EP3014598B1

EP3014598B1 - Verfahren zum verarbeiten von messdaten eines fahrzeugs zur bestimmung des beginns einer parkplatzsuche

Info

Publication number: EP3014598B1
Application number: EP14731561.8A
Authority: EP
Inventors: Heidrun Belzner; Peter PEDRON
Original assignee: Bayerische Motoren Werke AG
Current assignee: Bayerische Motoren Werke AG
Priority date: 2013-06-26
Filing date: 2014-06-04
Publication date: 2017-03-08
Anticipated expiration: 2034-06-04
Also published as: WO2014206699A1; US10115309B2; DE102013212235A1; JP2016522526A; JP6247754B2; EP3014598A1; CN105359200B; US20160210860A1; CN105359200A

Description

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 Parkplatzinformationen lassen 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 Parkplatzerkennung 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 DE 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 λ_p abhängig. Die Einparkrate wird nach der Formel λ_p (t)= (1-P_n) λ(t) berechnet, wobei λ(t) 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. P_n gibt die Wahrscheinlichkeit eines freien Parkplatzes an.
Je genauer die Einparkrate λ_p bekannt ist, desto genauer kann somit die Wahrscheinlichkeit für einen freien Parkplatz bestimmt werden.
Ein ähnliches Verfahren ist aus der US 7 936 284 B2 bekannt.
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 Merkmalsvektor berechnet, wobei aktuelle sowie vorangegangene Fahrtdatenvektoren herangezogen werden.
In einem nächsten Schritt erfolgt die Klassifizierung jedes Merkmalsvektors, wobei jede der Merkmalsvektoren einer von zwei Verkehrskategorien zugeordnet wird. Die erste Verkehrskategorie bezeichnet den Zielverkehr, 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, welche 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, nämlich 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 Fallrtdatenvektor 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 Parkplatzsuche 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 2012 201 472.1 der Anmelderin genutzt werden. Ferner kann die Kenntnis des Beginns einer Parkplatzsuche 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 einer weiteren 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 Weginformation 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 Blockumfahrten) 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 Component 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 Richtungsänderung 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 Ineffizienz 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 Fahrtziel 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 Parkplatz-suchende 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: Merkmale) haben verschiedene Wertebereiche. Damit Merkmalskomponenten mit numerisch höherem Wertebereich nicht über Merkmalskomponente 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 Merkmalskomponenten kann eine dem Fachmann bekannte z-Normalisierung 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 Hauptkomponentenanalyse 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 Verkehrskategorie 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 Parkplatzsuche 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 letzte 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-Wahrscheinlichkeit 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 Ausführungsbeispiels in der Zeichnung erläutert. Es zeigen:

