Machine-Learning-basierte Objektivierung subjektiver Fahreindrücke beim eBike-Fahren
Publication date
2024-10-15
Document type
Dissertation
Author
Laqua, Annika
Advisor
Referee
Kröger, Matthias
Granting institution
Helmut-Schmidt-Universität / Universität der Bundeswehr Hamburg
Exam date
2024-07-16
Organisational unit
Part of the university bibliography
✅
Keyword
Sustainable transport
Machine learning
User experience prediction
Explainable AI methods
E-bike
Cycling study
Abstract
Der Radverkehr ist zentraler Bestandteil einer klimafreundlichen Mobilität. EBikes eröffnen neue Möglichkeiten für verschiedene Nutzergruppen und tragen so dazu bei den Anteil des Radverkehrs weiter zu steigern. Da die Verkehrsmittelwahl jedoch wesentlich von subjektiven Fahreindrücken abhängt, müssen geeignete Methoden zur objektiven Bewertung subjektiver Fahreindrücke beim eBike-Fahren entwickelt werden. Ziel der vorliegenden Dissertation ist die Machine-Learning (ML) -basierte Objektivierung subjektiver Fahreindrücke beim eBike-Fahren.
Mittels eines Mixed-Methods-Designs werden subjektive Fahreindrücke und deren Einflussfaktoren qualitativ in einer Interviewstudie (N=23) ermittelt und quantitativ durch Daten einer Fahrstudie (eMountainbike, N=80) verifiziert. Mithilfe einer Gauß-Prozess Regression wird der subjektive Fahreindruck Fahrerlebnis mit eBike-Sensordaten für vier Fahrertypen in den Anwendungsfällen eMountainbike (N=80) und eTrekking (N=55) prädiziert. Aufgrund des Black-Box-Charakters der ML-Modelle wird post-hoc die Explainable-AI (XAI) -Methode SHAP (SHapley Additive exPlanations) zur Evaluation des Fahrerlebnisses eingesetzt.
Die in den untersuchten Anwendungsfällen erreichten Modellgüten belegen die Eignung von ML zur Objektivierung subjektiver Fahreindrücke. Die Post-hoc-Analyse zeigt den Mehrwert von SHAP zur Evaluation subjektiver Fahreindrücke auf. Mithilfe der vorgestellten Methode können aussagekräftige Prädiktoren und deren Einfluss auf das Fahrerlebnis bestimmt werden. Fahrerleistungsbezogene Parameter, Motorleistung, Längsdynamik und Querdynamik wurden als Quelle einflussreicher Prädiktoren ermittelt. Der Einfluss der Prädiktoren unterschied sich zwischen einem komfortorientierten, abfahrtsorientierten, dynamikorientierten und sportlichen Fahrertypen.
Die Ergebnisse der vorliegenden Dissertation verdeutlichen das Potential der ML-basierten Objektivierungsmethode zur Evaluation subjektiver Fahreindrücke. Die gewonnenen Erkenntnisse erweitern das Verständnis über subjektive Fahreindrücke beim eBike-Fahren und tragen zu einer Verbesserung des Fahrerlebnisses bei.
Mittels eines Mixed-Methods-Designs werden subjektive Fahreindrücke und deren Einflussfaktoren qualitativ in einer Interviewstudie (N=23) ermittelt und quantitativ durch Daten einer Fahrstudie (eMountainbike, N=80) verifiziert. Mithilfe einer Gauß-Prozess Regression wird der subjektive Fahreindruck Fahrerlebnis mit eBike-Sensordaten für vier Fahrertypen in den Anwendungsfällen eMountainbike (N=80) und eTrekking (N=55) prädiziert. Aufgrund des Black-Box-Charakters der ML-Modelle wird post-hoc die Explainable-AI (XAI) -Methode SHAP (SHapley Additive exPlanations) zur Evaluation des Fahrerlebnisses eingesetzt.
