Der Radverkehr ist zentraler Bestandteil einer klimafreundlichen Mobilität. EBikes eröffnen neue Möglichkeiten für verschiedene Nutzergruppen und tragen so dazu bei den Anteil des Radverkehrs weiter zu steigern. Da die Verkehrsmittelwahl jedoch wesentlich von subjektiven Fahreindrücken abhängt, müssen geeignete Methoden zur objektiven Bewertung subjektiver Fahreindrücke beim eBike-Fahren entwickelt werden. Ziel der vorliegenden Dissertation ist die Machine-Learning (ML) -basierte Objektivierung subjektiver Fahreindrücke beim eBike-Fahren. Mittels eines Mixed-Methods-Designs werden subjektive Fahreindrücke und deren Einflussfaktoren qualitativ in einer Interviewstudie (N=23) ermittelt und quantitativ durch Daten einer Fahrstudie (eMountainbike, N=80) verifiziert. Mithilfe einer Gauß-Prozess Regression wird der subjektive Fahreindruck Fahrerlebnis mit eBike-Sensordaten für vier Fahrertypen in den Anwendungsfällen eMountainbike (N=80) und eTrekking (N=55) prädiziert. Aufgrund des Black-Box-Charakters der ML-Modelle wird post-hoc die Explainable-AI (XAI) -Methode SHAP (SHapley Additive exPlanations) zur Evaluation des Fahrerlebnisses eingesetzt. Die in den untersuchten Anwendungsfällen erreichten Modellgüten belegen die Eignung von ML zur Objektivierung subjektiver Fahreindrücke. Die Post-hoc-Analyse zeigt den Mehrwert von SHAP zur Evaluation subjektiver Fahreindrücke auf. Mithilfe der vorgestellten Methode können aussagekräftige Prädiktoren und deren Einfluss auf das Fahrerlebnis bestimmt werden. Fahrerleistungsbezogene Parameter, Motorleistung, Längsdynamik und Querdynamik wurden als Quelle einflussreicher Prädiktoren ermittelt. Der Einfluss der Prädiktoren unterschied sich zwischen einem komfortorientierten, abfahrtsorientierten, dynamikorientierten und sportlichen Fahrertypen. Die Ergebnisse der vorliegenden Dissertation verdeutlichen das Potential der ML-basierten Objektivierungsmethode zur Evaluation subjektiver Fahreindrücke. Die gewonnenen Erkenntnisse erweitern das Verständnis über subjektive Fahreindrücke beim eBike-Fahren und tragen zu einer Verbesserung des Fahrerlebnisses bei.


    Zugriff

    Download

    Verfügbarkeit in meiner Bibliothek prüfen


    Exportieren, teilen und zitieren



    Titel :

    Machine-Learning-basierte Objektivierung subjektiver Fahreindrücke beim eBike-Fahren


    Beteiligte:
    Laqua, Annika (Autor:in) / Helmut-Schmidt-Universität (Gastgebende Institution)

    Erscheinungsdatum :

    2024



    Medientyp :

    Sonstige


    Format :

    Elektronische Ressource


    Sprache :

    Deutsch




    Machine-Learning-basierte Objektivierung subjektiver Fahreindrücke beim eBike-Fahren

    Laqua, Annika / Helmut-Schmidt-Universität/Universität der Bundeswehr Hamburg | TIBKAT | 2024

    Freier Zugriff

    Objektivierung subjektiver Geraeuschbeurteilungen

    Pischinger,S. / Lange,B. / Heuer,S. et al. | Kraftfahrwesen | 2006


    Objektivierung subjektiver akustischer Phänomene

    Bernhard, Ulrich / Alt, Norbert | Tema Archiv | 2005


    Objektivierung subjektiver akustischer Phaenomene

    Bernhard,U. / Alt,N. / Opel,Ruesselsheim,DE et al. | Kraftfahrwesen | 2005


    Objektivierung der Fahrbarkeit beim automatisierten Fahren

    Holzinger, Jürgen / Schöggl, Peter / Schrauf, Michael et al. | Tema Archiv | 2014