Anomalieerkennung in Kommunikationsdaten zur Datenselektion im Fahrzeug

Ein Fahrzeug generiert Daten, welche Zustand und Verhalten von Fahrer und Fahrzeug beschreiben. Das Sammeln der Informationen gibt dem Automobilhersteller die Moglichkeit, diese als Big Data zu verwenden und neuen Wert zu schopfen. Beispielsweise schafft die Beobachtung wahrend des gesamten Lebenszyklus die Grundlage fur eine Produktoptimierung, oder aber das Marketing kann zielgerichtet auf die individuellen Wunsche des Kunden eingehen. Herausforderungen hierbei liegen darin, einen Wert aus den Daten zu schopfen und die Ubertragung von Fahrzeug zu Backend reduzieren. Ein Oberklassefahrzeug generiert im Jahr 2017 2,1 MByte je Sekunde. Fur die Ubertragung der Datenmenge, die eine Flotte mit Millionen von Fahrzeugen erzeugt, ergeben sich daher Schwierigkeiten. Aufgrund der Ubertragungskosten, der Datenschutzgrundverordnung und der Limitierung in der Datenubertragung ist bereits im Fahrzeug eine Selektion relevanter Informationen notwendig. Der Ansatz der one-class Klassifizierung lernt anhand normaler Flottendaten, was normal ist und kann somit Abweichungen vom Normalzustand erkennen. Durch die Ubertragung des trainierten Modells in die Fahrzeuge werden dort unmittelbar anormale Ereignisse erkannt, womit der Datentransfer zum Backend auf das Wesentliche, die ausergewohnlichen Vorkommnisse, reduziert wird. Durch eine stetige Aktualisierung des Modells entsteht eine dynamische Datensammlung, welche sicherstellt, dass im Backend noch fehlende Ereignisse ubermittelt werden. Der Vergleich unterschiedlicher Ansatze verdeutlicht, dass insbesondere das Replikator Neuronale Netz die Anforderungen erfullt. Auserdem ist es in der Lage, einen Grosteil real geschehener Anomalien zu erkennen, wahrend kein normales Event falschlicherweise als anormal eingestuft wird. Das Ziel der Datenreduktion um das Hundertfache fuhrt zur tatsachlichen Einschrankung auf 0,715%. Die bedeutsamsten Ereignisse, wie Unfalle oder ABS-Eingriffe, sind klar erkennbar, doch eine durchschnittliche Area under curve von 0,8 legt dar, dass das Vorgehen kein Alarmsystem liefert. Es dient der Reduktion der Datenmenge, die ins Backend ubertragen wird, wo weiteres Postprocessing erfolgen muss. Dieses besteht aus der Interpretation und der Einordnung von erkannten Ereignissen.