Fig. 1: 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 Merkmalsfenstern;
Fig. 4: eine Darstellung zur Erläuterung einer Weg-Ineffizienz;
Fig. 5 und 6: eine Darstellung zur Erläuterung einer Kreisförmigkeit;
Fig. 7 und 8: eine 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 vorgenommenen Glättung der verarbeiteten Daten;
Fig. 11: eine Tabelle mit einer Trainingsmatrix;
Fig. 12, 13 und 14: ein Histogramm, die Klassendichte 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 Parksuchanteil 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 x_i (i=1...N) einer Fahrt des Fahrzeugs. Die Fahrtdatenvektoren x_i werden z.B. durch das Fahrzeug zu vorgegebenen Messzeitpunkten ermittelt und sequentiell in mehreren Schritten verarbeitet. Wird das Verfahren offboard durchgeführt, werden die Fahrtdatenvektoren x_i vorzugsweise in Echtzeit über eine Kommunikationsschnittstelle an den zentralen Rechner übertragen.
Eine Fahrt wird repräsentiert durch eine abzählbare Menge von N Fahrtdatenvektoren [x ₁; x ₂; .... x _N], wobei $x_{i} = [t_{i}, v_{i}, p_{i}] .$
Dies ist exemplarisch in Fig. 1 dargestellt. Ein Fahrtdatenvektor x_i (Gl. 3.1) besteht jeweils aus Angaben zu Geschwindigkeit v_i und GPS-Position p _i zum Zeitpunkt t_i der Erfassung des Fahrdatenvektors. Die Fahrtdatenvektoren folgen einer festen zeitlichen Reihenfolge, da t_i < t_i+1 ist. Die GPS-Positionen p _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 τ_park, ab dem ein Parkplatz gesucht wird. Wird direkt nach dem Entschluss zur Parkplatzsuche ein Parkplatz gefunden, so ist τ_park ≈ τ_ende. Anhand dieses Zeitpunkts kann eine Fahrt in zwei Segmente entsprechend der Art des Fahrttyps c_i (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. Als Zielverkehr ZV wird derjenige Teil der Fahrt bezeichnet, in dem der Fahrer von einem Startpunkt τ_start 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_i. Für die Fahrtdatenvektoren einer Fahrt gilt: $\begin{matrix} c_{i} & = 0; f \ddot{u} r i = 1; \dots; i_{park - 1} & \to Zielverkehr \\ c_{i} & = 1; f \ddot{u} r i = i_{park}; \dots; N & \to Parksuchverkehr \end{matrix}$
i_park ist der erste Index, ab dem der Fahrtdatenvektor x_i zum Parksuchverkehr gehört und stellt somit den Beginn der Parkplatzsuche dar. Der wahre Zeitpunkt τ_park und der dazugehörige Ort des Suchbeginns einer Fahrt kann anhand von t_{i_park} und p _{i_park} in x _{i_park} angenähert werden.
Sind i_park und die Fahrtdatenvektoren x _ipark; ...; x _N bekannt, können Suchdauer τ_park und Suchstrecke S_park wie folgt approximiert werden: $T_{park} = t_{N} - t_{i_{park}}$
$S_{park} = \sum_{i = i_{park}}^{N - 1} δ (p_{i}, p_{i + 1})$
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 i_park. Die Ermittlung von i_park, und damit des Beginns der Parkplatzsuche, 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 Klassifikationsvertauf und bestimmt durch den ermittelten Suchbeginn der Fahrt die endgültigen Klassenlabels c_i. Am Ende der Fahrt werden die ermittelten Ergebnisse optional plausibilisiert (Schritt S6).
Diese Schritte werden nachfolgend näher im Detail beschrieben.
Jene Fahrtdatenvektoren x _i, 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 x _i nicht zur weiteren Verarbeitung an den nächsten Schritt, der Merkmalsextraktion, weitergereicht wird. Hierzu zählen z.B. Fahrten außerhalb des Stadtverkehrs sowie Standphasen.
Ein Straßenrandparkplatz 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 x _i mit z.B. v_i > 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 x _i während Standphasen beinhalten, bis auf den Zeitstempel, somit die gleichen Informationen. Da Informationen über Standphasen für keinen der nachfolgenden Schritte relevant sind, werden Fahrtdatenvektoren x _i mit z.B. v_i < 4 km/h aussortiert. Die Wahl dieses Schwellwerts 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 t_i wird ein Merkmalsvektor mit folgenden Merkmalskomponenten berechnet: $m_{i} = [{\overline{υ}}_{i}, η_{i}, κ_{i}, ρ_{i}, {\overline{Δ}}_{φ_{i}}, ζ_{i}] \begin{matrix} {\overline{υ}}_{i} & \dots & Mittlere Geschwindigkeit \\ η_{i} & \dots & Weg - Ineffiziens \\ κ_{i} & \dots & Kreisf \ddot{o} rmigkeit \\ ρ_{i} & \dots & PCA - Kreisf \ddot{o} rmigkeit \\ {\overline{Δ}}_{φ_{i}} & \dots & Richtungs \ddot{a} nderung \\ ζ_{i} & \dots & Ziel - Ineffiziens \end{matrix}$
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_i, das in Fig. 3 näher dargestellt ist, bestimmt.
Die Größe I_f des Merkmalsfensters MF_i basiert auf der zurückgelegten Strecke, da der Großteil der konstruierten Merkmale den Verlauf der Wegführung analysiert. Orientierte sich das Merkmalsfenster an der vergangenen Zeit, würde die Länge des Streckenabschnittes in einem Merkmalsfenster MF_i 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 MF_i schließt die Fahrtdatenvektoren von der aktuellen Position x _i bis zur ersten Position, die auf der zurückgelegten Strecke weiter als I_f zurück liegt, mit ein. 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, sofern eine konstante Abtastrate angenommen wird. Merkmalsvektoren m_i können erst ab einer zurückgelegten Strecke von l_f seit Fahrtbeginn berechnet werden, um die Vergleichbarkeit zwischen den berechneten Merkmalsvektoren m _i zu gewährleisten.
Für den weiteren Verlauf der Beschreibung werden die Fahrtdatenvektoren innerhalb eines Merkmalsfensters, welches bei x _i verankert ist, mit x _f1 ; x _f2 ;...; x _fM bezeichnet, wobei x _f1 dem ältesten und x _fM dem jüngsten Fahrtdatenvektor entspricht. Entsprechend gilt x _i = X _fM.
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. ${\overline{υ}}_{i} = median \{υ_{f_{1}}, υ_{f_{2}}, \dots, υ_{f_{M}}\}$
Durch den Verfahrensschritt der Vorfilterung (Schritt S1) der Fahrtdatenvektoren stellt dieser Wert die mittlere Geschwindigkeit in Fahrtphasen dar.

