Seminar- und Abschlussarbeiten
Richtlinien
Master und Bachelor
- Anmeldung: Diese erfolgt mit einem Formular, das der Studierende vom Prüfungsamt nach Kontenklärung ausgehändigt bekommt. Studierender legt Formular zur Themenbesprechung beim Betreuer vor. Thema wird abgestimmt, Betreuer unterschreibt. Studierender informiert Lehrstuhlsekretariat und meldet Arbeit innerhalb einer Woche im Prüfungsamt an.
- Bearbeitungszeit: Diese beträgt bei Bachelorarbeiten 16/11 Wochen und bei Masterarbeiten 20 Wochen.
- Umfang: Die schriftliche Arbeit sollte bei Bachelorarbeiten einen Umfang von ca. 40 Seiten haben. Bei Masterarbeiten sind es entsprechend ca. 50 Seiten.
- Gestaltung: Zur inhaltlichen und formalen Gestaltung der Arbeit können Sie sich an den Lehrstuhlempfehlungen oder den Richtlinien der wirtschaftswissenschaftlichen Fakultät, Fachbereich VWL orientieren. Bitte beachten Sie, dass Masterarbeiten sowohl in englischer als auch in deutscher Sprache verfasst werden können, wobei Englisch generell präferiert wird.
- Befragungen und Daten: Falls im Rahmen der Abschlussarbeit eine (Online-) Befragung durchgeführt wird, ist ein Link zu dieser Befragung auf der Lehrstuhlwebseite zu veröffentlichen. Schicken Sie dafür diesen Link an Frau Undeutsch. Die Daten aus der Befragung werden nach Abschluss der Arbeit ebenfalls auf die Webseite gestellt (passwortgeschützt). Des Weiteren besteht die Möglichkeit Daten aus ehemaligen Befragungen für Abschlussarbeiten zu nutzen. Wenden Sie sich dafür bitte an einen Mitarbeiter vom Lehrstuhl.
- Zwischenpräsentation: In der Mitte der Bearbeitungszeit sind in einer 20-minütigen Zwischenpräsentation der aktuelle Stand der Arbeit und die noch offenen Arbeitsschritte vorzustellen. Der Termin ist bei Frau Undeutsch rechtzeitig anzumelden und sollte im Rahmen der Termine für die Präsentation von Seminar- und Abschlussarbeiten an einem Mittwoch ab 9:20 Uhr liegen.
- Abgabe: Die schriftliche Arbeit ist in zweifacher gebundener Ausführung (gern auch beidseitig bedruckt) mit allen digitalen Quellen auf CD-ROM bzw. einem anderen geeigneten Datenträger abzugeben. Zu den digitalen Quellen zählen das Word- oder LaTeX-Dokument der schriftlichen Arbeit, alle selbst erstellten Excel-Arbeitsblätter, sämtliche Datendateien (je nachdem als .dta, .r, .sav, .csv, .txt, .etc.), Skripte (Do-Files, R-Skript, etc.), Abbildungen usw. sowie die pdf-Ausdrucke aller Internetquellen. Zusätzlich ist die schriftliche Arbeit auf dem Publikationsserver Qucosa hochzuladen und der Link an Frau Undeutsch zu schicken. Sollte ein Sperrvermerk für die Arbeit vorliegen, braucht diese nicht bei Qucosa veröffentlicht werden.
- Verteidigung: Bei Masterarbeiten sind ungefähr vier Wochen nach Abgabe der schriftlichen Arbeit in einer Abschlusspräsentation die Ergebnisse der Arbeit vorzutragen: Zeitbudget für Vortrag und Diskussion zusammen maximal 40 Minuten. Der Termin ist bei Frau Undeutsch rechtzeitig anzumelden und sollte im Rahmen der Termine für die Präsentation von Seminar- und Abschlussarbeiten an einem Mittwoch ab 9:20 Uhr liegen. Die Präsentation ist spätestens am Abend vor dem Termin auf Opal hochzuladen und steht dann auf unserem Lehrstuhl-Notebook zur Verfügung. Bachelorarbeiten werden nicht verteidigt.
