Search results

Das Buch beschäftigt sich mit der Möglichkeit der Prognose von Wohnungseinbrüchen mit Hilfe von Machine-Learning-Verfahren. Die Analyse beschränkt sich auf die Fragestellung, ob nach einem erfolgten Wohnungseinbruch mit einer Nachfolgetat, den sog. Near-Repeats, zu rechnen ist. Dabei wird untersucht, welche Faktoren zu guten Prognoseergebnissen beitragen. Zur Verfügung stehen Daten zu Wohnungseinbrüchen aus Baden-Württemberg aus den Jahren 2010 bis 2017. Ergänzt werden die polizeilichen Daten um geografische Daten, die den Tatort beschreiben. Hiermit wird geprüft, ob kriminalgeografische Faktoren gute Indikatoren zur Prognose von Wohnungseinbrüchen, genauer gesagt Near-Repeats, darstellen. Als Machine-Learning-Verfahren kommen die Verfahren Random Forest, XGBoost, Support Vector Machines, Neuronale Netze und ein Soft-Voting der Modelle zum Einsatz. Mit Hilfe dieser Verfahren kann eine Präzision der Prognosen von über 60% erreicht werden. Es wird außerdem erstmalig gezeigt, dass auch Prognosen für den ländlichen Raum möglich sind.

Response Styles stellen eine Herausforderung für die empirische Surveyforschung dar. Antwortverhalten, welches nicht mit dem Inhalt der Frage assoziiert ist, kann nicht nur Anteils- und Durchschnittswerte beeinflussen, sondern auch modellbasierte Parameterschätzung verzerren. In dieser Pilotstudie soll der Frage nachgegangen werden, ob sich über Machine Learning Verfahren ein empirisch basierter Ansatz zu einheitlichen Identifikation von den gängigsten Response Style Mustern konstruieren lässt. Dies soll aufwändige Kontrollverfahren, welche jeweils nur einzelne Muster finden können oder mit erheblichem Mehraufwand verbunden sind, ersetzen und somit eine universellere und praxistauglichere Option zu bisherigen Ansätzen darstellen. Der hier dargelegte Ansatz basiert auf der Kalibrierung des ML-Verfahrens anhand von synthetisierten Daten, welche der formalen Definition von Response Styles (RS) entsprechen und einem Anteil von empirischen Daten (European Social Survey), welche nicht von RS betroffen sind. Das hierauf trainierte Modell kann auf empirisch erhobene Daten angewendet werden, um RS-Muster in Survey-Daten zuverlässig entdecken und bearbeiten zu können. Die Ergebnisse der Studie legen mit Fehlerklassifikationsraten von 0.3 bis 3.5 % den ML-Ansatz als eine vielversprechende Alternative zu bisherigen Verfahren nahe.

Response Styles stellen eine Herausforderung für die empirische Surveyforschung dar. Antwortverhalten, welches nicht mit dem Inhalt der Frage assoziiert ist, kann nicht nur Anteils- und Durchschnittswerte beeinflussen, sondern auch modellbasierte Parameterschätzung verzerren. In dieser Pilotstudie soll der Frage nachgegangen werden, ob sich über Machine Learning Verfahren ein empirisch basierter Ansatz zu einheitlichen Identifikation von den gängigsten Response Style Mustern konstruieren lässt. Dies soll aufwändige Kontrollverfahren, welche jeweils nur einzelne Muster finden können oder mit erheblichem Mehraufwand verbunden sind, ersetzen und somit eine universellere und praxistauglichere Option zu bisherigen Ansätzen darstellen. Der hier dargelegte Ansatz basiert auf der Kalibrierung des ML-Verfahrens anhand von synthetisierten Daten, welche der formalen Definition von Response Styles (RS) entsprechen und einem Anteil von empirischen Daten (European Social Survey), welche nicht von RS betroffen sind. Das hierauf trainierte Modell kann auf empirisch erhobene Daten angewendet werden, um RS-Muster in Survey-Daten zuverlässig entdecken und bearbeiten zu können. Die Ergebnisse der Studie legen mit Fehlerklassifikationsraten von 0.3 bis 3.5 % den ML-Ansatz als eine vielversprechende Alternative zu bisherigen Verfahren nahe.

