https://opendata.uni-halle.de//handle/541532/3152 Wed, 15 Jul 2026 22:35:41 GMT 2026-07-15T22:35:41Z https://opendata.uni-halle.de//handle/1981185920/126005 Title: Multi-objective layout planning and scheduling for mass customization assembly systems with AGV material handling Author(s): Seidelmann, Thomas Abstract: Over the past two centuries, the manufacturing industry has experienced substantial paradigm shifts, driven by technological progress and rising customer demands. The most recent transformation, the Fourth Industrial Revolution, marks the shift from mass production to highly personalized mass customization. Modern manufacturing systems must now handle great product variety in volatile environments characterized by fluctuating customer demands, shrinking lot sizes, and shorter product life cycles. To remain competitive, assembly systems must become increasingly flexible by adopting multi-purpose machines, lean inventory management, and adaptable material handling, such as automated guided vehicle (AGVs). Novel optimization methods are required to address the planning challenges of these dynamic systems. One major determinant of shop floor performance is the facility layout planning (FLP) problem: the task of arranging machines optimally within a given space. Ideal layouts align production capabilities with expected customer demand and minimize material handling costs by placing interrelated machines close together. However, traditional FLP assumes static or periodic material flows, which are no longer representative of modern mass customization environments. Evaluating layout performance under such conditions requires a complex integration between the FLP problem, job-shop scheduling problem, and AGV dispatching problem, all of which are independently NP-hard. While layout planning addresses shop floor design, scheduling and dispatching represent the shop floor control problem. Despite their strong interdependence, these areas are often studied in isolation, resulting in a substantial research gap. This thesis addresses that gap through a unified treatment of these problems. We propose a comprehensive problem formulation that captures all core aspects identified throughout a multi-year collaboration with industry partners. The resulting formulation covers a generalized multi-objective brownfield unequal-area problem with machine selection and integrated dynamic flexible assembly job-shop scheduling problem with stochastic processing times, rush orders, multiple-load AGV dispatching, and limited buffers. The proposed methods are successively developed throughout the thesis and culminate in a hybrid approach composed of an outer multi-objective evolutionary algorithm (MOEA) for generation of candidate layouts and an inner real-time capable heuristic scheduling and dispatching algorithm with deadlock detection and avoidance. This strategy balances optimality with computational efficiency and is unique in its extensive problem coverage, extending beyond the capabilities of existing methods in the literature. We evaluate our methods across multiple case studies and algorithm configurations, including comparisons with the closest state-of-the-art alternatives. Through these experiments, we demonstrate the success of our overall solution strategy, identify effective genetic operators, show how surrogate models enable substantial runtime savings, underscore the importance of exploration and exploitation for MOEAs, and establish the benefits of a dynamic product selection for rush order responsiveness, among other findings. Overall, this thesis signifies a substantial advancement in addressing the planning challenges of modern mass customization assembly systems, while also opening several avenues for future research.; Über die letzten zwei Jahrhunderte hat die fertigende Industrie tiefgreifende Paradigmenwechsel erlebt, bedingt durch technologischen Fortschritt sowie steigende Kundenanforderungen. Die jüngste Transformation kam im Zuge der vierten industriellen Revolution und markiert den Übergang von der Massenproduktion zur hochgradig individualisierten Massenfertigung. Heutzutage müssen Fertigungssysteme daher eine große Produktvielfalt abbilden, trotz volatiler Umgebungsbedingungen durch schwankende Kundennachfragen, sinkende Losgrößen und kürzere Produktlebenszyklen. Um wettbewerbsfähig zu bleiben, ist zunehmende Flexibilität erforderlich, was durch den Einsatz von Mehrzweckmaschinen, schlankem