Verfahren zur Prädiktion eines Geschwindigkeitsprofils eines Fahrzeugs

Die vorliegende Erfindung betrifft ein Verfahren zur Prädiktion eines Geschwindigkeitsprofils eines Fahrzeugs.

Die Kenntnis des zukünftigen Geschwindigkeitsprofils ist für zahlreiche Anwendungen des Powertrains wichtig. Beispielsweise kann durch die Kenntnis der erwarteten Fahrprofiltrajektorie die Betriebsstrategie von Hybrid-, Elektro- und Verbrennungsmotorfahrzeugen verbessert, verschiedene Fahrzeugfunktionen auf das individuelle Fahrverhalten angepasst und der Energiebedarf für die geplante Strecke abgeschätzt werden sowie verschiedene Fahrzeugzustände (wie beispielsweise Temperaturen) geschätzt werden. Für diese Anwendungen ist in der Regel ein Prädiktionshorizont notwendig, der über die Reichweite von Onboard-Sensorik (Radar, Kamera, etc.) hinausgeht. Dazu können Attribute von digitalen Karten (z.B. Geschwindigkeitslimits, Kurvenradien) verwendet werden.

Alternativ existieren Ansätze, bei denen das Geschwindigkeitsprofil auf Basis von gesammelten Trajektorien vernetzter Fahrzeuge prädiziert wird (Crowdsourcing).

Durch Umfeldsensorik ist aufgrund der Reichweite der verwendeten Sensorik (Kamera, Radar) der Prädiktionshorizont begrenzt. Attribute von digitalen Karten sind zur Prognose des erwarteten Geschwindigkeitsprofils nur bedingt geeignet, da auf zahlreichen Streckenabschnitten die Flöchstgeschwindigkeit aufgrund von notwendigen Abbremsvorgängen nicht erreicht werden kann. Zudem hat das individuelle Fahrerverhalten einen Einfluss auf die Höhe das Geschwindigkeitsprofils.

Ein Problem des vernetzten Ansatzes mit Crowdsourcing ist, dass der Ansatz nur möglich ist, falls gesammelte Fahrprofile zur Verfügung stehen, d.h. dass bereits von anderen Fahrzeugen an dieser Stelle Geschwindigkeitsprofile gesammelt worden sind. Gesammelte Daten von vernetzten Fahrzeugen werden in der Regel jedoch nicht zwischen verschiedenen Automobilherstellern ausgetauscht.

Dies ist ein Problem für jene Automobilhersteller, die noch wenig vernetzte Fahrzeuge haben oder auf bestimmten Absatzmärkten nur einen geringen Marktanteil haben. Damit sind Anwendungen auf Basis der Geschwindigkeitsprofilprädiktion nicht oder nur streckenabschnittsweise möglich.

Ein weiterer Nachteil von vernetzten Lösungen ist die Gewährleistung der Fahrzeugvernetzung („Funklöcher"). Eine Prognose des Geschwindigkeitsprofils durch Crowdsourcing ist somit nicht flächendeckend gewährleistet. Die Prognose des Geschwindigkeitsprofils wird als Eingang für Betriebsstrategien zur Senkung das Verbrauchs und der Emissionen verwendet. Verbrauchs- und emissionssenkende Maßnahmen (RDE-Verbrauch, Eco-Innovationen) werden vom Gesetzgeber jedoch nur dann anerkannt, falls sie flächendeckend zur Verfügung stehen.

Der vorliegenden Erfindung liegt die Aufgabe zugrunde, ein Verfahren und ein Steuergerät zur Prädiktion eines Geschwindigkeitsprofils eines Fahrzeugs vorzusehen, die eine zuverlässige Geschwindigkeitsprognose für alle Streckenabschnitte zur Verfügung stellen können.

Diese Aufgabe wird durch die Gegenstände der unabhängigen Patentansprüche gelöst. Vorteilhafte Ausführungsformen der vorliegenden Erfindung sind in den abhängigen Ansprüchen beschrieben.

