t i o n) \\ = \frac{P (d r i v e r r e t u r n d a t e t i m e | h i s t o r y, c u r r e n t d a t e t i m e a n d l o c a t i o n)}{P (d r i v e r r e t u r n d a t e t i m e)} \\ \cdot \frac{P (d r i v e r r e t u r n d a t e t i m e | c o n t e x t, c u r r e n t d a t e t i m e a n d l o c a t i o n)}{P (d r i v e r r e t u r n d a t e t i m e)} \\ \propto l o g P (d r i v e r r e t u r n d a t e t i m e | h i s t o r y, c u r r e n t d a t e t i m e a n d l o c a t i o n) \\ + l o g P (d r i v e r r e t u r n d a t e t i m e | c o n t e x t) \end{array}$
Der erste Term wird unter Verwendung historischer Daten für das Abfahrtsverhalten des Fahrers, wie oben beschrieben, geschätzt und kann daher als eine verhaltensbasierte Prädiktion der Rückkehr eines Fahrers (Benutzers) verstanden werden. Der zweite Term wird mithilfe eines überwachten Klassifizierers für maschinelles Lernen, wie oben beschrieben, geschätzt, und kann daher als kontextbasierte Prädiktion der Rückkehr eines Fahrers verstanden werden. Die logarithmische Operation kann eingeführt werden, um die Komplexität zu optimieren.
Das Kombinieren 106 der ersten Wahrscheinlichkeit und der zweiten Wahrscheinlichkeit zu der kombinierten Wahrscheinlichkeit kann in einigen Beispielen unter Verwendung eines Gewichtungsfaktors für die erste Wahrscheinlichkeit und/oder die zweite Wahrscheinlichkeit durchgeführt werden. Unter Bezugnahme auf den obigen Ausdruck (4) kann die kombinierte Wahrscheinlichkeit z.B. nach dem folgenden Ausdruck (5) bestimmt werden: $\begin{array}{l} P (d r i v e r r e t u r n d a t e t i m e) \\ \propto α * l o g P (d r i v e r r e t u r n d a t e t i m e | h i s t o r y, c u r r e n t d a t e t i m e a n d l o c a t i o n) + (1 \\ - α) * l o g P (d r i v e r r e t u r n d a t e t i m e | c o n t e x t) \end{array}$
wobei a den Gewichtungsfaktor (0 ≤ α ≤ 1) bezeichnet.
Beispielsweise kann der Gewichtungsfaktor es ermöglichen, den Beitrag der Benutzerverhaltensmuster und der kontextabhängige Inferenz auf die kombinierte Bilanz auszugleichen. Der Gewichtungsfaktor kann z.B. auf einer (expliziten) Rückmeldung des Benutzers basieren und/oder auf einem Vergleich von historischen Telemetriedaten des Fahrzeugs und historischen Prädiktionen des ersten trainierten Modells 210 (d. h. auf impliziter Rückmeldung) basieren. Beispielsweise können die historischen Telemetriedaten des Fahrzeugs als Grundwahrheit [Ground Truth] für die von dem ersten trainierten Modell 210 prädizierten Fahrten genutzt werden.
Das Verfahren 100 bestimmt (108), dass der Benutzer zum Fahrzeug zurückkehrt, wenn die kombinierte Wahrscheinlichkeit einen Schwellenwert T überschreitet. Ähnlich wie der Gewichtungsfaktor kann auch der Schwellenwert T auf eine (explizite) Rückmeldung des Benutzers basiert (optimiert) werden. Dementsprechend kann die Empfänger-Operationscharakteristik [Receiver Operating Characteristic] des Verfahrens 100 verbessert werden.
Das Verfahren 100 umfasst ferner das Steuern 110 mindestens eines Sensors der mobilen Kommunikationsvorrichtung und/oder des Fahrzeugs, um Sensordaten zu sammeln, die eine Bewegung des Benutzers anzeigen können, wenn bestimmt wird, dass der Benutzer zum Fahrzeug zurückkehrt. Mit anderen Worten: Wenn die Wahrscheinlichkeit, dass der Benutzer mit der Absicht, wegzufahren, zum Fahrzeug zurückkehrt, hoch genug ist, werden ein oder mehrere Sensoren von der mobilen Kommunikationsvorrichtung und/oder dem Fahrzeug genutzt, um zu verifizieren, ob der Benutzer tatsächlich zum Fahrzeug zurückkehrt.
Beispielsweise können Sensordaten der oben beschriebenen Sensoren der mobilen Kommunikationsvorrichtung gesammelt und analysiert werden, um die Bewegung des Benutzers zu bestimmen. Fahrzeugseitig kann jeder beliebige Sensor des Fahrzeugs, der es ermöglicht, die Nähe des Benutzers zum Fahrzeug zu bestimmen, genutzt werden. Beispielsweise können Sensoren des Fahrzeugs zur Objektdetektion (wie ein Radarsensor, eine Videokamera oder ein LIDAR-Sensor) genutzt werden. Ebenso können Kommunikationseinrichtungen des Fahrzeugs als Näherungssensoren genutzt werden. Beispielsweise können Bluetooth- oder WiFi-Kommunikationseinrichtungen des Fahrzeugs genutzt werden, um die Anwesenheit und/oder die Bewegung des Benutzers (d.h. seiner mobilen Kommunikationsvorrichtung) im Umkreis von etwa 100 Metern um das Fahrzeug zu detektieren. Ebenso können NFC-Kommunikationseinrichtungen des Fahrzeugs genutzt werden, um die Anwesenheit und/oder die Bewegung des Benutzers (d.h. seiner/ihrer mobilen Kommunikationsvorrichtung) im Umkreis von einigen Metern um das Fahrzeug zu detektieren. Anders ausgedrückt kann das Steuern 110 des mindestens einen Sensors der mobilen Kommunikationsvorrichtung und/oder des Fahrzeugs das Steuern mindestens eines Sensors des Fahrzeugs dahingehend umfassen, Sensordaten zu sammeln, die eine Bewegung des Benutzers relativ zum Fahrzeug anzeigen können.