Seminar (Forschung)
Im Forschungsseminar des Masterstudiums können sich die Studierenden vertiefend mit einem Thema aus der Verkehrsökonometrie und -statistik oder Verkehrsmodellierung und -simulation auseinandersetzen und das Verfassen, Präsentieren und Verteidigen einer Forschungsarbeit üben. Für das Belegen des Seminars sind vertiefende Kenntnisse quantitativer Verfahren erforderlich. Dafür wählen Sie erst ein Thema aus dem Themenkatalog und kontaktieren Sie den Betreuer des Themas. Eigene Themenvorschläge dürfen gern eingebracht werden. Befragen Sie dazu einen Lehrstuhlmitarbeiter Ihrer Wahl. Konsultations- und Abgabetermin werden individuell mit dem jeweiligen Betreuer ausgemacht.
Bitte beachten Sie: Es gibt keine Einführungsveranstaltung für das Forschungsseminar! Der Ablauf des Seminars wird individuell mit dem jeweiligen Betreuer vereinbart. Das ermöglicht Ihnen und uns viel Flexibilität.
- Anmeldung: Erfolgt die Anmeldung im Semester, das im Studienplan vorgesehen ist, dann online, sonst Meldung im Sekretariat.
- Bearbeitungszeit: laufendes Semester
- Umfang: ca. 20 Seiten
- Gestaltung: Zur inhaltlichen und formalen Gestaltung der Arbeit können Sie sich an den Lehrstuhlempfehlungen oder den Richtlinien der wirtschaftswissenschaftlichen Fakultät, Fachbereich VWL orientieren.
- Befragungen und Daten: Falls im Rahmen der Forschungsarbeit eine (Online-) Befragung durchgeführt wird, ist ein Link zu dieser Befragung auf der Lehrstuhlwebseite zu veröffentlichen. Schicken Sie dafür diesen Link an Frau Undeutsch. Die Daten aus der Befragung werden nach Abschluss der Arbeit ebenfalls auf die Webseite gestellt (passwortgeschützt). Des Weiteren besteht die Möglichkeit Daten aus ehemaligen Befragungen für Forschungsarbeiten zu nutzen. Wenden Sie sich dafür bitte an einen Mitarbeiter vom Lehrstuhl.
- Abgabe: ein Exemplar der schriftlichen Arbeit in gebundener Ausführung (gern auch beidseitig bedruckt) mit allen digitalen Quellen auf einem geeigneten Datenträger (z.B. USB-Stick).
- Verteidigung: Ungefähr zwei Wochen nach Abgabe der schriftlichen Arbeit sind in einer Abschlusspräsentation an einem Mittwoch ab 9:20 Uhr die Ergebnisse der Arbeit vorzutragen. Zeitbudget für Vortrag und Diskussion zusammen maximal 40 Minuten. Der Termin ist bei Frau Undeutsch rechtzeitig anzumelden und sollte im Rahmen der Termine für die Präsentation von Seminar- und Abschlussarbeiten an einem Mittwoch ab 9:20 Uhr liegen. Die Präsentation ist spätestens am Abend vor dem Termin auf Opal hochzuladen und steht dann auf unserem Lehrstuhl-Notebook zur Verfügung.
Vorlagen
Folgende Vorlagen sind lediglich als Empfehlung gedacht. Sie können gern abgewandelt oder auch gänzlich ignoriert werden. Entscheidend ist, dass sich die Form der Arbeit an aktuell üblichen wissenschaftlichen Standards orientiert.
Themenvorschläge
Allgemeines
- Eigene Themenvorschläge dürfen gern eingebracht werden.
- Einer gemeinsamen Betreuung mit externen Partnern stehen wir offen gegenüber.
- Die vorgestellten Themen können (von wenigen Ausnahmen abgesehen) sowohl in Diplom-, Master-, Bachelor- als auch in Seminararbeiten bearbeitet werden. Die Anpassung der Bearbeitungsschwerpunkte an den geforderten Umfang ist im konkreten Fall dem jeweiligen Betreuer abzusprechen.
