Datenbasierte Methoden zur Prädiktion des Trips und des Fahrprofils
Translated title:
Data-based methods for the prediction of the trip and the driving profile
Author:
Lohrer, Jürgen Matthias
Year:
2018
Document type:
Dissertation
Faculty/School:
Fakultät für Maschinenwesen
Advisor:
Lienkamp, Markus (Prof. Dr.)
Referee:
Lienkamp, Markus (Prof. Dr.); Meng, Liqiu (Prof. Dr.)
Language:
de
Subject group:
MAS Maschinenbau
TUM classification:
VER 020d
Abstract:
Diese Arbeit stellt datenbasierte Methoden zur Prädiktion des Trips sowie zur Prädiktion des Fahrprofils vor. Für die Entwicklung werden 5 Mio. km reale Fahrprofile verwendet. Zur Prädiktion der Route wird ein neuronales Netz eingesetzt. Bei der Fahrprofilprädiktion werden Muster in dem Bewegungsverhalten auf einem Streckensegment erkannt. Als Prädiktionsmodell wird eine multinomiale logistische Regression eingesetzt. In der Simulation wird eine Betriebsstrategie für ein vernetztes Plug-In-Hybridfahrzeug entwickelt und Kraftstoffeinsparungen von ca. 8 % ermittelt.
«
Diese Arbeit stellt datenbasierte Methoden zur Prädiktion des Trips sowie zur Prädiktion des Fahrprofils vor. Für die Entwicklung werden 5 Mio. km reale Fahrprofile verwendet. Zur Prädiktion der Route wird ein neuronales Netz eingesetzt. Bei der Fahrprofilprädiktion werden Muster in dem Bewegungsverhalten auf einem Streckensegment erkannt. Als Prädiktionsmodell wird eine multinomiale logistische Regression eingesetzt. In der Simulation wird eine Betriebsstrategie für ein vernetztes Plug-In-Hybri...
»
Translated abstract:
This work presents methods to predict the route and the driving profile of vehicles based on over 5 million km of real tracks. A neural network predicts upcoming route segments. A multinomial logistic regression model predicts predefined patterns of the driving profile for a road segment. In simulation, a plug-in-hybrid vehicle demonstrates the advantage with fuel savings of approximately 8 %.