Modellierung navigatorischer Fahrerpräferenzen für die personalisierte Routenberechnung

Vorschau

Inhaltsverzeichnis, PDF (50 KB)
Leseprobe, PDF (340 KB)

Die Routingkomponente heutiger Navigationssysteme basiert auf einem Kürzeste-Wege-Verfahren, das für eine Zielfunktion einen Weg auf einem Graphen mit Kantengewichten berechnet. Standardmäßig wird die Minimierung der Routendauer oder der Routenlänge als Zielfunktion für die Route genutzt, um die navigatorischen Präferenzen der Fahrer zu erfüllen.

In dieser Arbeit wird eine Personalisierung der Routingkomponente durchgeführt, um so Unterschiede zwischen den Fahrern zu berücksichtigen und ihre navigatorischen Präferenzen in das Kürzeste-Wege-Verfahren einzubeziehen. Die Personalisierung umfasst eine automatische Anpassung der Zielfunktion sowie der Kantengewichte an den Fahrer. Hierfür wird ein Modell der navigatorischen Präferenzen des Fahrers erstellt, das auf Analysen verschiedener Perspektiven des Navigationsverhaltens der Fahrer basiert. Die Präferenzen werden dabei sowohl bezüglich der Dimension der Zeit wie auch bezüglich der Dimension des Raumes modelliert.

Für die erste Perspektive werden die gemessenen Geschwindigkeiten auf den Kanten untersucht. Das entsprechende Modell dieser Kantenperspektive gehört zur Dimension der Zeit. Das zweite raumorientierte Modell wird aus der Analyse der Gesamtheit aller Kanten eines Fahrers generiert (Netzwerkperspektive). Für die dritte Perspektive werden die vom Fahrer gewählten Routen analysiert und zwei Modelle beider Dimensionen erstellt.

Die Modelle werden statistisch untersucht und zu einem zweidimensionalen Modell der navigatorischen Präferenzen des Fahrers aggregiert. Das Ergebnis ist eine Zuordnung der Fahrer zu einem Routingtyp. Auf Basis der Modellierung werden sowohl die Zielfunktion wie auch die Kantengewichte zunächst separat und anschließend kombiniert personalisiert. Im Vergleich zu einer Standardroute erfolgt eine Bewertung der Personalisierungsansätze mit Hilfe verschiedener Gütemaße. Das entwickelte Verfahren für die Modellierung und die Personalisierung wird auf einen umfangreichen Realfahrdatensatz angewendet und zeigt so den Nutzen einer modellgestützten Personalisierung der Routingkomponente auf.

The routing component of nowadays navigation devices bases on a shortest path calculation using an objective function and edge attributes of an underlying graph. Minimizing the route duration or route length are the most common objective functions to meet drivers’ general navigation preferences for a route.

In this work, we include the navigation preferences of different types of drivers in the path calculation by personalizing the routing component. The objective function as well as edge attributes are adapted to drivers’ preferences in an automated way. To describe drivers’ navigation preferences in a navigation context, it is necessary to model driver behavior appropriately. Three different models are developed by analyzing different perspectives of drivers’ navigation behavior covering the dimension of time as well as the dimension of space.

The first, time-oriented model examines the observed speeds on the edges. For the second, space-oriented model, a measure considering the entirety of edges is provided as to characterize the coverage of a driver’s mobility network. The third model analyses routes consisting of paths of edges considering both dimensions. Correlation analyses show that results obtained from the different models confirm each other. Based on the results, a well-founded two-dimensional model is built from well-known attributes and to classify the drivers in respect to their navigation preferences.

This model is used for personalizing the objective function and the edge attributes separately and in a combined way. The calculated routes are compared with a standard route in respect to different measures to evaluate the personalization. All steps of modelling and personalization are implemented for a large scale data set. In this way, the improvement of the navigation device by a model-based personalization is quantified for each driver as well as for the determined classes of the sample.