Benchmarking von uni- und multivariater Machine Learning Klassifikationsverfahren für Zeitserien

Kontext 

Das Fahrzeug wird zukünftig als Teil einer vernetzten Fahrzeug- und Systemumgebung verstanden. Um eine effektive und innovative Datennutzung über den gesamten Fahrzeuglebenszyklus zu ermöglichen, sind intelligente Verfahren zur Verarbeitung von Zeitseriendaten wie beispielsweise V2X-Fahrzeugdaten erforderlich. Aufgrund ihrer anspruchsvollen Eigenschaften ist eine Wissensextraktion aus Zeitseriendaten nur mit aufwendigen Verfahren und unter Einbeziehung des zeitlichen Kontextes möglich. Die Arbeit wird im Kontext des Projekts SofDCar betreut, weitere Informationen finden Sie dazu unter https://sofdcar.de/language/de/.

Ziele

• Verständnisaufbau von aktuellen state of the art Verfahren zur Klassifikation von Zeitserien 
• Definieren von Bewertungskriterien zur Evaluation der verschiedenen Verfahren
• Implementation und Vergleich von uni- und multivariaten Verfahren zur Klassifikation von Zeitserien

Voraussetzungen

• Programmierkenntnisse in Python oder R
• Grundkenntnisse im Bereich maschinelles Lernen
• Eigenständige und lösungsorientierte Arbeitsweise