Entwicklung eines Klassifikationsansatzes zur Segmenterkennung im SPNV auf Grundlage von mobilen Sensordaten

Inhalt dieser Arbeit ist die Entwicklung eines Klassifikationsansatzes zur Segmenterkennung im Schienenpersonennahverkehr auf Grundlage von mobilen Sensordaten. Bewerkstelligt wird dies mit Hilfe einer maschinellen Lernmethode, welche Gesetzesmäßigkeiten in mobilen Sensordaten lernt, um daraus ein Modell abzuleiten, mit dem es möglich ist, eine segmentgenaue Klassifikation durchzuführen. Grundlage bilden die Daten verschiedenster MEMS-Sensoren, welche in mobilen Endgeräten (Smartphones) verbaut sind. Diese können durch verschiedene Vorverarbeitungsschritte angepasst werden und dienen als Basis für eine Merkmalsgeneration, welche verwendet wird, um charakteristische Eigenschaften in den Daten in eine interpretierbare Form zu bringen. Auf Grund dieser Merkmale in Form von Merkmalsvektoren kann mit Hilfe einer maschinellen Lernmethode ein Klassifikationsmodell ermittelt werden, dessen Prädiktionen als Eingabeparameter für eine Sequenzoptimierung dienen. Diese kann durch einen Viterbi Algorithmus, welcher auf einem Hidden Markov Modell aufbaut, realisiert werden. Anhand der resultierenden Sequenz ist es möglich, eine Entscheidung über das aktuell befahrene Segment zu treffen.