- Die Themen können im Allgemeinen auch in Gruppen bearbeitet werden.
Statistik u./o. Maschinelles Lernen
| Thema (Kontaktperson) | Kurze Beschreibung |
|---|---|
| Autonomous robot car with Deep Reinforcement Learning (Dianzhao Li) | Are you interested in working with robotic cars and Deep Reinforcement Learning approaches? With multiple sensors such as the camera and Lidar sensor as input, the autonomous car should be able to perform different driving behaviors. The robot cars and current working progress can be found here. |
|
Anwendbarkeit statistischer Verfahren zur Bewertung der Qualität der Interaktion zwischen Oberleitung und Stromabnehmer (Luise Wottke / Prof. Ostap Okhrin) |
Ziel ist die Identifikation signifikanter Einflussgrößen auf die Befahrqualität durch statistischen Test wie (z.B. Anova oder Korrelation) und die Analyse von Verfahren zu Prognosemöglichkeiten (Regression) der Befahrqualität. Kern der Aufgabe bildet das Aufzeigen von statistischen Testmöglichkeiten, sowie deren Umsetzung und Anwendung auf zur Verfügung gestellte Datensätze. Hinweise: Kenntnisse im Gebiet Oberleitungsanlagen sind nicht zwingend erforderlich. Die Bearbeitung findet in Abstimmung mit der Professur für Elektrische Bahnen statt. |
| Temperaturmodellierung (Prof. Dr. Ostap Okhrin) | Temperatur in Zeit und Raum modellieren. Methoden: Regression, Shape Invariant Model, Räumliche Modelle. |
| Verkehrsbasierter Fußabdruck (Prof. Dr. Ostap Okhrin) | Untersuchen, wie sich der ökologischer Fußabdruck in verschiedenen Länder entwickelt. Methoden: Clasteranalyse, Faktoranalyse u./o. Zeitreihen. |
| Analyse der Ausbreitung COVID-19 (Prof. Dr. Ostap Okhrin) | Es gibt Verfahren, die die Ausbreitung einer Krankheit modellieren. Man soll untersuchen, ob die für die COVID-19 geeignet sind, bzw. untersuchen, welche externe Faktoren Einfluss haben (z.B. Wetterbedingungen, Lockdown). Methoden: (nicht) lineares Regression, Zeitreihen. |
| Anpassungstests als Schätzmethode (Prof. Dr. Ostap Okhrin) | Untersuchen, ob die Maximierung des p-Wertes eines Anpassungstests als Schätzmethode angewendet werden kann. Vergleichenen mit ML- und KQ-Schätzmethoden. Dafür muss eine Simulationstudium sowie empirische Anwendung durchgeführt werden. |
| Autonomous Driving with Deep Reinforcement Learning (Dianzhao Li) | Deep Reinforcement Learning approaches are more and more popular these days. With our autonomous driving car, you need to use camera images as input of a Deep Reinforcement Learning approach and control the car drive in different environments. |
|
Maximizing Ensemble Diversity in Supervised Learning (Martin Waltz) |
Ensemble-methods for supervised learning tasks train several approximators for a common target function. A potential limitation of the procedure is the collapse of the ensemble into a single highly similar estimate despite being trained on different datasets. Objective is to identify and apply approaches which maximize the ensemble diversity. |
| t-SNE: Dimension Reduction, Classification and Visualization (Martin Waltz) | t-Distributed Stochastic Neighbor Embedding is a powerful technique for dimension reduction and classification tasks. Task is to thoroughly analyze the core methodology, find existing modifications and perform an overall comparison on different benchmark problems. |