Bestandsmanagement und anpassungsfähiger Materialflusstechnik wie fahrerlosen Transportsystemen (FTS) erreicht wird. Um den Planungsherausforderungen solcher dynamischen Systeme zu begegnen, sind neuartige Optimierungsmethoden erforderlich. Ein wesentlicher Faktor für die Leistungsfähigkeit von Produktionsstätten ist das Problem der Layoutplanung (LP), das die Aufgabe umfasst, Maschinen optimal im vorgegebenen Raum anzuordnen. Ideale Layouts stimmen die Produktionskapazitäten mit der erwarteten Kundennachfrage ab und minimieren die Materialflusskosten, indem sie funktional zusammenhängende Maschinen räumlich beieinander platzieren. Traditionelle LP-Ansätze gehen jedoch von statischen oder periodischen Materialflüssen aus, was in modernen Produktionsumgebungen nicht mehr zutrifft. Um die Performanz einer Produktionsstätte unter diesen Bedingungen beziffern zu können, ist eine komplexe Integration des LP-Problems mit dem Job-Shop-Scheduling-Problem und dem FTS-Einsatzplanungsproblem erforderlich, wobei alle diese Probleme unabhängig voneinander NP-schwer sind. Während sich die Layoutplanung auf die Gestaltung der Fläche bezieht, betreffen Scheduling und Einsatzplanung dessen operative Steuerung. Trotz ihrer Verflechtungen werden diese Bereiche häufig isoliert untersucht, was zu einer erheblichen Forschungslücke führt. Diese Dissertation schließt große Teile der Forschungslücke durch eine einheitliche Betrachtung der genannten Problemstellungen. Hierzu wird eine umfassende Problemformulierung vorgestellt, welche alle zentralen Aspekte abdeckt, die im Rahmen einer mehrjährigen Zusammenarbeit mit Industriepartnern identifiziert wurden. Die Formulierung beinhaltet ein allgemeines, multikriterielles LP-Problem mit Maschinen unterschiedlicher Größen und nicht vorgegebener Anzahl, wobei eine existierende Produktionsstätte überholt werden muss. Hierzu kommt ein integriertes, dynamisches, flexibles Job-Shop-Scheduling-Problem mit Montagevorgängen, stochastischen Bearbeitungszeiten, Eilaufträgen, FTS-Einsatzplanung mit Mehrfachladung und begrenzten Pufferkapazitäten von Maschinen. Die Lösungsansätze für dieses komplexe Problem werden im Verlauf der Arbeit schrittweise entwickelt und gipfeln in einem hybriden Ansatz. Dieser besteht aus einem äußeren multikriteriellen evolutionären Algorithmus (MKEA) zur Generierung von Layoutkandidaten und einem inneren echtzeitfähigen heuristischen Scheduling- und Einsatzplanungsalgorithmus mit Erkennung und Vermeidung von Deadlocks. Dieser Ansatz stellt einen Ausgleich zwischen Optimalität und Rechenaufwand dar, und zeichnet sich durch eine umfassende Problemabdeckung aus, welche deutlich über die Abdeckung bestehender Methoden in der Literatur hinausgeht. Unsere Methoden werden in mehreren Fallstudien und Algorithmuskonfigurationen evaluiert, einschließlich Vergleichen mit den ähnlichsten etablierten Verfahren. Durch diese Experimente demonstrieren wir den Erfolg unseres allgemeinen Ansatzes, identifizieren effektive genetische Operatoren, zeigen mögliche Laufzeiteinsparungen durch Surrogatmodelle, unterstreichen die Bedeutung von Exploration und Exploitation für MKEAs und belegen die Vorteile einer dynamischen Produktauswahl für die rasche Bearbeitung von Eilaufträgen, nebst weiteren Erkenntnissen. Insgesamt erbringt diese Dissertation einen bedeutenden Fortschritt in Bezug auf die Planung von modernen Fertigungssystemen im Bereich der hochgradig individualisierten Massenfertigung und eröffnet gleichzeitig zahlreiche neue Forschungsperspektiven. Thu, 01 Jan 2026 00:00:00 GMT https://opendata.uni-halle.de//handle/1981185920/126005 2026-01-01T00:00:00Z https://opendata.uni-halle.de//handle/1981185920/126004 Title: Hybrid cloud placement selection for commercial off-the-shelf enterprise applications using performance metrics and quantifiable requirements Author(s): Hardt, André Abstract: Off-the-shelf enterprise applications (EA) are commonly used in various enterprises to support business processes. At the same time, relying on a hybrid cloud infrastructure configuration can be advantageous, but the selection of the most suitable placement for entire landscapes of EAs is a daunting task where various stakeholders, requirements, constraints, and objectives must be considered. These considerations and objectives for cloud adoption may differ from one enterprise to another. EAs may provide instrumentation that can be used for collecting performance metrics data, which