Project

Back to overview

Intelligent Mobility Services

English title Intelligent Mobility Services
Applicant Braun Torsten
Number 184690
Funding scheme Project funding (Div. I-III)
Research institution Institut für Informatik Universität Bern
Institution of higher education University of Berne - BE
Main discipline Information Technology
Start/End 01.09.2019 - 31.08.2023
Approved amount 474'018.00
Show all

Keywords (5)

Mobility Prediciton; Mobility Services; Indoor Localization; Machine Learning; Congestion Prediction

Lay Summary (German)

Lead
Zur Mobilitätsunterstützung stehen heute viele verschiedene Verkehrsmittel zur Verfügung, z.B. zu Fuss, Fahrrad, öffentliche Verkehrsmittel, eigenes Auto, (Sammel-)Taxidienste, Car-Sharing usw. Die Mobilität wird immer mehr durch grundlegende IKT-Diensten (Informations- und Kommunikationstechnologie) energieeffizienter, schneller und sicherer gemacht. Beispiele für grundlegende IKT-Dienste sind Lokalisierung und Navigation, Mobilitätsvorhersage von Fahrzeugen und Vorhersage von Staus. Diese IKT-Dienste basieren zunehmend auf Techniken des Maschinellen Lernens (ML). Im Mittelpunkt dieses Projekts steht die Unterstützung solcher grundlegenden IKT-Dienste durch maschinelles Lernen.
Lay summary

Die effiziente Nutzung der bestehenden Strassennetze zur Optimierung des Fahrzeugverkehrs ist der Schlüssel zum Aufbau eines intelligenten Verkehrsleitsystems (VLS). Ein VLS sollte mehrere Datenquellen berücksichtigen, um den Reisenden während der Fahrt Vorschläge zu unterbreiten, wie z.B. Routenempfehlungen mit den Präferenzen der Benutzer, z.B. kürzester Weg, minimale Reisezeit, sicherste Route usw. Dazu sind genaue Vorhersagen über die zukünftigen Standorte und Bewegungsmuster von Nutzern und deren Fahrzeuge wichtig. Hierzu werden oft Algorithmen für Maschinelles Lernen (ML) eingesetzt, wobei bei diesen aber häufig die optimale Modellauswahl und die (Hyper-)Parametereinstellung manuell erfolgen. Automatisiertes Maschinelles Lernen (AutoML) automatisiert den gesamten Ablauf von ML und ermöglicht es dem VLS, sich an verschiedene Szenarien anzupassen. AutoML-Techniken erlauben damit einem VLS automatisch optimale Empfehlungen für verschiedene Verkehrsbedingungen und Benutzeranforderungen zu geben.

Bei (Sammel-)Taxi- und Car-Sharing-Dienste müssen Kunden den Weg zum Taxistand finden. Häufig werden Taxi-Bestellungen aus Einkaufszentren, Bahnhöfen oder Flughäfen aufgegeben. Ein Indoor-Navigationssystem kann dabei helfen, wenn sich die Kunden an Orten befinden, die ihnen nicht bekannt sind. In solchen Innenräumen ist die GPS-Ortung jedoch nicht möglich. Eine kombinierte Betrachtung von durch das Smartphone aufgenommenen Sensorwerten und Funksignalen scheint eine gute Lösung für die Indoor-Positionierung zu sein. Wir schlagen optimierte Modelle und Filtermethoden vor, um genaue und stabile Positionierung von -Smartphones innerhalb von Gebäuden zu ermöglichen.

Direct link to Lay Summary Last update: 03.04.2019

Responsible applicant and co-applicants

Employees

Associated projects

Number Title Start Funding scheme
164205 CONTACT: CONtext and conTent Aware CommunicaTions for QoSsupport in VANETs 01.05.2016 Project funding (Div. I-III)

Abstract

Today’s society is extremely dependent on mobility. Many different transport modes are available to support mobility, e.g., walking, cycling, public transport, individual car traffic, (shared) taxi services, car sharing etc. Mobility is more and more based on basic ICT (Information and Communication Technology) services to make mobility more energy-efficient, faster, and secure. Examples for basic ICT services are localisation and navigation (both indoor and outdoor), mobility prediction of vehicles and traffic congestion prediction. Such basic ICT services are increasingly based on Machine Learning (ML) techniques. This project focuses on supporting such basic ICT services and how to make use of Machine Learning for these. Traffic congestion is one of the biggest problems for major cities in the world. How to efficiently utilize the existing road networks to optimize vehicle traffic is the key to build intelligent transportation system (ITSs). Therefore, ITSs should explore multiple data resources to provide suggestions to travelers in moving, such as providing route recommendations with users’ preferences, e.g., shortest path, minimum travel time, safest route, etc. To provide such recommendations, accurate predictions about users’ or vehicles’ future locations and trajectories are important. Various types of ML algorithms have been developed to solve practical problems. However, most of the currently ML-based problem solvers require manual operations, which means that the optimal model selection and (hyper)parameter tuning operations are all done manually. Automated Machine Learning (AutoML) automates the whole Machine Learning procedure and enables the system to adapt to different scenarios. Therefore, an ITS should utilize AutoML techniques, such that it can provide optimal recommendations for different traffic conditions and user requirements in an automated way. Such ITSs can be used for both individual car and (shared) taxi traffic as well as car sharing. (Shared) Taxi and car sharing services have another requirement, i.e. customers need to find their way to the taxi stand or to the shared car. Often such customers are ordering their taxi from an indoor position and then need to find their way to the taxi system. In such case, a personnel navigation system is needed, in particular, when customers are at places they are not familiar with. So, many typical taxi orders are made from indoor users, e.g., in shopping centres, train stations, or airports. How to get users’ accurate indoor locations and recommend closest pick-up points are essential to provide good user experiences. However, GPS positioning is not available in such indoor environments. Therefore, the combination of Pedestrian Dead Reckoning and radio signals is a good solution for indoor positioning. We propose an efficient probabilistic model together with an enhanced particle filter to provide accurate and stable indoor positioning for commodity smartphones in smart building environments. Both parts of the project, namely indoor positioning and mobility prediction could be part of an integrated mobility application, where a user first navigates through a train station and airport and then takes a shared taxi or car and finally makes use of mobility prediction for the car travel. Both parts, mobility/congestion prediction and indoor localisation will be integrated into a common demonstrator
-