| Explainability in Deep Reinforcement Learning (Martin Waltz) | Investigate and apply current methodological approaches to explainability in Deep Learning, especially with focus on Deep Reinforcement Learning. Can we generate insights into the learned behaviour of agents by analyzing the trained neural network? |
| Anpassungstests als Schätzmethode (Prof. Dr. Ostap Okhrin) | Untersuchen, ob die Maximierung des p-Wertes eines Anpassungstests als Schätzmethode angewendet werden kann. Vergleichenen mit ML- und KQ-Schätzmethoden. Dafür muss eine Simulationstudium sowie empirische Anwendung durchgeführt werden. |
| Machine Learning im Bereich autonomen Schiffverkehrs (Fabian Hart) | Hyperparameteroptimierung von Machine Learning Algorithmen zur Entscheidungsfindung von Überholmanövern im autonomen Schiffsverkehr. Ziel ist es, eine geeignete Hyperparameterkonfiguration zu finden und zu testen. |
| Machine Learning im Bereich autonomen Schiffverkehrs (Fabian Hart) | Architektur und Design von Neuronalen Netzen zur Entscheidungsfindung von Überholmanövern im autonomen Schiffsverkehr. Ziel ist es, eine geeignete Architektur zu finden und zu testen. |
| Reinforcement Learning im Bereich autonomen Schiffverkehrs (Fabian Hart) | Optimierung von Reinforcement Learning Algorithmen zu Generierung von Schiffstrajektorien. Ziel ist es, durch selbständiges Lernen kollisionsfreie Trajektorien zu generieren. |
| Wie aussagekräftig ist der p-Wert? (Dr. Martin Treiber) | Der p-Wert gibt die Wahrscheinlichkeit dafür an, bei Vorliegen der Nullhypothese H0 extremere Werte als den der aktuellen Messung zu erhalten. Man will aber umgekehrt die Wahrscheinlichkeit von H0 bei vorliegender Messung wissen. Mit Hilfe des Satzes von Bayes soll dies für verschiedene Verteilungen und Nullhypothesen analysiert werden. |
| Statistik der Covid-19 Infektionen (Dr. Martin Treiber) | Die Zahl der gemeldeten Fälle hängt nicht nur von der Zahl der Infizierten, sondern auch von der Testhäufigkeit, der Auswahl der zu testenden Personen sowie der Sensitivität und Spezifizität (bzw Fehler 1. und 2. Art) des Tests ab. Dies soll deskriptiv sowie mit einem Epidemiemodell (corona-simulation.de) analysiert werden. |
| Modellierung der Covid-19 Infektionen in Excel oder R (Dr. Martin Treiber) | Je nach Detailtreue/Art der Arbeit (Seminar bis Master) können Sie die Infektionsausbreitung makroskopisch als SIR-Modell (Susceptible-Infected-Recovered/Removed), als SEIR-Modell (zusätzlich wird nach der Ansteckung eine nichtinfektiöse Zeit angenommen), als SEIR-Modell mit Memory (wie in corona-simulation.de) oder mikroskopisch mit einem Partikelmodell simulieren. |
| Zeitkosten durch Staus: intern oder extern? (Dr. Martin Treiber) |
Bei den teils sehr hoch angesetzten Staukosten stellen Zeitkosten durch Verzöegerung in den meisten Studien den Löwenanteil dar. Es sollen verschiedene Ansätze sowie die Natur der Kosten (intern oder extern) diskutiert werden |
| CO2-Emissionen jetzt und im Jahre 2050 (Dr. Martin Treiber) | Anhand einer modellgestützten Prognose wird die Entwicklung der CO2-Emissionen des Verkehrssektors in Deutschland oder anderen Regionen unter verschiedenen Szenarien untersucht. |
| Ökobilanz konventioneller und elektrischer Fahrzeuge (Dr. Martin Treiber) | Neben dem Betrieb fallen auch bei der Herstellung und Entsorgung/Recycling der verschiedenen Kfz-Komponenten Schadstoffe an. Dies wird mit den Methoden des Life-Cycle Assessments für Fahrzeuge der neuesten Generation untersucht. |