can be analyzed to determine the actual utilization of the computational resources available. This data can be used to facilitate the placement decision-making process, where every individual EA in the IT landscape can select a different type of placement in a hybrid cloud. However, this data alone is not sufficient for selecting such a placement beyond raw capacities. Inclusion of the pricing information is crucial for informed decisions, as well as various business-relevant objectives, requirements, and constraints. In this work, the application of machine learning and metaheuristic algorithms is explored to assist the experts in the decision-making process for the placement of the off-the-shelf EAs in a hybrid cloud, while using performance metrics data. This investigation is focused on two elements, which are also evaluated from process feasibility and concrete technical instantiation points of view. First, a method that comprises a business-focused process and algorithm specifications dictating the practice of applying data analysis and optimization to EA placement decision-making in an enterprise environment is proposed. The method is designed to be agnostic to any specific core placement optimization algorithm but focuses on the combinatorial formulation of the problem. This is demonstrated through the proposed interchangeable use of evolutionary optimization metaheuristics and deep reinforcement learning (DRL). It includes a vital automation component designed as a useful enterprise end-user-ready software system. A concrete instantiation design of this automation component is driven by the specific use cases and the business process. It is oriented on modularity, maintainability, and scalability, and is proposed as the second vital aspect of this research, which builds explicitly upon the first. The placement decision-making for off-the-shelf enterprise applications considers multiple hybrid cloud infrastructure possibilities and their mixes. A placement decision may include private data centers and public cloud placement, both with a focus on the level of traditional IT infrastructure, such as servers, virtual machines, and networking. Additionally, a vendor-specific, placement solution, that includes managed infrastructure and the EA itself, is explored. Process and challenges considering these for placement are discussed. These are then encoded into the optimization problem representation for searching the best possible placement combination for the systems in the IT landscape, such that various requirements, constraints, and other objectives are taken into account. The proposed method and instantiation are evaluated based on field testing, synthetic scalability testing, and three cases with various system landscape sizes and test configurations. The computational results demonstrate the effective adoption of meta-heuristic and DRL to solve the placement problems that are subject to various business requirements, constraints, and objectives. These were achieved through the development of problem-agnostic requirements, constraints, and pricing data models accompanied by several optimization formulations.; Betriebliche Standardsoftware, oder auch Enterprise-Applications (EA), wird in verschiedenen Unternehmen häufig zur Steuerung von Geschäftsprozessen eingesetzt. Gleichzeitig kann die Nutzung einer hybriden Cloud-Infrastrukturkonfiguration vorteilhaft sein, jedoch stellt die Auswahl des am besten geeigneten Platzierungen für die gesamte EA-Landschaft eine anspruchsvolle Aufgabe dar, bei der verschiedene Beteiligte, Anforderungen, Einschränkungen und Ziele berücksichtigt werden müssen. Diese Aspekte und Ziele für die Cloud-Anwendung können sich von einem Unternehmen zum anderen unterschiedlich gestalten. EAs verfügen ggf. über Instrumente zur Erfassung von Performance-Messdaten, die analysiert werden können, um die tatsächliche Auslastung der verfügbaren Rechenressourcen zu ermitteln. Diese Daten können zur Unterstützung des Entscheidungsprozesses bei der Platzierung herangezogen werden, wobei jede einzelne EA in der IT-Landschaft eine unterschiedliche Variante der Platzierung in einer Hybrid Cloud wählen kann. Diese Daten allein reichen jedoch nicht aus, um eine solche Platzierung über die reinen Rechenkapazitäten hinaus auszuwählen. Für informierte Entscheidungen sind neben verschiedenen geschäftsrelevanten Zielen, Anforderungen und Einschränkungen auch Preisinformationen von