ZusammenfassungDie Abfallwirtschaft wandelt sich zu einer produzierenden Industrie in der Kreislaufwirtschaft. Trotz Fortschritten und Optimierungen bei der automatischen sensor-basierten Sortierung bleibt die Handsortierung von Abfällen relevant. Das Projekt recAIcle hat es sich zum Ziel gesetzt, die Digitalisierung der Handsortierung in der Abfallwirtschaft mithilfe von künstlicher Intelligenz (KI), Machine Learning (ML) und Human-Machine Interaction (HMI) voranzutreiben. KI und ML haben mehrfach gezeigt, wie sie ganze Industrien und Branchen revolutionieren können. Das Projekt RecAIcle fokussiert sich auf die Kunststoff- und Batterieerkennung und -sortierung. Die Produktivität und Qualität der Handsortierung sollen dadurch gesteigert werden. Hierfür wird ein digitales Assistenzsystem, das die Sortiermitarbeiter:innen bei der Sortierentscheidung unterstützt, entwickelt. Aufgrund der speziellen Anforderungen an ein solches System wurde das Framework Design entsprechend angepasst. Für die Entwicklung dieses Systems werden fortschrittliche, lebenslang lernende ML-Modelle benötigt, welche wiederum große Mengen an hochqualitativen Trainingsdaten und Rechenleistung benötigen. Um genügend use-case-spezifische Trainingsdaten bereitstellen zu können, wurden Versuche unter kontrollierten Bedingungen im Technikumsmaßstab zur Trainingsdatenakquise durchgeführt. Die Ergebnisse des Systemdesignprozesses und der ersten Trainingsdatenakquise werden in dieser Veröffentlichung präsentiert. Ebenso wird ein Ausblick auf künftige Entwicklungen und weitere geplante Versuche gegeben.

ZusammenfassungIm Rahmen dieser Arbeit wurden Abflusskennwerte für Hochwasser (MJHQ), Mittelwasser (MQ) sowie Niederwasser (MJNQ, MJNQ7, Q95, Q98) für alle topografischen Einzugsgebiete der österreichischen Oberflächenwasserkörper inklusive der ausländischen hydrologischen Oberlieger-Regionen vorhergesagt. Die Regionalisierung der Abflusskennwerte wurde mit dem Machine-Learning-Modell XGBoost durchgeführt. Zentrale Grundlage für das Training von XGBoost war der LamaH-Datensatz, welcher für 859 beobachtete Einzugsgebiete in Zentraleuropa über 70 aggregierte Einzugsgebietseigenschaften und 15 meteorologische Zeitreihen umfasst. Anthropogene Beeinflussungen wie z. B. Jahresspeicher oder Überleitungen wurden durch zusätzlich erstellte Attribute bei der Vorhersage berücksichtigt. Die Testergebnisse haben gezeigt, dass bei der Vorhersage der Abflusskennwerte in unbeobachteten Einzugsgebieten mit einer Abweichung von rund 20 % zu rechnen ist, wobei diese Schätzung auch stark anthropogen beeinflusste Gebiete beinhaltet. Darüber hinaus wurden auch 90-%-Konfidenzintervalle der Vorhersagen mit einem Quantile-Random-Forest-Modell geschätzt und klassifiziert. Die Ergebnisse werden der Öffentlichkeit in Form von Shapefiles unter https://doi.org/10.5281/zenodo.6523372 kostenlos zur Verfügung gestellt.

