Für viele Daten gestaltet sich eine DSGVO-konforme Anonymisierung oft als schwierig, weil z. B. durch Verknüpfung zusätzlicher Datensätze eine Rekonstruktion Personen-identifizierender Informationen möglich ist. Dies verhindert zuweilen das Teilen solcher Datensätze. Synthetische Daten bieten hier potenziell einen Ausweg und können mit generativen Machine Learning-Verfahren erzeugt werden.
Diese Verfahren sind in ihrer praktischen Anwendbarkeit bedroht, weil in der Anwendung Vertrauen in die Richtigkeit erforderlich ist. In dieser Masterarbeit sollen technische Lösungen untersucht werden, mit denen eine Verifikation und Provinienz-Histrorie synthetischer Datensätze durchgeführt werden kann. Es sollen basierend auf dem zu erhebenden Stand der Forschung geeignete Verfahren entwickelt, in ein bestehendes Tool integriert und durch umfassende numerische Experimente evaluiert werden.

In dieser Masterarbeit sollen relevante Metriken und Key Performance Indicators (KPIs) für das Energiemanagement und die Effizienz von Elektrobusflotten identifiziert werden. Eine Literaturrecherche bildet die Grundlage, um bestehende Ansätze zur Simulation von Energiespeichern und bidirektionalem Laden zu analysieren und zu bewerten. Darauf aufbauend wird das Simulationswerkzeug SUMO um die Modellierung von Energiespeichern und bidirektionalem Laden erweitert. Zudem werden Schnittstellen für ein optimiertes Batteriemanagement und eine verbesserte Fahrzeugplanung geschaffen, die bestehende Heuristiken berücksichtigen. Optional können Sensitivitätsanalysen zu variierenden Ladezyklen sowie Untersuchungen zur Integration erneuerbarer Energiequellen durchgeführt werden.

Diese Abschlussarbeit verfolgt das Ziel, ein Metamodell zur systematischen Konfiguration von Parametern generativer Deep-Learning-Modelle für die Erstellung synthetischer Daten zu entwickeln. Ausgangspunkt ist eine umfassende Analyse der aktuellen wissenschaftlichen Literatur zu Meta-Learning- und Meta-Modeling-Ansätzen, mit besonderem Fokus auf Verfahren zur automatisierten Modell- und Hyperparameteroptimierung. Auf dieser Grundlage wird ein konzeptionelles Metamodell entworfen, das Erkenntnisse aus der Meta-ML-Forschung abstrahiert und auf generative Verfahren überträgt, insbesondere im Kontext neuronaler Netzwerke zur Datengenerierung. Das entwickelte Metamodell soll in der Lage sein, sowohl daten- als auch modellabhängige Einflussfaktoren zu berücksichtigen und diese in robuste Parameterempfehlungen zu überführen. Anschließend wird das Metamodell prototypisch implementiert und auf ausgewählte generative Deep-Learning-Ansätze angewendet. Die Wirksamkeit des Ansatzes wird durch eine empirische Evaluation anhand qualitativer und quantitativer Kriterien der synthetischen Daten bewertet. Die Arbeit leistet damit einen Beitrag zur Strukturierung und Automatisierung der Parametrisierung generativer Modelle und adressiert zentrale Herausforderungen in der effizienten und reproduzierbaren Erzeugung synthetischer Daten.

Diese Arbeit untersucht die Fragestellung, ob sich die Robustheit und qualitative Leistungsfähigkeit von Generative Adversarial Networks bereits in frühen Phasen des Trainingsprozesses vorhersagen lässt. Im Zentrum steht die Hypothese, dass trainingsinterne Signale wie Gradientenstatistiken, Lossfunktions-werte, Parameteraktualisierungen sowie weitere aus historischen Trainingsläufen abgeleitete Dynamiken ausreichen, um belastbare Aussagen über die spätere Modellqualität zu treffen. Aufbauend auf einer systematischen Aufarbeitung einschlägiger Literatur zu Trainingsdynamiken neuronaler Netzwerke, Stabilitätsanalysen und prädiktiven Qualitätsindikatoren wird ein vergleichbarer Rahmen konzipiert, der Trainingsprozesse von Generative Adversarial Networks auf Metaebene beschreibt.