zentraler Bedeutung. In dieser Forschungsarbeit wird die Anwendung von maschinellem Lernen und metaheuristischen Algorithmen untersucht, um Experten bei der Entscheidungsfindung zur Platzierung von EAs in einer Hybrid Cloud zu unterstützen, wobei Performance-Messdaten verwendet werden. Diese Untersuchung konzentriert sich auf zwei Elemente, die sowohl unter dem Aspekt der praktischen Umsetzbarkeit als auch unter dem Aspekt der konkreten technischen Umsetzung betrachtet werden. Erstens wird eine Methode vorgeschlagen, die einen betriebsorientierten Prozess und Algorithmus-Spezifikationen umfasst, die die Anwendung von Datenanalyse und Optimierung auf die Entscheidungsfindung bei der EA-Platzierung vorschreiben. Die Optimierung innerhalb der Methode ist als kombinatorische Formulierung des Optimierungsproblems konzipiert, jedoch unabhängig von einem bestimmten Kernalgorithmus zur Platzierungsoptimierung. Dies wird durch den vorgeschlagenen Einsatz von evolutionären Optimierungs-Metaheuristiken oder Deep Reinforcement Learning (DRL) demonstriert, die austauschbar sind. Die enthält eine wichtige Automatisierungskomponente, die als nützliches, für den Endanwender in der Industrie geeignetes Softwaresystem konzipiert ist. Das konkrete Software-Design dieser Automatisierungskomponente orientiert sich an den spezifischen Anwendungsfällen und dem betriebsorientierten Prozess. Es ist auf Modularität, Wartbarkeit und Skalierbarkeit ausgerichtet und wird als zweiter wesentlicher Aspekt dieser Forschung vorgeschlagen, der explizit auf dem ersten aufbaut. Die Platzierungsentscheidung für EA berücksichtigt mehrere Möglichkeiten für Hybrid-Cloud-Infrastrukturen und deren Kombinationen. Eine Platzierungsentscheidung kann private Rechenzentren und die Platzierung in der öffentlichen Cloud umfassen, wobei der Schwerpunkt jeweils auf der traditionellen IT-Infrastruktur wie Servern, virtuellen Maschinen und Netzwerken liegt. Darüber hinaus wird eine EA-Anbieterspezifische Platzierungslösung untersucht, die sowohl die EA selbst als auch die dahinterliegende Infrastruktur umfasst. Die Prozesse und Herausforderungen, die bei der Platzierung zu berücksichtigen sind, werden erörtert. Diese werden dann in die Optimierungsproblemdarstellung formuliert, um die bestmögliche Platzierungskombination für die Systeme in der IT-Landschaft zu suchen, wobei verschiedene Anforderungen, Einschränkungen und andere Ziele berücksichtigt werden. Die vorgeschlagene Methode und die spezifische Implementierung der Automatisierungskomponente werden anhand von Feldtests, synthetischen Skalierbarkeitstests, drei Fällen mit verschiedenen Systemlandschaftsgrößen und Testkonfigurationen getestet. Die Ergebnisse der Berechnungen zeigen, dass Metaheuristik und DRL zur Lösung von Platzierungsproblemen eingesetzt werden können, die verschiedenen betrieblichen Anforderungen, Einschränkungen und Zielen folgen. Erreicht wurde dies durch die Entwicklung von problemunabhängigen Anforderungs, Einschränkungs- und Preisdatenmodellen in Verbindung mit mehreren Optimierungsformulierungen. Thu, 01 Jan 2026 00:00:00 GMT https://opendata.uni-halle.de//handle/1981185920/126004 2026-01-01T00:00:00Z https://opendata.uni-halle.de//handle/1981185920/125848 Title: Interpretable AI-enhanced multi-criteria decision-making for time-critical emergency applications with a practical application to dynamic alternate airport selection in aviation Author(s): Djartov, Boris Abstract: Time-critical decision making in emergency situations poses significant chal- lenges for both humans and traditional multi-criteria decision-making methods. Under such demanding conditions, supporting human decision makers with tools that structure information and reduce cognitive burden is both beneficial and prudent. This thesis addresses this challenge by introducing the ExACT- MCDM methodology, a framework that integrates artificial intelligence with multi-criteria decision-making concepts to support high-stakes decisions in en- vironments where human operators remain responsible and actively involved in the emergency scenario. The proposed methodology reformulates emergency, time-critical multi-criteria decision-making problems as supervised ranking tasks, enabling the use of ma- chine learning models that preserve the structure of options and attributes while providing rapid, context-aware recommendations. To address the scarcity of real emergency data, a synthetic scenario generation and