Wenn bestimmt wird, dass der Benutzer zum Fahrzeug zurückkehrt, und wenn sich das Fahrzeug in einem Schlafbetriebsmodus befindet, umfasst das Verfahren 100 ferner das Steuern zum Aufwecken des Fahrzeugs. Der Schlafbetriebsmodus ist ein Betriebsmodus des Fahrzeugs mit - im Vergleich zu einem Vollbetriebsmodus des Fahrzeugs - reduzierter Leistungsaufnahme und reduzierter Funktionalität. Beispielsweise können einige oder die meisten Schaltungen, Funktionen oder Komponenten des Fahrzeugs im Schlafbetriebsmodus deaktiviert sein. Nach dem Aufwecken des Fahrzeugs können die Sensoren des Fahrzeugs zum Sammeln von Sensordaten verwendet werden, die geeignet sind, eine Bewegung des Benutzers anzuzeigen. Indem das Fahrzeug nur dann aufgeweckt wird, wenn die Wahrscheinlichkeit hoch genug ist, dass der Benutzer mit der Absicht, wegzufahren, zum Fahrzeug zurückkehrt, kann ein unnötiges (falsches) Aufwecken des Fahrzeugs vermieden werden. Dementsprechend kann das Fahrzeug häufiger und/oder über längere Zeit im Schlafbetriebsmodus betrieben werden. Eine Leistungsaufnahme des Fahrzeugs kann durch das Verfahren 100 folglich reduziert werden.
Wie oben beschrieben kann das erste trainierte Modell einen ersten (prädizierten) Zeitpunkt für die Rückkehr des Benutzers zum Fahrzeug ausgeben. Ebenso kann das zweite trainierte Modell einen zweiten (prädizierten) Zeitpunkt für die Rückkehr des Benutzers zum Fahrzeug ausgeben. Um eine Bestätigung, dass der Benutzer tatsächlich zum Fahrzeug zurückkehrt, zu ermöglichen, kann das Verfahren 100 das Steuern 110 des mindestens einen Sensors dahingehend umfassen, mit dem Sammeln der Sensordaten zu einem vordefinierten Zeitpunkt vor dem ersten Zeitpunkt oder dem zweiten Zeitpunkt zu beginnen (z.B. ein, zwei, drei, vier, fünf oder mehr Minuten vor dem ersten Zeitpunkt oder dem zweiten Zeitpunkt. Dementsprechend können Sensordaten, welche die Rückkehr des Benutzers zum Fahrzeug angeben, lange bevor der Benutzer das Fahrzeug erreicht, gesammelt und analysiert werden.
Das Verfahren 100 umfasst zusätzlich das Senden 112 einer Benachrichtigung an die mobile Kommunikationsvorrichtung, wenn die Sensordaten angeben, dass sich der Benutzer (ungefähr) dem Fahrzeug nähert. Die Benachrichtigung umfasst eine Anfrage an den Benutzer, ob der Benutzer eine Personalisierung des Fahrzeugs wünscht. Entsprechend wird dem Benutzer ermöglicht, über die Personalisierung des Fahrzeugs zu entscheiden. Durch die Kombination der beiden trainierten Modelle und die Bestätigung über die Sensordaten der mobilen Kommunikationsvorrichtung und/oder des Fahrzeugs kann die Wahrscheinlichkeit, dass der Benutzer tatsächlich mit der Absicht, wegzufahren, zum Fahrzeug zurückkehrt, mit hoher Wahrscheinlichkeit bestimmt werden, sodass eine falsche Benachrichtigung des Benutzers vermieden werden kann.
Das Verfahren 100 kann ferner das Steuern des Fahrzeugs dahingehend umfassen, mindestens eine Einstellung des Fahrzeugs gemäß einer gespeicherten oder gelernten Einstellung des Benutzers anzupassen, wenn von der mobilen Kommunikationsvorrichtung eine Benachrichtigung empfangen wird, die angibt, dass von dem Benutzer eine Personalisierung des Fahrzeugs gewünscht wird. Dementsprechend ist das Fahrzeug dem Wunsch des Benutzers entsprechend personalisiert, wenn er/sie am Fahrzeug ankommt.
Das Verfahren 100 kann es ermöglichen, die Einstellungen im Fahrzeug kurz bevor der Benutzer zum Losfahren in das Fahrzeug einsteigt, zu personalisieren. Daher muss der Benutzer die Einstellungen nicht personalisieren, wenn er/sie sich im Fahrzeug befindet. Dementsprechend können eine Unterbrechung der Aufmerksamkeit des Benutzers sowie umständliche und schwierige Situationen vermieden werden. Beispielsweise kann das Verfahren 100 es ermöglichen, die Sitzposition des Fahrersitzes entsprechend einer im Fahrzeug für den Benutzer gespeicherten persönlichen Einstellung einzustellen. Der Benutzer muss zum Einstellen der Sitzposition nicht im Fahrzeug sitzen.