Weg-Ineffizienz

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 [p ₁; p ₂; ...; p _k] mit der Ausgangsposition p ₁ und der Endposition p _k 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.
s_d ist die kürzeste Strecke zwischen p ₁ und p _k, wobei im Rahmen dieser Beschreibung die Luftlinie verwendet wird. s_z repräsentiert die zurückgelegte Strecke zwischen p ₁ und p _k.
Dies entspricht der Länge der gewählten Wegführung von p ₁ nach p _k. Es gilt s_z ≥ s_d. 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 $η_{k} ([p_{1}, \dots, p_{K}]) = 1 - \frac{\overset{s_{d}}{\overset{︷}{δ (p_{k}, p_{K})}}}{\underset{s_{z}}{\underset{︸}{\sum_{j = k}^{K - 1} δ (p_{j}, p_{j + 1})}}}, η_{κ} \in [0, 1], k \in [1, K - 1]$
berechnet werden. Die gefahrene Strecke s_z wird durch die Summe ailer Teilstrecken zwischen den einzelnen Wegpunkten approximiert. Der Index k gibt an, welcher Wegpunkt in der Menge [p ₁; ...; p _k] als Ausgangsposition zur Berechnung der Ineffizienz dienen soll. Ein Wert von η_k → 0 lässt auf eine effiziente Wegführung schließen, während η_k → 1 eine ineffiziente Wegführung bedeutet.
Für die Berechnung des Merkmals stehen die Wegpunkte eines Merkmalsfensters [p _f1; p _f2; ...; p _fM] zur Verfügung. Ziel bei der Berechnung des Merkmals ist es, die höchste Ineffizienz zwischen der aktuellen Position p _fM und allen restlichen Positionen im Merkmalsfenster zu ermitteln: $η_{i} = \max {\{η_{k} ([p_{f_{1}}, p_{f_{2}}, \dots, p_{f_{M}}])\}}_{k = 1}^{M - 1}$
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 Merkmalsfensters zu erfassen. Bezugsgröße ist hierbei der Abstand s_m der aktuellen Position p _M zum Schwerpunkt der Wegpunkte p _f. Entspricht s_m ≈ l_f/2, so ist von einer geradfinigen 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: ${\overline{p}}_{f} = \frac{1}{M} \sum_{k = 1}^{M} p_{f_{k}}$
Der Wert für die Kreisförmigkeit berechnet sich durch: $κ_{i} = 1 - \frac{\overset{s_{m}}{\overset{︷}{δ ({\overline{p}}_{f}, p_{f_{M}})}}}{l_{f}}, κ_{i} \in [0, 1]$
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 κ → 0 eine geradlinige Wegführung und für κ → 1 eine kreisförmige Wegführung annehmen zu können, wird der normierte Term zusätzlich von 1 subtrahiert.

PCA-Kreisförmigkeit

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 λ₁ und λ₂. λ₁ entspricht dem relativen Varianzanteil der Achse mit der höchsten Varianz, weshalb λ₁ ≥ 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 λ₁ ≈ λ₂ (Fig. 8).
Zur Berechnung der PCA-Kreisförmigkeit ρ wird die PCA auf die Positionsinformationen innerhalb eines Merkmalsfensters angewendet. Anschließend wird aus den resultierenden Skalaren λ₁ und λ₂ der Quotient gebildet: $ρ_{i} = \frac{λ_{2}}{λ_{1}}, ρ_{i} \in [0, 1]$
Durch die Beschränkung λ₁ ≥ λ₂ bewegt sich der Wert von ρ zwischen 0 und 1, wobei ρ_f → 0 eine geradlinige und ρ_f → 1 eine kreisförmige Wegführung bedeutet.

