Ein interdisziplinĂ€res Team der Hochschule Mainz erforscht im Hinblick auf Big-Data die Potentiale aktueller Data Mining- und Machine Learning Verfahren fĂŒr Fragestellungen mit Raum-Zeit-Bezug.
Motivation und Ziele:
Ziel des Forschungsvorhabens ist es, Verfahren bereitzustellen, die den Nutzen stark wachsender Datenmengen mit Raumbezug erhöhen. So werden im Bereich Smart City auf Machine Learning basierende Informationssysteme entwickelt, welche mittels Analyse und Visualisierung Entscheidungsfindungen erleichtern. Ferner wird der Autonomiegrad optischer Monitoringsysteme auf der Basis von Bildanalyse mithilfe von Deep-Learning-Systemen gesteigert.
Â
AktivitÀten:
Durch Interessensaustausch mit verschiedenen Projektpartnern aus dem MobilitĂ€tssektor konnten Schnittmengen entdeckt, Use Cases entwickelt und vielversprechende Daten zusammengefĂŒhrt werden. Auf dieser Basis implementierten Alexander Rolwes und Thomas MĂŒller eine prototypische Anwendung zur Vorhersage der Parkhausauslastung in Mainz. Aktuell widmen sie sich der Weiterentwicklung der Vorhersage sowie der Integration in ein ganzheitliches Steuerungsmodell zur Nutzung von Off-Street ParkflĂ€chen. DarĂŒber hinaus untersuchen sie die ZusammenhĂ€nge zwischen rĂ€umlichen Einflussfaktoren und dem Parkverhalten.
Â
Kira Zschiesche und Denise Becker realisierten vielversprechende Verfahren zum Monitoring von VerĂ€nderungen an Bauwerken. Unter anderem erlangten sie Erkenntnisse in Verbindung mit Methoden aus dem Structural Health Monitoring, indem sie optische Schwingungsmessung an Bauwerken vornahmen und erprobten erste AnsĂ€tze zur automatischen Rissdetektion. Um die Sicherheit im Gleisbereich zu erweitern, entwickelten sie mittels eines Deep Learning Ansatzes eine Softwarelösung, welche durch den Einsatz von KĂŒnstlicher Intelligenz ZĂŒge in Bildern identifiziert. ZukĂŒnftig wird das Team Verfahren zur automatischen Targetdetektion erforschen, um den Automatisierungsgrad bei verschiedenen Prozessen zu steigern.
