Kontextsensitive Dienste sind in der Lage, Nutzer bei der Bewältigung ihres Alltages proaktiv zu unterstützen. Sie erinnern an Termine, warnen vor nahendem Unwetter oder weisen darauf hin, dass sich Freunde in der Nähe befinden. So unterschiedlich die einzelnen Anwendungen auch ausgeprägt sein mögen, haben sie doch eines gemeinsam: Sie berücksichtigen den Kontext, in dem sich der Nutzer befindet.  Um den Kontext eines Nutzers zu ermitteln, sind Sensoren oder andere Datenquellen erforderlich, die beispielsweise Rückschlüsse über Uhrzeit, Auf­enthaltsort, Wetterbedingungen oder soziale Beziehungen des Nutzers zulassen. Gängige Smartphones, aber auch moderne Fahrzeuge, eignen sich für den Einsatz kontextsensitiver Dienste besonders, da sie sowohl über die erforderlichen Sensoren als auch zunehmend über einen Internetzugang als Quelle für weitere Daten verfügen. Während für die Bereitstellung kontextsensitiver Inhalte auf Smartphones häufig der aktuelle Standort des Nutzers ausreicht, ist für Anwendungen im Fahrzeug der zukünftige Aufenthaltsort bzw. der vorausliegende Streckenverlauf von zentraler Bedeutung. Dieser wird im Folgenden als Informationshorizont bezeichnet. Der rote Pfad in den Abbildungen oben illustriert den Informationshorizont beispielhaft. Dieser beschreibt eine Vorausschau auf den bevorstehenden Streckenverlauf sowohl in geografischer als auch in zeitlicher Hinsicht und ist dadurch maßgebend für eine Vielzahl kontextsensitiver Anwendungen im Fahrzeug. Denkbar sind unter anderem Sicherheitssysteme, die frühzeitig vor Gefahren warnen, wie z. B. überhöhter Geschwindigkeit bei bevorstehenden Kurven, uneinsehbaren Stauenden oder stellenweiser Glätte. Des Weiteren ermöglicht der Informationshorizont eine situativ angepasste Bereitstellung multimedialer Inhalte. So können anhand der voraus­sichtlichen Restfahrdauer bspw. Nachrichtensendungen mit einer bestimmten Spieldauer abgespielt oder ungelesene E-Mails automatisch vorgelesen werden. Ebenfalls denkbar sind mediale Inhalte bzgl. der vorausliegenden Strecke und des Zielorts, wie z. B. Parkplatzreservierungen, Lokalnachrichten oder Mitfahrgelegenheiten.

Vor einer derartigen Nutzung des Informationshorizonts stellt sich jedoch die Frage nach dessen Ermittlung. Zwar sind Navigationssysteme grundsätzlich in der Lage, anhand des eingegebenen Ziels und der daraus errechneten Route den Informationshorizont zu generieren und weiteren Anwendungen zur Verfügung zu stellen. Jedoch finden Fahrten zu bekannten Zielen tendenziell ohne Navigationshilfe statt, weswegen der Informationshorizont anderweitig ermittelt werden muss. Schönfelder & Axhausen von der Eidgenössischen Technischen Hochschule Zürich untersuchten im Rahmen der Studie „Mobidrive – Dynamik und Routinen im Verkehrsverhalten“ die Alltagsmobilität von 350 Personen über einen Zeitraum von sechs Wochen. Dabei stellten sie fest, dass durchschnittlich etwa 80 % aller Fahrten zu lediglich fünf unterschiedlichen Zielen führen. Unter der Annahme derart homogener, geografischer Fahrgewohnheiten lässt sich demnach ein System entwickeln, welches auf Basis vergangener Fahrten das nächste Fahrtziel antizipiert und den dazu gehörenden Informa­tionshorizont generiert, ohne eine Interaktion zwischen Nutzer und Navigationssystem zu erfordern.

Ein erhebliches Problem bei der Ermittlung des Informationshorizonts stellt jedoch eine mögliche Überschneidung von Routen dar: Befindet sich der Nutzer mit seinem Fahrzeug auf einer dem System bekannten Route, die lediglich zu einem einzigen Zielort führt, so kann das System auch nur dieses Ziel antizipieren bzw. den dazu gehörenden Informationshorizont generieren. Der Nutzer kann sich allerdings auch auf mehreren bekannten Routen gleichzeitig befinden. Das ist bspw. meist der Fall, wenn er seine Fahrt zuhause startet: Auf dem ersten Teil der Strecke ist noch unklar, ob der Nutzer mit seinem Fahrzeug evtl. abbiegt oder geradeaus weiterfährt. Hier stellen „Abbiegen“ und „Geradeaus weiterfahren“ mindestens zwei unterschiedliche Routen dar, da sie schließlich zu verschiedenen Zielen führen.