Ein erster Aspekt der Erfindung betrifft ein Verfahren zur Prädiktion eines Geschwindigkeitsprofils eines Fahrzeugs, wobei das Geschwindigkeitsprofil einen zukünftigen Geschwindigkeitsverlauf entlang einer vorbestimmten Fahrtroute bis zu einem bestimmten Vorschauhorizont darstellt. Das Verfahren hat die folgenden Schritte: Generieren eines Prädiktionsmodells; Eingeben von Eingangsdaten in das Prädiktionsmodell; Berechnen von Abgabedaten aus den Eingangsdaten auf der Grundlage zumindest eines in dem Prädiktionsmodell enthaltenen Algorithmus', wobei die Abgabedaten das Geschwindigkeitsprofil des Fahrzeugs prädizieren; Abgeben der Abgabedaten von dem Prädiktionsmodell. Die Eingangsdaten weisen eine erste Eingangsdatengruppe, in der zumindest Geokoordinaten der Fahrtroute enthalten sind, und eine zweite Eingangsdatengruppe auf, in der verschiedene Eingangsdaten enthalten sind, nämlich zumindest Ortsinformationen einer digitalen Karte; durchschnittliche Verkehrsflussdaten entlang der Fahrtroute; und/oder Geschwindigkeitsprofile von vernetzten Fahrzeugen. Eine Auswahl der Eingangsdaten aus der zweiten Eingangsdatengruppe wird auf der Grundlage einer Situationsanalyse unter Verwendung vorbestimmter Kriterien durchgeführt. Dabei können verschiedene Modelle mit verschiedenen Datenquellen erstellt werden. Die Modelle unterscheiden sich bezüglich Genauigkeit. In Abhängigkeit der Datenverfügbarkeit und anderen Randbedingungen (z.B. verfügbare LTE-Vernetzung) soll automatisch das geeignetste Modell ausgewählt werden. Dadurch wird erreicht, dass keine Streckenabschnitte mehr existieren, für die keine Prognose zur Verfügung gestellt werden kann.

Bei einem Ausführungsbeispiel weisen die Ortsinformationen einer digitalen Karte mindestens ein Element aus einer Gruppe auf, die Geokoordinaten des Fahrzeugs; Kartenattribute entlang der Fahrtroute wie zum Beispiel

Geschwindigkeitsbeschränkungen, Ampeln, Ampelphasen, Vorfahrtsregelungen, Verkehrsschilder, Kurvenradien und/oder Steigungen enthält.

Bei einem Ausführungsbeispiel stellen die durchschnittlichen Verkehrsflussdaten entlang der Fahrtroute einen aktuellen Verkehrsfluss oder historische Traffic-Patterns dar.

Bei einem Ausführungsbeispiel enthält die erste Eingangsdatengruppe zusätzlich Fahrzeugdaten, die mindestens ein Element aus einer Gruppe aufweisen, die einen Geschwindigkeitswert des Fahrzeugs; eine gegenwärtige Uhrzeit; Traffic-Message-Channel-, TMC-, Daten; durch das Fahrzeug erfasste Temperatur-, Feuchte-, Regen-, Schnee- und/oder Glättedaten; durch eine Fahrzeugkamera erfasste Bild- oder Videodaten; und durch einen Flelligkeitssensor des Fahrzeugs erfasste Helligkeitsdaten enthält.

Bei einem Ausführungsbeispiel enthält die erste Eingangsdatengruppe zusätzlich individuelle Fahrverhaltensdaten, die auf der Grundlage von vergangenen Fahrten generiert wurden, insbesondere ein Fahrerverhalten im Vergleich zum Verkehrsfluss, zu Geschwindigkeitsquantilen oder zu Kartenattributen wie beispielsweise Geschwindigkeitslimits.

In einer bevorzugten Ausführungsvariante des erfindungsgemäßen Verfahrens wird bei der Situationsanalyse unter Verwendung der vorbestimmten Kriterien mindestens eine Verfügbarkeit der verschiedenen Eingangsdaten aus der zweiten Eingangsdatengruppe und/oder Datenschutzvorgaben und/oder durch die Verwendung der verschiedenen Eingangsdaten aus der zweiten Eingangsdatengruppe anfallende Kosten und/oder die jeweilige Straßenklasse auf der Fahrtroute und/oder ein Einfluss der verschiedenen Eingangsdaten aus der zweiten Eingangsdatengruppe auf die Qualität der Prädiktion berücksichtigt.