Richtungsänderung

Parkplatz suchende Fahrzeuge biegen häufig ab. Anhand der aktuellen und einer zurückliegenden Position ist es möglich, für jeden Fahrtdatenvektor x_i die Fahrtrichtung Φi in Form eines Winkels (0° bis 359°, entsprechend den Himmelsrichtungen) zu berechnen. Mit Hilfe von Φ kann ein Wert für die Richtungsänderung Δ_Φ, normiert auf die zurückgelegte Strecke s_d zwischen zwei Wegpunkten berechnet werden: ${\tilde{Δ}}_{φ, i} = \frac{Δ_{φ, i}}{\underset{s_{d}}{\underset{︸}{δ (p_{i}, p_{i - 1})}}}$
mit $Δ_{φ, i} = \min \{|φ_{i} - φ_{i - 1}|, 360 ° - |φ_{i} - φ_{i - 1}|\}$
Um einen aussagekräftigen Wert für die Richtungsänderung im Fahrtverlauf zu berechnen, wird der arithmetische Mittelwert Δ _φ,i über alle normierten Richtungsänderungen Δ_{0,f_k} im Merkmalsfenster gebildet: ${\overline{Δ}}_{φ, i} = \frac{1}{M} \sum_{k = 1}^{M} Δ_{φ, f_{k}}$
Fig. 9 zeigt Fahrtrichtungen φ_i-1 und φ_i an den entsprechenden Positionen p _i-1 und p ₁ sowie deren Differenz Δ_φ,i.