labeling process was developed, incorporating expert knowledge through structured scoring func- tions with hard and soft constraints. Robustness was achieved by simulating realistic variability in contextual factors and maintaining their interdependen- cies, resulting in datasets that reflect the uncertainty inherent in real emergency operations. The methodology was applied to the dynamic alternate-airport selection prob- lem, a representative aviation emergency scenario in which pilots must select a diversion airport under dynamic and unfamiliar conditions. Experiments were conducted using both classification and ranking formulations across a range of models. The results indicated that ranking was better suited to the structure of the problem and more consistent with real decision-making processes, where the goal is to order feasible alternatives rather than output a single preferred choice. Interpretability and explainability were incorporated throughout the process using inherently interpretable models, structured feature contributions, and model-agnostic tools such as SHAP, with the aim of helping stakeholders maintain oversight of why recommendations are made. The results demonstrate the potential that artificial intelligence has to en- hance multi-criteria decision making and provide fast, context-sensitive, and transparent decision support suitable for emergency situations while preserv- ing the responsibility and authority of human decision makers. Aside from the ExACT-MCDM methodology, this thesis contributes a scalable benchmark that advances understanding of the dynamic alternate-airport selection prob- lem and provides guidance for integrating such models into operational systems. Together, these contributions demonstrate how artificial intelligence can mean- ingfully augment decision making in complex, unpredictable, and high-stakes environments, including cockpit decision-support tools such as the Intelligent Pilot Advisory System under development at the German Aerospace Center.; Die zeitkritische Entscheidungsfindung in Notfallsituationen stellt sowohl für Menschen als auch für traditionelle Methoden der multikriteriellen Entschei- dungsfindung eine erhebliche Herausforderung dar. Unter solchen anspruchsvollen Bedingungen ist es sinnvoll und vorteilhaft, menschliche Entscheider durch Werkzeuge zu unterstützen, die Informationen strukturieren und die kogni- tive Belastung reduzieren. Diese Dissertation begegnet dieser Herausforderung durch die Einführung der ExACT-MCDM-Methodik, eines Rahmens, der kün- stliche Intelligenz mit Konzepten der multikriteriellen Entscheidungsfindung verbindet, um Entscheidungen mit hohen Risiken in Situationen zu unter- stützen, in denen menschliche Akteure weiterhin verantwortlich sind und aktiv im Notfallszenario eingebunden bleiben. Die vorgeschlagene Methodik reformuliert atypische, zeitkritische multikriterielle Entscheidungsprobleme als überwachtes Ranking-Problem und ermöglicht so den Einsatz von Modellen des maschinellen Lernens, die die Struktur von Op- tionen und Attributen bewahren und gleichzeitig schnelle, kontextabhängige Empfehlungen liefern. Um dem Mangel an realen Notfalldaten zu begegnen, wurde ein Verfahren zur synthetischen Szenariogenerierung und -kennzeichnung entwickelt, das Expertenwissen über strukturierte Bewertungsfunktionen mit harten und weichen Nebenbedingungen integriert. Die Robustheit der Daten wurde durch die Simulation realistischer Variabilität kontextueller Faktoren und die Berücksichtigung ihrer gegenseitigen Abhängigkeiten erreicht, sodass Datensätze entstehen, die die Unsicherheiten realer Notfalloperationen wider- spiegeln. Die Methodik wurde auf das Problem der dynamischen Auswahl eines Auswe- ichflughafens angewendet – ein repräsentatives Notfallszenario in der Luftfahrt, bei dem Piloten unter dynamischen und potenziell ungewohnten Bedingungen einen geeigneten Ausweichflugplatz bestimmen müssen. Experimente, in de- nen Klassifikations- und Ranking-Formulierungen über verschiedene Modelle hinweg untersucht wurden, zeigten, dass der Ranking-Ansatz besser zur Struk- tur des Problems passt und näher an realen Entscheidungsprozessen liegt, bei denen mehrere machbare Alternativen geordnet werden müssen, anstatt auss- chließlich eine einzige Option vorherzusagen. Interpretierbarkeit und Erklär- barkeit wurden durch den Einsatz inhärent transparenter Modelle, strukturi- erter Beitragsanalysen und modellunabhängiger