Durch die Verbrennung fossiler Kraftstoffe und die daraus resultierende Emission von Kohlenstoffdioxid (CO2) trägt der Verkehrssektor maßgeblich zur Erschöpfung der Ressourcen und zum globalen Klimawandel bei. Infolgedessen zielen staatliche Regelungen auf die Reduzierung der CO2-Emissionen des Verkehrssektors ab, wodurch auch die Automobilindustrie vor neue Herausforderungen gestellt wird. Zur Erfüllung dieser Anforderungen wird der Übergang von Fahrzeugen mit Verbrennungsmotor (ICEV) hin zu alternativen Antriebstechnologien wie Batterie-Elektrofahrzeugen (BEV) diskutiert. Eine verlässliche Prognose der künftigen BEV-Nachfrage ist jedoch entscheidend für Automobilhersteller, Zulieferer und Infrastrukturbetreiber, um Produktion, Lieferketten, Ladeinfrastruktur und Ressourceneinsatz effizient zu planen.
Ziel dieser Arbeit ist die Konzeption, Implementierung und Validierung eines Machine-Learning-Modells, das auf Basis historischer Verkaufszahlen, sozioökonomischer Kennzahlen, politischer Anreizsysteme, Energiepreisentwicklungen und Ladeinfrastruktur-Daten die zukünftige Nachfrage nach BEV vorhersagt. Hierzu sollen unterschiedliche Verfahren (Random Forests, Gradient Boosting, LSTM-Netzwerke, etc.) verglichen werden. Wichtige Arbeitsschritte umfassen die Datenakquise und -aufbereitung, Feature Engineering, Modelltraining mit Hyperparameter-Optimierung sowie die Evaluierung anhand geeigneter Metriken und Szenarioanalysen.
Für die erfolgreiche Bearbeitung des Themas werden Kenntnisse in Python und Data-Science-Bibliotheken (pandas, scikit-learn, TensorFlow/PyTorch, etc.) sowie erste Erfahrungen mit Methoden des Machine Learning empfohlen.
Bei Interesse melden Sie sich bitte bei Raphael Ginster.