Die vorgeschlagenen Konzepte, die weiter oben in Verbindung mit dem Verfahren 100 beschrieben wurden, nutzen maschinelles Lernen, um die Mobilitätsmuster des Benutzers zu lernen und den nächsten Mobilitätszustand für den Beginn der Rückkehr zum Fahrzeug zu prädizieren. Darüber hinaus nutzt das vorgeschlagene Konzept Näherungssensoren im Fahrzeug, um zu bestätigen, dass der Fahrer tatsächlich zurückkehrt, und verhindert Fehlalarme zum Hochfahren der elektronischen Komponenten des Fahrzeugs. Dadurch kann Leistung der Batterie des Fahrzeugs eingespart werden. Darüber hinaus werden die Mobilitätsmuster und die Näherungssensoren miteinander verschmolzen (kombiniert), um eine endgültige Entscheidung über die Prädiktion der Rückkehr des Fahrers zu treffen. Das vorgeschlagene Konzept kann als ein kontextbezogener Mobilitätsrahmen zum Ermöglichen einer Personalisierung von Fahrzeugeinstellungen verstanden werden, der die Leistungsaufnahme minimiert und das Benutzererlebnis optimiert.
Im Folgenden wird in Verbindung mit 4 ein exemplarischer Zusammenhang zwischen der Prädiktion der Rückkehr eines Fahrers und dem tatsächlichen Fahrverhalten des Benutzers erläutert. Nachfolgend werden zwei Szenarien erläutert: Der Benutzer unternimmt eine prädizierte Fahrt oder der Benutzer unternimmt eine Ad-Hoc-Fahrt.
Eine prädizierte Fahrt kann verstanden werden als eine regelmäßige Fahrt, die der Benutzer regelmäßig unternimmt. Beispielsweise kann der Benutzer jeden Sonntag von zu Hause zur 11-Uhr-Messe fahren und nach der Messe um 12:30 Uhr von der Kirche nach Hause fahren. Regelmäßige Fahrten können es ermöglichen, ein eher einfaches und deterministisches Verhalten, wann der Benutzer das Fahrzeug starten wird, zu prädizieren, und in Kombination mit der Aktivität außerhalb des Fahrzeugs kann der Zeitpunkt für die Rückkehr zum Fahrzeug prädiziert werden.
Eine Ad-hoc-Fahrt kann als eine Fahrt verstanden werden, die nicht häufig unternommen wird. Die Art des Fahrtziels (z.B. die POI-Kategorie) kann jedoch anderen, zu denen der Benutzer regelmäßig fährt, ähneln. Beispielsweise fährt der Benutzer möglicherweise zu einem neuen Einkaufszentrum in einem anderen Bundesland, war aber bereits zu anderen Einkaufszentren gefahren. Es ist wahrscheinlich, dass der Benutzer dem gleichen Mobilitätsverhalten folgt (z.B. beträgt die durchschnittliche Verweildauer im Einkaufszentrum etwa zwei Stunden). Ein weiteres Beispiel könnte der Besuch einer Kirche in einer neuen Stadt sein, in welcher der Benutzer noch nie zuvor gewesen ist. Basierend auf einer durchschnittlichen Verweildauer in der Heimatkirche des Benutzers kann jedoch prädiziert werden, wann die Messe in der neuen Kirche beendet sein wird, und das Ergebnis kann für die Prädiktion der Rückkehr des Fahrers verwendet werden.
In den folgenden Beispielen wird davon ausgegangen, dass die Aktivität des Nutzers außerhalb des Fahrzeugs (z.B. Gehen, Laufen, Stationär) ermittelt werden kann (z.B. über das Smartphone des Nutzers). Ferner wird davon ausgegangen, dass Kategorien von POIs ermittelt werden können (z.B. aus dem Smartphone des Benutzers).
Zunächst wird in Verbindung mit 4 eine regelmäßige Fahrt von zu Hause zur Kirche und zurück erläutert. Aus vorangegangenen Fahrten wird der übliche Abfahrtsort (d.h. zu Hause oder die Kirche), die übliche Abfahrtszeitpunkt (z.B. Sonntag um 12:21 Uhr), der übliche Ankunftsort (d.h. die Kirche oder zu Hause) und der übliche Ankunftszeitpunkt (z.B. 12:34 Uhr) gelernt. Beispielsweise kann der übliche Abfahrtszeitpunkt von der Kirche nach Hause an einem Sonntag um 12:21 Uhr liegen. Mit anderen Worten berücksichtigt das erste Modell das Verhalten des Benutzers, wie es aus historischen Fahrdaten des Benutzers gelernt wurde.
Ferner werden für vorangegangene Fahrten die Aktivität des Benutzers an seinem/ihrem Aufenthaltsort und am Aufenthaltsort des Fahrzeugs ermittelt. Beispielsweise können die Rohdaten (z.B. von dem Smartphone des Benutzers) geglättet (gefiltert) werden und es kann ein Muster für die Rückkehr zum Fahrzeug erkannt werden. Das Aktivitätsmuster kann z.B. Gehen (G)-> Automobilnutzung (A) sein. Ferner kann die durchschnittliche Gehdauer vom Aufenthaltsort zum Fahrzeug berechnet werden. Beispielsweise kann die durchschnittliche Gehzeit von der Kirche bis zum Fahrzeug drei Minuten betragen.
An einem Sonntag ist der Benutzer zunächst morgens zu Hause, wie im ganz linken Bereich der in der 4 dargestellten Zeitleiste angegeben. Aus dem ersten trainierten Modell ist daher bekannt, dass die nächste Fahrt von zu Hause zur Kirche führen wird. Danach kann das aktuelle Aktivitätsmuster des Benutzers zu Hause in das zweite trainierte Modell eingegeben werden. Beispielsweise kann nach einem stationären Zustand S während des Aufenthaltes zu Hause ein Gehzustand G detektiert werden (der das Ende des Besuchs zu Hause angibt). Das zweite trainierte Modell kann bei Detektion des Gehzustands den nächsten Aktivitätszustand (z.B. unter Verwendung eines Markov-Modells) prädizieren. Wenn der nächste Zustand Automobilnutzung A ist, wird der Durchschnittswert für das Erreichen des Fahrzeug berechnet. Wenn beispielsweise aus vorangegangenen Fahrten gelernt wurde, dass die durchschnittliche Gehzeit von zu Hause zum Fahrzeug drei Minuten beträgt, und der Benutzer die Gehaktivität um 11:45 Uhr beginnt, ist die ungefähre Ankunftsuhrzeit am Fahrzeug 11:48 Uhr.