Ziel-Ineffizienz

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 Merkmal erst nach Ende der Fahrt (d.h. offline), nachdem alle Fahrtdatenvektoren bekannt sind, gebildet werden. Als Zielposition wird die Position p _N 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): $ζ_{i} = η_{i} ([p_{1}, p_{2}, \dots, p_{N}])$
Da es beispielsweise bei Kurierfahrten vorkommen kann, dass Start- und Endposition einer Fahrt in der Nähe liegen, ist eine maximale Ziel-Ineffizienz bereits am Anfang der Fahrt vorhanden. Dies kann umgangen werden, indem der vom Ziel am weitesten entfernte Wegpunkt $p_{i_{d}} = \arg \max_{p_{i}} {\{δ (p_{i}, p_{N})\}}_{i = 1}^{N}$
von der Zielposition ermittelt wird und die Werte des Merkmals für i < i_d gleich Null 0 gesetzt werden: $η_{i} = {\begin{matrix} 0 & i < i_{d} \\ η_{i} ([p_{1}, p_{2}, \dots, p_{N}]) & i \geq i_{d} \end{matrix}$
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 _i, welche 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 l_gf bestimmt. Verankert ist es am ersten Merkmalsvektor mg₁ eines Streckenabschnitts. Der Merkmalsvektor am Ende des Streckenabschnitts mg_R ist der letzte, bezüglich der zurückgelegten Strecke weniger als l _gf von mg₁ entfernte nachfolgende Merkmalsvektor. Die Anzahl der Merkmalsvektoren m _i innerhalb eines Glättungsfensters GMF kann analog zur Anzahl von Fahrtdatenvektoren x _i innerhalb eines Merkmalsfensters MF _i variieren. Um die Glättungsfenster MGF zu überlappen, kann nach der Überschreitung einer bestimmten Strecke l_gr 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 $l_{gr} \leq l_{gf} \leq 2 \cdot l_{gr}$
Jeder durch die Merkmalsvektoren in einem Glättungsfenster MGF erzeugte geglättete Merkmalsvektor charakterisiert einen Streckenabschnitt der Länge l_gr, welcher an der Position des ersten einschließenden Merkmalsvektors beginnt und an der Position des ersten Merkmalsvektor 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 m_g, welcher einen bestimmten Streckenabschnitt charakterisiert, auch Merkmalsvektoren des folgenden Streckenabschnitts einfließen. Um dies zu verhindern, kann l_gf = l_gr gewählt werden.
Aus den R Merkmalsvektoren in Glättungsfenster [m _g1; ...;m _gR] werden die einzelnen Komponenten des geglätteten Merkmalsvektors wie folgt berechnet: $m_{g} = [median \{{\overline{υ}}_{g_{1}}, \dots, {\overline{υ}}_{g_{R}}\}, \max \{{\hat{m}}_{g_{1}}, \dots, {\hat{m}}_{g_{R}}\}], \hat{m} = m \ \overline{υ}$
Die mittlere Geschwindigkeit entspricht dem Median der mittleren Geschwindigkeit aller 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 Labels ermittelt. Dies entspricht somit einer Mehrheitsentscheidung, wobei bei gleicher Stimmanzahl für Parksuchverkehr entschieden wird. Im Spezialfall l_gf = l_gr = 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 _i eine Wahrscheinlichkeit p(P | m _i) vor, welche angibt, mit welcher Wahrscheinlichkeit ein Merkmalsvektor zum Parksuchverkehr gehört.
Zur Berechnung dieser Wahrscheinlichkeit werden die Merkmalsvektoren 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 Labels c, bekannt sein. Dies wird durch die Verwendung von zu Lernzwecken 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 Merkmal 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 T _Z und T _P 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 Merkmal m_n der Mittelwert µ_n und die Standardabweichung σ_n ermittelt. $µ_{n} = \frac{1}{K} \sum_{k = 1}^{K} m_{n, k}$
$σ_{n} = \sqrt{\frac{1}{K - 1} \sum_{k = 1}^{K} {(m_{n, k} - µ_{n})}^{2}}$
Zur Berechnung der Einträge m̃ der normierten Trainingsmatrix T̃ wird jeder Eintrag der Trainingsmatrix mit Hilfe der berechneten Parameter transformiert: ${\tilde{m}}_{n, k} = \frac{m_{n, k} - µ_{n}}{σ_{n}}$
Eine Spalte der Resultierenden enthält somit einen normierten Merkmalsvektor m̃.
Der Hintergrund der Merkmalsreduktion ist die Reduktion der Merkmalskomponenten in einem Merkmalsvektor mit minimalem Informationsverlust Dabei wird die Anzahl der Merkmale in m̃ von N auf 1 ≤ D < N reduziert. Es wird somit eine Vektorprojektion □ ^N → □ ^D durchgeführt. Der reduzierte Merkmalsvektor m̂ wird mit Hilfe der N x D Transformationsmatrix W berechnet: $\hat{m} = W \tilde{m}$
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 N x N Kovarianzmatrix Σ der Trainingsmatrix T, bestehend aus den Einträgen σ_i;j. $σ_{i, j} = \frac{1}{M} \sum_{k = 1}^{M} ({\tilde{m}}_{n = i, k} - µ_{n = k}) ({\tilde{m}}_{n = j, k} - µ_{n = j})$
Anschließend werden die Eigenvektoren und Eigenwerte der Kovarianzmatrix berechnet, wie dies z.B. in [3] beschrieben ist. Die Eigenvektoren w _i stellen Achsen im Merkmalsraum dar, während die Eigenwerte λ_i den relativen Anteil an der Gesamtvarianz der auf die resultierenden Eigenvektoren projizierten Merkmalsvektoren angeben. w ₁ entspricht dem Eigenvektor mit dem größten Eigenwert λ₁, während w _N den Eigenvektor mit dem kleinsten Eigenwert λ_N darstellt. Sind die Eigenvektoren bekannt, kann nun ein beliebiges 1 ≤ D < N ausgewählt werden, welches die Dimension der transformierte Merkmale bedeutet. Die D Zeilen der Transformationsmatrix werden sodann mit den ersten D Eigenvektoren [w ₁; ...;w _D] gefüllt $w = (\begin{matrix} w_{1} \\ \dots \\ w_{D} \end{matrix})$
Die Transformation eines Merkmalsvektors m in den reduzierten Merkmalsraum wird angewandt durch $\hat{m} = W (m - µ)$
wobei µ den Mittelwertsvektor mit den Mittelwerten der einzelnen Merkmale [µ₁; µ_N] 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 Wahrscheinlichkeit ist es möglich, eine Aussage über die Klassenzugehörigkeit c eines Merkmalsvektor zu treffen. Hier bezeichnet c_z die Zugehörigkeit zur Klasse "Zieiverkehr", während c_p die Zugehörigkeit zu "Parksuchverkehr" darstellt.
Zur Berechnung der Wahrscheinlichkeit eines Merkmalsvektors, der Verkehrsklasse Parksuchverkehr anzugehören, auch als a-posteriori-Wahrscheinlichkeit bezeichnet, wird der bekannte Satz von Bayes angewandt, der z.B. in [1] oder [2] beschrieben ist. $p (c_{P} | \hat{m}) = \frac{p (\hat{m} | c_{P}) p (c_{P})}{p (\hat{m})} \frac{p (\hat{m} | c_{P}) p (c_{P})}{\sum_{c \in \{c_{Z}, c_{P}\}} p (\hat{m} | c) p (c)}$
p (m̂|c) ist die klassenspezifische Dichtefunktion, welche die Wahrscheinlichkeit für einen Merkmalsvektor angibt, der Klasse c anzugehören. p(c) wird als α-priori-Wahrscheinlichkeit bezeichnet und stellt die Wahrscheinlichkeit dar, mit welcher die Klasse c auftritt. Schließlich gibt p(m̂) 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 α-posteriori-Wahrscheinlichkeit benötigten Dichtefunktionen bzw. Wahrscheinlichkeiten können anhand der Trainingsdaten in T, bzw. T _Z und T _P 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 p(m̂|c) anhand der Dichtefunktion der Normalverteilung zu berechnen, welche durch die Parameter Mittelwert µ und Kovarianzmatrix Σ definiert ist. $p (\hat{m}) = \frac{1}{{(2 π)}^{\frac{D}{2}} {|\sum|}^{\frac{1}{2}}} e^{- \frac{1}{2} {(\hat{m} - µ)}^{T} \sum^{- 1} (\hat{m} - µ)}$

