Advancing von raum-zeitlicher Musteranalyse unter Verwendung von Spitzensportdaten
ASPAS
Zusammenfassung
Die riesige Menge an gesammelten raum-zeitlichen Bewegungsdaten von Menschen birgt enorme Möglichkeiten für verschiedene Interessengruppen und Szenarien (z. B. Brandevakuierung, autonome Fahrzeuge, Infrastrukturplanung und Sportleistungsanalyse). Um verborgene Erkenntnisse aus diesen Daten zu gewinnen, können verschiedene moderne maschinelle Lernverfahren (ML) eingesetzt werden. Unser Schwerpunkt liegt auf der Entwicklung und Evaluierung neuer Ansätze zur Lösung typischer Rechenprobleme, die bei der Analyse großer Mengen raum-zeitlicher Daten auftreten, wie z. B. das Erkennen von Mustern variabler Länge und das Finden der richtigen Darstellungsmodelle für Bewegungstrajektorien. Als Testumgebung verwenden wir Sportdaten, in diesem Fall einen hochwertigen Datensatz aus der deutschen Fußball-Bundesliga. Wir wählen semi-supervised learning (SSL) als vielversprechenden Ansatz, um den unmarkierten Datensatz zu nutzen, um eine komprimierte, latente Repräsentation der Daten zu lernen. Diese Einbettung kann dann als Kodierungsschritt verwendet werden, um das Clustering und die Vorhersage von Bewegungsmustern zu unterstützen. Die an unseren hochwertigen Daten entwickelten und validierten Verfahren bieten eine Grundlage für die weitere Forschung zu allen Problemen mit Fußgängerdaten.