Um die Rückkehr des Fahrers zum Fahrzeug zu bestätigen, kann das Smartphone des Benutzers z.B. um 11:46 Uhr oder um 11:47 Uhr prüfen, ob sich der Benutzer dem Fahrzeug nähert. Ebenso können Sensordaten von den Näherungssensoren des Fahrzeugs (z.B. Bluetooth-Bake, elektromagnetischer Sensor oder Ultraschallsensor) genutzt werden, um die ungefähre Annäherung des Benutzers an das Fahrzeug zu bestimmen. Wenn eine ungefähre Annäherung des Benutzers an das Fahrzeug bestimmt wird, bestätigt dies mit hoher Wahrscheinlichkeit, dass der Benutzer zum Fahrzeug zurückkehrt. Dementsprechend wird eine Benachrichtigung, ob eine Personalisierung gestartet werden soll, an den Benutzer gesendet. Bei einem Schwellenwert für die Benachrichtigung über die Prädiktion der Rückkehr des Fahrers von einer Minute vor dem Einsteigen in das Fahrzeug, kann die Benachrichtigung beispielsweise um 11:47 Uhr an das Smartphone des Benutzers gesendet werden. Dementsprechend kann der Benutzer auswählen, das Fahrzeug zu personalisieren, sodass das Fahrzeug personalisiert ist, wenn der Benutzer am Fahrzeug ankommt.
Nach der Ankunft am Fahrzeug ist die Aktivität des Benutzers wieder Stationär S, bevor sie zu Automobilnutzung A wechselt, sobald der Benutzer mit dem personalisierten Fahrzeug zur Kirche fährt. Wie in der 4 angegeben, kann mindestens eines von dem ersten trainierten Modell und dem zweiten trainierten Modell ferner eine prädizierte Abfahrtszeit zur Kirche ausgeben.
Bei der Ankunft an der Kirche parkt der Benutzer das Fahrzeug, sodass die Aktivität von Automobilnutzung A zu Stationär S wechselt. Wiederum kann mindestens eines von dem ersten trainierten Modell und dem zweiten trainierten Modell ferner einen prädizierten Ankunftszeitpunkt an der Kirche ausgeben. Die Zeitdifferenz zwischen dem prädizierten Ankunftszeitpunkt/Abfahrtszeitpunkt und dem tatsächlichen Ankunftszeitpunkt/Abfahrtszeitpunkt kann gering sein (z.B. einige Minuten oder sogar weniger).
Nach dem Parken des Fahrzeugs beginnt der Benutzer zu Fuß zur Kirche zu gehen, d.h. er ändert seine Aktivität zu Gehen G. Wenn der Benutzer die Kirche erreicht (d.h. beginnt, sich in der Kirche aufzuhalten), wechselt die Aktivität zu Stationär S. Nach dem Ende der Messe geht der Benutzer zum Fahrzeug zurück, d.h. nach Beendigung des Kirchenbesuchs ändert er seine Aktivität zu Gehen G.
Ähnlich wie zuvor für den Weg von zu Hause zur Kirche beschrieben, kennt das erste trainierte Modell den üblichen Abfahrtszeitpunkt für die Rückfahrt von der Kirche nach Hause, sodass die Rückkehr des Benutzers zum Fahrzeug für die Heimfahrt, basierend auf dem bekannten Benutzerverhalten und seinem/ihrem Aktivitätsmuster auf die gleiche Weise, wie oben beschrieben, prädiziert werden kann.
Dementsprechend kann das Fahrzeug personalisiert werden, bevor der Benutzer das Fahrzeug erreicht, um nach Hause zu fahren.
Wenn der Benutzer am Sonntag nicht zu seiner Heimatkirche fährt, sondern zu einer Kirche in einer anderen Stadt, (was als Ad-hoc-Fahrt verstanden werden kann), kann das vorgeschlagene Konzept ebenfalls eine Personalisierung ermöglichen, bevor der Benutzer das Fahrzeug erreicht. Es kann davon ausgegangen werden, dass der Benutzer an den gleichen Ort zurückkehrt, an dem er/sie das Fahrzeug geparkt hat. Dementsprechend kann die Aktivität, wenn er/sie das Fahrzeug verlässt oder parkt, um zum Zielort zu gehen, aufgezeichnet werden. Beispielsweise können der Zeitpunkt und der Ort des Parkens des Fahrzeugs ermittelt und die Aktivitäten vom Fahrzeug bis zum Zielort aufgezeichnet werden (z.B. Automobilnutzung A -> Gehen G -> Stationär S). Auch hier kann die durchschnittliche Gehzeit vom Fahrzeug zum Zielort berechnet werden. Bezug nehmen auf die 4 wird das Fahrzeug um 10:52 Uhr bei der neuen Kirche geparkt und der Benutzer geht zur Kirche, sodass er um 10:57 Uhr an der Kirche ankommt. Dementsprechend kann eine durchschnittliche Gehzeit vom Fahrzeug zur Kirche von fünf Minuten aufgezeichnet werden.
Als Nächstes kann unter Verwendung des ersten trainierten Modells basierend auf vorangegangenen ähnlichen Zielorten die Aufenthaltsdauer in der neuen Kirche prädiziert werden. Beispielsweise kann die durchschnittliche Aufenthaltsdauer in der Heimatkirche des Benutzers genutzt werden. Beträgt die durchschnittliche Aufenthaltsdauer in der Heimatkirche 80 Minuten, wird die Aufenthaltsdauer in der neuen Kirche mit 80 Minuten angenommen.
