Forschungsprojekte
Liste aktueller Forschungsprojekte des Lehrstuhls:
Grüner Wasserstoff wird weithin als einer der zentralen Bausteine einer nachhaltigen Energiewende angesehen. Dabei sollte berücksichtigt werden, dass Wasserstoff lediglich dann nachhaltig bzw. "grün" produziert wird, wenn der für die Wasserelektrolyse verwendete Strom exklusiv aus nicht-fossilen (d. h. erneuerbaren bzw. regenerativen) Energiequellen wie beispielsweise Photovoltaik, Wind- oder Wasserkraft gewonnen wurde. Um eine dauerhafte Wirtschaftlichkeit der Wasserelektrolyse zu gewährleisten, sollte für die Wasserstoffproduktion primär "überschüssige" Energie verwendet werden. Das heißt, der Wasserstoff sollte insbesondere in solchen Zeiten produziert werden, in denen der Energiebedarf (über einen längeren Zeitraum) geringer ist, als das währenddessen verfügbare Energiepotenzial bzw. -angebot.
Um diese "überschüssige" Energie akkurat prognostizieren und somit möglichst effizient nutzen zu können, bedarf es einer präzisen Modellierung des jeweiligen Energieangebots und -bedarfs. Dabei müssen bei der Modellierung des Angebots u. a. die geografische Lage der Energiequelle sowie die teils sehr starken wetterbedingten Schwankungen berücksichtigt werden. Umgekehrt wird der Energiebedarf insbesondere durch demografische und industrielle Faktoren beeinflusst. Bedingt durch den hohen Datenumfang sowie die Volatilität diverser zeit- sowie raumabhängiger Einflussgrößen lässt sich der Energiehaushalt bisher – wenn überhaupt – nur mit sehr spezialisierten, hochkomplexen Modellen beschreiben. Zugleich ist auf Grund der hohen Komplexität dieser Modelle eine sinnvolle, d. h. für Menschen nachvollziehbare Analyse der algorithmisch getroffenen Entscheidungen nahezu unmöglich, so dass keine Aussagen über die Zuverlässigkeit der Modelle getroffen werden können.
An dieser Stelle setzt das beantragte Projektvorhaben an. Durch eine geeignete Kombination, Adaption und Erweiterung moderner Methoden der Künstlichen Intelligenz (KI), genauer gesagt des Maschinellen Lernens (ML), sollen verschiedene Algorithmen und Software-Produkte (mit dem primären Ziel der Modellierung des Energieangebots und -bedarfs) konzipiert und implementiert werden. Zunächst soll ein Algorithmus entwickelt werden, mit dessen Hilfe die enormen Mengen insbesondere zeit- und raumabhängiger Daten vollkommen automatisiert auf eine möglichst minimale Menge informativer Einflussgrößen reduziert werden können. Anschließend soll dieser Algorithmus in ein (ebenfalls zu entwickelndes) nutzerfreundliches KI-System namens AutoGREEN integriert werden, welches – in Anlehnung an die Idee des sogenannten Automatisierten Maschinellen Lernens (AutoML) – automatisiert aus einer Menge vielversprechender ML-Verfahren einen möglichst gut geeigneten Algorithmus wählt, mit dessen Hilfe das Energieangebot sowie der zugehörige Energiebedarf (an einem gegebenen Standort) modelliert werden sollen. Auf Grund der Fokussierung auf Modelle, die anhand kleiner, jedoch möglichst informativer Einflussgrößen ermittelt wurden, ergibt sich hierüber zugleich die Möglichkeit, die Zuverlässigkeit der erzeugten Modelle gezielt zu analysieren.
Dieses Projekt ist Teil von Cluster E: Wasserstoffimporte aus der MENA-Region im Vergleich zur Wasserstofferzeugung in Deutschland des 4. Boysen-TU Dresden-Graduiertenkollegs. Der Fokus des übergeordneten und interdisziplinär zusammengesetzten Graduiertenkollegs liegt dabei auf dem Thema "Wasserstoffwirtschaft -- Strategisches Element eines künftigen Greengas Deals".
Laufzeit des Projekts:
seit 03/2022
Ansprechpartner:
© Markus Leyser 04/2023
Mitarbeiter/in (Stipendiat am Boysen-TUD-Graduiertenkolleg)
NameHerr Markus Leyser M.Sc.
Eine verschlüsselte E-Mail über das SecureMail-Portal versenden (nur für TUD-externe Personen).
Professur für Big Data Analytics in Transportation
Professur für Big Data Analytics in Transportation
Besuchsadresse:
Bürozentrum Falkenbrunnen (FAL), Zimmer 012 (EG) Würzburger Str. 35
01187 Dresden
Durch die stark steigende Verfügbarkeit verkehrsbezogener Daten ergeben sich umfangreiche neue Potenziale hinsichtlich der Überwachung, Analyse, Optimierung und Planung von Verkehrssystemen. Das auf Bundes- und EU-Ebene angestrebte Mobilitätsdatengesetz wird dieses kontinuierliche Datenwachstum nochmals beschleunigen. Um aus den großen Datenmengen (Stichwort: Big Data) effizient wertvolle Informationen und Erkenntnisse zu gewinnen, werden vermehrt Methoden aus dem Bereich Machine Learning, wie bspw. Clusteranalyseverfahren, eingesetzt. Allerdings ist die gegenwärtige Wahrnehmung sowie Nutzung entsprechender Algorithmen in verkehrswissenschaftlichen Anwendungen bisher sehr limitiert.