Die Auswahl der Eingangsdaten aus der zweiten Eingangsdatengruppe erfolgt vorzugsweise als separater Verfahrensschritt, bei dem eines oder mehrere dieser genannten Kriterien geprüft wird.

Eine Verfügbarkeit der verschiedenen Eingangsdaten aus der zweiten Eingangsdatengruppe umfasst hier vorzugsweise die momentane oder generelle Verfügbarkeit der Daten. Die momentane Verfügbarkeit kann beispielsweise durch einen zeitlich und/oder örtlich bedingte fehlende Funkverbindung (z.B. Funklöcher) eingeschränkt sein. Als generelle Verfügbarkeit wird hier zusammengefasst, ob überhaupt entsprechende Daten existieren, d.h. ob beispielsweise Geschwindigkeitsprofile für den jeweiligen Routenabschnitt gesammelt wurden, ob dieses Daten aktuell oder veraltet sind und/oder ob etwaige gesammelte Daten zugänglich sind.

Beispielsweise kann für den Zugang zu solchen Daten eine Servicegebühr erhoben werden. Deswegen können bevorzugt auch etwaige anfallende Kosten für die Auswahl der Eingangsdaten der zweiten Eingangsdatengruppe berücksichtigt werden. Zusätzlich können gesetzliche und/oder persönliche Datenschutzvorgaben die Auswahl der Eingangsdaten aus der zweiten Eingangsdatengruppe einschränken.

Die Verfügbarkeit und/oder die Sinnhaftigkeit der Verwendung der verschiedenen Eingangsdaten aus der zweiten Eingangsdatengruppe kann außerdem von der jeweiligen Straßenklasse (z.B. Landstraße oder Autobahn) entlang der Fahrtroute abhängig sein.

Des Weiteren kann während der Fahrt festgestellt werden, dass die Prädiktion auf Grundlage von bestimmten Eingangsdaten der zweiten Eingangsdatengruppe genauer ist als bei der Verwendung anderer Eingangsdaten der zweiten Eingangsdatengruppe. Daher kann auch die Qualität der Prädiktion bei der Auswahl der Eingangsdaten berücksichtigt werden.

Bei einem Ausführungsbeispiel verwendet die Situationsanalyse daher zumindest eines der vorbestimmten Kriterien: auf Streckenabschnitten ohne ausreichende mobile Datenverbindung werden Eingangsdaten der zweiten Eingangsdatengruppe ausgewählt, die vorab lokal im Fahrzeug gespeichert wurden oder die mittels Traffic-Message-Channel (TMC) empfangen werden; auf Streckenabschnitten ohne ausreichende mobile Datenverbindung werden Eingangsdaten der zweiten Eingangsdatengruppe ausgewählt, die vorab über ein Backend geladen werden; auf Streckenabschnitten, für die keine oder veraltete gesammelte Geschwindigkeitsprofile vorliegen, werden die Ortsinformationen einer digitalen Karte und/oder die durchschnittlichen Verkehrsflussdaten entlang der Fahrtroute ausgewählt; bei einem Vorschauhorizont einer bestimmten Mindestlänge werden die Ortsinformationen einer digitalen Karte und/oder die durchschnittlichen Verkehrsflussdaten in Gestalt von historischen Traffic-Patterns ausgewählt; auf Streckenabschnitten, für die keine durchschnittlichen Verkehrsflussdaten und keine Geschwindigkeitsprofile vorhanden sind, werden die Ortsinformationen einer digitalen Karte ausgewählt; auf Landstraßen werden die Ortsinformationen einer digitalen Karte und die Geschwindigkeitsprofile ausgewählt; auf Autobahnen werden die durchschnittliche Verkehrsflussdaten ausgewählt, vorzugsweise in Kombination mit den individuellen Fahrverhaltensdaten; falls während der Fahrt festgestellt wird, dass die Prädiktion auf Grundlage von bestimmten Eingangsdaten der zweiten Eingangsdatengruppe ungenau im Vergleich zu anderen Eingangsdaten der zweiten Eingangsdatengruppe ist, werden ausschließlich die anderen Eingangsdaten der zweiten Eingangsdatengruppe ausgewählt; falls die Verwendung der Geschwindigkeitsprofile durch Datenschutzrichtlinien eingeschränkt wird oder eigene Datenschutzpräferenzen herabsetzt, werden die Ortsinformationen einer digitalen Karte und die durchschnittlichen Verkehrsflussdaten entlang der Fahrtroute ausgewählt; falls eine Servicegebühr für bestimmte Eingangsdaten aus der zweiten Eingangsdatengruppe einen Schwellwert überschreiten, werden andere Eingangsdaten aus der zweiten Eingangsdatengruppe ausgewählt.