Die obigen Informationen können genutzt werden, um den nächsten Zeitpunkt für das Verlassen der neuen Kirche zu prädizieren. Wenn der Benutzer die Kirche verlässt, d.h. seine Aktivität von Stationär S zu Gehen G ändert, kann das zweite trainierte Modell genutzt werden, um zu prädizieren, ob die nächste Aktivität Automobilnutzung A ist. Aus der vorherigen Aufzeichnung ist das Aktivitätsmuster des Benutzers für den Fußweg vom Fahrzeug zur neuen Kirche bekannt. Basierend auf diesem Muster kann das zweite trainierte Modell den nächsten Aktivitätszustand prädizieren. Außerdem ist die durchschnittliche Gehzeit für den Fußweg vom Fahrzeug zur neuen Kirche bekannt. Dementsprechend lässt sich die Gehzeit für den Fußweg von der neuen Kirche zum geparkten Fahrzeug prädizieren.
Beispielsweise kann der nächste Abfahrtszeitpunkt auf 85 Minuten (durchschnittliche Aufenthaltsdauer + durchschnittliche Gehzeit vom Fahrzeug zur neuen Kirche) nach der Ankunft in der neuen Kirche um 10:57 Uhr berechnet werden, d.h. der nächste Abfahrtszeitpunkt wäre 12:22 Uhr.
Wiederum können das Smartphone des Benutzers und die Näherungssensoren des Fahrzeugs genutzt werden, um zu prüfen, ob sich der Benutzer dem Fahrzeug nähert. Beispielsweise können das Smartphone und die Näherungssensoren um 12:20 Uhr oder um 12:21 Uhr prüfen, ob sich der Benutzer dem Fahrzeug nähert. Wenn eine ungefähre Annäherung des Benutzers an das Fahrzeug bestimmt wird, bestätigt dies mit hoher Wahrscheinlichkeit, dass der Benutzer zum Fahrzeug zurückkehrt. Eine Benachrichtigung, ob eine Personalisierung gestartet werden soll, wird an den Benutzer gesendet, sodass das Fahrzeug personalisiert sein kann, wenn der Benutzer am Fahrzeug eintrifft.
Ein Ablaufdiagramm eines weiteren Beispiels für die Prädiktion der Rückkehr eines Fahrers ist in der 5 dargestellt. In einem ersten Schritt 505 werden Aufenthaltsorte eines Autos (als einem Beispiel für ein Fahrzeug) und eines Telefons eines Fahrers gesammelt. Die gesammelten Aufenthaltsorte werden in einem Schritt 510 dazu genutzt, einen Algorithmus zum Prädizieren von Fahrten zu trainieren. Der trainierte Algorithmus gibt in einem Schritt 515 eine oder mehrere prädizierte Fahrten aus. Für die eine oder die mehreren prädizierten Fahrten wird in Schritt 520 basierend auf seinem/ihrem Verhalten die Wahrscheinlichkeit für die Rückkehr des Fahrers zum Fahrzeug bestimmt. Ferner wird in Schritt 525 ein Zeitpunkt für die Rückkehr des Fahrers zum Fahrzeug prädiziert. Wenn in einem Schritt 530 bestimmt wird, dass der aktuelle Zeitpunkt im Wesentlichen dem prädizierten Zeitpunkt entspricht, geht das Verfahren zu dem nachstehend erläuterten Schritt 550 über. Wenn dies nicht der Fall ist, wird gewartet und der Schritt 530 wird wiederholt.
Parallel dazu werden in einem Schritt 535 Kontextdaten von dem Telefon des Fahrers und von Näherungssensoren des Fahrzeugs gesammelt. In Schritt 540 wird basierend auf den Kontextdaten eine Wahrscheinlichkeit für eine Rückkehr des Fahrers zum Fahrzeug berechnet. Ferner wird in Schritt 545 ein Zeitpunkt für die Rückkehr des Fahrers zum Fahrzeug prädiziert. Beide Wahrscheinlichkeiten werden in Schritt 550 kombiniert, um zu überprüfen, ob es wahrscheinlich ist, dass der Fahrer zum Fahrzeug zurückkehrt. Wenn in Schritt 555 festgestellt wird, dass die Rückkehr des Fahrers zum Fahrzeug wahrscheinlich ist, wird mit Schritt 560 fortgefahren. Wenn die Rückkehr des Fahrers zum Fahrzeug nicht wahrscheinlich ist, kehrt der Prozess zum Anfang zurück.
In Schritt 560 wird überprüft, ob das Fahrzeug wach oder in einem Schlafbetriebsmodus ist. Wenn das Fahrzeug nicht wach ist, wird das Fahrzeug in Schritt 565 geweckt. Wenn das Fahrzeug wach ist, geht der Prozess direkt zu Schritt 570 über. In Schritt 570 werden die Näherungssensoren des Fahrzeugs genutzt, um zu überprüfen, ob sich der Fahrer tatsächlich dem Fahrzeug nähert. Wenn sich der Fahrer dem Fahrzeug nähert, wird in Schritt 575 eine Benachrichtigung an das Telefon des Fahrers gesendet, in der gefragt wird, ob der Fahrer wünscht, dass das Fahrzeug personalisiert wird.
Dementsprechend kann auch der in der 5 dargestellte Prozessablauf eine Prädiktion der Rückkehr des Fahrers zum Fahrzeug gemäß dem vorgeschlagenen Konzept ermöglichen.
