EP3014598A1 - Verfahren zum verarbeiten von messdaten eines fahrzeugs zur bestimmung des beginns einer parkplatzsuche - Google Patents

Verfahren zum verarbeiten von messdaten eines fahrzeugs zur bestimmung des beginns einer parkplatzsuche

Info

Publication number
EP3014598A1
EP3014598A1 EP14731561.8A EP14731561A EP3014598A1 EP 3014598 A1 EP3014598 A1 EP 3014598A1 EP 14731561 A EP14731561 A EP 14731561A EP 3014598 A1 EP3014598 A1 EP 3014598A1
Authority
EP
European Patent Office
Prior art keywords
feature
vector
vectors
traffic
information
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.)
Granted
Application number
EP14731561.8A
Other languages
English (en)
French (fr)
Other versions
EP3014598B1 (de
Inventor
Heidrun Belzner
Peter PEDRON
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
Publication of EP3014598A1 publication Critical patent/EP3014598A1/de
Application granted granted Critical
Publication of EP3014598B1 publication Critical patent/EP3014598B1/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
    • G08G1/147—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas where the parking area is within an open public zone, e.g. city centre

Definitions

  • the invention relates to a method for processing measurement data of a vehicle for determining the beginning of a parking space search.
  • Parking information on free parking spaces are used, for example, by parking guidance systems and / or navigation devices for navigating a parking space-seeking vehicle.
  • Modern inner-city systems work according to a simple principle. If the number of parking spaces and the inflow and outflow of the vehicles are known, this can easily determine the availability of free parking. Appropriate signage of the access roads and dynamic updating of the parking place information enable vehicles to navigate to free parking spaces. In principle, this results in restrictions in that the parking areas must be clearly defined and the entry and exit of the vehicles must always be precisely controlled. For this purpose, structural measures, such as barriers or other access control systems are required.
  • the Applicant also describes under the application number 10 2012 201 472.1 a method for providing parking information on free parking spaces, in which a knowledge database with historical data is generated from ascertained information about available, free parking spaces.
  • the historical data includes statistical data on free parking spaces for given streets and / or given times or periods. From the historical data and current information, which are determined at a given time for one or more selected streets of vehicles in circulation, a probability distribution of expected free parking spaces for the selected street or streets is determined.
  • the probability distribution represents parking information on free parking spaces in the selected street or streets.
  • the accuracy of the probability distribution depends inter alia on the knowledge of a so-called parking rate ⁇ ⁇ .
  • the parking rate will be according to the form!
  • ⁇ ⁇ (t) (1-P n) ⁇ ( ⁇ ), where ⁇ ( ⁇ ) represents a request rate, which for a parking segment, ie, a region considered in which a parking operation is desired, the number of requests for a Parking space per time (ie time unit) indicates.
  • P n indicates the probability of a free parking space.
  • This object is achieved by a method according to the features of patent claim 1 and a computer program product according to the features of claim 16.
  • Advantageous embodiments are specified in the dependent claims.
  • the invention provides a method for processing measurement data of a vehicle for determining the beginning of a search for a parking space.
  • the method described below may be onboard, i. in the vehicle looking for the parking space or offboard, i. be performed by a central computer to which the driving data are transmitted.
  • the proposed method offers the possibility of making the calculations online, i. in real-time while driving, or offline, i. to carry out downstream after the trip.
  • a number of travel data vectors are acquired, wherein each travel data vector comprises information about a speed, position data and the time of the detection of the speed and the position data.
  • the detection of the number of travel data vectors takes place in a predetermined time interval (also referred to below as the sampling rate) in the seconds range, e.g. every second or every five or ten seconds.
  • the trip data vectors thus follow a fixed chronological order.
  • the position data may be represented by GPS (Global Positioning System) data.
  • the position data can be determined by a GPS module of the vehicle.
  • the speed can optionally be determined by the speed sensor of the vehicle or from the position data and detection times of two consecutive measurements.
  • a next step the determination of a feature vector at each time of the detection of a trip data vector, wherein the information of the current and temporally past travel data vectors are processed, wherein the feature vector comprises as feature components at least one speed information and a path information.
  • the course of the journey of the vehicle is taken into account.
  • the values of the features are recalculated for each newly acquired trip data vector and combined in a feature vector. To each (Measurement or detection) time is thus a Merkmaisvektor calculated using current and previous trip data vectors are used.
  • each of the feature vectors is assigned to one of two traffic categories.
  • the first traffic category denotes the train traffic, wherein the driver does not search for a parking space
  • the second traffic category designates the parking search traffic, wherein the driver searches for a parking space.
  • a probability is calculated which indicates with which probability the feature vector is to be assigned to the first or the second traffic category.
  • the generated feature vectors are considered individually and classified with respect to two traffic classes, namely a destination traffic represented by the first traffic category and a parking search traffic represented by the second traffic category.
  • there is a probability for each feature vector which indicates with which probability a feature vector belongs to the parking search traffic and to the destination traffic.
  • a segmentation takes place over the time profile of the determined traffic categories of the feature vectors, a subdivision of the journey from the start to the last detection of a travel data vector corresponding to the particular traffic categories of the feature vectors into two segments and the transition from one segment to the other segment the beginning of Parking search represents.
  • the task of the segmentation is to determine, based on the analysis of the time profile of the classification of feature vectors, the travel data vector which marks the start of the search for a parking space.
  • the result of the segmentation is a subdivision of the journey into two segments, according to the traffic categories, which forms the basis for calculating the desired information on the intensity and location of the parking search traffic.
  • the beginning of a parking space search can be used to calculate the probability of an available parking space in the area more accurately.
  • the method described in the introduction can be used in DE 10 20 2 201 472.1 of the Applicant.
  • the knowledge of the beginning of a parking Planners can also be used by city planners to estimate parking situations in individual streets or neighborhoods.
  • travel data vectors may be disregarded in determining the beginning of the parking space search if the information about the speed of the trip data vector is greater than a first threshold or less than a second threshold.
  • the first threshold may e.g. between 50 km / h and 100 km / h and is in particular 80 km / h.
  • the second threshold may e.g. between 2 km / h and 8 km / h and is in particular 4 km / h.
  • the travel data vectors within a feature window representing a predetermined distance are processed, wherein the feature window propagates the travel data vectors from the current position or measurement to the first position or measurement on the traveled distance includes as the predetermined distance ago.
  • the number of travel data vectors in a feature window can thus vary as a function of sampling rate and speed. For example, if the size of the feature window is 1 km, then with a higher average speed in the last kilometer, fewer trip data vectors will be included in the feature window than at a lower speed if a constant scan rate is assumed.
  • the feature vector as feature corn components comprises, in addition to the velocity information and the path information, one or more of the following feature components:
  • Circularity takes into account a typical pattern of behavior in the case of parking-seeking vehicles, the route of which often describes a circular choice of route guidance (for example, by foot traffic).
  • the reference quantity here is the distance of the current position to a center of gravity of the previously detected waypoints, which result from the position data of the respective travel data vectors.
  • PCA Principal Component Analysis
  • This feature calculates the inefficiency of the route based on the destination of the trip. During the journey, the destination can not be determined on the basis of the trip data, therefore this feature can only be formed after the end of the journey, after all the trip data vectors are known.
  • the destination position assumed is the position of the last trip data vector, which represents the location of the found parking space. This feature component can thus be used only in a method that is performed offline after the completed drive.
  • the speed information may be an arithmetic mean and / or the median of the mean speeds of the travel data vectors taken into account for the determination of a respective feature vector.
  • the route information may be a route inefficiency, which indicates how inefficient the traveled route is by the ratio of the actually traveled route with respect to the shortest route between the positions of two travel data vectors.
  • the inefficiency of the route guidance is a feature that indicates how inefficient the driver-selected, driven route is with respect to the approach to the vehicle. This takes into account the characteristics of the classifiers (traffic classes), since vehicles belonging to the destination traffic try to reach the desired destination As fast as possible and efficient way closer, while parking-looking vehicles have already reached their destination and in the search for a parking lot orbiting.
  • path inefficiency for a feature vector which is the maximum for the processed amount of travel data vectors is the maximum for the processed amount of travel data vectors.
  • the feature vectors are normalized to classify each feature vector.
  • Different feature components in short: Merkmaie
  • feature components with numerically higher value range do not dominate over feature component with numerically smaller value range and in order to make the feature value comparable
  • the features are normalized. This has the effect that both features with a large range of values and features with a small range of values reflect the same range of values.
  • a z normalization known to the person skilled in the art can be used in which the mean value and the standard deviation are determined for each feature component and the feature components are transformed therewith.
  • Principal component analysis is an unsupervised feature reduction technique. It pursues the goal of finding those principal axes in a feature space on which the feature vectors mapped on them reach a maximum variance.
  • the calculation of the probability of the classifier can then be done with the set of Bayes, which is known to those skilled in the art, e.g. from [1] or [2] is known.
  • the beginning of the parking space search is defined by a positive transition of the first traffic category to the second traffic category, wherein the travel data vector, which is assigned to the second traffic category, represents the beginning of the parking space search.
  • a transfer of the second The first category of traffic is referred to as a negative transition.
  • a positive transition occurs on a journey at most once.
  • the reality shows that several positive transitions can occur during a journey.
  • the beginning of the parking space search can then be determined with the following alternatives:
  • the last positive transition of the first classifier to the second classifier is selected as the start of the parking search as long as the classification result of the subsequent travel data vectors constantly comprises the second classifier.
  • the travel data vector marking the beginning of the parking space search is discarded so that from this point on there is no longer any detected search start.
  • the temporally referenced positive transition of the first classifier to the second classifier is selected as the start of the parking space search, as long as the classification result of the subsequent trip data vectors for a given journey path constantly comprises the second traffic category.
  • This segmentation alternative extends the first alternative with a distance criterion. In this case, a determined journey data vector is not immediately forgotten after a negative transition, but maintained for a certain distance after the negative transition. If a further positive transition is found within this route, it is ignored and the previously determined travel data vector is retained. If no positive transition is found, the previous trip data vector marking the beginning of the parking space search is forgotten at the end of the route after the negative transition.
  • the beginning of the parking space search is determined on the basis of an integral of the course of the probability over the distance traveled.
  • the hard decision as to whether a feature vector is parking search traffic or not is utilized to determine the start of search, but also the security with which the decision was made. If, if no search start exists, a positive transition is detected with a new trip data vector, the integral of the course of the so-called a posteriori probabilistic chain over the distance traveled is continuously calculated. If the result of the integral calculation is negative, the previously determined travel data vector is discarded.
  • the invention further provides a computer program product which can be loaded directly into the internal memory of a digital computer or computer system, eg a computer of a vehicle or a central computer, and comprises software code sections with which the steps according to one of the preceding claims are executed Product on the computer or computer system is running.
  • FIG. 1 shows a schematic representation of travel data vectors collected temporally successively
  • FIG. 2 is a schematic representation of a flowchart of the method according to the invention.
  • FIG. 3 shows a schematic illustration of display window windows applied to the detected trip data vectors
  • Fig. 5 and 6 is an illustration for explaining a circularity
  • FIGS. 7 and 8 are diagrams for explaining a PCA circularity
  • Fig. 9 is an illustration for explaining an average change in direction
  • FIG. 10 shows a schematic representation of a smoothing of the processed data taken in the context of the method
  • FIG. 11 shows a table with a training matrix
  • Figures 12, 13 and 14 show a histogram, the kiassen Together and resulting decision limits for determining a probability for the classification of the feature vectors.
  • Figs. 15, 16, and 17 show various alternatives for performing a segmentation.
  • the proposed method makes it possible to determine the parking search amount of a car trip in order to determine information about a car park search that has been made, e.g. the time that has effectively elapsed to find a parking space, or the distance traveled while searching for a parking space, or the location or area in which a parking space was searched.
  • the method makes it possible in particular to determine the beginning of the search for a parking space for a car.
  • the method may be performed by a computing unit in the vehicle (i.e., onboard) or by a central off-vehicle computing unit (i.e., offboard).
  • the trip data vectors x e. determined by the vehicle at predetermined measuring times and processed sequentially in several steps. If the method is carried out offboard, the journey data vectors are preferably transmitted in real time via a communication interface to the central computer.
  • a trip is represented by a payable set of N trip data vectors [, x 2 ; x N ], where
  • a trip data vector x (Eq. 3.1) consists in each case of information on speed v, and GPS position p, at the time ti of the detection of the travel data vector.
  • the trip data vectors follow a fixed time order since t, ⁇ tj + i.
  • the GPS postions i can be detected by a navigation system installed in or incorporated in the vehicle.
  • the speed is eg detected by a sensor of the vehicle and is typically available in the vehicle in a computing unit or on a data bus.
  • a driver of the vehicle makes the decision to search for a parking space only once during a journey. Occasionally, a driver may begin to search in one area and, after a certain period of time, stop the search and continue in another area. In this case, the last decision to search for a parking space is taken as a true search start. In addition, it is assumed that each trip ends in a public parking lot at the roadside.
  • T park T enC i e .
  • a journey into two segments can be subdivided according to the type of driving type Cj (so-called traffic categories or traffic classes):
  • the first segment since the start of the journey always represents the so-called "destination traffic" ZV, while the second segment represents the so-called Parking search "PSV corresponds.
  • Ais target traffic ZV one TEII driving is referred to, in which the driver of a start point T star t the way to the region goes, where a parking lot is being sought. During the destination traffic ZV the driver does not look for a parking space.
  • i park is the first index from which the trip data vector Xi belongs to the parking search traffic and thus represents the beginning of the parking search .
  • the true time T pai1t and the corresponding location of the start of a journey can be determined by ty » * and Pi_p 3 rk can be approximated in Xu »*.
  • search duration T park and search distance S pafk can be approximated as follows: Tpark - i j V tipark 3) where ⁇ (.,.) represents the distance between two GPS positions on the earth's surface in meters. Alternatively, a distance function may be used which calculates the shortest path between two points with respect to a correct navigation map.
  • the location of the search for a parking space can either be indicated directly by the GPS positions of the search route, by map matching of the positions on roads, or indirectly by an indication of the so-called search center of gravity and average search radius of the search route.
  • the basis for calculating these values is p3rk .
  • non-relevant trip data vectors are sorted out in the course of an optional prefiltering (step S1).
  • feature vectors are generated on the basis of known travel data vectors (step S2) and optionally smoothed (step S3).
  • the classification step S4) calculates for each feature vector a probability for the class affiliation to the traffic class parking search traffic.
  • the subsequent segmentation (step S5) analyzes the classification history and determines the final class labels by the determined search start of the journey.
  • the determined results are optionally pi-sensitized (step S6).
  • discarding means that the relevant trip data vector j is not sent to the next step for further processing noticeably malsextratation, is passed on. These include, for example, driving outside of city traffic and stance phases.
  • a roadside parking lot is typically searched for in city traffic.
  • the upper limit for the permitted speed is 80 km / h on inner-city roads. Since at a higher speed it is no longer possible to proceed from parking search traffic, a travel data vector x a with eg v,> 80 km / h is sorted out. This limit can also be set lower or higher.
  • the recorded journey data vectors x s during stance phases contain, with the exception of the tally stamp, the same information. Since information about stance phases is not relevant for any of the subsequent steps, trip data vectors Xj with eg Vi ⁇ 4 km / h are sorted out. The choice of this welding value is due to the fact that in this way parking operations are not recorded, the speed is typically between 0-4 km / h.
  • step S2 the feature extraction takes place.
  • a low average speed, frequent turns and Blockumfahrten can be used.
  • a single trip data vector with its information about the current speed and position is not sufficient, but its course must be taken into account.
  • a feature corn vector is calculated with the following feature components: .Mittler (k ⁇ i mdigkdi
  • the average speed and the path inefficiency are taken into account as feature components (also referred to below as features). By taking into account further feature components, the accuracy of the determination of the beginning of the parking space search can still be improved, the accuracy increasing only to a small extent.
  • the current and previous trip data vector are used to calculate the various characteristics.
  • the travel data vectors to be taken into account for calculating features are determined on the basis of a feature window MF, which is shown in greater detail in FIG.
  • the size l f of the feature window MF is based on the distance traveled, since most of the constructed feature analyzes the course of the route. If the feature window was based on the past time, the length of the route section in a feature window F S would vary depending on the speed, and a minimum length of the route section would not be guaranteed. However, this is necessary in order to be able to compare the calculated characteristics in the course of the journey.
  • the feature window MF- a includes the travel data vectors from the current position x, to the first position, which lies farther back than 1 f on the traveled distance.
  • the number of travel data vectors in a feature window can thus vary as a function of sampling rate and speed. For example, if the size of the beacon window is 1 km, then at a higher average speed in the last kilometer, fewer trip data vectors are included in the feature window than at a lower one, assuming a constant sample rate.
  • Feature vectors m can only be calculated from a distance covered by l f since the beginning of the journey in order to ensure the verglatsclerosis between the calculated Merkmaisvektoren m.
  • Vi median ⁇ v t "v / 2 ,. ⁇ ., Vf M ⁇
  • this value represents the mean velocity in driving phases.
  • the inefficiency of the route guidance ⁇ is a feature which indicates how inefficient the driver-selected, driven route is with respect to the approach to the destination.
  • the idea for this is derived from the characteristics of the traffic classes, since vehicles belonging to the destination traffic try to get closer to the desired destination in the quickest and most efficient way, whereas parking-seeking vehicles have already reached their destination and in the search for one Park the car park.
  • s d is the shortest distance between pi and p, the airline being used in this description.
  • s z represents the distance covered between ⁇ ⁇ , and p K. This corresponds to the length of the selected route from to P K. It is s z > s d .
  • the relationship of the two routes to each other indicates whether the selected route represents a direct route to the end position (efficient) or a detour (inefficient).
  • a value for the inefficiency of the Weg Installation can through
  • the traveled distance s z is approximated by the sum of all partial distances between the individual waypoints.
  • the index k indicates soft waypoint in the set [pi; ...; p "J should serve as a starting point for calculating the inefficiency.
  • a value of ⁇ «- ⁇ 0 indicates an efficient route, while ⁇ ⁇ -> 1 means an inefficient route.
  • the goal in the calculation of the feature is to determine the highest inefficiency between the current position p m and all remaining positions in the feature window:
  • this feature is intended to provide the circularity ⁇ of the route within the feature area.
  • the reference quantity here is the distance s m of the current position p M to the center of gravity of the waypoints p f . If s m ⁇ l f / 2, then we assume a straight line (Fig. 5). The smaller this distance becomes, the more circular the routing becomes (FIG. 6).
  • the value for the circularity is calculated by:
  • the distance between the center of gravity and the current position is normalized by the effective size of the feature window to obtain a value between 0 and 1.
  • the normalized term is additionally subtracted from 1.
  • the PCA is applied to the position information within a feature window. Subsequently, the quotient is formed from the resulting scales and ⁇ 2 :
  • Fig. 9 shows directions ⁇ - ⁇ and at the corresponding positions p M and their difference.
  • This feature calculates the inefficiency of the routing relative to the destination of the ride.
  • the destination can not be determined on the basis of the journey data, therefore this feature can not be formed until after the end of the journey (ie offline), after all travel data vectors are known.
  • the destination position assumed is the position p N of the last trip data vector, which represents the location of the found parking space.
  • step S3 the feature vectors of a journey are smoothed.
  • the purpose of smoothing is to combine feature vectors on a particular link to a smooth feature vector. In this way, not individual waypoints are processed, but sections.
  • the generation of smoothed feature vectors is done by combining several feature vectors m, which are within a smoothing window GMF.
  • the smoothing window GMF is advanced with respect to the traveled distance and may overlap. This is shown in FIG. 11.
  • the length of a respective smoothing window GMF is determined by! gf determined. It is anchored to the first feature vector m g1 of a route section.
  • the feature vector at the end of the route segment m gR is the last traffic vector vector that is less than Ig t away from m g1 with respect to the distance traveled.
  • the number of feature vectors rrti within a smoothing window GMF can vary analogously to the number of travel data vectors Xj within a feature window MF.
  • a new smoothing window MGF can be anchored within the current smoothing window MGF after exceeding a certain distance l gr . So that no more than two smoothing windows overlap simultaneously in order to limit the complexity of this step, the same applies
  • Each smoothed feature vector generated by the feature vectors in a smoothing window MGF characterizes a link segment of length lgr> which starts at the position of the first enclosing feature vector and ends at the position of the first feature vector of the next smoothing window.
  • the corresponding stretch of the last smoothed feature vector of a ride may be shorter or longer. In this way, it is ensured that all sections of a journey represented by smoothed feature vectors are disjoint, whereby the smoothing windows themselves do not necessarily have to be disjoint.
  • the mean velocity corresponds to the median of the mean velocity of all feature vectors, while the maximum of all other features is determined.
  • step S4 the generated feature vectors are considered individually and classified with respect to the traffic classes destination traffic Z and parking search traffic P.
  • p P
  • the feature vector vectors are first normalized, reduced, and then classified. For all these sub-steps, training data in the form of feature vectors is required in order to be able to learn the parameters for the individual sub-steps.
  • This method uses supervised learning methods. Therefore, the class affiliation of the individual feature vectors, in Form of true labeis c, to be known. This is made possible by the use of test drives recorded for learning purposes, where the traffic class is known at all times.
  • the training data are in the form of an N ⁇ K matrix T, each row representing a feature, and each column representing a feature vector is shown in FIG. Figure 11.
  • 11 shows a training matrix T.
  • the times of the matrix represent the different features, while the columns represent their occurrences in a feature vector.
  • the training data in T can be divided into two matrices T z and T P.
  • Normalized feature values are calculated using z-normalization known to those skilled in the art.
  • each entry of the training matrix is transformed using the calculated parameters: (3.20)
  • the background of the feature reduction is the reduction of the feature components in a feature vector with minimal information loss.
  • the number of features in m is reduced from N to 1 .s D ⁇ N.
  • a vector projection ⁇ N ⁇ D ⁇ D is performed.
  • PCA Principal Component Analysis
  • the basis for calculating the transformation matrix is the A / x N covariance matrix ⁇ of the training matrix T, consisting of the entries ⁇ %.
  • the eigenvectors and eigenvalues of the covariance matrix are calculated, as described eg in [3].
  • the eigenvectors w represent axes in the feature space, while the eigenvalues ⁇ , indicate the relative proportion of the total variance of the feature vectors projected on the resulting eigenvectors.) W ! Corresponds to the eigenvector with the largest eigenvalue A 1 ( while w N is the eigenvector with the smallest Eigenvalue A N. If the eigenvectors are known, an arbitrary 1 s D ⁇ N can now be selected, which determines the dimension of the transformed features. indicated.
  • the D lines of the transformation matrix are then combined with the first D eigenvectors [wt; ...; w D ] filled.
  • the classification assigns a probability to each (reduced) feature vector. Based on this probability, it is possible to make a statement about the class membership c of a Merkmaisvektor.
  • c z denotes the membership of the class "destination traffic”
  • c P represents the affiliation to "parking search traffic”.
  • the known set of Bayes is applied, e.g. in [1] or [2].
  • Feature vector indicates to belong to class c.
  • p (c) is called the a-priori probability and represents the probability with which class c occurs.
  • p (m) indicates the probability of the occurrence of a feature vector without distinguishing between classes. It can be calculated by summing up all class-specific probabilities multiplied by the
  • ⁇ is calculated according to the mean value in the normalization step and ⁇ according to the covariance matrix of the PCA.
  • the training data divided into classes in T z and T P serve as the data basis for the calculation of the parameters of the class-specific density functions. Consequently, ⁇
  • ⁇ ⁇ ) ⁇ ( ⁇ , ⁇ ⁇ ) and ( ⁇
  • ⁇ ) ( ⁇ /) , ⁇ ⁇ ).
  • N indicates the number of feature vectors in T
  • N 2 and N P the number of feature vector vectors in the class-specific training matrices T z and T P.
  • Kiassifikator is a maximum a-postori Klassifikaior. This means that a feature vector is classified on the basis of the greatest a posteriori probability:
  • FIG. 12 to 14 illustrate the construction of the decision boundary with the aid of the class-specific training data in the one-dimensional feature space. Those graphic elements constructed using the feature vectors in T 2 are designated 10, 12, 14, while the elements labeled 11, 13, 15 have been constructed from the feature vectors in T P. The decision limit is indicated in FIG. 14 by GR.
  • the task of the segmentation is to determine, based on the analysis of the temporal course of the classification of feature vectors, that travel data vector which marks the start of the parking space search.
  • the result of the segmentation is a subdivision of the journey into two segments, according to the traffic classes, which forms the basis for calculating the desired information on the intensity and location of the parking search traffic.
  • the last trip data vector is accepted as the start of the parking space search. This ensures that a value> 0 for parking search distance and parking search duration can be calculated.
  • FIGS. 15 to 17 determine at most one travel data vector x + with a positive transition of the classification result as the start of the parking space search.
  • a driving data vector x_ represents a driving data vector with a negative transition of the classification result.
  • the segmentation with distance criterion extends the simple segmentation method with a distance criterion.
  • the segmentation with integral criterion shown in FIG. 17 also uses the a posteriori
  • Equation 3.32 Since the a posteriori probability sequence does not follow an analytically calculable function, and moreover, there is no continuous value curve, the integral in Equation 3.32 must be given for a segment represented by the positions [p ⁇ p 2 ; p N j and the associated a posteriori probabilities [p ap i; p aP 2; 8 ⁇ ] can be numerically approximated:
  • the segmentation step provides a result regarding the start of the search for a parking space.
  • the result is not necessarily true, because it is based on the result of the classification.
  • the classification is based on a probabilistic model, which was first used with the help of training data.
  • step S6 the result of the segmentation is assessed and discarded if necessary.
  • the criteria for withholding the segmentation result are eg an implausible long park search route. It seems implausible after the assumed journey that almost one entire journey serves the search for a parking space. Since it may be that the search for a parking space takes longer due to possible obstacles, this criterion is measured by the distance traveled in the destination traffic and in the parking search traffic. It is believed that the result implausibe! if the distance s p traveled to the destination since the start of the search for a parking space is greater than half of the distance traveled since the start of the journey until the start of search s z :