Die in den untersuchten Anwendungsfällen erreichten Modellgüten belegen die Eignung von ML zur Objektivierung subjektiver Fahreindrücke. Die Post-hoc-Analyse zeigt den Mehrwert von SHAP zur Evaluation subjektiver Fahreindrücke auf. Mithilfe der vorgestellten Methode können aussagekräftige Prädiktoren und deren Einfluss auf das Fahrerlebnis bestimmt werden. Fahrerleistungsbezogene Parameter, Motorleistung, Längsdynamik und Querdynamik wurden als Quelle einflussreicher Prädiktoren ermittelt. Der Einfluss der Prädiktoren unterschied sich zwischen einem komfortorientierten, abfahrtsorientierten, dynamikorientierten und sportlichen Fahrertypen.
Die Ergebnisse der vorliegenden Dissertation verdeutlichen das Potential der ML-basierten Objektivierungsmethode zur Evaluation subjektiver Fahreindrücke. Die gewonnenen Erkenntnisse erweitern das Verständnis über subjektive Fahreindrücke beim eBike-Fahren und tragen zu einer Verbesserung des Fahrerlebnisses bei.
Cycling is a key component of climate-friendly mobility. E-bikes offer new possibilities for a wide range of users and therefore contribute to further increasing the share of cycling. However, since subjective riding experience plays a decisive role when choosing a mode of transport, it is necessary to develop appropriate methods for the objective evaluation of subjective riding experience on e-bikes. The aim of this work is the machine learning (ML) -based objectification of subjective riding experience on e-bikes.
Using a mixed methods design, subjective riding experience and their influencing factors are determined qualitatively by an interview study (N=23) and verified quantitatively by data from a cycling study (eMountainbike, N=80). Gaussian process regression is used to predict the subjective riding experience with e-bike sensor data for four types of riders in the use cases eMountainbike (N=80) and eTrekking (N=55). Due to the black-box nature of the ML models, the Explainable AI (XAI) method SHAP (SHapley Additive exPlanations) is used post-hoc to evaluate the riding experience.
The model accuracies achieved in the investigated use cases illustrate the power of ML to objectify subjective riding experience. The post-hoc analysis shows the added value of SHAP to the evaluation of subjective riding experience. With this method, it is possible to determine meaningful predictors and their influence on the riding experience. Rider performance, motor power, longitudinal dynamics, and lateral dynamics were identified as sources of meaningful predictors, with their influence varying between comfort-oriented, downhill-oriented, dynamic-oriented, and sporty rider types.
The results of the present work demonstrate the potential of the ML-based objectification method in evaluating subjective riding experiences. The insights gained contribute to a deeper understanding of subjective riding experience and enhance the overall riding experience on e-bikes.
Using a mixed methods design, subjective riding experience and their influencing factors are determined qualitatively by an interview study (N=23) and verified quantitatively by data from a cycling study (eMountainbike, N=80). Gaussian process regression is used to predict the subjective riding experience with e-bike sensor data for four types of riders in the use cases eMountainbike (N=80) and eTrekking (N=55). Due to the black-box nature of the ML models, the Explainable AI (XAI) method SHAP (SHapley Additive exPlanations) is used post-hoc to evaluate the riding experience.
The model accuracies achieved in the investigated use cases illustrate the power of ML to objectify subjective riding experience. The post-hoc analysis shows the added value of SHAP to the evaluation of subjective riding experience. With this method, it is possible to determine meaningful predictors and their influence on the riding experience. Rider performance, motor power, longitudinal dynamics, and lateral dynamics were identified as sources of meaningful predictors, with their influence varying between comfort-oriented, downhill-oriented, dynamic-oriented, and sporty rider types.
The results of the present work demonstrate the potential of the ML-based objectification method in evaluating subjective riding experiences. The insights gained contribute to a deeper understanding of subjective riding experience and enhance the overall riding experience on e-bikes.
Version
Published version
Access right on openHSU
Open access