Anhand von Daten über Fahrverhaltensmuster und Mobilitätsmuster eines Fahrers und über Näherungssensoren eines Fahrzeugs kann das vorgeschlagene Konzept es ermöglichen, basierend auf dem aktuellen und/oder einem zukünftigen Kontext zu prädizieren, wann der Fahrer wieder zum Fahrzeug zurückkehren wird, sodass das Fahrzeug vor Fahrtantritt für den Fahrer eingerichtete geeignete personalisierte Einstellungen aufweisen kann.
Das vorgeschlagene Konzept stellt ein System und einen Rahmen zur Verfügung, das/der erstens Kontextdaten aus dem Alltag eines Fahrers sammelt und zweitens diese verarbeitet, um automatisch das Benutzerprofil zu lernen, die Mobilitätsmuster eines Fahrers zu identifizieren und die Fahrverhaltensmuster eines Fahrers zu extrahieren. Basierend hierauf wird ein Algorithmus erzeugt, um die nächste wahrscheinliche Aktivität des Fahrers basierend auf vorangegangenen und aktuellen Aktivitäten und den vergangenen Mobilitäts- und Fahrverhaltensmustern des Fahrers zu prädizieren. In Kombination mit der nächsten prädizierten Fahrt und der Nähe des Fahrers zum Fahrzeug kann mit hoher Wahrscheinlichkeit bestätigt werden, dass der Fahrer zum Fahrzeug zurückkehrt, um loszufahren.
Der vorgeschlagene technische Rahmen ist ein neuartiges System und ein Rahmen zum Prädizieren, wann der Fahrer zum Fahrzeug zurückkehren wird, das bzw. der Fahrerdaten aus Verhaltenslemen in Vergangenheitsdaten und kontextabhängige Prädiktion mit Echtzeit-Sensordaten wirksam einsetzt. Es nutzt reichhaltige Daten und kombiniert den prädizierten Abfahrtszeitpunkt für eine Fahrt (falls bekannt), die Mobilitätsmuster des Fahrers, die Verhaltensmuster des Fahrers durch das Lernen des Benutzerprofils, die Umgebung des Benutzer und des Fahrzeugs sowie Näherungssensoren im Fahrzeug, um zu bestimmen, ob sich der Fahrer in der Nähe des Fahrzeugs befindet. Es optimiert seine Leistung unter Verwendung der expliziten Rückmeldung des Benutzers und impliziter Telemetriedaten als Grundwahrheit.
Das vorgeschlagene Konzept kann eine prädiktive Benutzererfahrung und ein optimales Fahrzeugmanagement ermöglichen. Beispielsweise kann es die Voraussetzungen schaffen für intelligente Informationen zur prädiktiven Personalisierung im Fahrzeug sowie ein optimales Management des Fahrzeugs (z.B. verbesserte Leistungseffizienz).
Die Aspekte und Merkmale, die zusammen mit einem oder mehreren der zuvor detailliert erläuterten Beispiele und Figuren erwähnt und beschrieben wurden, können ebenso mit einem oder mehreren der anderen Beispiele kombiniert werden, um ein ähnliches Merkmal des anderen Beispiels zu ersetzen oder um das Merkmal zusätzlich in das andere Beispiel einzuführen.
Beispiele können ferner ein Computerprogramm sein oder sich auf ein Computerprogramm beziehen, das einen Programmcode zum Ausführen eines oder mehrerer der obigen Verfahren, wenn das Computerprogramm auf einem Computer oder Prozessor ausgeführt wird, aufweist. Schritte, Operationen oder Prozesse verschiedener oben beschriebener Verfahren können durch programmierte Computer oder Prozessoren ausgeführt werden. Beispiele können auch nichtflüchtige und maschinenlesbare Programmspeichervorrichtungen abdecken, wie etwa digitale Datenspeichermedien, die maschinen-, prozessor- oder computerlesbar sind und maschinenausführbare, prozessorausführbare oder computerausführbare Programme von Anweisungen codieren. Die Anweisungen führen einige oder alle Handlungen der oben beschriebenen Methoden aus, oder bewirken deren Ausführung. Die Programmspeichervorrichtungen können beispielsweise digitale Speicher, magnetische Speichermedien wie Magnetplatten und Magnetbänder, Festplatten oder optisch lesbare digitale Datenspeichermedien umfassen oder sein.
Die Beschreibung und die Zeichnungen veranschaulichen lediglich die Prinzipien der Offenbarung. Darüber hinaus sollen alle hier angeführten Beispiele grundsätzlich nur zum Zwecke der Veranschaulichung dienen, um den Leser beim Verständnis der Prinzipien der Offenbarung und der von dem/den Erfinder(n) zur Förderung der Technik beigesteuerten Konzepte zu unterstützen. Alle hierin enthaltenen Aussagen, in denen Prinzipien, Aspekte und Beispiele der Offenbarung sowie spezifische Beispiele derselben angeführt werden, sollen Äquivalente von diesen umfassen.
Ein Blockdiagramm kann beispielsweise ein High-Level-Schaltbild, das die Prinzipien der Offenbarung umsetzt, darstellen. Auf ähnliche Weise kann ein Ablaufplan, ein Ablaufdiagramm, ein Zustandsübergangsdiagramm, ein Pseudocode und dergleichen verschiedene Prozesse, Operationen oder Schritte repräsentieren, die beispielsweise im Wesentlichen in einem computerlesbaren Medium repräsentiert sein können und so durch einen Computer oder Prozessor ausgeführt werden können, ungeachtet dessen, ob ein solcher Computer oder Prozessor ausdrücklich dargestellt ist. Verfahren, die in der Beschreibung oder in den Ansprüchen offenbart sind, können durch eine Vorrichtung implementiert werden, die über Mittel zum Ausführen jeder der jeweiligen Handlungen dieser Verfahren verfügt.