Bei einem Ausführungsbeispiel werden aus den Geschwindigkeitsprofilen von vernetzten Fahrzeugen Verteilungen für gesammelte Geschwindigkeitsprofile bezüglich festen Ortspunkten entlang der Fahrtroute erstellt. Bei einem Ausführungsbeispiel enthält die erste Eingangsdatengruppe Geschwindigkeitsprofile zum aktuellen Zeitpunkt oder entlang eines Rückschauhorizonts.

Ein zweiter Aspekt der Erfindung betrifft ein Steuergerät, das dazu konfiguriert ist, das Verfahren durchzuführen.

Es wird darauf hingewiesen, dass Ausführungsformen der Erfindung mit Bezug auf unterschiedliche Erfindungsgegenstände beschrieben wurden. Insbesondere sind einige Ausführungsformen der Erfindung mit Verfahrensansprüchen und andere Ausführungsformen der Erfindung mit Vorrichtungsansprüchen beschrieben. Dem Fachmann wird jedoch bei der Lektüre dieser Anmeldung sofort klar werden, dass, sofern nicht explizit anders angegeben, zusätzlich zu einer Kombination von Merkmalen, die zu einem Typ von Erfindungsgegenstand gehören, auch eine beliebige Kombination von Merkmalen möglich ist, die zu unterschiedlichen Typen von Erfindungsgegenständen gehören.

Weitere Vorteile und Merkmale der vorliegenden Erfindung ergeben sich aus der folgenden beispielhaften Beschreibung einer bevorzugten Ausführungsform.

Fig. 1 zeigt schematisch eine Prädiktion eines Geschwindigkeitsprofils eines Fahrzeugs, das einen zukünftigen Geschwindigkeitsverlauf entlang einer vorbestimmten Fahrtroute bis zu einem bestimmten Vorschauhorizont darstellt; und

Fig. 2 zeigt schematisch eine Systemarchitektur für das Verfahren zur Prädiktion des Geschwindigkeitsprofils des Fahrzeugs gemäß einem Ausführungsbeispiel.

Fig. 1 zeigt schematisch eine Prädiktion eines Geschwindigkeitsprofils 1 eines Fahrzeugs 2, das einen zukünftigen Geschwindigkeitsverlauf entlang einer vorbestimmten Fahrtroute x bis zu einem bestimmten Vorschauhorizont 3 darstellt. Das Bezugszeichen 8 bezeichnet einen vergangenen Geschwindigkeitsverlauf entlang der Fahrtroute x bis zu einem bestimmten Rückschauhorizont 9.

Fig. 2 zeigt schematisch eine Systemarchitektur für das Verfahren zur Prädiktion des Geschwindigkeitsprofils 1 des Fahrzeugs 2 gemäß einem Ausführungsbeispiel. Das mit dieser System architektur arbeitende Verfahren hat die folgenden Schritte: Generieren eines Prädiktionsmodells 4; Eingeben von Eingangsdaten 5.1 , 5.2 in das Prädiktionsmodell 4; Berechnen von Abgabedaten 6 aus den Eingangsdaten 5.1. 5.2 auf der Grundlage zumindest eines in dem Prädiktionsmodell 4 enthaltenen Algorithmus', wobei die Abgabedaten 6 das Geschwindigkeitsprofil 1 des Fahrzeugs 2 prädizieren; und Abgeben der Abgabedaten 6 von dem Prädiktionsmodell 4.