µ

Σ

T

_Z

T

_P

p

m̂

c_z

µ

_z

Σ

_z

p

m̂

c_z

µ

_P

Σ

_P

Zur Abschätzung der a-priori-Wahrscheinlichkeit der unterschiedlichen Klassen wird die Anzahl der Merkmalsvektoren in den Trainingsdaten verwendet. N gibt hierbei die Anzahl der Merkmalsvektoren in T, sowie N_Z und N_P die Anzahl der Merkmalsvektoren in den klassenspezifischen Trainingsmatrizen T _Z und T _P an. $p (c_{Z}) = \frac{N_{Z}}{N}, p (c_{P}) = \frac{N_{P}}{N}, wobei \sum_{c \in \{c_{Z}, c_{P}\}} p (c) = 1$
Mit Hilfe der a-posteriori-Wahrscheinlichkeit kann nun eine Aussage über die Klassifikation eines Merkmalsvektors getroffen werden, da p(c_z |m̂) = 1 - p(c_P |m̂). Der verwendete Klassifikator ist ein Maximum-a-posteriori-Klassifikator. Das bedeutet, dass ein Merkmalsvektor aufgrund der größten a-posteriori-Wahrscheinlichkeit klassifiziert wird: $c_{MAP} = \arg \max_{c \in \{c_{Z}, c_{P}\}} \{p (c | \hat{m})\} = {\begin{matrix} c_{P} & p (c_{P} | \hat{m}) > \frac{1}{2} \\ c_{Z} & p (c_{P} | \hat{m}) \leq \frac{1}{2} \end{matrix}$
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: $M = \{x \in R^{D} | p (c_{P} | x) = p (c_{Z} | x) = \frac{1}{2}\}$
Der Verlauf der Entscheidungsfunktion, welche durch die hier vorgestellte parametrische Klassifikation zustande kommt, ist aufgrund der Wahl unterschiedlicher Kovarianzmatrizen quadratisch.
Die Lage der Entscheidungsgrenze wird durch die a-priori-Wahrscheinlichkeiten beeinflusst: 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 T _Z konstruiert wurden, sind mit 10, 12, 94 bezeichnet, während die mit 11, 13, 15 gekennzeichneten Elemente anhand der Merkmalsvektoren in T _P konstruiert wurden. Die Entscheidungsgrenze 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 c_MAP, wird vermutet, dass ein Übergang des Klassifikationsergebnisses von c_Z → c_P den Beginn der Parkplatzsuche darstellt. Ein solcher Übergang wird als positiver Übergang bezeichnet, während der umgekehrte Fall c_P → c_Z als negativer Übergang bezeichnet wird.
Im Idealfall kommt ein positiver Übergang auf einer Fahrt höchstens einmal vor. In der Realität (vgl. die Fig. 15 bis 17) zeigt es sich 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 Klassifikationsergebnisses 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 c_p 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 = c_z Parksuchverkehr 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 l_s 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 l_s = 0, erzielt diese Segmentierungsmethode das gleiche Ergebnis wie die einfache Segmentierung.
Neben der Information zur Klassifikation eines Merkmalsvektor c_MAP verwendet die in Fig. 17 dargestellte Segmentierung mit Integralkriterium auch die a-posteriori-Wahrscheinlichkeit p(c_P |m̂). Somit 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 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. $I_{+} = \int_{x_{+}}^{x_{-}} p (c_{P} | \hat{m}) - \frac{1}{2} \partial s$
Dabei wird von der a-posteriori-Wahrscheinlichkeit 0,5 subtrahiert, um positive Werte für c = c_P und negative Werte für c = c_Z 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 = c_Z klassifizierten Fahrtdatenvektoren, wird nun kontinuierlich der negative Integralwert l_- berechnet, bis entweder l_- > l+ oder ein neuer positiver Übergang gefunden wird. Falls l. > l₊, wird der aktuelle Suchbeginn vergessen, während bei einem erneuten positiven Übergang lediglich das positive Integral mit l₊ = l₊ + L neu berechnet wird.
Dies bedeutet, dass ein genügend starkes Zielverkehr-Verhalten, welches auf einen Streckenabschnitt mit Parksuchverkehr-Verhalten folgt, den Suchbeginn revidieren kann. Andererseits stellt das Integralkriterium sicher, dass ein geringes Zielverkehr-Verhalten über eine längere Strecke den aktuellen Suchbeginn nicht aufheben kann.
Da der Verlauf 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 ₁; p ₂; ...; p _N] und die dazugehörigen a-posteriori-Wahrscheinlichkeiten [p _ap1; p _ap2; ...; p _apN] numerisch approximiert werden: $\hat{I} = \sum_{i = 1}^{N - 1} (p_{{ap}_{1}} - \frac{1}{2}) δ (p_{i}, p_{i + 1})$
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 probabilistischen Modell, das mit Hilfe von Trainingsdaten erstellt wurde.
Im optionalen Plausibilisierungsschritt (Schritt S6) wird das Ergebnis der Segmentierung beurteilt und wenn nötig verworfen. Dies bedeutet, dass dieser Schritt die Möglichkeit einräumt, Fahrten bezüglich der Parkplatzsuche unbeurteilt zu lassen. Die Kriterien zur Vorenthaltung des Segmentierungsergebnisses sind z.B. eine unplausibel lange Parksuchstrecke. 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 unplausibel ist, wenn die seit dem Start der Parkplatzsuche zurückgelegte Strecke s_p bis zum Ziel größer ist als die Hälfte der seit Fahrtbeginn zurückgelegten Strecke bis zum Suchbeginn s_z: $\frac{s_{z}}{2} - s_{p} {\begin{matrix} \geq 0 & plausibel \\ < 0 & unplausibel \end{matrix}$

