Projektbeschreibung

Um den Kraftstoffverbrauch von Lkw akkurat vorhersagen zu können, ist es notwendig, auch zusätzliche Parameter wie Straßenqualität oder Wetter bei den Lkw-Fahrten einzubeziehen. Die bisher verfügbaren Modelle für Maschinelles Lernen (ML) nutzen jedoch nur die Zustandsdaten der Lkw zur Kraftstoffvorhersage. Diese ML-Modelle wurden im Projekt „Feature vectors for Trucks (FvfT)” geschaffen. Im Projekt KEF (Kontextuelle Einflussfaktoren) wurden Algorithmen entwickelt, die eine effiziente Verknüpfung von Zustandsdaten und kontextuellen Daten erlauben.

Ergebnisse und Wirkungen

Im Projekt KEF wurden Algorithmen programmiert, die es erlauben, kontextuelle Daten und Zustandsdaten von Lkw zu verknüpfen. Kontextuelle Daten sind zum Beispiel Wetterdaten. Sie liegen beinahe für den gesamten Globus vor. Die effizienten Algorithmen von KEF können diese Verknüpfung trotz riesiger Datenmengen innerhalb von Sekunden erstellen.

Durch diese Verknüpfungen stehen den ML-Algorithmen nun zusätzliche Informationen zur Verfügung. Sie können sowohl beim Training als auch bei der Vorhersage des Kraftstoffverbrauchs berücksichtigt werden. Im Ergebnis konnten Fehler bei der Vorhersage reduziert und genauere Vorhersagen für Lkw-Fahrten getroffen werden.