Es versteht sich, dass die Offenbarung mehrerer Handlungen, Prozesse, Operationen, Schritte oder Funktionen, die in der Beschreibung oder den Ansprüchen offenbart sind, nicht als in einer spezifischen Reihenfolge vorhanden auslegbar sind, sofern dies nicht - beispielsweise aus technischen Gründen - explizit oder implizit anderweitig angegeben ist. Daher beschränkt die Offenbarung mehrerer Handlungen oder Funktionen diese nicht auf eine bestimmte Reihenfolge, es sei denn, dass diese Handlungen oder Funktionen aus technischen Gründen nicht austauschbar sind. In einigen Beispielen kann außerdem eine einzelne Handlung, Funktion, Prozess, Operation oder Schritt jeweils mehrere Teilhandlungen, - funktionen, -prozesse, -operationen oder -schritte umfassen oder in solche unterteilt sein.
Solche Teilhandlungen können einbezogen und Teil der Offenbarung dieser einzelnen Handlung sein, sofern dies nicht ausdrücklich ausgeschlossen ist.
Darüber hinaus werden die folgenden Ansprüche hiermit in die ausführliche Beschreibung aufgenommen, wo jeder Anspruch als ein eigenständiges Beispiel für sich stehen kann. Während jeder Anspruch für sich genommen ein eigenständiges Beispiel darstellen kann, ist jedoch zu beachten, dass - obwohl ein abhängiger Anspruch sich in den Ansprüchen auf eine besondere Kombination mit einem oder mehreren anderen Ansprüchen beziehen kann - andere Beispiele auch eine Kombination des abhängigen Anspruchs mit dem Gegenstand jedes anderen abhängigen oder unabhängigen Anspruchs beinhalten können. Solche Kombinationen werden hier explizit vorgeschlagen, sofern nicht angegeben ist, dass eine bestimmte Kombination nicht beabsichtigt ist. Darüber hinaus sollen auch Merkmale eines Anspruchs auf einen beliebigen anderen unabhängigen Anspruch einbezogen werden, selbst wenn dieser Anspruch nicht direkt von dem unabhängigen Anspruch abhängig gemacht wird.

Claims

Computerimplementiertes Verfahren (100) zum Prädizieren der Rückkehr eines Benutzers zu einem Fahrzeug, umfassend: Bestimmen (102) einer ersten Wahrscheinlichkeit für die Rückkehr des Benutzers zum Fahrzeug basierend auf einem ersten trainierten Modell und zumindest Daten über einen aktuellen Aufenthaltsort des Benutzers und einen aktuellen Aufenthaltsort des Fahrzeugs, wobei das erste trainierte Modell basierend auf historischen Fahrdaten des Benutzers trainiert wird; Bestimmen (104) einer zweiten Wahrscheinlichkeit für die Rückkehr des Benutzers zum Fahrzeug basierend auf einem zweiten trainierten Modell und Kontextdaten von einer mobilen Kommunikationsvorrichtung des Benutzers, die eine aktuelle Aktivität des Benutzers anzeigen, wobei das zweite trainierte Modell basierend auf historischen Kontextdaten des Benutzers trainiert wird; Kombinieren (106) der ersten Wahrscheinlichkeit und der zweiten Wahrscheinlichkeit zu einer kombinierten Wahrscheinlichkeit; Bestimmen (108), dass der Benutzer zum Fahrzeug zurückkehrt, wenn die kombinierte Wahrscheinlichkeit einen Schwellenwert überschreitet; Steuern (110) mindestens eines Sensors der mobilen Kommunikationsvorrichtung und/oder des Fahrzeugs, um Sensordaten zu sammeln, die eine Bewegung des Benutzers anzeigen können, wenn bestimmt wird, dass der Benutzer zum Fahrzeug zurückkehrt; und Senden (112) einer Benachrichtigung an die mobile Kommunikationsvorrichtung, wenn die Sensordaten angeben, dass sich der Benutzer ungefähr dem Fahrzeug nähert, wobei die Benachrichtigung eine Anfrage an den Benutzer umfasst, ob der Benutzer eine Personalisierung des Fahrzeugs wünscht.
Verfahren nach Anspruch 1, wobei das Kombinieren (106) der ersten Wahrscheinlichkeit und der zweiten Wahrscheinlichkeit zu der kombinierten Wahrscheinlichkeit das Kombinieren der ersten Wahrscheinlichkeit und der zweiten Wahrscheinlichkeit unter Verwendung eines Gewichtungsfaktors für die erste Wahrscheinlichkeit und/oder die zweite Wahrscheinlichkeit umfasst.
Verfahren nach Anspruch 2, wobei der Gewichtungsfaktor auf einer Rückmeldung des Benutzers und/oder auf einem Vergleich von historischen Telemetriedaten des Fahrzeugs und historischen Prädiktionen des ersten trainierten Modells basiert.
Verfahren nach einem der Ansprüche 1 bis 3, wobei das erste trainierte Modell ferner ein Fahrtziel des Benutzers ausgibt, das der Rückkehr des Benutzers zum Fahrzeug zugeordnet ist.
Verfahren nach einem der Ansprüche 1 bis 4, wobei das erste trainierte Modell ferner eine erste Uhrzeit für die Rückkehr des Benutzers zum Fahrzeug ausgibt und das zweite trainierte Modell ferner eine zweite Uhrzeit für die Rückkehr des Benutzers zum Fahrzeug ausgibt, und wobei das Steuern (110) des mindestens einen Sensors der mobilen Kommunikationsvorrichtung und/oder des Fahrzeugs das Steuern des mindestens einen Sensors dahingehend umfasst, mit dem Sammeln der Sensordaten zu einem vordefinierten Zeitpunkt vor der ersten Uhrzeit oder der zweiten Uhrzeit zu beginnen.