Quellenangaben

[1] E. Alpaydin, Introduction to Machine Learning (Adaptive Computation and Machine Learning), The MIT Press, 2004.
[2] C. M. Bishop, Pattern Recognition 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

x _i: Fahrtdatenvektor (i=1... N)
c_i: Klassenlabel / Verkehrsklasse
i: Nr. einer Messung
N: Anzahl
m _l: Merkmalsvektor
c_Z: erster Klassifikator
c_P: zweiter Klassifikator
p: Wahrscheinlichkeit
T_Park: Zeitpunkt, ab dem Parkplatz gesucht wird
ZV: Zielverkehr
PSV: Parksuchverkehr
MF_i: Merkmalsfenster
l_f: Größe des Merkmalsfensters
GMF: Glättungsfenster
l_gf: Länge des Glättungsfensters
EGR: Entscheidungsgrenze
GR: Entscheidungsgrenze

Claims

Verfahren zum Verarbeiten von Messdaten eines Fahrzeugs zur Bestimmung des Beginns einer Parkplatzsuche, mit den Schritten:
a) Erfassen einer Anzahl (N) an Fahrtdatenvektoren (x _i), wobei jeder Fahrtdatenvektor (x _i) eine Information über eine Geschwindigkeit (v_i), Positionsdaten (p _i) und einen Zeitpunkt (t_i) der Erfassung der Geschwindigkeit (v_i) und der Positionsdaten (p _i) umfasst;

b) Ermittlung eines Merkmalsvektors (m _i) zu jedem Zeitpunkt (t_i) der Erfassung eines Fahrtdatenvektors (x _i), wobei die Informationen des aktuellen und zeitlich zurück liegender Fahrtdatenvektoren (x _i) 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) einer ersten Verkehrskategorie (c_Z), die eine Fahrt des Fahrzeugs repräsentiert, oder einer zweiten Verkehrskategorie (c_P), die einen Parksuchverkehr repräsentiert, zugeordnet wird, und wobei eine Wahrscheinlichkeit (p(P|m _i)) ermittelt wird, welche angibt, mit welcher Wahrscheinlichkeit dem Merkmalsvektor der ersten oder der zweiten Verkehrskategorie (c_z, c_P) zuzuordnen ist;