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Verarbeiten von Messdaten eines Fahrzeugs zur Bestimmung des Beginns einer Parkplatzsuche, mit den Schritten: • a) Erfassen einer Anzahl (N) an Fahrtdatenvektoren (xi), wobei jeder Fahrtdatenvektor (x) eine Information über eine Geschwindigkeit (v;), Positionsdaten (p j) und einen Zeitpunkt (t i) der Erfassung der Geschwindigkeit (v) und der Positionsdaten (p i) umfasst; • b) Ermittlung eines Merkmalsvektors (m;) zu jedem Zeitpunkt (t i) der Erfassung eines Fahrtdatenvektors (xi), wobei die Informationen des aktuellen und zeitlich zurück liegender Fahrtdatenvektoren (x) verarbeitet werden, wobei der Merkmalsvektor (m i) als Merkmalskomponenten zumindest eine Geschwindigkeitsinformation und eine Weginformation umfasst; • c) Klassifizierung jedes Merkmalsvektors (m i), wobei jedem der Merkmalsvektoren (m i) eine erste Verkehrskategorie (c z), die eine Fahrt des Fahrzeugs repräsentiert, oder eine zweite Verkehrskategorie (cp), deie einen Parksuchverkehr repräsentiert, zugeordnet wird, und wobei eine Wahrscheinlichkeit (p(P | mi)) ermittelt wird, welche angibt, mit welcher Wahrscheinlichkeit dem Merkmalsvektor der ersten oder der zweiten Verkehrskategorie (cz, cp) zuzuordnen ist; • d) Segmentierung über den zeitlichen Verlauf der Verkehrskategorien (cz, cp) der Merkmalsvektoren (m i), wobei eine Unterteilung der Fahrt vom Start bis zur letzten Erfassung eines Fahrdatenvektors entsprechend der bestimmten Verkehrskategorien (cz, cp)der Merkmalsvektoren (m i) in zwei Segmente erfolgt und der Übergang von einem Segment in das andere Segment den Beginn der Parkplatzsuche repräsentiert.