Auf dieser Basis wird ein lernbasiertes Vorhersagemodell entwickelt, das Trainingsverläufe aus historischen Experimenten analysiert und daraus robuste Prädiktoren für Modellstabilität, Konvergenzverhalten und resultierende Datenqualität ableitet. Besonderes Augenmerk liegt auf der Identifikation früher Indikatoren für Mode-Kollapse, instabile Trainingsphasen und übermäßige Oszillationen zwischen Generator und Diskriminator. Die gewonnenen Erkenntnisse werden genutzt, um ein Verfahren zur frühzeitigen Qualitätsabschätzung zu entwerfen, das potenziell als Grundlage für adaptive Early-Stopping-Strategien oder dynamische Trainingssteuerung dienen kann.

Die vorgeschlagene Methodik wird empirisch auf mehreren GAN-Architekturen und Datensätzen evaluiert. Die Evaluation erfolgt anhand etablierter Qualitätsmetriken sowie durch einen Vergleich der prognostizierten mit den tatsächlich erreichten Modellergebnissen. Die Arbeit leistet somit einen Beitrag zum besseren Verständnis von Trainingsdynamiken generativer Modelle und zeigt auf, wie frühe Trainingsinformationen zur effizienten Ressourcennutzung und zur Steigerung der Robustheit generativer Lernverfahren eingesetzt werden können.

Vergleich von Methoden zur Mitarbeiterpartizipation in dem Personalplanungs-(und ggf. Umplanungsprozess) in einer Mobilitätsbranche wie ÖPNV, Railway oder Airline.
Entwicklung neuer partizipativer Methoden unter Berücksichtigung der daraus resultierenden Strukturänderungen und Aufgabenbereichen.

Im Rahmen der Masterarbeit soll aufbauend auf bereits bestehenden Erkenntnissen zum Stand der Forschung ein Reinforcement-Learning-basierter Algorithmus zur Real-time-Planung elektrischer Busse im ÖPNV entwickelt, implementiert und mithilfe von geeigneten Simulationswerkzeugen evaluiert werden. Im Fokus steht hierbei der Umgang mit betrieblichen Störungen, darunter Verspätungen und Abweichungen des IST-Ladestands der Fahrzeuge zum SOLL-Ladestand. Diese führen zu Problemen bei der Ausführung des Umlaufplanes und machen kurzfristige Korrekturen erforderlich. RL ist ein mögliches Instrument, um kosteneffizient und in der erforderlichen Geschwindigkeit optimale Entscheidungen zu treffen.

In dieser Masterarbeit wird eine Framework/Pipeline zur effizienten Hyperparameter-Optimierung für generative Modelle entwickelt. Basierend auf einem spezifischen Datensatz (tbd) soll eine generative Architektur – beispielsweise GANs oder VAEs – gezielt getunt werden, um optimale Ergebnisse zu erzielen. Dazu führt der Studierende eine Literaturrecherche durch, um bestehende Ansätze aus der Hyperparameter-Optimierung für Deep Neural Networks zu analysieren und geeignete Methoden für generative Modelle zu identifizieren. Ein besonderer Fokus liegt auf GANs, da hier zwei Netzwerke simultan optimiert werden müssen.

Besonders bei Mobilitätsdaten gestaltet sich eine DSGVO-konforme Anonymisierung oft als schwierig, weil z. B. durch Verknüpfung zusätzlicher Datensätze eine Rekonstruktion individueller Bewegungsmuster möglich ist. Dies verhindert zuweilen das Teilen solcher Datensätze. Synthetische Daten bieten hier potenziell einen Ausweg und können mit generativen Machine Learning-Verfahren erzeugt werden. Dabei erfordert die Raum-Zeitlichkeit von Mobilitätsdaten spezielle Algorithmen, welche die Zusammenhänge korrekt reproduzieren können.

In der Arbeit sollen basierend auf dem zu erhebenden Stand der Forschung geeignete Verfahren entwickelt, in ein bestehendes Tool integriert und durch umfassende numerische Experimente evaluiert werden.

Die Einführung autonom fahrender Busse verändert den öffentlichen Personennahverkehr grundlegend. In dieser Masterarbeit soll untersucht werden, welche Auswirkungen diese Technologie auf das Netzwerkdesign, die Linienplanung und die Fahrplanentwicklung hat.

Im Rahmen der Arbeit wird zunächst eine umfassende Literaturrecherche durchgeführt, um den aktuellen Stand der Forschung zu analysieren. Anschließend werden Best Practices und relevante Einflussgrößen identifiziert. Aus diesen Erkenntnissen kann ein Modell bzw. Framework entwickelt werden.