Die Eingangsdaten 5.1 , 5.2 enthalten eine erste Eingangsdatengruppe 5.1.1 , 5.1.2, 5.1.3, in der zumindest Geokoordinaten 5.1.1 der Fahrtroute x enthalten sind. Die beabsichtigte Route x des Fahrzeugs 2 wird als Eingang verwendet und kann durch den Fahrer vorgegeben oder durch einen intelligenten Algorithmus bestimmt werden. Zusammen mit den Geokoordinaten 5.1.1 der Fahrtroute x können außerdem Geschwindigkeitsprofile zum aktuellen Zeitpunkt oder entlang des Rückschauhorizonts 9 in das Prädiktionsmodell 4 eingegeben werden (nicht in der Fig. 2 gezeigt).

Die erste Eingangsdatengruppe 5.1.1 , 5.1.2, 5.1.3 enthält zusätzlich Fahrzeugdaten 5.1.2, die mindestens ein Element aus einer Gruppe aufweisen, die einen Geschwindigkeitswert des Fahrzeugs 2; eine gegenwärtige Uhrzeit; Traffic-Message-Channel-, TMC-, Daten; durch das Fahrzeug 2 erfasste Temperatur-, Feuchte-, Regen-, Schnee- und/oder Glättedaten; durch eine Fahrzeugkamera erfasste Bild- oder Videodaten; und durch einen Flelligkeitssensor des Fahrzeugs 2 erfasste Helligkeitsdaten enthält.

Die erste Eingangsdatengruppe 5.1.1 , 5.1.2, 5.1.3 enthält zusätzlich individuelle Fahrverhaltensdaten 5.1 .3, die auf der Grundlage von vergangenen Fahrten generiert wurden, insbesondere ein Fahrerverhalten im Vergleich zum Verkehrsfluss, zu Geschwindigkeitsquantilen oder zu Kartenattributen wie beispielsweise Geschwindigkeitslimits.

Diese zusätzlichen Eingangsgrößen der ersten Eingangsdatengruppe 5.1.1 , 5.1.2, 5.1.3 dienen dazu, die Prognose zu verbessern. So dienen beispielsweise die Fahrzeugdaten 5.1.2 dazu die Prognose für einen kurzen Vorausschauhorizont, beispielsweise für die nächsten 100 m, genauer anzupassen.

Die Eingangsdaten 5.1 , 5.2 enthalten eine zweite Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3, in der verschiedene Eingangsdaten enthalten sind, nämlich zumindest Ortsinformationen 5.2.1 einer digitalen Karte; durchschnittliche Verkehrsflussdaten

5.2.2 entlang der Fahrtroute x; und/oder Geschwindigkeitsprofile 5.2.3 von vernetzten Fahrzeugen. Die Ortsinformationen 5.2.1 einer digitalen Karte können lokal im Fahrzeug 2 gespeichert werden (so genannte Onboard-Karten), oder sie können per Mobilfunk (beispielsweise LTE) von einem Backend, wie zum Beispiel einem Server, geladen werden (so genannte Offboard-Karten). Die Ortsinformationen 5.2.1 einer digitalen Karte weisen mindestens ein Element aus einer Gruppe auf, die Geokoordinaten des Fahrzeugs 2; Kartenattribute entlang der Fahrtroute x wie zum Beispiel Geschwindigkeitsbeschränkungen, Ampeln, Ampelphasen, Vorfahrtsregelungen, Verkehrsschilder, Kurvenradien und/oder Steigungen enthält.

Die durchschnittlichen Verkehrsflussdaten 5.2.2 entlang der Fahrtroute x stellen einen aktuellen Verkehrsfluss oder historische Traffic-Patterns dar.

Aus den Geschwindigkeitsprofilen 5.2.3 von vernetzten Fahrzeugen können Verteilungen für gesammelte Geschwindigkeitsprofile 5.2.3 bezüglich festen Ortspunkten erstellt werden.