d) Segmentierung über den zeitlichen Verlauf der ermittelten Verkehrskategorien (c_Z, c_P) der Merkmalsvektoren (m _i), wobei eine Unterteilung der Fahrt vom Start bis zur letzten Erfassung eines Fahrdatenvektors entsprechend der bestimmten Verkehrskategorien (c_Z, c_P) der Merkmalsvektoren (m _i) in zwei Segmente erfolgt und der Übergang von einem Segment in das andere Segment den Beginn der Parkplatzsuche repräsentiert.
Verfahren nach Anspruch 1, bei dem Fahrtdatenvektoren (x _i) bei der Bestimmung des Beginns der Parkplatzsuche unberücksichtigt bleiben, wenn die Information über die Geschwindigkeit (v_i) des Fahrtdatenvektors (x _i) größer als ein erster Schwellwert oder kleiner als ein zweiter Schwellwert ist.
Verfahren nach Anspruch 1 oder 2, bei dem für die Ermittlung eines jeweiligen Merkmalsvektors (m _i) die Fahrtdatenvektoren (x _i) innerhalb eines Merkmalsfensters (l_f), das eine vorgegebene Strecke repräsentiert, verarbeitet werden, wobei das Merkmalsfenster (l_f) die Fahrtdatenvektoren (x _i) von der aktuellen Messung bis zur ersten Messung, die auf der zurückgelegten Strecke weiter als die vorgegebene Strecke zurückliegt, mit einschließt.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem der Merkmalsvektor (m _i) als Merkmalskomponenten 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-Kreisförmigkeit der zurückgelegten Strecke,

- eine Information über eine Richtungsänderung,

- eine Information über eine Ziel-Ineffizienz.
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 (m _i) berücksichtigten Fahrtdatenvektoren (x _i) ist.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem die Weginformation eine Weg-Ineffizienz ist, welche durch das Verhältnis der tatsächlich gefahrenen Strecke im Hinblick auf die kürzeste Strecke zwischen den Positionen zweier Fahrtdatenvektoren (x _i) angibt, wie ineffizient die gefahrene Strecke ist.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem als Weginformation diejenige Weg-Ineffzienz für einen Merkmalsvektor (m _i) verarbeitet wird, welche für die verarbeitete Menge an Fahrtdatenvektoren (x _i) maximal ist.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem zur Klassifizierung jedes Merkmalsvektors (m _i) die Merkmalsvektoren (m _i) normiert werden.
Verfahren nach Anspruch 8, bei dem zur Berechnung normalisierter Merkmalskomponenten eine z-Nnrmalisierung verwendet wird, bei der für jede Merkmalskomponente der Mittelwert und die Standardabweichung ermittelt werden und mit diesen die Merkmalskomponenten transformiert werden.
Verfahren nach Anspruch 9, bei dem die Merkmalskomponenten durch eine Vektorprojektion reduziert werden, insbesondere durch Anwendung einer Hauptkomponentenanalyse.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem die Berechnung der Wahrscheinlichkeit des Klassifikators mit dem Satz von Bayes erfolgt.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem der Beginn der Parkplatzsuche durch einen positiven Übergang der ersten Verkehrskategorie (c_Z) zu der zweiten Verkehrskategorie (c_P) definiert ist, wobei der Fahrtdatenvektor (x _i), dem der zweiten Verkehrskategorie (c_P) zugeordnet ist, den Beginn der Parkplatzsuche repräsentiert.
Verfahren nach Anspruch 12, bei dem als Beginn der Parkplatzsuche der in zeitlicher Hinsicht letzte positive Übergang der ersten Verkehrskategorie (c_Z) zu der zweiten Verkehrskategorie (c_P) gewählt wird, solange das Klassifikationsergebnis der nachfolgenden Fahrtdatenvektoren (x _i) konstant die zweite Verkehrskategorie (c_P) umfasst.
Verfahren nach Anspruch 12, bei dem als Beginn der Parkplatzsuche der in zeitlicher Hinsicht letzte positive Übergang der ersten Verkehrskategorie (c_Z) zu der zweiten Verkehrskategorie (c_P) gewählt wird, solange das Klassifikationsergebnis der nachfolgenden Fahrtdatenvektoren (x _i) für eine vorgegebene Fahrtstecke (l_s) konstant die zweite Verkehrskategorie (c_P) umfasst.
Verfahren nach Anspruch 12, bei dem der Beginn der Parkplatzsuche anhand eines Integrals des Verlaufs der Wahrscheinlichkeit über die zurückgelegt Strecke ermittelt wird.
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.