Im Rahmen dieses durch FOSTER geförderten Vorhabens wird eine umfassende Analyse und Systematisierung von Clusterverfahren und ihren bekannten Anwendungen im verkehrswissenschaftlichen Kontext verfolgt.
Laufzeit des Projekts:
03/2024 -- 09/2024
Ansprechpartner:
Studentische Hilfskraft
NameHerr Jochen Weihe B.Sc.
Eine verschlüsselte E-Mail über das SecureMail-Portal versenden (nur für TUD-externe Personen).
Professur für Big Data Analytics in Transportation
Professur für Big Data Analytics in Transportation
Besuchsadresse:
Bürozentrum Falkenbrunnen (FAL), Zimmer 120 (1. OG) Würzburger Str. 35
01187 Dresden
This project is funded by the DAAD funding programme for project-related personal exchange (PPP) in cooperation with Darrell Whitley's group at Colorado State University.
We aim to contribute to and ideally progress the state-of-the-art research for the traveling salesperson problem (TSP), one of the most fundamental and well-studied classes of NP-hard optimization problems (Applegate et al., 2011). Apart from the research challenges that the TSP still poses itself, it also serves as the basis for related routing problems such as the Vehicle Routing Problem (VRP) or the Traveling Thief Problem (TTP). Beyond that, it is also of great importance for numerous practical applications, such as manufacturing processes, logistics, or mobility.
Due to the long history of TSP research, there exist numerous algorithms for optimizing these problems. These are typically classified into groups: exact solvers and inexact heuristics. The former tend to be slower but guarantee the optimality of their found solution (if they terminate successfully). In contrast, the inexact TSP heuristics find the optimal tours on average much faster but cannot prove the optimality of their solution.
In recent years, both research groups involved in this project have contributed to different parts of the state of the art in solving the TSP using inexact heuristics. The U.S. partners have studied the convergence behavior of TSP algorithms (Varadarajan et al., 2020) and proposed a very powerful crossover operator that is able to efficiently recombine (locally optimal) tours to produce a less costly tour (Carvalho et al., 2019). Our group, in turn, has profound knowledge in characterizing the structures of TSP instances using measurable metrics, called features (Heins et al., 2022). Further, we have conducted extensive benchmark studies, in which we compared the performances of state-of-the-art TSP heuristics (EAX and LKH in particular) across different TSP instances, and used powerful machine learning algorithms to recommend the most promising heuristic for a given instance in an automated way based on its features (Kerschke et al., 2018).
This project will now consolidate the complementary expertise of the two international research groups and thereby (a) elucidate in detail the inner mechanics of the state-of-the-art TSP heuristics, including their numerous parameterizations, (b) improve the understanding of the interactions and effects of the configurable parameters, and (c) iteratively extend both state-of-the-art heuristics to ideally develop an even better performing (and thus resource-efficient) TSP heuristic.
References
Applegate, David L., Bixby, Robert E., Chvátal, Vašek, and Cook, William J. (2011). The Traveling Salesman Problem: A Computational Study. Princeton University Press.
de Carvalho, Ozeas Quevedo, Tinós, Renato, Whitley, Darrel, and Sanches, Danilo Sipoli (2019). A New Method for Identification of Recombining Components in the Generalized Partition Crossover. 8th Brazilian Conference on Intelligent Systems (BRACIS), pp. 36-41, IEEE.
Heins, Jonathan, Bossek, Jakob, Pohl, Janina, Seiler, Moritz, Trautmann, Heike, and Kerschke, Pascal (2022). A study on the effects of normalized TSP features for automated algorithm selection. Theoretical Computer Science, pp. 123-145, Elsevier.
Kerschke, Pascal, Kotthoff, Lars, Bossek, Jakob, Hoos, Holger H., and Trautmann, Heike (2018). Leveraging TSP Solver Complementarity through Machine Learning. Evolutionary Computation, pp. 597-620, MIT Press.
Varadarajan, Swetha, Whitley, Darrell, and Ochoa, Gabriela (2020). Why Many Travelling Salesman Problem Instances Are Easier Than You Think. Proceedings of the 2020 Genetic and Evolutionary Computation Conference (GECCO), pp. 254-262, ACM.
Laufzeit des Projektes:
01/2024 – 12/2025
Ansprechpartner:
© Jonathan Heins 04/2023
Mitarbeiter/in
NameHerr Jonathan Heins M.Sc.
Eine verschlüsselte E-Mail über das SecureMail-Portal versenden (nur für TUD-externe Personen).
Professur für Big Data Analytics in Transportation
Professur für Big Data Analytics in Transportation
Besuchsadresse:
Bürozentrum Falkenbrunnen (FAL), Zimmer 012 (EG) Würzburger Str. 35
01187 Dresden
© Lennart Schäpermeier 04/2023
Mitarbeiter/in
NameHerr Lennart Schäpermeier M.Sc.
Eine verschlüsselte E-Mail über das SecureMail-Portal versenden (nur für TUD-externe Personen).
Professur für Big Data Analytics in Transportation
Professur für Big Data Analytics in Transportation
Besuchsadresse:
Bürozentrum Falkenbrunnen (FAL), Zimmer 011b (EG) Würzburger Str. 35
01187 Dresden
Sprechzeiten:
nach Vereinbarung