Lernen typischer Parkplatzbelegungsmuster anhand von Kartendaten

Zur Vorhersage zukünftiger Informationen über verfügbare Parkplätze werden in intelligenten Transportsystemen, wie beispielsweise Navigationsgeräten, unter anderem historische Daten über den Verlauf der Parkplatzbelegung verwendet. In dieser Arbeit wird untersucht, inwieweit solche Tagesverläufe mit der Hilfe von Kartendaten, wie z. B. Points of Interest, und der Verwendung von Methoden des Maschinellen Lernens vorhergesagt werden können. Dazu werden tatsächliche Belegungsdaten aus Hannover und aus San Francisco verwendet. Die Kartendaten werden sowohl aus OpenStreetMap, als auch aus Yelp gewonnen. Weiterhin werden unterschiedliche Varianten zur Implementierung der Kartendaten in das Maschinelle Lernen getestet, als auch die Relevanz der einzelnen Merkmale untersucht. Die hier verwendeten Methoden des Maschinellen Lernens sind ein Neuronales Netz, ein Regressionsbaum und eine Support Vector Machine. Die Ergebnisse zeigen, dass die Vorhersage der Tagesverläufe, mit den untersuchten Methoden des Maschinellen Lernens und den verwendeten Kartendaten, keine sinnvollen und gleichzeitig besseren Ergebnisse liefert, als die Erzeugung eines mittleren Tagesverlaufs über alle betrachteten Straßenabschnitte. Vermutete Ursachen hierfür sind unter anderem die möglicherweise für das Maschinelle Lernen zu kleinen Datensätze über die Parkplatzbelegung oder der eventuell nicht ausreichend große Zusammenhang zwischen den verwendeten Kartendaten und den Tagesverläufen der Parkplatzbelegung.