Die Eingangsdaten aus der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 werden auf der Grundlage einer Situationsanalyse 10 unter Verwendung vorbestimmter Kriterien 11 ausgewählt. Mindestens eine dieser Datenquellen aus der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 ist notwendig, um eine Geschwindigkeitsprognose für einen längeren Vorausschauhorizont 3 (z.B. mehrere km) durchführen zu können. Diese Datenquellen werden von einem maschinellen Lernalgorithmus als Eingangsdaten verwendet, und daraus kann das Geschwindigkeitsprofil 1 entlang der geplanten Route x prädiziert werden. Als Prädiktionsmodell 4 können verschiedene Verfahren verwendet werden (z.B. Regression, Neuronale Netze, Support-Vector-Maschinen, Long-Short-Term-Memory-Netzwerke (LSTM),

Recursive-Convolutional-Neural-Netzwerke (RCNN), etc.). Das Prädiktionsmodell 4 kann auf der Grundlage von vorgegebenen Eingangsdaten 5.1 , 5.2 und vorgegebenen Abgabedaten 6 trainiert werden. Dabei können auch die Eingangsdaten 5.1 , 5.2 innerhalb des parametrierbaren Rückschauhorizonts 9 als Eingang verwendet werden.

Die Genauigkeit der Prognose nimmt mit der Anzahl der verwendeten Datenquellen zu, d.h. insbesondere von den Ortsinformationen 5.2.1 einer digitalen Karte über die durchschnittlichen Verkehrsflussdaten 5.2.2 bis hin zu den Geschwindigkeitsprofilen 5.2.3 von vernetzten Fahrzeugen. Dabei können alle Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 oder nur eine Untergruppe der Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 als Eingang verwendet werden. Die Auswahl der Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 ist dynamisch wählbar, so dass zu jedem Zeitpunkt eine Prognose des Geschwindigkeitsprofils 1 verfügbar ist. Die dynamische Auswahl der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 wird nachfolgend beschrieben.

Ziel ist es, zu jedem Zeitpunkt und in jeder Situation die geeigneten Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 auszuwählen und somit jederzeit eine zuverlässige Geschwindigkeitsprognose sicherstellen zu können.

Aus Genauigkeitsgründen ist es ideal, alle drei genannten Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 zu verwenden.

Situationsabhängig ist es sinnvoll, nur eine oder zwei bestimmte Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 zu verwenden. Die Situationsanalyse 10 verwendet zumindest eine der vorbestimmten Kriterien 11 :

Auf Streckenabschnitten ohne ausreichende mobile Datenverbindung (z.B. LTE) werden Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 ausgewählt, die vorab lokal im Fahrzeug 2 gespeichert wurden oder die mittels Traffic-Message-Channel TMC empfangen werden. Dabei kann es sich um Onboard-Karten handeln. Auf Streckenabschnitten ohne ausreichende mobile Datenverbindung können auch Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 ausgewählt werden, die vorab über ein Backend geladen werden. Insbesondere wenn Funklöcher an diesen Streckenabschnitten voraus bekannt sind, beispielsweise durch Netzabdeckungskarten, die zum Teil durch Crowdsourcing gebildet werden können, ist es möglich, die Informationen vorab über das Backend in das Fahrzeug zu laden. So können prädiktiv Verkehrsinformationen, gesammelte Geschwindigkeitsprofile oder Tiles von digitalen genauen Karten heruntergeladen werden.

Auf Streckenabschnitten, für die keine oder veraltete gesammelte Geschwindigkeitsprofile 5.2.3 vorliegen, werden die Ortsinformationen 5.2.1 einer digitalen Karte (offboard oder onboard) und/oder die durchschnittlichen Verkehrsflussdaten 5.2.2 entlang der Fahrtroute x ausgewählt.

Bei einem Vorschauhorizont 3 einer bestimmten Mindestlänge, beispielsweise 3 h, werden die Ortsinformationen 5.2.1 einer digitalen Karte und/oder die durchschnittlichen Verkehrsflussdaten 5.2.2 in Gestalt von historischen Traffic-Patterns ausgewählt. Mögliche Anwendungen für relativ weit in der Zukunft liegende Prognosen sind beispielsweise die Routenplanung für Elektrofahrzeuge für zukünftige Fahrten oder das Lademanagement von Elektro- und Hybridfahrzeugen.

Auf Streckenabschnitten, für die keine durchschnittlichen Verkehrsflussdaten 5.2.2 und keine Geschwindigkeitsprofile 5.2.3 vorhanden sind, werden die Ortsinformationen 5.2.1 einer digitalen Karte (offboard oder onboard) ausgewählt.