Description

Verfahren zum Verarbeiten von Messdaten eines Fahrzeugs zur Bestimmung des Beginns einer Parkplatzsuche
Die Erfindung betrifft ein Verfahren zum Verarbeiten von Messdaten eines Fahrzeugs zur Bestimmung des Beginns einer Parkplatzsuche.
Parkinformationen zu freien Parkplätzen werden beispielsweise von Parkleitsystemen und/oder Navigationsgeräten zur Navigation eines Parkplatz suchenden Fahrzeugs verwendet. Moderne innerstädtische Systeme arbeiten nach einem einfachen Prinzip. Sind die Anzahl der Parkplätze sowie der Zufluss und der Abfluss der Fahrzeuge bekannt, lässt sich hieraus einfach die Verfügbarkeit freier Parkplätze bestimmen. Durch eine entsprechende Beschilderung der Zufahrtsstraßen und einer dynamischen Aktualisierung der Parkptatzinformationen fassen sich Fahrzeuge zu freien Parkplätzen navigieren. Prinzip bedingt ergeben sich hieraus Einschränkungen dahingehend, dass die Parkflächen klar umgrenzt sein müssen sowie der Zu- und Abgang der Fahrzeuge stets genau kontrolliert werden muss. Hierzu sind bauliche Maßnahmen, wie beispielsweise Schranken oder sonstige Zufahrtskontrollsysteme erforderlich.
Aufgrund dieser Beschränkung ist eine Navigation nur zu einer kleinen Zahl von freien Parkplätzen möglich. Mit den notwendigen baulichen Maßnahmen lassen sich üblicherweise nur Parkhäuser oder umzäunte Parkflächen in ein Parkleitsystem integrieren. Die weitaus größere Anzahl von Parkplätzen am Straßenrand oder nicht umgrenzten Parkplätzen wird jedoch nicht beachtet, da die Parksituation im öffentlichen Raum weitestgehend unbekannt ist. Nur vereinzelte Kommunen oder Verkehrsmanagementzentralen bieten Informationen für spezielle Flächen.
Zur Suche nach freien Parkplätzen ist insbesondere in Innenstädten und dicht bewohnten Gebieten eine Identifizierung von Parkplätzen entlang jeweiliger Straßenzüge erwünscht. Aus der DE 10 2009 028 024 A1 ist es hierzu bekannt, parkplatzausforschende Fahrzeuge einzusetzen, wie z.B. Fahrzeuge des öffentlichen Nahverkehrs, wie z.B. regelmäßig verkehrende Busse oder Taxis, welche zumindest einen Sensor zur Parkpiatzerkennung aufweisen. Die Sensorik kann hierbei auf optischen und/oder nicht optischen Sensoren basieren. Ferner sind Community-basierte Anwendungen bekannt, bei denen die Nutzer von Fahrzeugen beispielsweise in eine App eine Information eingeben, wenn sie einen Parkplatz verlassen. Diese Informationen werden dann anderen Nutzern des Dienstes bereitgestellt. Nachteilig hieran ist, dass die Informationen über verfügbare Parkplätze lediglich so gut sind, wie sie von den Benutzern zur Verfügung gestellt werden.
Bei beiden beschriebenen Alternativen besteht das Problem, dass die Information über das Vorhandensein eines einzelnen Parkplatzes sehr schnelllebig ist, d.h. in Gebieten mit viel Parksuchverkehr, in welchen eine Parkplatzinformation hilfreich wäre, ist ein freier Parkplatz in der Regel in kürzester Zeit belegt.
Von der Anmelderin ist unter der Anmeldenummer 10 2012 201 472.1 ferner ein Verfahren zur Bereitstellung von Parkinformationen zu freien Parkplätzen beschrieben, bei dem aus ermittelten Informationen über verfügbare, freie Parkplätze eine Wissensdatenbasis mit historischen Daten erzeugt wird. Die historischen Daten umfassen für vorgegebene Straßenzüge und/oder vorgegebene Zeiten oder Zeiträume jeweils statistische Daten über freie Parkplätze. Aus den historischen Daten und aktuellen Informationen, welche zu einem gegebenen Zeitpunkt für einen oder mehrere, ausgewählte Straßenzüge von im Verkehr befindlichen Fahrzeugen ermittelt werden, wird eine Wahrscheinlichkeitsverteilung zu erwartenden freien Parkplätzen für den oder die ausgewählten Straßenzüge ermittelt. Die Wahrscheinlichkeitsverteilung repräsentiert eine Parkinformation zu freien Parkplätzen in dem oder den ausgewählten Straßenzügen. Die Genauigkeit der Wahrscheinlichkeitsverteilung ist unter anderem von der Kenntnis einer sog. Einparkrate λρ abhängig. Die Einparkrate wird nach der Forme! λρ (t)= (1-Pn) λ(ί) berechnet, wobei λ(ί) eine Anfragerate repräsentiert, welche für ein Parksegment, d.h. ein betrachteten Bereich, in dem ein Einparkvorgang erwünscht ist, die Anzahl von Anfragen nach einem Parkplatz pro Zeit (d.h. Zeiteinheit) angibt. Pn gibt die Wahrscheinlichkeit eines freien Parkplatzes an.
Je genauer die Einparkrate λρ bekannt ist, desto genauer kann somit die Wahrscheinlichkeit für einen freien Parkplatz bestimmt werden.
Es ist Aufgabe der vorliegenden Erfindung, basierend auf diesem Verfahren der Anmelderin ein Verfahren anzugeben, das automatisiert den Beginn einer Parkplatzsuche ermitteln kann, um die Präzision der Bestimmung der Einparkrate zu verbessern. Diese Aufgabe wird gelöst durch ein Verfahren gemäß den Merkmalen des Patentanspruchs 1 und ein Computerprogrammprodukt gemäß den Merkmalen des Patentanspruchs 16. Vorteilhafte Ausgestaltungen sind in den abhängigen Patentansprüchen angegeben.
Die Erfindung schafft ein Verfahren zum Verarbeiten von Messdaten eines Fahrzeugs zur Bestimmung des Beginns einer Parkplatzsuche. Das nachfolgend beschriebene Verfahren kann onboard, d.h. in dem Fahrzeug, das den Parkplatz sucht, oder offboard, d.h. durch einen zentralen Rechner, an den die Fahrdaten übertragen werden, durchgeführt werden. Weiter bietet das vorgeschlagene Verfahren die Möglichkeit die Berechnungen online, d.h. in Echtzeit während der Fahrt, oder offline, d.h. nachgelagert nach der Fahrt durchzuführen.
In einem ersten Schritt erfolgt ein Erfassen einer Anzahl an Fahrtdatenvektoren, wobei jeder Fahrtdatenvektor eine Information über eine Geschwindigkeit, Positionsdaten und den Zeitpunkt der Erfassung der Geschwindigkeit und der Positionsdaten umfasst. Das Erfassen der Anzahl an Fahrtdatenvektoren erfolgt in einem vorgegebenen Zeitabstand (nachfolgend auch als Abtastrate bezeichnet) im Sekundenbereich, z.B. jede Sekunde oder alle fünf oder zehn Sekunden. Die Fahrtdatenvektoren folgen damit einer festen zeitlichen Reihenfolge. Die Positionsdaten können durch GPS (Global Positioning System)- Daten repräsentiert sein. Die Positionsdaten können durch ein GPS-Modul des Fahrzeugs ermittelt werden. Die Geschwindigkeit kann wahlweise durch den Geschwindigkeitssensor des Fahrzeugs oder aus den Positionsdaten und Erfassungszeitpunkten zweier aufeinander folgender Messungen ermittelt sein.
In einem nächsten Schritt erfolgt die Ermittlung eines Merkmalsvektors zu jedem Zeitpunkt der Erfassung eines Fahrtdatenvektors, wobei die Informationen des aktuellen und zeitlich zurück liegender Fahrtdatenvektoren verarbeitet werden, wobei der Merkmalsvektor als Merkmalskomponenten zumindest eine Geschwindigkeitsinformation und eine Weginformation umfasst. Hierdurch wird der Verlauf der Fahrt des Fahrzeugs berücksichtigt. In diesem Schritt werden die Werte der Merkmale für jeden neu erfassten Fahrtdatenvektor neu berechnet und in einem Merkmalsvektor zusammengefasst. Zu jedem (Mess- oder Erfassungs-)Zeitpunkt wird somit ein Merkmaisvektor berechnet, wobei aktuelle sowie vorangegangene Fahrtdatenvektoren herangezogen werden.
In einem nächsten Schritt erfolgt die Klassifizierung jedes Merkmaisvektors, wobei jede der Merkmalsvektoren einer von zwei Verkehrskategorien zugeordnet wird. Die erste Verkehrskategorie bezeichnet den Zieiverkehr, wobei der Fahrer keinen Parkplatz sucht, während die zweite Verkehrskategorie den Parksuchverkehr bezeichnet, wobei der Fahrer einen Parkplatz sucht. Bei der Bestimmung der Verkehrskategorie wird eine Wahrscheinlichkeit berechnet, weiche angibt, mit welcher Wahrscheinlichkeit der Merkmalsvektor der ersten oder der zweiten Verkehrskategorie zuzuordnen ist. in diesem Schritt werden die erzeugten Merkmalsvektoren einzeln betrachtet und bezüglich zweier Verkehrsklassen, nämiich einem durch die erste Verkehrskategorie repräsentierten Zielverkehr und einem durch die zweite Verkehrskategorie repräsentierten Parksuchverkehr klassifiziert. Am Ende dieses Schrittes liegt für jeden Merkmalsvektor eine Wahrscheinlichkeit vor, welche angibt, mit welcher Wahrscheinlichkeit ein Merkmalsvektor zum Parksuchverkehr und zum Zielverkehr gehört.
Schließlich erfolgt eine Segmentierung über den zeitlichen Verlauf der ermittelten Verkehrskategorien der Merkmalsvektoren, wobei eine Unterteilung der Fahrt vom Start bis zur letzten Erfassung eines Fahrdatenvektors entsprechend der bestimmten Verkehrskategorien der Merkmalsvektoren in zwei Segmente erfolgt und der Übergang von einem Segment in das andere Segment den Beginn der Parkplatzsuche repräsentiert. Die Aufgabe der Segmentierung ist es, anhand der Analyse des zeitlichen Verlaufs der Klassifikation von Merkmalsvektoren jenen Fahrtdaten vektor zu ermitteln, der den Start der Parkplatzsuche markiert. Das Ergebnis der Segmentierung ist eine Unterteilung der Fahrt in zwei Segmente, entsprechend der Verkehrskategorien, was die Grundlage zur Berechnung der gewünschten Informationen zu Intensität und Lokalisierung des Parksuchverkehrs bildet.
Ist der Beginn einer Parkpiatzsuche bekannt, so kann dieser dazu genutzt werden, die Wahrscheinlichkeit eines verfügbaren Parkplatzes in der Umgebung genauer zu berechnen. Hierzu kann z.B. das einleitend beschriebene Verfahren in der DE 10 20 2 201 472.1 der Anmelderin genutzt werden. Ferner kann die Kenntnis des Beginns einer Park- platzsuche auch von Stadtplanern verwendet werden, um Parksituationen in einzelnen Straßen oder Stadtvierteln abzuschätzen.
Um die zu verarbeitende Datenmenge so gering wie möglich zu halten, kann es zweckmäßig sein, eine Vorfilterung der Fahrtdatenvektoren vorzunehmen. So können Fahrtdatenvektoren bei der Bestimmung des Beginns der Parkplatzsuche unberücksichtigt bleiben, wenn die Information über die Geschwindigkeit des Fahrtdatenvektors größer als ein erster Schwellwert oder kleiner als ein zweiter Schwellwert ist. Hierdurch können z.B. außerstädtische Fahrten und Standphasen des Fahrzeugs außer Acht gelassen werden. Der erste Schwellwert kann z.B. zwischen 50 km/h und 100 km/h liegen und beträgt insbesondere 80 km/h. Der zweite Schwellwert kann z.B. zwischen 2 km/h und 8 km/h liegen und beträgt insbesondere 4 km/h.
In einerweiteren Ausgestaltung werden für die Ermittlung eines jeweiligen Merkmalsvektors die Fahrtdatenvektoren innerhalb eines Merkmalsfensters, das eine vorgegebene Strecke repräsentiert, verarbeitet, wobei das Merkmalsfenster die Fahrtdatenvektoren von der aktuellen Position bzw. Messung bis zur ersten Position bzw. Messung, die auf der zurückgelegten Strecke weiter als die vorgegebene Strecke zurückliegt, mit einschließt. Die Anzahl der Fahrtdatenvektoren in einem Merkmalsfenster kann somit in Abhängigkeit von Abtastrate und Geschwindigkeit variieren. Beträgt die Größe des Merkmalsfensters beispielsweise 1 km, sind bei einer höheren Durchschnittsgeschwindigkeit auf dem letzten Kilometer weniger Fahrtdatenvektoren im Merkmalsfenster enthalten, als bei einer geringeren Geschwindigkeit, sofern eine konstante Abtastrate angenommen wird.
In einer weiteren Ausgestaltung umfasst der Merkmalsvektor als Merkmaiskomponenten zusätzlich zu der Geschwindigkeitsinformation und der Wegänformation eine oder mehrere der folgenden Merkmalskomponenten:
eine Information über eine Kreisförmigkeit der zurückgelegten Strecke. Die
Kreisförmigkeit berücksichtigt ein typisches Verhaltensmuster bei Parkplatz-suchenden Fahrzeugen, dessen Fahrtstrecke häufig eine kreisförmige Wahl der Wegführung (beispielsweise durch Biockumfahrten) beschreibt. Bezugsgröße ist hierbei der Abstand der aktuellen Position zu einem Schwerpunkt der bislang erfassten Wegpunkte, welche sich aus den Positionsdaten der jeweiligen Fahrtdatenvektoren ergeben. eine Information über eine PCA-Kreisförmigkeit der zurückgelegten Strecke. Hier wird zur Bestimmung der Kreisförmigkeit der Wegführung die sog. PCA (Principal Com- ponent Analysis) als Hilfsmittel verwendet. Wendet man die PCA auf die zweidimensionalen Positionsvektoren eines Merkmalsfensters an, so erhält man neben den beiden Hauptkomponenten, welche die zueinander orthogonalen Achsen mit der höchsten Varianz der einzelnen Wegpunkte beschreiben, einen relativen Wert für den Anteil an der Gesamtvarianz der Achsen.
eine Information über eine Richtungsänderung. Parkplatz-suchende Fahrzeuge biegen häufig ab. Anhand der aktuellen und einer zurückliegenden Position ist es möglich, für jeden Fahrtdatenvektor die Fahrtrichtung in Form eines Winkels (0° bis 359°, entsprechend den Himmelsrichtungen) zu berechnen. Um einen aussagekräftigen Wert für die Rtchtungsänderung im Fahrtverlauf zu berechnen, kann der arithmetische Mittelwert über alle Richtungsänderungen gebildet werden. Vorzugsweise erfolgt dies mit normierten Werten.
eine Information über eine Ziel-Ineffizienz. Dieses Merkmal berechnet die Ineffi- zienz der Wegführung bezogen auf das Ziel der Fahrt. Während der Fahrt ist das Ziel anhand der Fahrtdaten nicht zu bestimmen, deshalb kann dieses Merkmal erst nach Ende der Fahrt, nachdem alle Fahrtdatenvektoren bekannt sind, gebildet werden. Als Zielposition wird die Position des letzten Fahrtdatenvektors angenommen, welche den Ort des gefundenen Parkplatzes darstellt. Diese Merkmalskomponente kann somit nur bei einem Verfahren zur Anwendung kommen, das offline nach der abgeschlossenen Fahrt durchgeführt wird.
Die Geschwindigkeitsinformation kann gemäß einer Ausgestaltung ein arithmetisches Mittel und/oder der Median der mittleren Geschwindigkeiten der für die Ermittlung eines jeweiligen Merkmalsvektors berücksichtigten Fahrtdatenvektoren sein.
Die Weginformation kann gemäß einer Ausgestaltung eine Weg-Ineffizienz sein, welche durch das Verhältnis der tatsächlich gefahrenen Strecke im Hinblick auf die kürzeste Strecke zwischen den Positionen zweier Fahrtdatenvektoren angibt, wie ineffizient die gefahrene Strecke ist. Die Ineffizienz der Wegführung ist ein Merkmal, welches angibt, wie ineffizient die vom Fahrer gewählte, gefahrene Route im Hinblick auf die Näherung zum Fahrtztel ist. Dies berücksichtigt die Charakteristik der Klassifikatoren (Verkehrsklassen), da Fahrzeuge, die dem Zielverkehr angehören, versuchen, dem angestrebten Ziel auf möglichst schnellem und effizientem Weg näher zu kommen, während Parkplatzsuchende Fahrzeuge ihr Ziel meist schon erreicht haben und es bei der Suche nach einem Parkplatz umkreisen.