Froehlich & Krumm zeigen in ihrer Arbeit „Route Prediction from Trip Observations“, dass das Fahr­verhalten von Autofahrern neben einer geografischen auch eine temporale Regelmäßigkeit aufweist. Somit wird durchschnittlich etwa die Hälfte aller Fahrten, die zu einem bestimmten Ziel führen, zur gleichen Uhrzeit unternommen. Demzufolge lässt sich das Ergebnis der Prädiktion unter Zuhilfenahme der Kontextinformationen Tageszeit und Wochentag verbessern. Daneben spielt auch die Tripfrequenz bzw. die Häufigkeit, mit der eine bestimmte Route bereits fre­quentiert wurde, eine wichtige Rolle bei der Ermittlung des korrekten Infor­mations­horizonts: Hat ein Nutzer in der Vergangenheit eine Route häufiger gewählt als eine andere, so ist es wahrscheinlich, dass er diese auch in Zukunft wählt. Der Einfluss dieser Parameter auf die Korrektheit der Prädiktion bildet den Schwerpunkt dieses Forschungsprojektes.

Im Rahmen des Projektes und zur Durchführung einer Probandenstudie wurde die Anwendung „CARLA“ (Context-Aware Route Learning Application) entwickelt. Aufgrund hoher Anforderungen an die Rechenleistung fiel die Entscheidung auf eine Client/Server-Architektur. Der CARLA-Client ist eine Anwen­dung für Android-Smartphones (siehe Abbildung unten), dessen vorrangige Aufgabe es ist, Fahrten (Trips) mittels GPS auf­zuzeichnen. Der CARLA-Webserver übernimmt die rechen­intensive Prädiktion des Informationshorizonts. Während der Fahrt sendet der Client seine GPS-Position an den Server. Als Intervall hierfür genügt eine Auflösung von 10 Sekunden. Unabhängig davon fragt der Client regelmäßig den Informationshorizont an. Der Server ermittelt aus allen vergangenen Trips denjenigen mit der höchsten Übereinstimmung zur aktuellen Fahrt. Findet der Server einen übereinstimmenden Trip, extra­hiert er da­raus die vorausliegende Strecke und sendet sie als Informationshorizont zum Client. Dort wird dieser als roter Pfad dargestellt.

Neben der Android-Applikation wurde auch eine Webanwendung entwickelt. Nach Anmeldung über ein persönliches Benutzerkonto ermöglicht diese eine Ansicht der aufgezeichneten Trips. Darüber hinaus hat der Nutzer die Möglichkeit, seine Fahrten in Echtzeit zu simulieren, wobei stets die Prädiktion eines Informationshorizonts stattfindet. Dies wird in zweidimensionaler Ansicht mittels Google Maps und in dreidimensionaler Ansicht mittels Google Earth visualisiert (siehe Video).

Die Visualisierung dient vor allem der Entwicklung und dem Testen von Anwen­dungsmöglichkeiten des Informa­tions­horizonts. In einem ersten Prototypen werden beispielhaft orts­bezogene Nachrichten aus dem Microbloggingdienst Twitter sowie ortsbezogene Fotos aus dem Bilderdienst Panoramio entlang des Informationshorizonts eingeblendet. Neben prädizierter Restfahrdauer, verbleibender Streckenlänge sowie wahrscheinlichem Zielort werden zudem Umfeldinforma­tionen (z. B. Bebauungszustand, Straßentyp) angezeigt. Diese Infor­ma­tionen beschreiben ebenfalls den Fahrtkontext des Nutzers und können für zukünftige Anwendungen relevant sein.

Zur Evaluation des Prädiktionsverfahrens wurde außerdem eine Probandenstudie durchgeführt, bei der fünf Teilnehmer insgesamt etwa 500 Autofahrten mit ca. 9.500 Kilometern Gesamt­strecken­länge aufzeichneten (siehe Tabelle). Die Evaluation findet in einem Leave-one-out-Verfahren statt, d. h. dass immer genau ein Trip eines Nutzers simuliert wird während die restlichen Trips des Nutzers als Trainingsdaten für die Prädiktion zur Verfügung stehen. Da der tatsächlich vorausliegende Streckenverlauf bekannt ist, kann dieser mit dem generierten Informationshorizont ex post auf topologische Übereinstimmung verglichen werden. Der Informationshorizont gilt dabei als korrekt, solange die Streckenverläufe von Infor­ma­tionshorizont und tatsächlich vorausliegender Strecke nicht um mehr als 50 Meter diver­gieren (Hausdorff-Distanz < 50 Meter). Um zu zeigen, dass die Kontextparameter Tageszeit, Wochentag sowie Tripfrequenz einen positiven Einfluss auf die Prädiktion des Informationshorizonts ausüben, finden zwei unterschiedliche Evalua­tions­durchläufe statt: Ein Evaluationsdurchlauf, bei dem lediglich die topologische Über­einstimmung der Kandidaten mit der aktuellen Fahrt als Entscheidungskriterium für die Prädiktion des Informationshorizonts verwendet wird und ein Durchlauf, bei dem zusätzlich die drei genannten Kontextparameter (KP) berücksichtigt werden. Die Ergebnisse dieser Evaluation können dem Diagramm unten entnommen werden.