Werkzeuge wie SHAP über den gesamten Prozess hinweg integriert, um Beteiligten ein Verständnis darüber zu ermöglichen, weshalb Empfehlungen ausgesprochen werden. Die Ergebnisse verdeutlichen das Potenzial künstlicher Intelligenz, die mul- tikriterielle Entscheidungsfindung zu unterstützen und schnelle, kontextsensi- tive und transparente Entscheidungsunterstützung für Notfallsituationen bere- itzustellen, während die Verantwortung und Autorität menschlicher Entschei- dungsträger gewahrt bleiben. Neben der ExACT-MCDM-Methodik liefert diese Dissertation einen skalierbaren Benchmark, der das Verständnis des Problems der dynamischen Ausweichflugplatzwahl vertieft, und bietet praktische Hin- weise zur Integration solcher Modelle in operationale Systeme. Zusammen zeigen diese Beiträge, wie künstliche Intelligenz die Entscheidungsfindung in komplexen, unvorhersehbaren und sicherheitskritischen Umgebungen sinnvoll erweitern kann – einschließlich cockpitnaher Entscheidungsunterstützungssys- teme wie dem Intelligent Pilot Advisory System, das derzeit am Deutschen Zentrum für Luft- und Raumfahrt entwickelt wird. Thu, 01 Jan 2026 00:00:00 GMT https://opendata.uni-halle.de//handle/1981185920/125848 2026-01-01T00:00:00Z https://opendata.uni-halle.de//handle/1981185920/125838 Title: A holistic investigation of vehicle time series processing for artificial neural networks Author(s): Vox, Christopher Abstract: Zum Zeitpunkt der Erstellung dieser Arbeit kann eine zunehmende Digitalisierung und Automatisierung von Fahrzeugen festgestellt werden. Dies führt zu einem wachsenden, datenbasierten Informationsfluss zwischen internen Fahrzeugrecheneinheiten sowie zwischen Fahrzeugen und externen Kommunikationspartnern. Die komplexe Kommunikationsarchitektur innerhalb von Fahrzeugen und die teilweise ereignisbasierte Informationsübertragung führt zu heterogenen Datenmengen. Insbesondere unregelmäßige, eindimensionale Zeitreiheninformationen, erfordern fortgeschrittene Verarbeitungsstrategien. Die Verarbeitung, Speicherung und Analyse dieser heterogenen Zeitreihendaten ist komplex und wurde bislang nicht ganzheitlich untersucht. Ebenfalls wird die Verarbeitung von Zeitreihendaten mittels künstlicher neuronaler Netze zunehmend wichtiger. Zeitreiheninformationen werden unter anderem zur Wettervorhersage, zur Analyse von Aktienmärkten sowie in der Medizin und allgemein in der Industrie zur Lösung verschiedenster Probleme eingesetzt. Deshalb wurden verschiedene Strategien und Netzwerkarchitekturen entwickelt, um unregelmäßige und multivariate Zeitreihen zu verarbeiten. Ob bestehende Lösungen auch für fahrzeugbasierte Zeitreihen zu optimalen Ergebnissen führen, ist bislang nicht bekannt. Zusätzlich ist in den letzten Jahren ein bemerkenswerter Anstieg sowohl in der Größe künstlicher neuronaler Netze, als auch in der Sensor-Informations-Qualität zu beobachten. Die Modellgröße und die erforderliche Datenqualität ist dabei problemabhängig. Grundsätzlich hat die Forschung im Bereich Rate-Distortion-Accuracy Theory (RDAT) gezeigt, dass für bestimmte Probleme die Sensordateninformation bis zu einem gewissen Grad reduziert werden kann, ohne dass die Modellleistung signifikant beeinträchtigt wird. Wie sich eine reduzierte Informationsqualität auf fahrzeugbasierte Prädiktionsprobleme auswirkt und ob die Informationsqualität eine Auswirkung auf die Modellarchitektur hat, ist eine zentrale Fragestellung dieser Arbeit. Die effiziente Anwendung von Deep Neural Networks (DNNs) ist insbesondere unter Berücksichtigung der Skalierbarkeit von entscheidender Bedeutung. Da kleinere DNNs bei vielen Problemen häufig zu Leistungseinbußen führen, wurden Strategien wie das Student-Teacher Lernverfahren entwickelt, um die Leistung kleinerer Modelle zu verbessern. Die Auswirkungen einer Reduktion der Sensordateninformation auf die Effektivität des Student-Teacher Lernverfahrens sind jedoch nicht allgemein bekannt. Folglich ist die Untersuchung von Student-Teacher Trainingsstrategien in Abhängigkeit reduzierter Sensorinformationsqualität ein weiterer Schwerpunkt dieser Arbeit. Auf der Grundlage der eingeführten Limitationen werden in dieser Arbeit vier Forschungsfragen untersucht. Die Beantwortung dieser Forschungsfragen soll eine systemweite Optimierung der Verarbeitung, Speicherung und Analyse von Fahrzeugzeitreihendaten ermöglichen. In der ersten Forschungsfrage untersuchen wir die Fähigkeit von Kompressionsalgorithmen, Zeitreihendaten zu komprimieren. Dafür