Otto - Abschlussarbeiten

Masterarbeiten (abgeschlossen)

• Comparison of network representations for analysing temporal power plant data

  As renewable energy is increasingly used in power generation, the temporal and spatial balance of electric power supply and demand requires large-scale power transmission to maintain. Describing such systems requires network modeling theory. This dissertation takes the German power transmission network as an example and explores the impact of different representations. The representation forms include unweighted network, weighted network, multiplex network and interconnected network. In this dissertation, the static topological characteristics of networks under different representations are examined. Then, the temporal data of the available capacity is also introduced, and a temporal network with the power flow path as the time variable is constructed based on Djikstra’s algorithm. In this research, we find that the weighted network is more suitable for modeling transmission networks than the unweighted network, and the multi-layer network may be more suitable for modeling more complex systems.

  Leitung: Anna Malinovskaya, Philipp Otto

  Team: Ruochen Yang

  Jahr: 2022
• Design, Implementation and Evaluation of a New Machine Learning Approach for Behavior Prediction Based on LSTM and KDE

  Aktuelle Fahrzeuge sind bereits heute häufig mit Fahrerassistenzsystemen ausgestattet, die den Fahrer bis zu einem gewissen Grad entlasten und zu mehr Komfort beitragen. Im Kontext des automatisierten Fahrens und insbesondere in Fällen, in denen das automatisierte Fahrzeug unkomfortable oder riskante Situationen antizipieren muss, sind jedoch einige Einschränkungen zu beobachten. Aus diesem Grund, haben zahlreiche Arbeiten vorgeschlagen, automatisierte Fahrsysteme mit einem Prädiktionsmechanismus zu erweitern, der in der Lage ist, das Fahrverhalten der umgebenden Fahrzeuge vorherzusagen. So wurden beispielsweise probabilistische Positionsprädiktionsansätze entwickelt und vorgeschlagen. Somit und mithilfe dieser Prädiktionen können automatisierte Fahrzeuge ihre zukünftigen Trajektorien so planen, dass sie für die Insassen angenehmer und sicherer sind. In dieser Arbeit, wird der oben beschriebene Ansatz, zur Prädiktion umgebender Fahrzeuge, erweitert und weiter untersucht. Zunächst wird ein auf dem Long Short-Term Memory (LSTM) basierendes Prädiktionsmodul, das in einer früheren Arbeit vorgestellt wurde, integriert. Dieses Prädiktionsmodul schätzt die Zeit, bis ein umgebendes Fahrzeug die Fahrspur wechselt. Diese Information wird dann verwendet, um den Basis-Vorhersageansatz (als Baseline MOE bezeichnet) zu erweitern (als Extended MOE bezeichnet). Die Experimente zeigen, dass die Integration der geschätzten Zeiten von Vorteil ist. Zur weiteren Evaluierung des erweiterten Modells werden verschiedene Strategien zu Feature-Kombination erforscht. Insgesamt werden fünf verschiedene Varianten untersucht. Das Extended MOE zeigt leichte Vorteile gegenüber den anderen Modellen mit einem Medianfehler von 0,19 m bei einem Prädiktionshorizont von 5 Sekunden. Im letzten Teil dieser Arbeit wird ein nicht-parametrischer Ansatz, der Kernel Density Estimation (KDE), zur Approximation der Wahrscheinlichkeitsdichte verwendet. Dies dient zum Vergleich mit dem parametrischen Ansatz (der Variational Bayesian Gaussian Mixture Model (VBGMM)) verwendet in dem Basis-Model. Dieser neue KDE-basierte Ansatz wird als Local KDE-Ansatz bezeichnet. Die Idee besteht darin, dass eine lokale bzw. spezifische nicht-parametrische Wahrscheinlichkeitsdichte für jede Vorhersage geschätzt wird. Die experimentellen Ergebnisse zeigen, dass der KDE-basierte Ansatz vielversprechende Ergebnisse liefert, allerdings mit dem Nachteil, dass die Inferenzzeit sich erheblich erhöht. Dies bleibt ein Hindernis für Echtzeitanwendungen.

  Leitung: Hao Cheng, Philipp Otto

  Team: Ahmed Khliaa

  Jahr: 2021
• Bipartite Graphs for Modelling and Monitoring Heterogeneous Data

  In this Master Thesis, the student explored network modelling and monitoring on the example of bipartite graphs. In graph theory, k-partite graphs define graphs whose vertices can be partitioned into k different independent sets. The work introduces a joint application of the latent trait analysis model to represent graphs and the exponentially weighted moving average chart for monitoring real-life data. Using the Norwegian company and director dataset to perform modelling and monitoring, it could be displayed how the interlocking directorate (the same person is a director board member of two or more companies) changed overtime at an alarming rate during the global financial crisis. The picture shows a bipartite graph representation of the Norwegian public limited companies (blue nodes) and their directors (orange nodes).

  Leitung: Malinovskaya, Otto

  Team: Deepak Savanur

  Jahr: 2021
• Spatiotemporal Functional Data Analysis of Helsinki's Bike Sharing System

  Understanding the usage patterns for bike-sharing systems is essential in terms of supporting and enhancing operational planning for such schemes. Studies have demonstrated how factors such as weather conditions influence the number of bikes that should be available at bike-sharing stations at certain times during the day. However, the influences of these factors usually vary over the course of a day, and if there is good temporal resolution, there could also be significant effects only for some hours/minutes (rush hours, the hours when shops are open, and so forth). Thus, in this paper, an analysis of Helsinki's bike-sharing data from 2017 is conducted that considers full temporal and spatial resolutions.

  Leitung: Philipp Otto, Hamza Alkhatib

  Team: Andreas Piter

  Jahr: 2020