Lernen, die Route und das Zielinteresse des Fahrers vorherzusagen

Für viele Menschen ist das Fahren eine routinemäßige Tätigkeit, bei der sie regelmäßig zu denselben Zielen auf denselben Routen fahren. Viele Fahrer, zum Beispiel, fahren an Wochentagen ungefähr zur gleichen Zeit zwischen der Arbeit und nach Hause auf einer kleinen Anzahl von Routen. Ebenso wird eine Person, obwohl sie an verschiedenen Tagen oder zu unterschiedlichen Zeiten einkauft, oft denselben Supermarkt besuchen. In diesem Papier präsentieren wir einen neuartigen Ansatz zur Vorhersage des Fahrerinteresses, der die vorhersehbare Natur des Alltagsfahrens ausnutzt. Unser Ansatz sagt die beabsichtigte Route und das Ziel eines Fahrers mittels eines probabilistischen Modells voraus, das aus der Beobachtung ihrer Fahrgewohnheiten erlernt wurde. Wir zeigen, dass es möglich ist, ein verstecktes Markov-Modell (HMM) der von dem Fahrer genutzten Routen und Ziele zu erstellen, indem ein kostengünstiger GPS-Sensor und eine Kartendatenbank verwendet werden. Darüber hinaus zeigen wir, dass dieses Modell verwendet werden kann, um genaue Vorhersagen des Ziels und der Route des Fahrers durch die Online-Beobachtung ihrer GPS-Position während der Fahrt zu treffen. Wir präsentieren eine umfassende Bewertung unseres Ansatzes mit einem Korpus von fast einem Monat realer Alltagsfahrten. Unsere Ergebnisse zeigen die Effektivität des Ansatzes und erreichen in den meisten Fällen eine Genauigkeit von etwa 98 %. Eine so hohe Leistung legt nahe, dass die Methode für eine verbesserte Sicherheitsüberwachung, die Routenplanung unter Berücksichtigung der Verkehrsdichte und eine bessere Vorhersage der Fahrtdauer genutzt werden kann.