Hier kann vorgesehen sein, als Weginformation diejenige Weg-Ineffizienz für einen Merkmalsvektor zu verarbeiten, welche für die verarbeitete Menge an Fahrtdatenvektoren maximal ist.
In einer weiteren Ausgestaltung werden zur Klassifizierung jedes Merkmalsvektors die Merkmalsvektoren normiert. Unterschiedliche Merkmalskomponenten (kurz: Merkmaie) haben verschiedene Wertebereiche. Damit Merkmalskomponenten mit numerisch höherem Wertebereich nicht über Merkmaiskomponente mit numerisch kleinerem Wertebereich dominieren und um die Merkmaiswerte vergleichbarer zu machen, werden die Merkmale normiert. Dies hat den Effekt, dass sowohl Merkmaie mit großem Wertebereich als auch Merkmale mit kleinem Wertebereich auf denselben Wertebereich abbilden.
Zur Berechnung normalisierter Merkmalskomponenten kann eine dem Fachmann bekannte z-Normaltsierung verwendet werden, bei der für jede Merkmalskomponente der Mittelwert und die Standardabweichung ermittelt werden und mit diesen die Merkmalskomponenten transformiert werden.
Anschließend ist es zweckmäßig, die Merkmalskomponenten durch eine Vektorprojektion zu reduzieren, insbesondere durch Anwendung einer Hauptkomponentenanalyse (PCA). Die Hauptkomponentenanafyse ist eine unüberwachte Methode zur Merkmalsreduktion. Sie verfolgt das Ziel, jene Hauptachsen in einem Merkmalsraum zu finden, auf denen die darauf abgebildeten Merkmalsvektoren eine maximale Varianz erreichen.
Die Berechnung der Wahrscheinlichkeit des Klassifikators kann dann mit dem Satz von Bayes erfolgen, welcher dem Fachmann z.B. aus [1] oder [2] bekannt ist.
In einer weiteren Ausgestaltung ist der Beginn der Parkplatzsuche durch einen positiven Übergang der ersten Verkehrskategorie zur zweiten Verkehrskategorie definiert, wobei der Fahrtdatenvektor, der der zweiten Verkehrskategorie zugeordnet ist, den Beginn der Parkplatzsuche repräsentiert. Im umgekehrten Fall von einem Übergang der zweiten Ver- kehrskategorie zur ersten Verkehrskategorie wird von einem negativen Übergang gesprochen. Im idealfall kommt ein positiver Übergang auf einer Fahrt höchstens einmal vor. Die Realität zeigt allerdings, dass während einer Fahrt mehrere positive Übergänge vorkommen können. Der Beginn der Parkplatzsuche kann dann mit den nachfolgenden Alternativen ermittelt werden:
In einer ersten Alternative wird als Beginn der Parkplaizsuche der in zeitlicher Hinsicht letzte positive Übergang des ersten Klassifikators zu dem zweiten Klassifikator gewählt, solange das Klassifikationsergebnis der nachfolgenden Fahrtdatenvektoren konstant den zweiten Klassifikator umfasst. Nach einem negativen Übergang wird der den Beginn der Parkplatzsuche markierende Fahrtdatenvektor verworfen, sodass ab diesem Zeitpunkt kein erfasster Suchbeginn mehr vorhanden ist.
In einer zweiten Alternative wird als Beginn der Parkplatzsuche der in zeitlicher Hinsicht fetzte positive Übergang des ersten Klassifikators zu dem zweiten Klassifikator gewählt, solange das Klassifikationsergebnis der nachfolgenden Fahrtdatenvektoren für eine vorgegebene Fahrtstecke konstant die zweite Verkehrskategorie umfasst. Diese Segmentierungsalternative erweitert die erste Alternative mit einem Distanzkriterium. Dabei wird ein ermittelter Fahrtdatenvektor nach einem negativen Übergang nicht sofort vergessen, sondern für eine gewisse Strecke nach dem negativen Übergang beibehalten. Wird innerhalb dieser Strecke ein weiterer positiver Übergang gefunden, so wird dieser ignoriert und der früher ermittelte Fahrdatenvektor beibehalten. Wird kein positiver Übergang gefunden, so wird der den Beginn der Parkplatzsuche markierende, frühere Fahrtdatenvektor am Ende der Strecke nach dem negativen Übergang vergessen.
In einer dritten Alternative wird der Beginn der Parkplatzsuche anhand eines Integrals des Verlaufs der Wahrscheinlichkeit über die zurückgelegte Strecke ermittelt. Bei dieser dritten Alternative wird nicht nur die harte Entscheidung, ob ein Merkmalsvektor Parksuchverkehr darstellt oder nicht, zur Ermittlung des Suchbeginns verwertet, sondern auch die Sicherheit, mit der die Entscheidung getroffen wurde. Wird, falls kein Suchbeginn vorhanden, mit einem neuen Fahrtdatenvektor ein positiver Übergang erfasst, wird kontinuierlich das Integral des Verlaufs der sog. a-posteriori-Wahrscheinlichkett über die zurückgelegte Strecke berechnet. Wird das Ergebnis der Integralberechnung negativ, wird der bisher ermittelte Fahrtdatenvektor verworfen. Die Erfindung schafft weiterhin ein Computerprogrammprodukt, das direkt in den internen Speicher eines digitalen Rechners oder Rechnersystems, z.B. einen Rechner eines Fahrzeugs oder einen zentralen Rechner, geladen werden kann und Softwarecodeabschnitte umfasst, mit denen die Schritte gemäß einem der vorhergehenden Ansprüche ausgeführt werden, wenn das Produkt auf dem Rechner oder Rechnersystem läuft.
Die Erfindung wird nachfolgend näher anhand eines Ausführungsbeispieis in der Zeichnung erläutert. Es zeigen: eine schematische Darstellung von zeitlich aufeinander folgend erhobenen Fahrtdatenvektoren;
Fig. 2 eine schematische Darstellung eines Flussdiagramms des erfindungsgemäßen Verfahrens;
Fig. 3 eine schematische Darstellung von auf die erfassten Fahrtdatenvektoren angewandten Merkmaisfenstern;
Fig. 4 Darstellung zur Erläuterung einer Weg-Ineffizienz;
Fig. 5 und 6 eine Darstellung zur Erläuterung einer Kreisförmigkeit;
Fig. 7 und 8 Darstellung zur Erläuterung einer PCA-Kreisförmigkeit;
Fig. 9 eine Darstellung zur Erläuterung einer durchschnittlichen Richtungsänderung;
Fig. 10 eine schematische Darstellung einer im Rahmen des Verfahrens genommenen Glättung der verarbeiteten Daten;
Fig. 11 eine Tabelle mit einer Trainingsmatrix; Fig. 12, 13 und 14 ein Histogramm, die Kiassendichte und resultierende Entscheidungsgrenzen zur Ermittlung einer Wahrscheinlichkeit für die Klassifikation der Merkmalsvektoren; und
Fig. 15, 16, und 17 verschiedene Alternativen zur Durchführung einer Segmentierung.
Das vorgeschlagene und nachfolgend im Detail beschriebene Verfahren ermöglicht es, den Parksuchanteif einer Autofahrt zu bestimmen, um Informationen über eine erfolgte Parkplatzsuche zu bestimmen, wie z.B. die Zeit, welche effektiv bis zum Auffinden eines Parkplatzes vergangen ist, oder die Strecke, die während der Suche nach einem Parkplatz zurückgelegt wurde, oder den Ort oder das Gebiet, in welchem nach einem Parkplatz gesucht wurde. Das Verfahren ermöglicht daraus insbesondere die Bestimmung des Beginns der Parkplatzsuche einer Autofahrt.
Das Verfahren kann durch einen Recheneinheit in dem Fahrzeug (d.h. onboard) oder durch eine zentrale Recheneinheit außerhalb des Fahrzeugs (d.h. offboard) durchgeführt werden. Ausgangspunkt des Verfahrens bilden sog. Fahrtdatenvektoren (i=1...N) einer Fahrt des Fahrzeugs. Die Fahrtdatenvektoren x, werden z.B. durch das Fahrzeug zu vorgegebenen Messzeitpunkten ermittelt und sequentiell in mehreren Schritten verarbeitet. Wird das Verfahren offboard durchgeführt, werden die Fahrtdatenvektoren ^ vorzugsweise in Echtzeit über eine Kommunikationsschnittstelle an den zentralen Rechner übertragen.
Eine Fahrt wird repräsentiert durch eine abzahlbare Menge von N Fahrtdatenvektoren [ , x2; xN], wobei
Dies ist exemplarisch in Fig. 1 dargesteiit. Ein Fahrtdatenvektor x, (Gl. 3.1) besteht jeweils aus Angaben zu Geschwindigkeit v, und GPS-Position p, zum Zeitpunkt ti der Erfassung des Fahrdatenvektors. Die Fahrtdatenvektoren folgen einer festen zeitlichen Reihenfolge, da t, < tj+i ist. Die GPS-Posttionen i können durch ein in dem Fahrzeug verbautes oder in dieses eingebrachtes Navigationssystem erfasst werden. Die Geschwindigkeit wird z.B. durch einen Sensor des Fahrzeugs erfasst und ist im Fahrzeug typischerweise in einer Recheneinheit oder an einem Datenbus verfügbar.
Es wird angenommen, dass ein Fahrzeuglenker während einer Fahrt nur einmal die Entscheidung trifft, einen Parkplatz zu suchen. Mitunter kann es vorkommen, dass ein Fahrer in einem Gebiet zu suchen anfängt, nach einer gewissen Zeit die Suche dort abbricht und in einem anderen Gebiet fortsetzt. In diesem Fall wird die letzte Entscheidung zur Parkplatzsuche als wahrer Suchbeginn angenommen. Zudem wird angenommen, dass jede Fahrt auf einem öffentlichen Parkplatz am Straßenrand endet.
Entsprechend diesen Annahmen besitzt jede Fahrt genau einen wahren Zeitpunkt Tpark, ab dem ein Parkplatz gesucht wird. Wird direkt nach dem Entschluss zur Parkplatzsuche ein Parkplatz gefunden, so ist Tpark = TenCie. Anhand dieses Zeitpunkts kann eine Fahrt in zwei Segmente entsprechend der Art des Fahrttyps Cj(sog. Verkehrskategorien oder Verkehrsklassen) unterteilt werden: Das erste Segment seit Fahrtbeginn stellt dabei immer den sog.„Zielverkehr" ZV dar, während das zweite Segment dem sog.„Parksuchverkehr" PSV entspricht. Ais Zielverkehr ZV wird derjenige Teii der Fahrt bezeichnet, in dem der Fahrer von einem Startpunkt Tstart der Fahrt zu dem Bereich fährt, in dem ein Parkplatz gesucht wird. Während des Zielverkehrs ZV sucht der Fahrer keinen Parkplatz.
Die Zuordnung der Fahrtdatenvektoren zur jeweiligen Verkehrsklasse erfolgt durch ein Klassenlabel c,. Für die Fahrtdatenvektoren einer Fahrt gilt:
Ci = 0; für i = 1 ; ... ; ipark-i -> Zielverkehr
Cj = 1 ; für i = ipark; N - Parksuchverkehr (3.2) ipark ist der erste Index, ab dem der Fahrtdatenvektor Xi zum Parksuchverkehr gehört und steht somit den Beginn der Parkplatzsuche dar. Der wahre Zeitpunkt Tpai1t und der dazugehörige Ort des Suchbeginns einer Fahrt kann anhand von ty»,* und Pi_p3rk in Xu»* angenähert werden.
Sind ipark und die Fahrtdatenvektoren xjpark; xN bekannt, können Suchdauer Tpark und Suchstrecke Spafk wie folgt approximiert werden: Tpark — ijV tipark 3) wobei δ(., .) den Abstand zweier GPS-Positionen auf der Erdoberfläche in Metern repräsentiert. Alternativ kann eine Distanzfunktion verwendet werden, die den kürzesten Weg zwischen zwei Punkten bezüglich einer richtigen Navigations-Karte berechnet.
Der Ort der Parkplatzsuche kann entweder direkt durch die GPS-Positionen der Suchstrecke, durch Map-Matching der Positionen auf Straßen, oder indirekt durch eine Angabe des sog. Such-Schwerpunkts und mittleren Suchradius der Suchstrecke angegeben werden. Grundlage für die Berechnung dieser Werte ist p3rk. Die Ermittlung von ipark, und damit des Beginns der Parkpiatzsuche, ist das Ziel des im Folgenden näher beschriebenen Verfahrens.
Fig. 2 zeigt das Vorgehen des erfindungsgemäßen Verfahrens in einem Flussdiagramm.
Zu Beginn werden nicht relevante Fahrtdatenvektoren im Zuge einer optionalen Vorfilterung (Schritt S1) aussortiert. Anschließend werden anhand von bekannten Fahrtdatenvektoren Merkmalsvektoren erzeugt (Schritt S2) und optional geglättet (Schritt S3). Die Klassifizierung (Schritt S4) berechnet für jeden Merkmalsvektor eine Wahrscheinlichkeit für die Klassenzugehörigkeit zur Verkehrsklasse Parksuchverkehr. Die darauffolgende Segmentierung (Schritt S5) analysiert den Klassifikationsverlauf und bestimmt durch den ermittelten Suchbeginn der Fahrt die endgültigen Klassenlabels . Am Ende der Fahrt werden die ermittelten Ergebnisse optional piausibilisiert (Schritt S6).
Diese Schritte werden nachfolgend näher im Detail beschrieben.
Jene Fahrtdatenvektoren xi( die aufgrund von festgelegten Kriterien keine Rolle bei der Ermittlung des Suchbeginns spielen, werden in Schritt S1 der Vorfilterung erkannt und aussortiert. Aussortieren bedeutet in diesem Zusammenhang, dass der betreffende Fahrtdatenvektor j nicht zur weiteren Verarbeitung an den nächsten Schritt, der Merk- malsextraktion, weitergereicht wird. Hierzu zählen z.B. Fahrten außerhalb des Stadtverkehrs sowie Standphasen.
Ein Straßenrandparkpiatz wird typischerweise im Stadtverkehr gesucht. Die Obergrenze für die erlaubte Geschwindigkeit liegt auf Straßen in innerstädtischen Gebieten bei 80 km/h. Da bei einer größeren Geschwindigkeit zudem nicht mehr von Parksuchverkehr auszugehen ist, wird ein Fahrtdatenvektor xä mit z.B. v, > 80 km/h aussortiert. Dieser Grenzwert kann auch geringer oder höher gewählt werden.
Während ein Fahrzeug still steht (zum Beispiel an einer Ampel, oder im Stau), sind weder Änderungen an der Geschwindigkeit, noch Änderungen an der Position zu beobachten. Die aufgezeichneten Fahrtdatenvektoren xs während Standphasen beinhalten, bis auf den Zettstempel, somit die gleichen Informationen. Da Informationen über Standphasen für keinen der nachfolgenden Schritte relevant sind, werden Fahrtdatenvektoren Xj mit z.B. Vi < 4 km/h aussortiert. Die Wahl dieses Schweiiwerts ist dadurch begründet, dass auf diese Weise auch Einparkvorgänge nicht erfasst werden, deren Geschwindigkeit typischerweise zwischen 0-4 km/h liegt.
In dem darauf folgenden Schritt S2 erfolgt die Merkmalsextraktion. Zur Identifikation von Parkplatz-suchenden Fahrzeugen können eine geringe Durchschnittsgeschwindigkeit, häufiges Abbiegen und Blockumfahrten herangezogen werden. Um Aufschluss über diese Charakteristika der Fahrt zu erhalten, ist ein einzelner Fahrtdatenvektor mit seinen Informationen über die momentane Geschwindigkeit und Position nicht ausreichend, sondern es muss dessen Verlauf berücksichtigt werden.
Der Verlauf der Signalwerte von einzelnen Fahrtdaten bildet die Grundlage der in diesem Abschnitt vorgestellten Extraktion von Merkmalen. Dabei werden die Werte der Merkmale für jeden neu eintretenden Fahrtdatenvektor neu berechnet und in einem Merkmalsvektor m zusammengefasst. Zu jedem Zeitpunkt tt wird ein Merkmaisvektor mit folgenden Merkmalskomponenten berechnet: .Mittlere ( k^ i mdigkdi
Krcisfönnigkdt
III
