Generierung relevanter Fahrzeuginformationen durch Graph Neural Networks

Institut
Lehrstuhl für Fahrzeugtechnik
Typ
Semesterarbeit / Masterarbeit /
Inhalt
experimentell /  
Beschreibung

Beschreibung:

Die heutigen Datenbanken zur Speicherung von Mobilitätsdaten und deren Auswertung sind meist in relationalen Datenbanken, beispielsweise Postgresql oder DataWarehouses, wie ElasticSearch und Hadoop-Clustern. Während Erstere eine einfache Zugriffssprache und Zeilenbasierte-Analysen unterstützen, ermöglichen die Zweiteren das skalierbare Ablegen und Abrufen von Daten. Um zeitgemäß zu Analysieren und darauf entsprechende Modelle zu trainieren sind Abfragen und Repräsentationen nötig, die die Daten in gegenseitigen Kontext bringen und unstrukturierte Informationen verarbeiten. Hierfür können Graphendatenbanken eingesetzt werden, um auf komplexer Ebene, beispielsweise durch Machine Learning weiterführende Informationen, wie beispielhaft den Impact von Covid-19 Maßnahmen auf das Mobilitätsverhalten verschiedener Branchen und Fahrzeugtypen.

In dieser Semesterarbeit/Masterarbeit sollen Flottenversuche bzgl. möglicher Klassifizierungen von Fahrtenzielen untersucht werden. Hierzu soll eine Methode entwickelt werden, die eine geeignete Repräsentation der Versuchsflotte und deren Verhalten in einer Graphendatenbank entwickelt. Auf dieser Repräsentation soll nachfolgend ein Algorithmus ausgewählt, angepasst und trainiert werden, der die Stopp-Locations von Fahrten hinsichtlich von privaten und geschäftlichen Interessen klassifiziert. Aus der Verknüpfung dieser Klassen mit den Fahrzeugen, sollen Aussagen über die Zusammensetzung der Flotte abgeleitet werden.

Arbeitspakete:

  • Literatursuche zu Knowledge Graphs, Flottenanalysen und GIS-POI Systemen
  • Anreichern eines Knowledge Graphs mit entsprechenden Flottendaten
  • Anreichnern des Stop Verhaltens einzelner Fahrzeuge und einer Beispielflotte mit Geoinformationen
  • Charakterisierung der Stopps anhand von der Anzahl der betroffenen Fahrzeuge, Frequenz, POIs, usw.
  • Erarbeitung einer Aggregationsmethode zur Ableitung von Charakterisierung einzelner Fahrzeuge
  • Ableiten von Gesamtaussagen über die untersuchte Flotte

Bei Interesse freue ich mich über eine aussagekräftige Bewerbung von dir. Bitte füge deinen Lebenslauf und einen aktuellen Notenauszug bei. In einem ersten gemeinsamen Gespräch können wir konkrete Inhalte und Schwerpunkte der Arbeit diskutieren.

Voraussetzungen
  • Programmierkenntnisse, präferiert Python
  • Datenbankkenntnisse hilfreich
  • Motivation an Datenanalyse
  • Kreativität und Eigenintiative für neue Ideen und Ansätze zur Anwendung von Machine Learning
Tags
FTM Smarte Mobilität, FTM Netzler, FTM Studienarbeit, FTM Informatik
Möglicher Beginn
sofort
Kontakt
Fabian Netzler, M. Sc.
Tel.: +49 89 289 16598
netzlerftm.mw.tum.de