An algorithmic approach to increase the context prediction accuracy by utilizing multiple context sources

Heutzutage sind wir umgeben von technischen System und Geräten die unser alltägliches Leben unterstützen und vereinfachen sollen. Wir nutzen Mobiltelefone, um überall auf Informationen zugreifen zu können, intelligente Haussteuerungen, um unsere Sicherheit und unseren Wohnkomfort zu steigern und Fahrerassistenzsysteme im Automobil, um unsere Fahrten angenehmer und sicherer zu gestalten. Allerdings erwarten wir oft ein vorausschauendes Verhalten solcher Systeme: das Mobiltelefon soll die Bahnstörung einblenden bevor wir die Fahrt beginnen, die Wohnung soll geheizt sein bevor wir sie erreichen, und das Fahrzeug soll den Verkehrsstau einblenden bevor wir in ihm stehen. Dafür beobachten diese Systeme unser Verhalten mit Sensoren, verarbeiten die Informationen mittels spezieller Algorithmen in Kontextquellen und leiten dann Kontextwerte daraus ab. Anschließend machen sie Vorhersagen zu künftig auftretenden Kontextwerten, oft nur auf einzelnen Kontextquellen basierend. Während wir dabei möglichst genaue Vorhersagen erwarten, ist der Vorhersagegenauigkeit ist jedoch eine Obergrenze gesetzt, die man basierend auf dem Informationsgehalt der Kontextwerte berechnen kann. Um diese Grenze nach oben zu verschieben, und damit genauere Vorhersagen zu ermöglichen, schlagen wir die Nutzung mehrerer Kontextquellen zur Kontextvorhersage vor. In dieser Arbeit beschreiben wir eine Möglichkeit verschiedene Kontextquellen zu kombinieren, zeigen den Gewinn der Vorhersagegenauigkeit, beschreiben eine Methode im Vorhinein festzustellen welche Kontextquellen sich besonders effektiv kombinieren lassen, zeigen den Gewinn an Störsicherheit durch den Einfluss von mehreren Kontextquellen und zeigen die Umsetzbarkeit in Bezug auf den Energieverbrauch eines ständig Kontextwerte erhebenden Systems.