Es ist dabei ausrechend, wenn als Merkmalskomponenten (nachfolgend auch als Merkmale bezeichnet) die mittlere Geschwindigkeit und die Weg-Ineffizienz berücksichtigt werden. Durch die Berücksichtigung weiterer Merkmalskomponenten kann die Genauigkeit der Bestimmung des Beginns der Parkplatzsuche noch verbessert werden, wobei die Genauigkeit nur in geringem Umfang steigt. Für die Berechnung der verschiedenen Merkmale werden der aktuelle sowie vorangegangene Fahrtdatenvektor herangezogen. Die zur Berechnung von Merkmalen zu berücksichtigenden Fahrtdatenvektoren werden anhand eines Merkmalsfensters MF,, das in Fig. 3 näher dargestellt ist, bestimmt.
Die Größe lf des Merkmalsfensters MF, basiert auf der zurückgelegten Strecke, da der Großteil der konstruierten Merkmaie den Verlauf der Wegführung analysiert. Orientierte sich das Merkmalsfenster an der vergangenen Zeit, würde die Länge des Streckenabschnittes in einem Merkmalsfenster FS je nach Geschwindigkeit variieren, sowie wäre eine Mindestlänge des Streckenabschnitts nicht gewährleistet. Dies ist aber erforderlich, um die berechneten Merkmale im Fahrtverlauf miteinander vergleichen zu können.
Das Merkmalsfenster MFä schließt die Fahrtdatenvektoren von der aktuellen Position x, bis zur ersten Position, die auf der zurückgelegten Strecke weiter als lf zurück liegt, mit ein. Die Anzahl der Fahrtdatenvektoren in einem Merkmalsfenster kann somit in Abhängigkeit von Abtastrate und Geschwindigkeit variieren. Beträgt die Größe des Merkmaisfensters beispielsweise 1 km, sind bei einer höheren Durchschnittsgeschwindigkeit auf dem letzten Kilometer weniger Fahrtdatenvektoren im Merkmalsfenster enthalten, als bei einer geringeren, sofern eine konstante Abtastrate angenommen wird. Merkmalsvektoren m, können erst ab einer zurückgelegten Strecke von lf seit Fahrtbeginn berechnet werden, um die Vergletchbarkeit zwischen den berechneten Merkmaisvektoren m, zu gewährleisten. Für den weiteren Verlauf der Beschreibung werden die Fahrtdatenvektoren innerhalb eines Merkmalsfensters, welches bei Xj verankert ist, mit xf1 ; χβ ^ bezeichnet, wobei xf dem ältesten und x^ dem jüngsten Fahrtdatenvektor entspricht. Entsprechend gilt Xj =
XfM.
Nachfolgend werden die aus Fahrtdaten berechneten Merkmale (Merkmalskomponenten) im Einzelnen näher beschrieben.
Mittlere Geschwindigkeit
Für die Berechnung der mittleren Geschwindigkeit v wird nicht das arithmetische Mittel über alle Geschwindigkeitswerte im Merkmalsfenster gebildet, sondern der Median. Der Grund dafür ist dessen Robustheit gegenüber Ausreißern.
Vi = median { v t„ v/2 , . ·., VfM }
Durch den Verfahrensschritt der Vorfilterung (Schritt S1) der Fahrtdatenvektoren stellt dieser Wert die mittlere Geschwindigkeit in Fahrtphasen dar.
Weg-lneffizienz
Die Ineffizienz der Wegführung η ist ein Merkmal, welches angibt, wie ineffizient die vom Fahrer gewählte, gefahrene Route im Hinblick auf die Näherung zum Fahrtziel ist. Die Idee dafür entspringt der Charakteristik der Verkehrsklassen, da Fahrzeuge, die dem Zielverkehr angehören, versuchen, dem angestrebten Ziel auf möglichst schnellem und effizientem Weg näher zu kommen, während Parkplatz-suchende Fahrzeuge ihr Ziel meist schon erreicht haben und es bei der Suche nach einem Parkplatz umkreisen.
Wenn eine Strecke durch die Wegpunkte pi p2; p«3 mit der Ausgangsposition pr und der Endposition pK gegeben ist, so lassen sich zwei Streckenmaße berechnen, welche die Grundlage für die Berechnung dieses Merkmals bilden. Dies ist zur Illustration in Fig. 4 verdeutlicht. sd ist die kürzeste Strecke zwischen pi und p , wobei im Rahmen dieser Beschreibung die Luftlinie verwendet wird. sz repräsentiert die zurückgelegte Strecke zwischen ρ·, und pK. Dies entspricht der Länge der gewählten Wegführung von nach pK. Es gilt sz > sd. Das Verhältnis der beiden Strecken zueinander gibt darüber Aufschluss, ob die gewählte Route eine direkte Route zur Endposition (effizient) oder einen Umweg (ineffizient) darstellt. Ein Wert für die Ineffizienz der Wegführung kann durch
»te([pi , jf| ) = 1 - , ;// € [0, 1], k€ [I i ~ 1]
(3.7) berechnet werden. Die gefahrene Strecke sz wird durch die Summe aller Teilstrecken zwischen den einzelnen Wegpunkten approximiert. Der Index k gibt an, weicher Wegpunkt in der Menge [pi; ... ; p«J als Ausgangsposition zur Berechnung der ineffizienz dienen soll. Ein Wert von η«—► 0 lässt auf eine effiziente Wegführung schließen, während ηκ— > 1 eine ineffiziente Wegführung bedeutet.
Für die Berechnung des Merkmals stehen die Wegpunkte eines Merkmalsfensters [pf ; Pfa; ·■; Pm] zur Verfügung. Ziel bei der Berechnung des Merkmals ist es, die höchste Ineffizienz zwischen der aktuellen Position pm und allen restlichen Positionen im Merkmalsfenster zu ermitteln:
Auf diese Weise schlagen sich Kreise und Kehrtwenden, welche im Streckenverlauf mehrerer aufeinanderfolgender Merkmalsfenster enthalten sind, ähnlich auf den Merkmalswert aus.
Kreisförmigkeit
Da ein typisches Verhaltensmuster bei Parkplatz suchenden Fahrzeugen eine kreisförmige Wahl der Wegführung (beispielsweise durch Blockumfahrten) beschreibt, wird mit diesem Merkmal beabsichtigt die Kreisförmigkeit κ der Strecke innerhalb des Merkmalsfens- ters zu erfassen. Bezugsgröße ist hierbei der Abstand sm der aktuellen Position pM zum Schwerpunkt der Wegpunkte pf . Entspricht sm ~ lf/2, so ist von einer geradlinigen Strecke auszugehen (Fig. 5). Je kleiner dieser Abstand wird, desto kreisförmiger wird die Wegführung (Fig. 6).
Der Schwerpunkt der Strecke wird durch das arithmetische Mittel über die einzelnen Komponenten der Positionen im Merkmalsfenster berechnet:
M
(3
Der Wert für die Kreisförmigkeit berechnet sich durch:
(3.10)
Hierbei wird die Entfernung zwischen Schwerpunkt und aktueller Position durch die effektive Größe des Merkmalsfensters normiert, um einen Wert zwischen 0 und 1 zu erhalten. Um für K — > 0 eine geradlinige Wegführung und für κ—► 1 eine kreisförmige Wegführung annehmen zu können, wird der normierte Term zusätzlich von 1 subtrahiert.
PCA-Kreisförmicjkeit
Eine weitere Möglichkeit zur Bestimmung der Kreisförmigkeit der Wegführung verwendet die PCA (Principal Component Analysis, die z.B. in [1] beschrieben ist) als Hilfsmittel. Wendet man die PCA auf die zweidimensionalen Positionsvektoren eines Merkmalsfensters an, so erhält man neben den beiden Hauptkomponenten, welche die zueinander orthogonalen Achsen mit der höchsten Varianz der einzelnen Wegpunkte beschreiben, einen relativen Wert für den Anteil an der Gesamtvarianz der Achsen, beschrieben durch und λ2. λι entspricht dem relativen Varianzanteil der Achse mit der höchsten Varianz, weshalb λι £ λ2 gilt. Verläuft die untersuchte Strecke auf einer geraden Linie, verteilt sich die gesamte Varianz der Wegpunkte nur auf der durch die erste Hauptkomponente beschriebenen Achse (Fig. 7). Auf die Achse der zweiten Hauptkomponente entfällt nur ein geringer Anteil an der Gesamtvarianz. Beschreiben die Wegpunkte eine vollkommen kreisförmige Wegführung, so steigt der Anteil der zweiten Hauptkomponente an der Gesamtvarianz, sodass λ-s = λ2 (Fig. 8).
Zur Berechnung der PCA-Kreisförmigkeit p wird die PCA auf die Positionsinformationen innerhalb eines Merkmalsfensters angewendet. Anschließend wird aus den resultierenden Skaiaren und λ2 der Quotient gebildet:
Durch die Beschränkung λι £ λ2 bewegt sich der Wert von p zwischen 0 und 1 , wobei pf - 0 eine geradlinige und pf -> 1 eine kreisförmige Wegführung bedeutet.
Richtungsänderung
Parkplatz suchende Fahrzeuge biegen häufig ab. Anhand der aktuellen und einer zurückliegenden Position ist es möglich, ist es möglich, für jeden Fahrtdatenvektor x, die Fahrtrichtung Φί in Form eines Winkeis (0° bis 359°, entsprechend den Himmelsrichtungen) zu berechnen. Mit Hilfe von Φ kann ein Wert für die Richtungsänderung Δφ, normiert auf die zurückgelegte Strecke sd zwischen zwei Wegpunkten berechnet werden:
(3.12) mit
A fi = min{|<Pi - i_i |, 360° - \ ι - < _ij} Um einen aussagekräftigen Wert für die Richtungsänderung im Fahrtveriauf zu berechnen, wird der arithmetische Mittelwert Δ^. über alle normierten Richtungsänderungen
^ο,Λ im Merkmalsfenster gebildet:
Fig. 9 zeigt Fahrtrichtungen φ-ιΑ und an den entsprechenden Positionen pM und sowie deren Differenz .
Ziel-lneffizienz
Dieses Merkmal berechnet die Ineffizienz der Wegführung bezogen auf das Ziel der Fahrt. Während der Fahrt ist das Ziel anhand der Fahrtdaten nicht zu bestimmen, deshalb kann dieses Merkmai erst nach Ende der Fahrt (d.h. offline), nachdem alle Fahrtdatenvektoren bekannt sind, gebildet werden. Als Zielposition wird die Position pN des letzten Fahrtdatenvektors angenommen, welche den Ort des gefundenen Parkplatzes darstellt.
Die Ineffizienz der Wegführung bezogen auf das Ziel ζ wird für jeden Fahrtdatenvektor folgendermaßen berechnet (vgl. Gl. 3.7):
Da es beispielsweise bei Kurierfahrten vorkommen kann, dass Start- und Endposition einer Fahrt in der Nähe liegen, ist eine maximale Ziel-lneffizienz bereits am Anfang der Fahrt vorhanden. Dies kann umgangen werden, indem der vom Ziel am weitesten entfernte Wegpunkt p/rf = argmaxp. {^( .,ρ^)}^ von der Zieiposition ermittelt wird und die Werte des Merkmals für i < id gleich Null 0 gesetzt werden:
Im optionalen Schritt der Glättung (Schritt S3) werden die Merkmalsvektoren einer Fahrt geglättet. Zweck der Glättung ist es, Merkmalsvektoren auf einem bestimmten Streckenabschnitt zu einem geglätteten Merkmalsvektor zusammenzufassen. Auf diese Weise werden nicht mehr einzelne Wegpunkte verarbeitet, sondern Streckenabschnitte. Die Erzeugung von geglätteten Merkmalsvektoren geschieht durch das Zusammenfassen mehrerer Merkmalsvektoren m,, weiche sich innerhalb eines Glättungsfensters GMF befinden. Das Glättungsfenster GMF wird bezüglich der zurückgelegten Strecke weitergeschoben, und kann sich überlappen. Dies ist in Fig. 11 dargestellt.
Die Länge eines jeweiligen Glättungsfensters GMF wird durch !gf bestimmt. Verankert ist es am ersten Merkmalsvektor mg1 eines Streckenabschnitts. Der Merkmalsvektor am Ende des Streckenabschnitts mgR ist der letzte, bezüglich der zurückgelegten Strecke weniger als Igt von mg1 entfernte nachfolgende Merkmaisvektor. Die Anzahl der Merkmalsvektoren rrti innerhalb eines Glättungsfensters GMF kann analog zur Anzahl von Fahrtdatenvektoren Xj innerhalb eines Merkmalsfensters MF, variieren. Um die Glättungsfenster MGF zu überlappen, kann nach der Überschreitung einer bestimmten Strecke lgr innerhalb des aktuellen Glättungsfensters MGF ein neues Glättungsfenster MGF verankert werden. Damit sich nicht mehr als zwei Glättungsfenster gleichzeitig überlappen, um die Komplexität dieses Schrittes einzuschränken, gilt
Jeder durch die Merkmalsvektoren in einem Glättungsfenster MGF erzeugte geglättete Merkmalsvektor charakterisiert einen Streckenabschnitt der Länge lgr> welcher an der Position des ersten einschließenden Merkmalsvektors beginnt und an der Position des ersten Merkmalsvektors des nächsten Glättungsfensters endet. Der entsprechende Streckenabschnitt des letzten geglätteten Merkmalsvektors einer Fahrt kann kürzer oder länger sein. Auf diese Weise ist gewährleistet, dass alle von geglätteten Merkmalsvektoren repräsentierten Streckenabschnitte einer Fahrt disjunkt sind, wobei die Glättungsfenster untereinander selbst nicht zwingend disjunkt sein müssen. Dadurch können bei der Berechnung eines geglätteten Merkmalsvektors m8, welcher einen bestimmten Streckenabschnitt charakterisiert, auch Merkmalsvektoren des folgenden Streckenabschnitts einfließen. Um dies zu verhindern, kann igf = lgr gewählt werden.
Aus den R Merkmalsvektoren in Glättungsfenster [mg1; ... ;mgR] werden die einzelnen Komponenten des geglätteten Merkmalsvektors wie folgt berechnet: mg = [ median {vgi i ..., vgR}, max Aw t„., ihw} ], ιϊι = πι \ ϊ7
Die mittlere Geschwindigkeit entspricht dem Median der mittleren Geschwindigkeit ailer Merkmalsvektoren, während von allen anderen Merkmalen das Maximum ermittelt wird.
Ist für die Merkmalsvektoren im Glättungsfenster zusätzlich das Label c für die Zugehörigkeit zu einer Verkehrsklasse bekannt, wird für das entsprechende Label im geglätteten Wert der Median aller Labeis ermittelt. Dies entspricht somit einer Mehrheitsentscheidung, wobei bei gleicher Stimmanzahl für Parksuchverkehr entschieden wird. Im Spezialfall lgf = lgr = 0 hat die Glättung keine Wirkung: Die geglätteten Merkmalsvektoren entsprechen dann den ursprünglichen Merkmalsvektoren.
Im Schritt der Klassifizierung (Schritt S4) werden die erzeugten Merkmalsvektoren einzeln betrachtet und bezüglich der Verkehrsklassen Zielverkehr Z und Parksuchverkehr P klassifiziert. Am Ende dieses Schrittes liegt für jeden Merkmalsvektor m, eine Wahrscheinlichkeit p(P| mj) vor, welche angibt, mit welcher Wahrscheinlichkeit ein Merkmalsvektor zum Parksuch verkehr gehört.
Zur Berechnung dieser Wahrscheinlichkeit werden die Merkmaisvektoren zuerst normiert, reduziert und anschließend klassifiziert. Für alle diese Teilschritte werden Trainingsdaten in Form von Merkmalsvektoren benötigt, um die Parameter für die einzelnen Teilschritte erlernen zu können. Im Rahmen dieses Verfahrens werden überwachte Lernmethoden verwendet. Daher muss die Klassenzugehörigkeit der einzelnen Merkmalsvektoren, in Form des wahren Labeis c, bekannt sein. Dies wird durch die Verwendung von zu Lem- zwecken aufgenommenen Testfahrten ermöglicht, bei denen die Verkehrsklasse zu jedem Zeitpunkt bekannt ist.
Die Trainingsdaten liegen in Form einer N x K Matrix T vor, wobei jede Zeile ein Merkmai repräsentiert, und jede Spalte für einen Merkmalsvektor steht vgl. Fig.11. Fig.11 zeigt eine Trainingsmatrix T. Die Zeiten der Matrix stehen für die unterschiedlichen Merkmale, während die Spalten deren Ausprägungen in einem Merkmalsvektor darstellen. Entsprechend der Klassenzugehörigkeit der Merkmalsvektoren können die Trainingsdaten in T auf zwei Matrizen Tz und TP aufgeteilt werden.