entwickeln wir ein Zeitreihenkompressionsverfahren, das auf einem Zero-Order-Predictor basiert. Dieses Zeitreihenkompressionsverfahren kann Zeitreihen sowohl verlustfrei als auch verlustbehaftet mit garantierter maximaler Fehlerschranke komprimieren. Im Vergleich zu etablierten Verfahren zeigt unser Ansatz geeignete Eigenschaften für eine fahrzeugseitige Anwendung und ermöglicht eine effektive Verbindung von Datenkompression und Datenanalyse. In der zweiten Forschungsfrage untersuchen wir Datenbanken und Dateisysteme hinsichtlich ihrer Fähigkeit, Fahrzeugzeitreihendaten zu speichern. Dafür entwickeln wir verschiedene Konzepte zur Strukturierung multivariater, unregelmäßiger Zeitreihen in Datenbanken und Dateisystemen. Die Kombinationen aus Datenschemata und Datenbanken sowie Dateisystemen werden evaluiert, um ein geeignetes Schema und System zur Speicherung von Fahrzeugzeitreihendaten zu identifizieren. Ein besonderer Fokus der Evaluierung liegt auf der Materialisierungsgeschwindigkeit von Zeitreihendaten zur Verarbeitung in und zum Training von DNNs. Unsere Ergebnisse zeigen, dass die etablierte Methode zur Strukturierung von Zeitreihendaten in Datenbanken weniger geeignet ist, um Multivariate irregular Time Series (MiTS) zu speichern. In der dritten Forschungsfrage untersuchen wir die Fähigkeit von DNNs, MiTS im Kontext von Zeitreihenprädiktionsaufgaben zu verarbeiten. Zu diesem Zweck entwickeln wir eine Netzwerkarchitektur auf Basis eines Embedding-Netzwerks, das eine direkte Verarbeitung unregelmäßige Zeitreiheninformationen ermöglicht. Wir zeigen, dass unser Ansatz auf Benchmark-Datensätzen mit bestehenden Lösungen konkurrieren kann. Zudem untersuchen wir verschiedene Vorverarbeitungsstrategien für MiTS und zeigen, dass Interpolations- und Aggregationsoperationen für die betrachteten Probleme ebenfalls geeignet sind, obwohl sie die ursprüngliche Information verändern. In der vierten Forschungsfrage untersuchen wir die Auswirkungen der Sensordatenkompression auf die Kapazität und Leistung von DNNs. Wir leiten zwei Hypothesen ab, die wir experimentell anhand zweier Zeitreihenprädiktionsprobleme evaluieren. Unsere Ergebnisse zeigen, dass es Schwellenwerte gibt, bis zu denen Zeitreiheninformationen reduziert werden können, ohne dass die Vorhersageleistung der Modelle signifikant abnimmt. Darüber hinaus zeigen wir, dass ein Zusammenhang zwischen Modellgröße und Informationsqualität besteht. Eine Reduktion der Informationsqualität kann sich positiv auf die Modellgröße auswirken. Ebenfalls entwickeln wir eine Strategie zur effektiven Anwendung des Student-Teacher Lernverfahrens, um kleinere DNNs mit komprimierten Sensordaten zu trainieren. Abschließend diskutieren wir die Ergebnisse der Forschungsfragen und führen die Erkenntnisse aus den einzelnen Forschungsfragen zu einem Konzept für eine effektive Verarbeitung von Fahrzeugzeitreihendaten zur Nutzung in DNNs zusammen. Infolgedessen können das Konzept und die in dieser Arbeit entwickelten Ideen einen Beitrag zur nachhaltigen Anwendung von DNNs leisten. Zudem liefern die Erkenntnisse dieser Arbeit einen Ansatz für eine effektive Kombination aus Zeitreihenkompression und der Speicherung und Analyse von Zeitreihendaten.; At the time this work has been created, it can be concluded that the increasing digitalization and automation of vehicles cause a growing, data-based flow of information between internal vehicle computing units and between the vehicle and external communication participants. The complex communication architecture within vehicles and the partially occurring event-based information transmission cause heterogeneous sensor data sources. Specifically, irregular, one-dimensional time series information requires advanced processing strategies. Especially, the processing, storage, and analysis of this heterogeneous time series data source is complex, and has not been investigated holistically. Furthermore, the processing of time series data using artificial neural networks is becoming increasingly important. Time series information is used, among other things, for weather forecasting, stock market analysis, as well as in medicine and generally across industry to solve a wide range of problems. Various strategies and network architectures have been developed to handle irregular and multivariate time series. Whether existing solutions also lead to optimal results for vehicle-based time series is not known. Additionally, over the last