Die Ergebnisse der Probanden A, B und E fallen relativ positiv aus. Bereits ohne Verwendung zusätzlicher Kontextparameter können bei ihren Fahr­gewohn­heiten bis zu 72 Prozent der vorausliegenden Strecke korrekt prädiziert werden. Die hohen Ergebnisse bei diesen Probanden sind vor allem auf ihre geo­grafisch homogenen Fahrgewohnheiten zurückzuführen, da die Quote wieder­holter Trips (Trips mit Tripfrequenz > 1) bei ihnen mehr als 60 Prozent beträgt, wie die Tabelle oben zeigt. Die Verbesserung der Ergebnisse durch die Berücksichtigung zusätz­licher Kon­text­parameter lässt außerdem auf eine temporale Regelmäßigkeit in ihren Fahr­gewohn­heiten schließen.

Bei den Probanden C und D werden lediglich bis zu 45 Prozent der vorausliegenden Strecke durchschnittlich korrekt prädiziert. Eine Verwendung zusätzlicher Kontextparameter bewirkt bei ihnen keine deutliche Verbesserung der Ergebnisse. Da die Prädik­tion des Informationshorizonts auf der Fahrthistorie des Nutzers basiert und die Quote wiederholter Trips bei diesen Probanden mit 9 bzw. 11 Prozent vergleichsweise gering ausfällt, ist davon auszugehen, dass ihre Fahrgewohnheiten zum Zeitpunkt der Evaluation noch nicht vollständig genug vorlagen, um höhere Ergebnisse zu erzielen.

Die vorliegende Arbeit zeigt prototypisch, wie kontextsensitive Anwendungen im Automobil realisiert werden können, indem dafür eine entscheidende Grundlage zur Verfügung gestellt wird: der Informationshorizont des Fahrzeugs. Dieser wird aus einer Menge mittels GPS aufgezeichneter Fahrten extrahiert. Die Ungenauigkeit der gemessenen GPS-Positionen erfordert den Einsatz einer Variante der Hausdorff-Metrik, um Trips auf topologische Ähnlichkeit zu testen. Für die vorliegende Prob­lemstellung wird eine Hausdorff-Distanz von 50 Metern als Kongruenzkriterium gewählt, was für manche Anwendungen im Fahrzeug evtl. zu ungenau ist. Außerdem kann es jederzeit zu einem (vorübergehenden) Verlust des GPS-Signals kommen. Neben einem Ausfall des Systems bedeutet dies auch, dass der aufzuzeichnende Trip eine Lücke aufweist und somit die gefahrene Strecke nicht optimal repräsentiert. Sollte dieser fehlerhafte Trip bei einer späteren Prä­dik­tion als Infor­mationshorizont infrage kommen, könnte sich dies negativ auf Anwen­dungen auswirken, die einen Informationshorizont als Entscheidungsgrundlage zur Bereit­stellung von Diensten und Inhalten verwenden. Zur Lösung dieses Problems müssten daher im Falle eines Ausfalls alternative Technologien zur Positions­bestimmung eingesetzt werden, wie bspw. die Triangulation über „Wireless Local Area Networks“ (WLAN). Diese eignet sich aufgrund der hohen Netzwerkdichte beson­ders in urbanen Regionen, in denen üblicherweise hohe Hausfassaden und enge Straßenschluchten den Empfang von GPS-Signalen stören.

Weiterhin wäre der Einsatz eines Map-Matching-Verfahrens von großem Nutzen, da es die gemessenen Positionen auf Straßensegmente einer digitalen Karte überträgt und somit eine hohe Positionsgenauigkeit erzielt. Darüber hinaus könnte detailliertes Kartenmaterial in Verbindung mit einem hochgenauen Positionssensor die Prädiktion des Informationshorizonts unterstützen, indem das Kartenmaterial Infor­ma­tionen über Abbiegespuren bereithält. Somit könnten anhand der Fahrspur unwahrscheinliche Kandidaten bei der Prädiktion des Informa­tions­horizonts ausgeschlossen werden. Daneben könnten in Kreuzungssituationen die Stellung des Blinkerhebels sowie die Geschwindigkeit des Fahrzeugs als weitere Kontextparameter eingesetzt werden, um die Zuverlässigkeit der Prädiktion weiter zu verbessern.

Obwohl es bei der Prädiktion des Informationshorizonts offenbar noch eine Menge an Forschungsgegenständen für zukünftige Arbeiten gibt, zeigen die Evaluations­ergebnisse aus der im Rahmen dieser Arbeit durchgeführten Studie bereits durchaus akzeptable Ergebnisse. Insbesondere aber lässt sich belegen, dass die Kontextparameter Tageszeit, Wochentag und Tripfrequenz einen positiven Einfluss auf die Korrektheit der Prädiktion haben. Mithilfe der oben genannten Maßnahmen ließen sich die Ergebnisse vermutlich weiter verbessern. Dadurch würde kontextsensitiven Anwendungen im Fahrzeug eine noch zuverläs­sigere Entscheidungsgrundlage für die Bereitstellung von Inhalten und Diensten ermöglicht.