In vielen Bereichen wird die Kombination aus dem räumlichen und zeitlichen Bezug zum entscheidenden Faktor um komplexe Zusammenhänge, Muster und Trends zu erkennen. In Verbindung mit Maschinellem Lernen führen die resultierenden Prädiktionen zudem zu einer effektiveren Entscheidungsfindung. Dies wird anhand eines Use Cases veranschaulicht, bei dem es darum geht das Ladeverhalten von Elektrofahrzeugen vorherzusagen.
Jedes Objekt oder Ereignis ist auf eine Weise lokalisierbar und zeitlich messbar, wodurch Raum und Zeit zu relevanten Informationen für viele reale Fragestellungen werden. Gerade diese Abhängigkeit beider Komponenten ist entscheidend, um komplexe Zusammenhänge erkennbar zu machen. Eine der wichtigsten Methoden, um zusätzlich Entscheidungsfindungs-Maßnahmen zu verbessern und wertvolle Informationen zu gewinnen, ist die Prädiktion. Die Verwendung nur statistischer Methoden für die Prädiktion kann allerdings durch die zunehmende Komplexität raumzeitlicher Daten aufwändig werden. Dabei können maschinelle Lernmethoden Abhilfe schaffen, indem sie zukünftige Ereignisse auf der Grundlage von Mustern vorhersagen. Aber auch einige dieser Algorithmen haben ihre Grenzen, wie z.B. eine zeitintensive Berechnung. Daher ist es wichtig zu untersuchen, welche Algorithmen zu einer optimierten Ausführung von Prädiktionen auf raumzeitliche Daten eingesetzt werden können.
Um den Datenverarbeitungsprozess an einem realen Beispiel anzuwenden, werden raumzeitliche Elektromobilitätsdaten in tabellarischer Form verwendet. Der Datensatz wird von der CAS Software AG zur Verfügung gestellt und enthält feste Punktpositionen von Elektrotankstellen in München sowie deren Zeitstempel entsprechend der Belegung eines Steckers. Wichtig zu erwähnen ist, dass eine Tankstelle aus einer oder mehreren Stationen besteht, die jeweils aus mindestens einem Ladepunkt bestehen. Pro Punkt ist es nur möglich, ein Fahrzeug auf einmal zu laden, unabhängig von der Anzahl der zu dem Punkt gehörenden Stecker. Dies bedeutet, Prädiktionen veranschaulichen Zeit und Ort der Belegung eines Steckers. Um weitere Einblicke in die Zusammenhänge zu gewinnen, wurden dem bestehenden Datensatz zusätzliche raumzeitliche Daten beigefügt.
Beginnend mit dem ersten definierten Ziel, wird eine Analyse durchgeführt, um zu beschreiben und zu verstehen, welche Informationen der Datensatz enthält. Anschließend müssen die Daten für das maschinelle Lernen aufbereitet werden. Bevor mit dem maschinellen Lernprozess selbst begonnen wird, liegt der Fokus zunächst auf einer Literaturrecherche, um Merkmale für die Optimierung zu identifizieren und Klassifikationsalgorithmen zu bestimmen, die diese Merkmale besitzen. Um im Anschluss die Anwendbarkeit beweisen zu können, muss eine experimentelle Bewertung auf den gegebenen Ladedaten durchgeführt werden. Die Algorithmen werden auf den Datensatz angewendet, indem allgemein bekannte maschinelle Lernschritte wie Trainieren, Testen und Auswerten durchgeführt werden. Der Algorithmus, der die beste Genauigkeit erzielt, wird für die raumzeitliche Prädiktion verwendet. Um den gesamten Prozess zu erleichtern und das vierte Ziel zu erreichen, werden die Verarbeitungsschritte automatisiert.
Der wichtigste Beitrag dieser Arbeit ist ein experimenteller Ansatz, der auf raumzeitlichen Daten basiert, um zu bewerten, ob die in der Literatur untersuchten Kriterien tatsächlich den Vorhersageprozess optimieren. Ziel ist es, ein sinnvolles Gleichgewicht zwischen präzisen Prädiktionen und einfacher Bedienung zu erreichen. Die Ergebnisse werden aufzeigen, welche der entsprechenden Algorithmen für den verwendeten realen Datensatz am besten geeignet sind. Zusätzlich können die resultierenden Vorhersagen auf einer Karte visualisiert werden, so dass erkennbar ist, ob es räumliche Unterschiede im Ladeverhalten gibt oder zu welchem Zeitpunkt Hotspots lokalisiert werden können. Obwohl der vorgestellte Ansatz von einem konkreten realen Anwendungsfall geleitet wird, soll er auch auf andere anwendbar sein, sofern die Struktur der Inputdaten ähnlich ist. Abschließend lassen sich weitere mögliche Anwendungsfelder und zukünftige Forschungsrichtungen identifizieren.