Auf Landstraßen werden die Ortsinformationen 5.2.1 einer digitalen Karte und die Geschwindigkeitsprofile 5.2.3 (ggf. auch veraltete) ausgewählt. Auf Landstraßen sind in der Regel Verkehrsflussinformationen nicht verfügbar. Außerdem wird die individuelle Geschwindigkeit vor allem durch Kurvenradien, Sichtverhältnisse (z.B. einsehbare Kurven) und das Höhenprofil bestimmt. Der Verkehrsfluss hat daher in der Regel einen geringen Einfluss und ist auch bei Verfügbarkeit oft nicht genau genug (z.B. Reduktion der Geschwindigkeit vor Kurven, oder unübersichtlichen Stellen), so dass es besser ist, gesammelte Geschwindigkeitsprofile 5.2.3 zu verwenden. Da der Verkehrseinfluss gering ist, dürfen die gesammelten Geschwindigkeitsprofile 5.2.3 auch veraltet sein.

Auf Autobahnen werden die durchschnittliche Verkehrsflussdaten 5.2.2 ausgewählt, vorzugsweise in Kombination mit den individuellen Fahrverhaltensdaten 5.1.3 aus der ersten Eingangsdatengruppe. Auf Autobahnen kann die Prognose vor allem auf die durchschnittliche Verkehrsflussdaten 5.2.2 unter Berücksichtigung der individuellen Fahrverhaltensdaten 5.1.3 berechnet werden, da auf Autobahnen der Verkehrsfluss aktuell ist.

Falls während der Fahrt festgestellt wird, dass die Prädiktion auf Grundlage von bestimmten Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1, 5.2.2, 5.2.3 ungenau im Vergleich zu anderen Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1, 5.2.2, 5.2.3 ist, werden ausschließlich die anderen Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1, 5.2.2, 5.2.3 ausgewählt.

Falls die Verwendung der Geschwindigkeitsprofile 5.2.3 durch Datenschutzrichtlinien eingeschränkt wird oder eigene Datenschutzpräferenzen herabsetzt, werden die Ortsinformationen 5.2.1 einer digitalen Karte und die durchschnittlichen Verkehrsflussdaten 5.2.2 entlang der Fahrtroute x ausgewählt. Falls eine Servicegebühr für bestimmte Eingangsdaten aus der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 einen Schwellwert überschreiten, werden andere Eingangsdaten aus der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 ausgewählt.

Durch die ausgewählten Eingangsdaten aus der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 ist sichergestellt, dass in jeder Situation eine Geschwindigkeitsprognose möglich ist und damit die Geschwindigkeitsprognose als zuverlässige Eingangsgröße für verschiedene Anwendungen verwendet werden kann.

Die Eingangsdaten aus der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 und das entsprechende Prädiktionsmodell 4 können dynamisch abhängig von Datenverfügbarkeit, Genauigkeit, Straßenklasse, Nutzerpräferenzen, Anwendungszweck und Prädiktionshorizont 3 ausgewählt werden.

Die vorliegende Erfindung kann auch zum Umsetzen von Betriebsstrategien für HEV, EV oder konventionelle Fahrzeuge, zur Ansteuerung von Abgasnachbehandlungssystemen, zur Erhöhung der Genauigkeit von Navigationsalgorithmen und für Routenanwendungen für EVs verwendet werden.

Sie kann auch zur Prädiktion von Betriebszuständen in Abhängigkeit der Geschwindigkeitsprognose verwendet werden, um z.B. das Derating-Verhalten eines Elektroantriebs positiv zu beeinflussen. Schließlich können Informationen in digitalen Karten hinterlegt werden.

Bezugszeichenliste

1 Geschwindigkeitsprofil

2 Fahrzeug

3 Vorschauhorizont

4 Prädiktionsmodell

5.1 Eingangsdaten

5.1.1 Geokoordinaten

5.1.2 Fahrzeugdaten

5.1.3 individuelle Fahrverhaltensdaten

5.2 Eingangsdaten

5.2.1 Ortsinformationen einer digitalen Karte

5.2.2 durchschnittliche Verkehrsflussdaten

5.2.3 Geschwindigkeitsprofile von vernetzten Fahrzeugen

6 Abgabedaten

8 vergangener Geschwindigkeitsverlauf

9 Rückschauhorizont

10 Situationsanalyse

11 vorbestimmte Kriterien