| Erneuerbare Energien: Statistik der Energieflüsse aus Nachfragesicht (Dr. Martin Treiber) | Wie kann man mittels ökonomischer Anreize die zeitliche Energienachfrage an das schwankende Angebot anpassen? ein Hebel besteht z.B. in ökonomischnen Anreizen (variable Strompreise). Näheres auf Anfrage. |
| Energieverbrauch von Elektrofahrzeugen (Dr. Martin Treiber) | E-Fahrzeuge verbrauchen zwar keinen Kraftstoff, wohl aber Energie und emittieren damit indirekt – je nach Energie-Mix – ebenfalls CO2. Dies wird anhand regressionsbasierter und physikbasierter Verbrauchsmodelle für verschiedene Fahrmuster analysiert/simuliert. |
| Anwendung ökonometrischer Methoden in der Kfz-Verbrauchsmodellierung (Dr. Martin Treiber) | Je nach Zielsetzung und Detailtreue der Verbrauchsmodellierung kommen mehrere statistische Werkzeuge zum Einsatz wie Faktoranalyse, Regression, Lookup-Tabellen oder Simulation (siehe z. B. Kap. 20 des Lehrbuchs "Traffic Flow Simulation). Die Bearbeitung verschiedenste Fragestellungen mit oder ohne Simulation ist möglich. |
| Erneuerbare Energien: angebotsseitige Statistik der Energieflüsse (Dr. Martin Treiber) | Wie beeinflusst der Energiemix die zeitlichen Schwankungen des Elektrizitätsangebots und wie kann man das Angebot an die Nachfrage anpassen? Eine Anregung mag z.B. diese Simulation geben. Näheres auf Anfrage. |
| Erneuerbare Energien: Statistik der Energiespeicher (Dr. Martin Treiber) | Mit dem Anstieg der Anteile an fluktuierenden erneuerbaren Energien wird das Management des Elektrizitätsnetzes immer anspruchsvoller. Energiespeicher sind daher unabdingbar. Ihr Zusammenspiel soll statistisch analysiert werden. Näheres auf Anfrage. |
Verkehrsdynamik
|
Thema (Kontaktperson) |
Kurze Beschreibung |
| Gewichtung der Pre-Crash-Matrix der Verkehrsunfallforschung (Ostap Okhrin) | Die Pre-Crash-Matrix (PCM) ist ein spezifiziertes Format, welches zur Beschreibung der Phase eines Verkehrsunfalls vor der ersten Kollision (der sogenannten Pre-Crash-Phase) genutzt werden kann. Damit lassen sich die Beteiligten, ihre Dynamik sowie die Umgebung darstellen und auswerten. Die Herausforderung besteht darin, ein Verfahren zu entwickeln, mit welchem die PCM auf das deutsche Unfallgeschehen gewichtet werden kann. |
| Zeit ist Geld - ökonomische Auswirkung einer verbrauchsarmen Fahrweise (Dr. Martin Treiber) | Fährt man schneller, spart man Zeit, aber gibt mehr für Treibstoff aus. Welchem Grenz-Zeitwert entspricht eine bestimmte Geschwindigkeit? |
|
Analyse von Fahrzeugtrajektorien ( Dr. Martin Treiber) |
Trajektorien, also Raum-Zeit-Daten von Fahrzeugen, sind der "Goldstandard" bei der Entwicklung von Verkehrsflussmodellen. Sie enthalten jedoch eine Vielzahl von Fehlern. Mit statistischen Methoden sollen diese an zur Verfügung gestellten Datensätzen detektiert und möglichst korrigiert werden. |
| Wie gut bilden Fahrzeugfolgemodelle "echtes" Fahrverhalten nach?(Dr. Martin Treiber) | Fahrzeugfolgemodelle bilden das Beschleunigungs- und Bremsverhalten menschlicher Fahrer und automatisierter Fahrzeuge mathematisch ab. Verschiedene Modelle sollen an zur Verfügung gestellte Daten menschlicher Fahrer angepasst ("kalibriert") und danach die Vorhersagekraft der Modelle getestet ("validiert") werden. |
|
Überqueren oder nicht? Das ist die Frage! (Dr. Martin Treiber) |
Empirische Datenerhebung der Fußgänger-Überquerungen an einem ausgewählten nichtsignalisierten Übergang. Anschließend Analyse der Daten mit einem Modell der diskreten Wahltheorie. |