ZusammenfassungDa die Leistung eines Laufkraftwerks ohne Schwallbetrieb nicht gesteuert werden kann, sind möglichst präzise Leistungsprognosen nötig, um die generierte elektrische Energie bestmöglich am internationalen Strommarkt verwerten zu können. Derzeit befindet sich beim österreichischen Wasserkraftwerksbetreiber Verbund AG für den Zweck der Leistungsprognose eine Kombination aus hydrologischen und hydrodynamischen Modellen (PW) im operativen Betrieb, welche aber insbesondere bei an- sowie absteigenden Leistungsverläufen noch Defizite aufweist. Deshalb wird in dieser Studie an den Laufkraftwerken Braunau-Simbach, Aschach und Greifenstein das Potenzial von Machine Learning (ML) Verfahren bei der kurzfristigen (bis 4 h) Leistungsprognose in fünf hydrologisch interessanten Zeitfenstern eruiert. Dafür werden gemessene Abfluss- und Leistungswerte von stromauf liegenden Laufkraftwerken und Pegeln als Eingangsdaten herangezogen. Die erzielten Ergebnisse zeigen, dass ML im Anwendungsbereich der kurzfristigen Leistungsprognose innerhalb einer Laufkraftwerkskette sinnvoll eingesetzt werden kann. So konnte beim Grenzkraftwerk Braunau-Simbach der Modellfehler in Form der Wurzel der mittleren quadratischen Abweichung (RMSE) im Vergleich zu PW bei der 4‑Stunden-Prognose sowie über die fünf ausgewählten Zeitfenster um rund 63 % verringert werden. Beim Kraftwerk Aschach wurde eine Reduktion von 30 % erzielt, während beim Kraftwerk Greifenstein der RMSE mit ML um mehr als 50 % reduziert wurde. Es hat sich bei ML zudem gezeigt, dass mit kürzerer Prognosezeit auch die Prognosequalität deutlich verbessert wird, während sich diese bei PW in einem deutlich geringeren Ausmaß mit der Prognosezeit ändert. Es ist daher absehbar, dass ab einer bestimmten Prognosezeit PW gegenüber ML wieder im Vorteil ist. Nichtsdestotrotz könnte bei längerer Vorhersagezeit aber durch die Nachkopplung eines ML-Modells an PW die Prognosequalität weiter verbessert werden.

In dem aktuellen Forschungsprojekt "Eingabefreie Station" wird erforscht, wie Pflegetätigkeiten automatisiert erfasst werden können, um zeitaufwendige und manuelle Pflegedokumentation zu reduzieren.

Nicht weniger als von einer Revolution ist gegenwärtig die Rede. Neuere Verfahren der Künstlichen Intelligenz greifen in sämtliche Bereiche des sozialen und kulturellen Lebens ein: Maschinen lernen Bilder und Sprache zu erkennen, beherrschen die autonome Steuerung von Fahrzeugen ebenso wie Finanzinvestments und medizinische Diagnostik. Im digitalen Wandel ist Lernen damit kein Privileg des Menschen mehr. Vielmehr verschieben sich mit maschinellen Lernverfahren die Relationen zwischen Erkenntnismöglichkeiten, technischen Umwelten und humanen Akteuren. Dieser Band vermittelt erstmals für den deutschsprachigen Raum einen Überblick über die medialen, infrastrukturellen und historischen Voraussetzungen des maschinellen Lernens. (Verlagstext)

Aktuelle Ereignisse, wie die Ausbreitung der Corona-Pandemie, die ganze Lieferketten zum Erliegen gebracht hat, zeigen einmal mehr, wie wichtig ein Supply Chain Risikomanagement (SCRM) ist. Eine der größten Herausforderungen beim SCRM besteht darin, frühestmöglich Informationen über Abweichungen vom geplanten Prozess zu erhalten, um die Pünktlichkeit der logistischen Prozesse innerhalb der Lieferkette zu gewährleisten. So können z. B. Lieferanten- und Umsatzausfälle sowie Notfallkosten vermieden werden. Des Weiteren bietet ein gutes SCRM die Möglichkeit, Reputationsschäden abzuwenden und schneller als der Wettbewerb auf externe Störungen in der Supply Chain reagieren zu können. Die zunehmende digitale Transformation in Unternehmen und Lieferketten und die damit verbundene größere Verfügbarkeit von auswertbaren Echtzeitdaten eröffnen durch die Einbindung von Maschinellem Lernen in das SCRM neue Potenziale für eine proaktive Ausrichtung. Vor diesem Hintergrund führte das Institut für Logistik und Unternehmensführung (LogU) an der Technischen Universität Hamburg (TUHH) in Kooperation mit riskmethods im Sommer 2021 eine Befragung durch, in welcher der Einsatz von Maschinellem Lernen im Supply Chain Risikomanagement näher untersucht wurde. An der Befragung nahmen 353 Personen aus unterschiedlichen Branchen teil, von denen 114 den Fragebogen vollständig ausfüllten.