Unterschiedliche Merkmale haben verschiedene Wertebereiche. Damit Merkmale mit numerisch höherem Wertebereich nicht über Merkmale mit numerisch kleinerem Wertebereich dominieren und um die Merkmalswerte vergleichbarer zu machen, werden die Merkmale normiert. Dies hat den Effekt, dass sowohl Merkmale mit großem Wertebereich als auch Merkmale mit kleinem Wertebereich auf denselben Wertebereich abbilden.
Zur Berechnung normalisierter Merkmalswerte wird die dem Fachmann bekannte z - Normalisierung verwendet. Hierbei wird auf Basis von Trainingsdaten in T für jedes einzelne Merkmai mn der Mittelwert μη und die Standardabweichung ση ermittelt.
Zur Berechnung der Einträge m der normierten Trainingsmatrix f wird jeder Eintrag der Trainingsmatrix mit Hilfe der berechneten Parameter transformiert: (3.20)
Eine Spalte der resultierenden enthält somit einen normierten Merkmalsvektor m .
Der Hintergrund der Merkmalsreduktion ist die Reduktion der Merkmalskomponenten in einem Merkmalsvektor mit minimalem Informationsverlust. Dabei wird die Anzahl der Merkmale in m von N auf 1 .s D < N reduziert. Es wird somit eine Vektorprojektion □ N ->·□ D durchgeführt. Der reduzierte Merkmalsvektor m wird mit Hilfe der A/ x D Transformationsmatrix W berechnet: lii = Will (3 21)
Die vorzugsweise verwendete Technik zur Merkmalsreduktion ist die Hauptkomponentenanalyse (PCA), bei der eine Reduktion N -» D erfolgt. Die PCA ist eine unüberwachte Methode zur Merkmalsreduktion. Sie verfolgt das Ziel, jene Hauptachsen im Merkmalsraum zu finden, auf denen die darauf abgebildeten Merkmalsvektoren eine maximale Varianz erreichen.
Grundlage zur Berechnung der Transformationsmatrix ist die A/ x N Kovarianzmatrix Σ der Trainingsmatrix T, bestehend aus den Einträgen ο%.
Anschließend werden die Eigenvektoren und Eigenwerte der Kovarianzmatrix berechnet, wie dies z.B. in [3] beschrieben ist. Die Eigenvektoren w( stellen Achsen im Merkmalsraum dar, während die Eigenwerte λ, den relativen Anteil an der Gesamtvarianz der auf die resultierenden Eigenvektoren projizierten Merkmalsvektoren angeben. W! entspricht dem Eigenvektor mit dem größten Eigenwert A1 ( während wN den Eigenvektor mit dem kleinsten Eigenwert AN darstellt. Sind die Eigenvektoren bekannt, kann nun ein beliebiges 1 s D < N ausgewählt werden, welches die Dimension der transformierte Merkmale be- deutet. Die D Zeilen der Transformationsmatrix werden sodann mit den ersten D Eigenvektoren [wt; ... ;wD] gefüllt.
Die Transformation eines Merkmalsvektors m in den reduzierten Merkmalsraum wird angewandt durch ιΐι = W(m— μ) (3.24) wobei μ den Mittelwertsvektor mit den Mittelwerten der einzelnen Merkmale [U ; μΝ] darstellt. Sind die Merkmalsvektoren durch eine vorhergehende Normierung bereits mittelwertbefreit (μ = 0), kann die Transformation auch anhand der Vorschrift in Gleichung 3.21 erfolgen.
Durch die Klassifizierung wird jedem (reduzierten) Merkmalsvektor eine Wahrscheinlichkeit zugeordnet. Anhand dieser Wahrscheiniichkeit ist es möglich, eine Aussage über die Klassenzugehörigkeit c eines Merkmaisvektors zu treffen. Hier bezeichnet cz die Zugehörigkeit zur Klasse„Zielverkehr", während cP die Zugehörigkeit zu„Parksuchverkehr" darstellt.
Zur Berechnung der Wahrscheinlichkeit eines Merkmalsvektors, der Verkehrsklasse Parksuchverkehr anzugehören, auch ais a-posteriori-Wahrscheinlichkeit bezeichnet, wird der bekannte Satz von Bayes angewandt, der z.B. in [1] oder [2] beschrieben ist.
(3.27) (m |c) ist die klassenspezifische Dichtefunktion, weiche die Wahrscheinlichkeit für einen
Merkmalsvektor angibt, der Klasse c anzugehören. p(c) wird als a-priori- Wahrscheinlichkeit bezeichnet und stellt die Wahrscheinlichkeit dar, mit welcher die Klasse c auftritt. Schließlich gibt p(m) die Wahrscheinlichkeit des Auftretens eines Merkmalsvektors an, ohne nach Klassen zu unterscheiden. Sie kann durch das Aufsummieren aller klassenspezifischen Wahrscheinlichkeiten, multipliziert mit der
Auftrittswahrscheinlichkeit der entsprechenden Klasse, berechnet werden.
Die zur Berechnung der a-posteriori-Wahrscheinlichkeit benötigten Dichtefunktionen bzw. Wahrscheinlichkeiten können anhand der Trainingsdaten in T, bzw. Tz und TP geschätzt werden:
Um die klassenspezifischen Dichtefunktionen abschätzen zu können, wird angenommen, dass die einzelnen Komponenten der Merkmalsvektoren innerhalb der verschiedenen
Klassen normalverteilt sind. Aufgrund dieser Annahme sind die Werte für i?(m|c) anhand der Dichtefunktion der Normalverteilung zu berechnen, welche durch die Parameter Mittelwert μ und Kovarianzmatrix Σ definiert ist.
μ wird dabei entsprechend dem Mittelwert im Normierungsschritt und Σ entsprechend der Kovarianzmatrix der PCA berechnet. Ais Datengrundlage für die Berechnung der Parameter der klassenspezifischen Dichtefunktionen dienen die nach Klassen aufgeteilten Trainingsdaten in Tz und TP. Folglich ist ώ |ίζ ) = Κ( ζ , Σζ ) und (ώ | ζ ) = (μ/),Σρ) .
Zur Abschätzung der a-priori-Wahrscheinlichkeit der unterschiedlichen Klassen wird die Anzahl der Merkmalsvektoren in den Trainingsdaten verwendet. N gibt hierbei die Anzahl der Merkmals vektoren in T, sowie N2 und NP die Anzahl der Merkmaisvektoren in den klassenspezifischen Trainingsmatrizen Tz und TP an. p{cz)— p{cp) = obfü p(c) = 1
<?€{(^ ρ} ^3 29)
Mit Hüfe der a-posteriori-Wahrscheinlichkett kann nun eine Aussage über die Klassifikation eines Merkmaisvektors getroffen werden, da p(c2 |m) = 1 - p{cp |ih) . Der verwendete
Kiassifikator ist ein Maximum-a-postenori-Klassifikaior. Das bedeutet, dass ein Merkmalsvektor aufgrund der größten a-posteriori-Wahrscheinlichkeit klassifiziert wird:
CM AP = max /p (c ImAH} = ) < CP > I Ϊ
(3.30)
Das Ergebnis der Klassifizierung gilt über den Merkmalsvektor hinaus auch für den zu Grunde liegenden Fahrtdatenvektor,
Der Verlauf der Entscheidungsfunktion im Merkmalsraum wird durch die Menge M jener Punkte im Merkmalsraum markiert, welche auf der Entscheidungsgrenze liegen:
Der Verlauf der Entscheidungsfunktion, welche durch die hier vorgestellte parametrische Klassifikation zustande kommt, ist aufgrund der Wahl unterschiedlicher Kovahanzmatrizen quadratisch.
Die Lage der Entscheidungsgrenze wird durch die a-priori-Wahrscheinlichkeiten beein- flusst: Je kleiner die a-priori-Wahrscheinlichkeit einer Klasse, umso weiter verschiebt sich die Entscheidungsgrenze in die Richtung der entsprechenden Klasse, Durch die Anpassung der Anzahl der Merkmalsvektoren einer jeden Klasse kann somit das Ergebnis der Klassifizierung beeinflusst werden. Die Figuren 12 bis 14 illustrieren die Konstruktion der Entscheidungsgrenze mit Hilfe der klassenspezifischen Trainingsdaten im eindimensionalen Merkmalsraum. Diejenigen grafischen Elemente, welche mit Hilfe der Merkmalsvektoren in T2 konstruiert wurden, sind mit 10, 12, 14 bezeichnet, während die mit 11, 13, 15 gekennzeichneten Elemente anhand der Merkmalsvektoren in TP konstruiert wurden. Die Entscheid ungsgrenze ist in Fig. 14 mit GR bezeichnet.
Die Aufgabe der Segmentierung ist es, anhand der Analyse des zeitlichen Verlaufs der Klassifikation von Merkmalsvektoren jenen Fahrtdatenvektor zu ermitteln, der den Start der Parkplatzsuche markiert. Das Ergebnis der Segmentierung ist eine Unterteilung der Fahrt in zwei Segmente, entsprechend der Verkehrsklassen, was die Grundlage zur Berechnung der gewünschten Informationen zu Intensität und Lokalisierung des Parksuchverkehrs bildet.
Betrachtet man den zeitlichen Verlauf des Klassifikationsergebnis CMAP, wird vermutet, dass ein Übergang des Klassifikationsergebnisses von cz—■ cP den Beginn der Parkplatzsuche darstellt. Ein solcher Übergang wird als positiver Übergang bezeichnet, während der umgekehrte Fall cP— > cz als negativer Übergang bezeichnet wird.
Im Idealfail kommt ein positiver Übergang auf einer Fahrt höchstens einmal vor. In der Realität (vgl. die Fig. 15 bis 17} zeigt allerdings, dass während einer Fahrt mehrere positive Übergänge vorkommen können,
Ist während der gesamten Fahrt kein positiver Übergang vorhanden, wird der letzte Fahrtdatenvektor als Start der Parkplatzsuche angenommen. Dies gewährleistet, dass ein Wert > 0 für Parksuchstrecke und Parksuchdauer berechnet werden kann.
Im Folgenden werden anhand der Fig. 15 bis 17 drei Methoden beschrieben, welche zu jedem Zeitpunkt höchstens einen Fahrtdatenvektor x+ mit positivem Übergang des Kiassi- fikationsergebnisses als Beginn der Parkplatzsuche ermitteln. Ein Fahrdatenvektor x_ repräsentiert einen Fahrdatenvektor mit negativem Übergang des Klassifikationsergebnisses. Die sogenannte einfache Segmentierungsmethode (Fig. 15) entscheidet sich für den (zeitlich) letzten positiven Übergang, solange das Klassifikationsergebnis der nachfolgenden Fahrtdatenvektoren konstant cp bleibt. Nach einem negativen Übergang wird x+ verworfen, sodass ab diesem Zeitpunkt kein erfasster Suchbeginn mehr vorhanden ist. Dies bedeutet, dass diese Methode zu keinem Zeitpunkt mit c = cz Parksuch verkehr erfasst.
Die Segmentierung mit Distanzkriterium (Fig. 16) erweitert die einfache Segmentierungsmethode mit einem Distanzkriterium. Dabei wird ein ermittelter Fahrtdatenvektor für x+ nach einem negativen Übergang nicht sofort vergessen, sondern für eine gewisse Strecke ls nach dem negativen Übergang beibehalten. Wird innerhalb dieser Strecke ein weiterer positiver Übergang gefunden, so wird dieser ignoriert und x* beibehalten. Wird kein positiver Übergang gefunden, so wird x+ am Ende der Strecke nach dem negativen Übergang vergessen. Ist ls = 0, erzielt diese Segmentierungsmethode das gleiche Ergebnis wie die einfache Segmentierung.
Neben der Information zur Klassifikation eines Merkmalsvektors c p verwendet die in Fig. 17 dargestellte Segmentierung mit !ntegralkriterium auch die a-posteriori-
Wahrscheinlichkeit p{cp |m) . Somit wird nicht nur die harte Entscheidung, ob ein Merk- malsvektor Parksuchverkehr darstellt oder nicht, zur Ermittlung des Suchbeginns verwertet, sondern auch die Sicherheit, mit der die Entscheidung getroffen wurde.
Wird, falls kein Suchbeginn vorhanden, mit einem neuen Fahrtdatenvektor x+ ein positiver Übergang erfasst, wird bis zum nächsten gefundenen negativen Übergang x. kontinuierlich das Integral l+ des Verlaufs der a-posteriori-Wahrscheinlichkeit über die zurückgelegte Strecke s von x+ bis x. berechnet.
Dabei wird von der a-posteriori-Wahrscheinlichkeit 0,5 subtrahiert, um positive Werte für c = cP und negative Werte für c = cz zu erhalten. Diese Entscheidungsgrenze ist in den Fig. 15 bis 17 mit EGR gekennzeichnet. Wird über eine Strecke mit ausschließlich negativem Verlauf dieses modifizierten Wertes der a-posteriori-Wahrscheinlichkeit integriert, erhält man somit einen negativen Term. Zudem stellt dieser Subtraktionsterm sicher, dass Streckenverläufe mit gleicher Sicherheit der Klassifikation, aber unterschiedlichem Klassifikationsergebnis denselben absoluten Integralwert darstellen.
Für die folgenden, mit c = cz klassifizierten Fahrtdatenvektoren, wird nun kontinuierlich der negative Integralwert I. berechnet, bis entweder I. > 1+ oder ein neuer positiver Übergang gefunden wird. Falls I. > l+> wird der aktuelle Suchbeginn vergessen, während bei einem erneuten positiven Übergang iedigiich das positive Integra! mit l+ = i+ + I. neu berechnet wird.
Dies bedeutet, dass ein genügend starkes Zieiverkehr-Verhaiten, welches auf einen Streckenabschnitt mit Parksuchverkehr-Verhalten folgt, den Suchbeginn revidieren kann. Andererseits stellt das Integralkriterium sicher, dass ein geringes Zieiverkehr-Verhaiten über eine längere Strecke den aktuellen Suchbeginn nicht aufheben kann.
Da der Veriauf der a-posteriori-Wahrscheinlichkeit keiner analytisch berechenbaren Funktion folgt, und außerdem kein kontinuierlicher Werteverlauf vorliegt, muss das Integral in Gleichung 3.32 für einen Streckenabschnitt, repräsentiert durch die Positionen [p^ p2; pNj und die dazugehörigen a-posteriori-Wahrscheiniichkeiten [papi; paP2; 8Ρ ] numerisch approximiert werden:
Der Segmentierungsschritt liefert hinsichtlich des Starts der Parkplatzsuche ein Ergebnis. Das Ergebnis entspricht nicht zwingend der Wahrheit, denn es stützt sich auf das Ergebnis der Klassifizierung. Die Klassifizierung beruht wiederum auf einem probabilisttschen Modell, das mit Hilfe von Trainingsdaten ersteilt wurde.
Im optionalen Piausibiiisierungsschritt (Schritt S6) wird das Ergebnis der Segmentierung beurteilt und wenn nötig verworfen. Dies bedeutet, dass dieser Schritt die Möglichkeit einräumt, Fahrten bezüglich der Parkplatzsuche unbeurteiit zu lassen. Die Kriterien zur Vorenthaltung des Segmentierungsergebnisses sind z.B. eine unplausibel lange Parksuch- strecke. Es erscheint nach dem angenommenen Fahrtablauf unplausibel, dass nahezu eine gesamte Fahrt der Parkplatzsuche dient. Da es sein kann, dass die Parkplatzsuche durch eventuelle Hindernisse länger dauert, wird dieses Kriterium anhand der zurückgelegten Stecke im Zielverkehr und im Parksuchverkehr gemessen. Es wird vermutet, dass das Ergebnis unplausibe! ist, wenn die seit dem Start der Parkplatzsuche zurückgelegte Strecke sp bis zum Ziel größer ist als die Hälfte der seit Fahrtbeginn zurückgelegten Strecke bis zum Suchbeginn sz:
(3.34)
Quellenangaben
[1] E. Aipaydin, Introduction to Machine Learning (Adaptive Computation and Machine Learning), The MIT Press, 2004.
[2] C. M. Bishop, Pattern Recognitton and Machine Learning (Information Science and Statistics), Springer-Verlag New York, Inc., Secaucus, NJ, USA, 2006.
[3] G. Fischer, Lineare Algebra, Vieweg-Studium: Grundkurs Mathematik, Vieweg,
2005
Bezugszeichenliste
Xi Fahrtdatenvektor (i=1... N)
cf Klassenlabel / Verkehrskiasse
i Nr. einer Messung
N Anzahl
mi Merkmalsvektor
cz erster Klassifikator
cP zweiter Klassifikator
p Wahrscheinlichkeit
Tpark Zeitpunkt, ab dem Parkplatz gesucht wird
ZV Zielverkehr
PSV Parksuchverkehr
MFj Merkmalsfenster
Ii Größe des Merkmalsfensters
GMF Glättungsfenster
lgf Länge des Glättungsfensters
EGR Entscheidungsgrenze
GR Entscheidungsgrenze