| Mitarbeit am interaktiven Simulator traffic-simulation.de (Dr. Martin Treiber) | Hier sind Erweiterungen des JavaScript-Simulators traffic-simulation.de auf verschiedene Kreuzungs- oder Kreisverkehrs-Szenarien und daran anschließende Simulationen denkbar. Beispielhaft könnte man untersuchen, wann aus verkehrstechnischer Sicht ein Kreisverkehr sinnvoll ist. |
| Simulation mit dem oder Mitarbeit am Verkehrssimulator MovSim (Dr. Martin Treiber) | Je nach Art der Arbeit (Seminar bis Master) können Sie mit dem quelloffenen Verkehrssimulator MovSim ohne eigene Programmierung eine Vielzahl von Verkehrsflusmodellen in Standardsituation auf Plausibilität testen oder (in Java) Erweiterungen wie Kreisverkehre implementieren. |
| Den Navi-Umleitungsempfehlungen folgen oder nicht? (Dr. Martin Treiber) | Moderne Navigation (z.B. Google Maps oder TomTom) berücksichtigt den aktuellen Verkehr und schlägt beispielsweise eine Umfahrung eines Staus vor. Wann kommt es dabei zu "Routing-Oszillationen", d.h., man fährt in einen frisch entstehenden Stau hinein, während die ursprüngliche Route frei wird? Dies kann entweder mit einer Offline-Version von traffic-simulation.de (keine Programmierung nötig) oder mit einem makroskopischen Modell untersucht werden. |
| Externe Arbeiten bei TomTom (Dr. Martin Treiber) | Verkehr verstehen durch Analysen umfangreicher historischer Floating-Car-Daten im Data Center von TomTom. Hier geht es wirklich um Big Data. Weitere Informationen bei Dr. Arne Kesting |
Angemeldete Arbeiten
Aktuell
| Name | Art | Titel | Betreuer | Zwischen- präsentation |
Abgabe-termin |
|---|---|---|---|---|---|
| Daniel Höfler | Master | Risikomaße im Verkehr: Eine langfristige Risikoexposition des Motorisierten Individualverkehr | Martin Treiber | 28.07.2021 | |
| Paul Ziebarth | Diplom | Entwicklung eines Reinforcement Learning Agenten zur Realisierung eines Schifffolgemodells | Fabian Hart | 26.05.2021 | 02.08.21 |
| Fabian Hinze | Master | Anomaly Detection in Time Series with Multiple Seasonal Components | Iryna Okhrin | 05.05.2021 | 21.07.21 |
Abgeschlossene Arbeiten
Die abgeschlossenen Arbeiten sind hier zu finden.
Präsentationstermine
Informationen
- Veranstaltungsort: Zoom
- Terminkoordinierung: Frau Undeutsch
- Die regelmäßige Teilnahme aller Seminaristen ist erwünscht.
- Die Präsentation ist spätestens am Abend vor dem Termin auf Opal hochzuladen und steht dann auf unserem Lehrstuhl-Notebook zur Verfügung.
- Die aktuellen Termine bzw. Terminänderungen können jetzt auch als RSS-Feed gelesen werden. Durch Klick auf das entsprechende Symbol unten links in der Statuszeile wird der Service bereitgestellt und wöchentlich werden Ihnen direkt die Aktualisierungen angezeigt.
Termine
| Datum | Uhrzeit | Sprecher | Thema |
|---|---|---|---|
|
SS 2021 |
|||
| 28.07.21 | 10:00 | Daniel Höfler | Zw.MA: Risikomaße im Verkehr: Eine langfristige Risikoexposition des Motorisierten Individualverkehr |
| 28.07.21 | 9:20 | Fabian Hinze | MA: Anomaliedetektion in Zeitreihen mit multiplen saisonalen Komponenten |
| 26.05.21 | 9:20 | Paul Ziebarth | Zw.DA: Entwicklung eines Reinforcement Learning Agenten zur Realisierung eines Schifffolgemodells |
| 05.05.21 |
9:20 |
Fabian Hinze | Zw.MA: Anomaliedetektion in Zeitreihen mit multiplen saisonalen Komponenten |
Vorträge der letzten Semester Archiv