In dieser Arbeit geht es um die Modellierung des Fahrerverhaltens von Autofahrern. Im Zentrum steht dabei eine statistische Methode, bei der das richtige Verhalten des Systems von Fahrzeug und Fahrer erlernt wird. Die Modellierung findet also grötenteils automatisch statt. Dazu wird ein Modell erstellt, das auf Differentialgleichungen basiert, deren Koeffizienten direkt aus Datensätzen ermittelt werden. Ein solches auf sogenannten Langevin-Gleichungen basierendes Modell teilt das Systemverhalten in zwei unterschiedliche Komponenten auf: Zum einen in eine deterministische Komponente, die das mittlere Verhalten wiedergibt, sowie in eine stochastische Diffusionskomponente, welche die statistischen Abweichungen und Varianzen repräsentiert. Obwohl diese Methode Modelle direkt aus Datensätzen ableitet, muss der Modellierer die Daten entsprechend vorbereiten sowie eine Umgebung schaffen, in welcher die mitunter umfangreichen Modelle abgelegt, verwaltet und ausgeführt werden können. <dt.>
This thesis is about modelling the behavior of drivers in the automotive domain. It focuses on a stochastic method able to learn the behavior of a system, that takes the human behavior into account. The modelling is one automatically through learning. The model is based on statistical quantities directly estimated form the data and used in differential equations. This so called Langevin method therefor divides a system into two components: The deterministic component that gives the average behavior and the diffusion component that represents the stochastic variance. Although the method creates the model directly and automatically from the given data, it is necessary to prepare the data correctly and support an environment in which the model could be stored, analyzed and executed in an efficient way. <engl.>
In dieser Arbeit geht es um die Modellierung des Fahrerverhaltens von Autofahrern. Im Zentrum steht dabei eine statistische Methode, bei der das richtige Verhalten des Systems von Fahrzeug und Fahrer erlernt wird. Die Modellierung findet also größtenteils automatisch statt. Dazu wird ein Modell erstellt, das auf Differentialgleichungen basiert, deren Koeffizienten direkt aus Datensätzen ermittelt werden. Ein solches auf sogenannten Langevin-Gleichungen basierendes Modell teilt das Systemverhalten in zwei unterschiedliche Komponenten auf: Zum einen in eine deterministische Komponente, die das mittlere Verhalten wiedergibt, sowie in eine stochastische Diffusionskomponente, welche die statistischen Abweichungen und Varianzen repräsentiert. Obwohl diese Methode Modelle direkt aus Datensätzen ableitet, muss der Modellierer die Daten entsprechend vorbereiten sowie eine Umgebung schaffen, in welcher die mitunter umfangreichen Modelle abgelegt, verwaltet und ausgeführt werden können. <dt.>
This thesis is about modelling the behavior of drivers in the automotive domain. It focuses on a stochastic method able to learn the behavior of a system, that takes the human behavior into account. The modelling is one automatically through learning. The model is based on statistical quantities directly estimated form the data and used in differential equations. This so called Langevin method therefor divides a system into two components: The deterministic component that gives the average behavior and the diffusion component that represents the stochastic variance. Although the method creates the model directly and automatically from the given data, it is necessary to prepare the data correctly and support an environment in which the model could be stored, analyzed and executed in an efficient way. <engl.>
Deutsche Physikalische Gesellschaft 76th Jahrestagung der DPG (76th annual conference of the DPG) and DPG-Frühjahrstagung (spring meeting) of the Condensed Matter Section (SKM) with further DPG Divisions: Environmental Physics, Microprobes, Radiation and Medical Physics, as well as the DPG working groups: Energy, Equal Opportunities, Industry and Business, Information, Philosophy of Physics, Physics and Disarmament, young DPG ; March 25 - 30, 2012, Technische Universität Berlin Bad Honnef : DPG, 2012 2012, SOE 15.12 1044 S.
Deutsche Physikalische Gesellschaft DPG Spring Meeting of the Condensed Matter Section with the divisions: Biological Physics, Chemical and Polymer Physics, Crystallography, Dielectric Solids, Dynamics and Statistical Physics, Low Temperature Physics, Magnetism, Metal and Material Physics, Physics of Socio-Economic Systems, Radiation and Medical Physics, Semiconductor Physics, Surface Science, Thin Films, Vacuum Science and Technology as well as the working group: Industry and Business Bad Honnef : DPG, 2010 2010, SOE 3.6, insges. 1 S. 856 S.
von Martin Baumann ; Hans Colonius ; Hardi Hungar ; Frank Köster ; Michael Langner ; Andreas Lüdtke ; Claus Möbus ; Joachim Peinke ; Stefan Puch ; Rike Steenken
