Data Mining befasst sich mit der Gewinnung von Wissen aus großen Datenbeständen, jedoch mit nicht statistischen Methoden. Es ermöglicht die Mustererkennung auch dann, wenn die Zusammenhänge zwischen den Daten nur unzureichend bekannt sind. Im Verkehrswesen entstehen, genau wie im Umgang mit Kunden, große Datenmengen, teilweise auch als Abfallprodukt bereits durchgeführter Messungen oder Befragungen. Die Automatisierung (im Verkehr beispielsweise beim Einchecken und bei der Ticketausgabe) wird das Datenangebot noch vergrößern. Methoden des Data Mining sind Fuzzy Technologien, neuronale Netze und Entscheidungsbäume. Entscheidungsbäume dienen der Klassifikation von Daten. So wird am ersten Knoten (Baumverzweigung) zwischen Pkw und anderem Fahrzeug unterschieden und die Nicht-Pkws werden immer weiter unterteilt. Fuzzy Logik arbeitet mit unscharfen Mengen und eignet sich dadurch zur Verarbeitung sprachlicher Konstrukte wie 'hohe Geschwindigkeit'. Man kann 90 bis 110 km als 1 % bis 100 % hohe Geschwindigkeit bezeichnen, das beschreibt den Verkehrsalltag treffender als eine starre Grenze wie 100 km. Bei der Fuzzy Regelbasis ist bereits Wissen über das Verhalten des Prozesses vorhanden, es kann oder soll jedoch nicht geschlossen mathematisch formuliert werden. Das Wissen wird in Wenn-Dann-Regeln abgelegt. An einer Ampel mit verkehrsabhängiger Steuerung beispielsweise ist eine längere Grünphase für Fahrzeuge nur dann sinnvoll, wenn nicht nur die Warteschlange lang, sondern auch der Fahrzeugabfluss frei ist. Bei dem Cluster-Verfahren Fuzzy C-Means werden mit Hilfe typischer Vertreter die Klassen der Untersuchungsobjekte gesucht. Solche Vertreter sind etwa der 18-jährige Schüler, der 44-jährige Pendler und der 72-jährige Senior in einer Befragung von Bahnkunden. Die Zentren der Klassen werden zunächst zufällig gewählt und durch Messung der Abstände zu den einzelnen Objekten korrigiert. Neuronale Netze erlernen aus Datensätzen Zusammenhänge; man unterscheidet dabei überwachtes Lernen (Vergleich vorhandener Eingangsmuster und Ausgangsmuster), unüberwachtes Lernen (Bildung von Klassifikationskriterien für vorliegende Eingangsmuster) und stochastisches Lernen (Minimierung anhand von Zufallsprozessen und Wahrscheinlichkeitsverteilungen). Das Multilayer Perceptron beispielsweise zeigt die Änderung der Ausgabeparameter auf Grund der Änderung der Eingabeparameter. Einzelne Parameter mit starkem Einfluss können geändert werden, ohne die anderen Parameter zur Grobeichung heranzuziehen. Mehrere tausend Simulationsläufe verarbeiten so die Parameter Reaktionszeit, maximale Beschleunigung, Fahrzeugfolge und Spurwechsel zu Ausgabewerten wie Verkehrsstärke, Verkehrsdichte und mittlere Geschwindigkeit. Die in den Beispielen verwendete Software DataEngine stammt von MIT GmbH, Aachen.


    Zugriff

    Zugriff über TIB

    Verfügbarkeit in meiner Bibliothek prüfen

    Bestellung bei Subito €


    Exportieren, teilen und zitieren



    Titel :

    Data Mining im Verkehrswesen


    Weitere Titelangaben:

    'Data mining' in the field of transport


    Beteiligte:
    Becker, Josef (Autor:in) / Breser, Christine (Autor:in)

    Erschienen in:

    Erscheinungsdatum :

    2005


    Format / Umfang :

    5 Seiten, 8 Bilder, 6 Quellen



    Medientyp :

    Aufsatz (Zeitschrift)


    Format :

    Print


    Sprache :

    Deutsch




    Data Mining im Verkehrswesen

    Becker, Josef / Breser, Christine | IuD Bahn | 2005


    Verkehrswesen

    Köhler, Jörg | SLUB | 2006


    Verkehrswesen

    Opladen, Lutwin ;Sack, Rudolf | SLUB | 1965


    Das Verkehrswesen

    Borght, Richard van der | SLUB | 1912


    Das Verkehrswesen

    GWLB - Gottfried Wilhelm Leibniz Bibliothek | 1914