decades, the size of neural networks and the quality of information captured by sensors increased. However, the model size and the required data quality depend on the specific problem being addressed. Fundamentally, research in Rate-Distortion-Accuracy Theory (RDAT) has shown that for certain problems, sensor data information can be reduced to a certain degree without significantly deteriorating model performance. How reduced information quality affects vehicle-based prediction problems and whether the information quality has an impact on the model architecture is a central question of this work. Efficient application of Deep Neural Networks (DNNs) is especially critical when considering scalability. Since smaller DNNs often result in reduced performance for many problems, strategies such as student-teacher learning have been developed to improve the performance of smaller models. However, the impact of sensor data information reduction on the effectiveness of the student-teacher learning procedure is not universally known. Consequently, the investigation of student-teacher training strategies depending on reduced sensor information quality is another key focus of this work. Based on the introduced limitations, this work investigates four research questions. Answering these questions is intended to enable system-wide optimization of the processing, storage, and analysis of vehicle time series data. In the first research question, we investigate the ability of compression algorithms to compress time series data. Hence, we develop a time series compression method that is based on a zero-order predictor and that can compress time series data both lossless and maximum error-bounded lossy. Compared to established methods, our approach demonstrates suitable properties for a vehicle-side application and enables an effective linkage between data compression and data analysis. In the second research question, we examine databases and file-systems with regard to their ability to store vehicle time series data. Therefore, we develop various concepts for structuring Multivariate irregular Time Series (MiTS) in databases and file-systems. The combinations of data schemata with databases and file-systems are evaluated in order to identify a suitable schema and system for storing vehicle time series data. A particular focus of the investigation is the materialization speed of time series data for the processing in DNNs and the training of DNNs. Our results show that the established method for structuring time series data in databases is less suitable for storing MiTS. In the third research question, we investigate the ability of DNNs to process MiTS for time series prediction tasks. For this purpose, we develop a network architecture based on an embedding network that can directly process irregular time series. We show that our approach is competitive with existing solutions based on time series prediction benchmark datasets. We also examine various preprocessing strategies for MiTS and demonstrate that interpolation and aggregation operations are suitable for the considered problems, even though they alter the original information. In the fourth research question, we investigate the impact of sensor data compression on the capacity and performance of DNNs. We derive two hypotheses, which we evaluate experimentally on two time series prediction problems. Based on our results, we show that there are thresholds up to which time series information can be reduced without significantly degrading model prediction performance. Furthermore, we demonstrate that there is a relationship between model size and information quality, and that reducing information quality can have a positive effect on model size. Moreover, we develop a strategy for the effective application of student-teacher training, to train smaller DNNs with compressed sensor data. Finally, we discuss the results of the research questions and combine the insights from each question into a concept for effective processing of vehicle time series data for the use in DNNs. As a result, the concept and the ideas developed in this work can contribute to the sustainable application of DNNs. Furthermore, the findings of this work provide an approach for an effective combination of time series compression with the storage and analysis of time series data. Thu, 01 Jan 2026 00:00:00 GMT https://opendata.uni-halle.de//handle/1981185920/125838 2026-01-01T00:00:00Z