Verfahren nach einem der Ansprüche 1 bis 5, wobei die Kontextdaten, welche die aktuelle Aktivität des Benutzers angeben, Kontextdaten sind, die durch die mobile Kommunikationsvorrichtung gesammelt wurden, seit der Benutzer das Fahrzeug zuletzt verlassen hat.
Verfahren nach einem der Ansprüche 1 bis 6, wobei die Kontextdaten, welche die aktuelle Aktivität des Benutzers angeben, Sensordaten von mindestens einem Sensor der mobilen Kommunikationsvorrichtung und/oder einen Typ des aktuellen Aufenthaltsorts des Benutzers umfassen.
Verfahren nach einem der Ansprüche 1 bis 7, wobei das Bestimmen der zweiten Wahrscheinlichkeit ferner auf Daten über einen aktuellen Aufenthaltsort des Fahrzeugs, Daten über ein aktuelles Datum und Daten über eine aktuelle Uhrzeit basiert.
Verfahren nach einem der Ansprüche 1 bis 8, wobei, wenn bestimmt wird, dass der Benutzer zum Fahrzeug zurückkehrt, und wenn sich das Fahrzeug in einem Schlafbetriebsmodus befindet, das Verfahren ferner das Steuern zum Aufwecken des Fahrzeugs umfasst.
Verfahren nach einem der Ansprüche 1 bis 9, ferner umfassend: Steuern des Fahrzeugs, um mindestens eine Einstellung des Fahrzeugs gemäß einer gespeicherten oder gelernten Einstellung des Benutzers anzupassen, wenn von der mobilen Kommunikationsvorrichtung eine Benachrichtigung empfangen wird, die angibt, dass von dem Benutzer eine Personalisierung des Fahrzeugs gewünscht wird.
Verfahren nach einem der Ansprüche 1 bis 10, wobei das zweite trainierte Modell mindestens ein Aktivitätsmuster des Benutzers umfasst, das eine Rückkehr des Benutzers zum Fahrzeug angibt, wobei das Aktivitätsmuster aus den historischen Kontextdaten des Benutzers gelernt wird.
Verfahren nach Anspruch 11, wobei das Bestimmen (104) der zweiten Wahrscheinlichkeit das Vergleichen der aktuellen Aktivität des Benutzers, wie sie durch die Kontextdaten von der mobilen Kommunikationsvorrichtung des Benutzers angegeben wird, mit dem mindestens einen Aktivitätsmuster des Benutzers umfasst.
Verfahren nach einem der Ansprüche 1 bis 12, wobei das Steuern (110) des mindestens einen Sensors der mobilen Kommunikationsvorrichtung und/oder des Fahrzeugs das Steuern mindestens eines Sensors des Fahrzeugs dahingehend umfasst, Sensordaten zu sammeln, die eine Bewegung des Benutzers relativ zum Fahrzeug anzeigen können.
Verfahren nach einem der Ansprüche 1 bis 13, wobei das Bestimmen (102) der ersten Wahrscheinlichkeit ferner auf Daten über ein aktuelles Datum und Daten über eine aktuelle Uhrzeit basiert.
Verfahren nach einem der Ansprüche 1 bis 14, wobei das Bestimmen (104) der zweiten Wahrscheinlichkeit ferner auf Kontextdaten von dem Fahrzeug basiert, welche die aktuelle Aktivität des Benutzers angeben.
Nichtflüchtiges maschinenlesbares Medium, auf dem ein Programm gespeichert ist, das einen Programmcode zum Ausführen des Verfahrens nach einem der Ansprüche 1 bis 15, wenn das Programm auf einem Prozessor ausgeführt wird, aufweist.
Datenverarbeitungssystem zum Prädizieren der Rückkehr eines Benutzers zu einem Fahrzeug, umfassend einen oder mehrere Prozessoren, die zu Folgendem konfiguriert sind: Bestimmen einer ersten Wahrscheinlichkeit für die Rückkehr des Benutzers zu dem Fahrzeug basierend auf einem ersten trainierten Modell und zumindest Daten über einen aktuellen Aufenthaltsort des Benutzers und einen aktuellen Aufenthaltsort des Fahrzeugs, wobei das erste trainierte Modell basierend auf historischen Fahrdaten des Benutzers trainiert wird; Bestimmen einer zweiten Wahrscheinlichkeit für die Rückkehr des Benutzers zu dem Fahrzeug basierend auf einem zweiten trainierten Modell und Kontextdaten von einer mobilen Kommunikationsvorrichtung des Benutzers, die eine aktuelle Aktivität des Benutzers angeben, wobei das zweite trainierte Modell basierend auf historischen Kontextdaten des Benutzers trainiert wird; Kombinieren der ersten Wahrscheinlichkeit und der zweiten Wahrscheinlichkeit zu einer kombinierten Wahrscheinlichkeit; Bestimmen, dass der Benutzer zum Fahrzeug zurückkehrt, wenn die kombinierte Wahrscheinlichkeit einen Schwellenwert überschreitet; Steuern mindestens eines Sensors der mobilen Kommunikationsvorrichtung und/oder des Fahrzeugs, um Sensordaten zu sammeln, die eine Bewegung des Benutzers angeben können, wenn bestimmt wird, dass der Benutzer zum Fahrzeug zurückkehrt; und Senden einer Benachrichtigung an die mobile Kommunikationsvorrichtung, wenn die Sensordaten angeben, dass sich der Benutzer ungefähr dem Fahrzeug nähert, wobei die Benachrichtigung eine Anfrage an den Benutzer umfasst, ob der Benutzer eine Personalisierung des Fahrzeugs wünscht.