Claims

Patentansprüche
1. Verfahren zum Verarbeiten von Messdaten eines Fahrzeugs zur Bestimmung des Beginns einer Parkplatzsuche, mit den Schritten:
a) Erfassen einer Anzahl (N) an Fahrtdatenvektoren (Xj), wobei jeder Fahrtdatenvektor (Xj) eine Information über eine Geschwindigkeit (vi), Positionsdaten (p) und einen Zeitpunkt (t,) der Erfassung der Geschwindigkeit (vä) und der Positionsdaten (Pi) umfasst;
b) Ermittlung eines erkmafsvektors (mi) zu jedem Zeitpunkt (t,) der Erfassung eines Fahrtdatenvektors (x,), wobei die Informationen des aktuellen und zeitlich zurück liegender Fahrtdaten ektoren (x,) verarbeitet werden, wobei der Merkmalsvektor (mä) als Merkmalskomponenten zumindest eine Geschwindigkeitsinformation und eine Weginformation umfasst;
c) Klassifizierung jedes Merkmalsvektors (m,), wobei jedem der Merkmalsvektoren (nrii) einer ersten Verkehrskategorie (cz), die eine Fahrt des Fahrzeugs repräsentiert, oder einer zweiten Verkehrskategorie (cP), die einen Parksuchverkehr repräsentiert, zugeordnet wird, und wobei eine Wahrscheinlichkeit
(p{P j m,)) ermittelt wird, welche angibt, mit welcher Wahrscheinlichkeit dem Merkmaisvektor der ersten oder der zweiten Verkehrskategorie (cz, cP) zuzuordnen ist;
d) Segmentierung über den zeitlichen Verlauf der ermittelten Verkehrskategorien (cz, cP) der Merkmalsvektoren (m,), wobei eine Unterteilung der Fahrt vom Start bis zur letzten Erfassung eines Fahrdatenvektors entsprechend der bestimmten Verkehrskategorien (cz, cP) der Merkmalsvektoren (m,) in zwei Segmente erfolgt und der Übergang von einem Segment in das andere Segment den Beginn der Parkplatzsuche repräsentiert.
2. Verfahren nach Anspruch 1 , bei dem bei dem Fahrtdatenvektoren (x,) bei der Bestimmung des Beginns der Parkplatzsuche unberücksichtigt bleiben, wenn die Information über die Geschwindigkeit (v,) des Fahrtdatenvektors (x,) größer als ein erster Schweilwert oder kleiner als ein zweiter Schwellwert ist.
3. Verfahren nach Anspruch 1 oder 2, bei dem für die Ermittlung eines jeweiligen Merkmalsvektors (m,) die Fahrtdatenvektoren (x,) innerhalb eines Merkmalsfensters (lf), das eine vorgegebene Strecke repräsentiert, verarbeitet werden, wobei das Merkmaisfenster (lf) die Fahrtdatenvektoren (x,) von der aktuellen Messung bis zur ersten Messung, die auf der zurückgelegten Strecke weiter als die vorgegebene Strecke zurückliegt, mit einschließt.
4. Verfahren nach einem der vorhergehenden Ansprüche, bei dem der Merkmalsvektor (m,) als Merkmaiskomponenten zusätzlich zu der Geschwindigkeitsinformation und der Weginformation eine oder mehrere der folgenden Merkmalskomponenten umfasst:
- eine Information über eine Kreisförmigkeit der zurückgelegten Strecke,
- eine Information über eine PCA-Kreisförmägkeit der zurückgelegten Strecke,
- eine Information über eine Richtungsänderung,
- eine Information über eine Ziel-Ineffizienz.
5. Verfahren nach einem der vorhergehenden Ansprüche, bei dem die Geschwindigkeitsinformation ein arithmetisches Mittel und/oder der Median der mittleren Geschwindigkeiten der für die Ermittlung eines jeweiligen Merkmalsvektors (rrt|) berücksichtigten Fahrtdatenvektoren (Xj) ist.
6. Verfahren nach einem der vorhergehenden Ansprüche, bei dem die Wegtnformati- on eine Weg-Ineffizienz ist, welche durch das Verhältnis der tatsächlich gefahrenen Strecke im Hinblick auf die kürzeste Strecke zwischen den Positionen zweier Fahrtdatenvektoren (x,) angibt, wie ineffizient die gefahrene Strecke ist.
7. Verfahren nach einem der vorhergehenden Ansprüche, bei dem als Weginformation diejenige Weg-tnefflzienz für einen Merkmalsvektor (m,) verarbeitet wird, weiche für die verarbeitete Menge an Fahrtdatenvektoren (χ,) maximal ist.
8. Verfahren nach einem der vorhergehenden Ansprüche, bei dem zur Klassifizierung jedes Merkmalsvektors (irij) die Merkmaisvektoren (m,) normiert werden.
9. Verfahren nach Anspruch 8, bei dem zur Berechnung normalisierter Merkmalskomponenten eine z-Normaläsierung verwendet wird, bei der für jede Merkmals- komponente der Mittelwert und die Standardabweichung ermittelt werden und mit diesen die Merkmaiskomponenten transformiert werden.
10. Verfahren nach Anspruch 9, bei dem die Merkmalskomponenten durch eine Vek- torprojektion reduziert werden, insbesondere durch Anwendung einer Hauptkomponentenanalyse. 1. Verfahren nach einem der vorhergehenden Ansprüche, bei dem die Berechnung der Wahrscheinlichkeit des Klassifikators mit dem Satz von Bayes erfolgt.
12. Verfahren nach einem der vorhergehenden Ansprüche, bei dem der Beginn der Parkplatzsuche durch einen positiven Übergang der ersten Verkehrskategorie (cz) zu der zweiten Verkehrskategorie (cP) definiert ist, wobei der Fahrtdatenvektor (x,), dem der zweiten Verkehrskategorie (cP) zugeordnet ist, den Beginn der Parkplatzsuche repräsentiert.
13. Verfahren nach Anspruch 12, bei dem als Beginn der Parkplatzsuche der in zeitlicher Hinsicht letzte positive Übergang der ersten Verkehrskategorie (c2) zu der zweiten Verkehrskategorie (cP) gewählt wird, solange das Klassifikationsergebnis der nachfolgenden Fahrtdatenvektoren (x,) konstant die zweite Verkehrskategorie (cP) umfasst.
14. Verfahren nach Anspruch 12, bei dem als Beginn der Parkplatzsuche der in zeitlicher Hinsicht letzte positive Übergang der ersten Verkehrskategorie (cz) zu der zweiten Verkehrskategorie (cP) gewählt wird, solange das Kiassifikationsergebnis der nachfolgenden Fahrtdatenvektoren (xf) für eine vorgegebene Fahrtstecke (l3) konstant die zweite Verkehrskategorie (cP) umfasst.
15. Verfahren nach Anspruch 12, bei dem der Beginn der Parkplatzsuche anhand eines Integrals des Verlaufs der Wahrscheinlichkeit über die zurückgelegt Strecke ermittelt wird.
16. Computerprogrammprodukt, das direkt in den internen Speicher eines digitalen
Computers geladen werden kann und Softwarecodeabschnitte umfasst, mit denen die Schritte gemäß einem der vorhergehenden Ansprüche ausgeführt werden, wenn das Produkt auf einem Computer läuft.
EP14731561.8A 2013-06-26 2014-06-04 Verfahren zum verarbeiten von messdaten eines fahrzeugs zur bestimmung des beginns einer parkplatzsuche Active EP3014598B1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102013212235.7A DE102013212235A1 (de) 2013-06-26 2013-06-26 Verfahren zum Verarbeiten von Messdaten eines Fahrzeugs zur Bestimmung des Beginns einer Parkplatzsuche
PCT/EP2014/061633 WO2014206699A1 (de) 2013-06-26 2014-06-04 Verfahren zum verarbeiten von messdaten eines fahrzeugs zur bestimmung des beginns einer parkplatzsuche

Publications (2)

Publication Number Publication Date
EP3014598A1 true EP3014598A1 (de) 2016-05-04
EP3014598B1 EP3014598B1 (de) 2017-03-08

Family

ID=50979726

Family Applications (1)

Application Number Title Priority Date Filing Date
EP14731561.8A Active EP3014598B1 (de) 2013-06-26 2014-06-04 Verfahren zum verarbeiten von messdaten eines fahrzeugs zur bestimmung des beginns einer parkplatzsuche

Country Status (6)

Country Link
US (1) US10115309B2 (de)
EP (1) EP3014598B1 (de)
JP (1) JP6247754B2 (de)
CN (1) CN105359200B (de)
DE (1) DE102013212235A1 (de)
WO (1) WO2014206699A1 (de)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014217654A1 (de) * 2014-09-04 2016-03-10 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Verarbeiten von Messdaten eines Fahrzeuges zur Bestimmungdes Beginns eines Parksuchverkehrs und Computerprogrammprodukt
US9558664B1 (en) * 2015-08-13 2017-01-31 Here Global B.V. Method and apparatus for providing parking availability detection based on vehicle trajectory information
KR101806619B1 (ko) * 2015-09-21 2017-12-07 현대자동차주식회사 차량의 주차 안내 장치 및 방법
DE102016000970A1 (de) * 2016-01-29 2017-08-03 Audi Ag Verfahren zum Betreiben einer Detektionsvorrichtung eines Kraftfahrzeugs
TWI581207B (zh) * 2016-04-28 2017-05-01 國立清華大學 共乘路徑的計算方法及使用此方法的計算裝置與記錄媒體
WO2018060472A1 (en) * 2016-09-29 2018-04-05 Tomtom Traffic B.V. Methods and systems for generating profile data for segments of an electronic map
CN108108831B (zh) * 2016-11-24 2020-12-04 中国移动通信有限公司研究院 一种目的地预测方法及装置
DE102017200196B3 (de) * 2017-01-09 2018-04-05 Ford Global Technologies, Llc Steuern von Parkraum für Fahrzeuge
CN107622301B (zh) * 2017-08-16 2021-01-05 温州大学 一种停车场空余停车泊位数的预测方法
US10115307B1 (en) * 2017-10-03 2018-10-30 Sherece Upton Parking space availability system
GB201804395D0 (en) * 2018-03-19 2018-05-02 Tomtom Navigation Bv Methods and systems for generating parking routes
FR3084628B1 (fr) * 2018-07-31 2021-06-11 Renault Sas Procede de determination d'un type d'emplacement de stationnement
EP3611470B1 (de) * 2018-08-14 2021-04-07 Bayerische Motoren Werke Aktiengesellschaft Verfahren und vorrichtungen zur ermittlung von routen zur streckenführung eines fahrzeugs
CN110111600B (zh) * 2019-05-08 2022-01-11 东华大学 一种基于VANETs的停车场推荐方法
CN112185157B (zh) * 2019-07-04 2022-10-28 奥迪股份公司 路边停车位检测方法、系统、计算机设备及存储介质
CN112445215B (zh) * 2019-08-29 2024-07-12 阿里巴巴集团控股有限公司 自动导引车行驶控制方法、装置及计算机系统
CN110659774B (zh) * 2019-09-23 2022-08-02 北京交通大学 大数据方法驱动的停车需求预测方法
CN111009151B (zh) * 2019-12-10 2021-01-22 珠海格力电器股份有限公司 一种停车位推荐方法、存储介质及终端设备
CN112101804B (zh) * 2020-09-21 2021-11-02 北京嘀嘀无限科技发展有限公司 车辆调度方法、装置、可读存储介质和电子设备
CN112509362B (zh) * 2020-11-12 2021-12-10 北京邮电大学 一种车位分配方法及装置
KR20220068710A (ko) * 2020-11-19 2022-05-26 삼성전자주식회사 차량 측위 방법 및 장치
US12038288B2 (en) * 2021-01-20 2024-07-16 Bayerische Motoren Werke Aktiengesellschaft Method, computer program, and device for controlling a route
CN112905912B (zh) * 2021-03-30 2024-02-02 第四范式（北京）技术有限公司 配时方案确定方法及装置
CN114003164B (zh) * 2021-10-14 2024-07-05 中国第一汽车股份有限公司 基于自然驾驶数据的交通参与者位置及动作的标注方法
CN114170830B (zh) * 2021-12-07 2023-04-14 国网电力有限公司 用于区域内充电网络精细化管理的方法及系统
CN115798239B (zh) * 2022-11-17 2023-09-22 长安大学 一种车辆运行道路区域类型辨识方法
CN118053260A (zh) * 2024-04-02 2024-05-17 惠州市新益鸿科技有限公司 基于物联网的生产车间施工作业安全预警系统及方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001067599A (ja) * 1999-08-31 2001-03-16 Hitachi Ltd 駐車場の管理システム
JP2001344655A (ja) * 2000-05-31 2001-12-14 Sony Corp 情報処理装置および情報処理方法、駐車場管理システム並びに記録媒体
JP4631519B2 (ja) * 2005-04-21 2011-02-16 日産自動車株式会社 駐車支援装置および駐車支援方法
DE102005027250A1 (de) * 2005-06-13 2006-12-14 Volkswagen Ag Verfahren und Einrichtung zur automatischen Parkplatzsuche
EP1742191B1 (de) * 2005-06-30 2011-07-06 Marvell World Trade Ltd. Verkehrsüberwachungssystem auf GPS-Basis
JP4780711B2 (ja) * 2006-06-13 2011-09-28 株式会社国際電気通信基礎技術研究所 運転動作解析装置および運転動作解析方法
CN101364324B (zh) * 2007-08-06 2010-09-08 北京清大天眼视控科技有限公司 停车场空余车位智能化配置系统及配置方法
EP3133572A3 (de) * 2008-04-08 2017-03-22 Anagog Ltd. System und verfahren zur erkennung von parkplätzen für eine benutzergemeinschaft
US7936284B2 (en) * 2008-08-27 2011-05-03 Waze Mobile Ltd System and method for parking time estimations
JP5537839B2 (ja) * 2009-06-02 2014-07-02 三菱電機株式会社 駐車位置探索システム
DE102009028024A1 (de) 2009-07-27 2011-02-03 Robert Bosch Gmbh Parkleitsystem zur Navigation eines parkplatzsuchenden Fahrzeuges zu einem freien Parkplatz
US8779941B2 (en) * 2010-12-27 2014-07-15 Ai Incube, Inc. Providing guidance for locating street parking
ES2516391T3 (es) 2011-12-05 2014-10-30 Skobbler Gmbh Procedimiento para la determinación de la probabilidad de encontrar una plaza de aparcamiento
DE102012201472B4 (de) 2012-02-01 2024-07-11 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Bereitstellung von Parkinformationen zu freien Parkplätzen
CN102629422B (zh) * 2012-04-18 2014-07-09 复旦大学 智慧城市云计算停车管理系统及实现方法
CN102819965B (zh) * 2012-08-27 2015-05-06 红门智能科技股份有限公司 停车场的车位引导及寻车系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO2014206699A1 *

Also Published As

Publication number Publication date
EP3014598B1 (de) 2017-03-08
CN105359200B (zh) 2017-10-27
CN105359200A (zh) 2016-02-24
JP2016522526A (ja) 2016-07-28
WO2014206699A1 (de) 2014-12-31
US10115309B2 (en) 2018-10-30
US20160210860A1 (en) 2016-07-21
JP6247754B2 (ja) 2017-12-13
DE102013212235A1 (de) 2014-12-31

Similar Documents

Publication Publication Date Title
EP3014598B1 (de) Verfahren zum verarbeiten von messdaten eines fahrzeugs zur bestimmung des beginns einer parkplatzsuche
DE102013105046B4 (de) Zielspurauswahlverfahren mittels Navigationseingabe in Straßenwechselszenarien
DE102015111535B4 (de) Algorithmus zur genauen Krümmungsschätzung für die Bahnplanung von autonom fahrenden Fahrzeugen
DE102010005293B4 (de) System und Verfahren zur Spurpfadschätzung unter Verwendung einer Sensorvereinigung
EP3490862B1 (de) Verfahren und vorrichtung zum ermitteln eines fahrbahnmodells für ein fahrzeugumfeld
WO2013113588A1 (de) Verfahren zur bereitstellung von parkinformationen zu freien parkplätzen
DE102015116882A1 (de) Verbindungswahrscheinlichkeitsmodellbildung und Folgerung der Kreuzungsstruktur
DE102015000399B4 (de) Kartographieren von Fahrspuren mittels Fahrzeugflottendaten
DE102019114595B4 (de) Verfahren zum Steuern des Betriebs eines Kraftfahrzeugs und zum Ableiten von Straßenabschnittsgeschwindigkeitsgrenzwerten
EP3391086B1 (de) Verbessertes verfahren zum ermitteln der randbebauung einer fahrbahn für die lokalisierung von kraftfahrzeugen
DE102017216202A1 (de) Verfahren zur Prädiktion einer optimalen Fahrspur auf einer mehrspurigen Straße
DE102021124913A1 (de) Metrik-backpropagation für die beurteilung der leistung von untersystemen
DE102008003039A1 (de) Verfahren zur Verkehrszustandsbestimmung in einem Fahrzeug
DE102013217486A1 (de) Verfahren zur Repräsentation eines Umfelds eines Fahrzeugs in einem Belegungsgitter
DE112019000325T5 (de) Vorrichtung zur vorhersage des verhaltens eines sich bewegenden objekts
EP4088224A1 (de) Verfahren zur zusammenführung mehrerer datensätze für die erzeugung eines aktuellen spurmodells einer fahrbahn und vorrichtung zur datenverarbeitung
EP2964503B1 (de) Schätzung der zukünftigen geschwindigkeit und/oder entfernung eines fahrzeugs von einem referenzpunkt und schätzung der zukünftigen beschleunigung
DE102018213378B4 (de) Fahrassistenzsystem für ein Fahrzeug, Fahrzeug mit demselben und Fahrassistenzverfahren für ein Fahrzeug
DE102017108107A1 (de) Verfahren, vorrichtung und computerlesbares speichermedium mit instruktionen zur schätzung einer pose eines kraftfahrzeugs
DE102013200724A1 (de) Vorhersage eines Fahrmanövers eines Fahrzeugs
EP1696207B1 (de) Verfahren und System zur Ermittlung von Positionsdaten eines Objekts
DE102022109659A1 (de) Schätzung der lateraldynamik von fahrzeugen anhand von telemetriedaten
WO2022028811A1 (de) System und verfahren zum map matching von gnss-positionen eines fahrzeugs
EP3398828B1 (de) Fahrerassistenzsystem und verfahren zum unterstützen eines führers eines schienenfahrzeugs
DE102019213403A1 (de) Verfahren zur sensorbasierten Lokalisation eines Egofahrzeuges, Egofahrzeug und ein Computerprogramm

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20150911

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

DAX Request for extension of the european patent (deleted)
GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

INTG Intention to grant announced

Effective date: 20161021

GRAS Grant fee paid

Free format text: ORIGINAL CODE: EPIDOSNIGR3

GRAA (expected) grant

Free format text: ORIGINAL CODE: 0009210

AK Designated contracting states

Kind code of ref document: B1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

REG Reference to a national code

Ref country code: GB

Ref legal event code: FG4D

Free format text: NOT ENGLISH

REG Reference to a national code

Ref country code: CH

Ref legal event code: EP

Ref country code: AT

Ref legal event code: REF

Ref document number: 874160

Country of ref document: AT

Kind code of ref document: T

Effective date: 20170315

REG Reference to a national code

Ref country code: IE

Ref legal event code: FG4D

Free format text: LANGUAGE OF EP DOCUMENT: GERMAN

REG Reference to a national code

Ref country code: DE

Ref legal event code: R096

Ref document number: 502014002947

Country of ref document: DE

REG Reference to a national code

Ref country code: FR

Ref legal event code: PLFP

Year of fee payment: 4

REG Reference to a national code

Ref country code: LT

Ref legal event code: MG4D

REG Reference to a national code

Ref country code: NL

Ref legal event code: MP

Effective date: 20170308

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: NO

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170608

Ref country code: GR

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170609

Ref country code: HR

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

Ref country code: FI

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

Ref country code: LT

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: ES

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

Ref country code: BG

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170608

Ref country code: RS

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

Ref country code: LV

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

Ref country code: SE

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: NL

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: SK

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

Ref country code: RO

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

Ref country code: IT

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

Ref country code: CZ

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

Ref country code: EE

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: PT

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170710

Ref country code: IS

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170708

Ref country code: PL

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

Ref country code: SM

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

REG Reference to a national code

Ref country code: DE

Ref legal event code: R097

Ref document number: 502014002947

Country of ref document: DE

PLBE No opposition filed within time limit

Free format text: ORIGINAL CODE: 0009261

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: NO OPPOSITION FILED WITHIN TIME LIMIT

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: DK

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

Ref country code: MC

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

REG Reference to a national code

Ref country code: CH

Ref legal event code: PL

26N No opposition filed

Effective date: 20171211

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: SI

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

REG Reference to a national code

Ref country code: IE

Ref legal event code: MM4A

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: LU

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20170604

Ref country code: CH

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20170630

Ref country code: IE

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20170604

Ref country code: LI

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20170630

REG Reference to a national code

Ref country code: BE

Ref legal event code: MM

Effective date: 20170630

REG Reference to a national code

Ref country code: FR

Ref legal event code: PLFP

Year of fee payment: 5

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: BE

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20170630

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: MT

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: HU

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT; INVALID AB INITIO

Effective date: 20140604

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: CY

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: MK

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: TR

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: AL

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20170308

REG Reference to a national code

Ref country code: AT

Ref legal event code: MM01

Ref document number: 874160

Country of ref document: AT

Kind code of ref document: T

Effective date: 20190604

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: AT

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20190604

P01 Opt-out of the competence of the unified patent court (upc) registered

Effective date: 20230503

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: GB

Payment date: 20240620

Year of fee payment: 11

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: DE

Payment date: 20240605

Year of fee payment: 11

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: FR

Payment date: 20240617

Year of fee payment: 11