ML-basierte Distanz-Indexes für Straßenverkehr: Erstes umfassendes Benchmark

In der Navigation, bei ortsbezogenen Diensten und in der räumlichen Analyse ist die Berechnung kürzester Wege ein zentrales Problem. Klassische Algorithmen wie Dijkstra liefern zwar exakte Ergebnisse, doch ihre Laufzeit ist für moderne, Echtzeit‑Anwendungen mit großen Datenmengen zu hoch.

In den vergangenen zwanzig Jahren wurden zahlreiche Indexe entwickelt, um die Abfragegeschwindigkeit zu erhöhen. Mit dem Aufkommen von Machine Learning entstanden neue, lernbasierte Indexe, die approximative Entfernungen schnell und effizient berechnen können. Diese Ansätze versprechen, die Latenz drastisch zu senken, doch bislang fehlte eine systematische Bewertung ihrer Leistungen.

Die vorliegende Studie liefert das erste umfassende Benchmark von ML‑basierten Distanz‑Indexes auf Straßennetzen. Sie untersucht zehn repräsentative ML‑Techniken anhand von sieben realen Straßennetzen und abfragebasierten Datensätzen, die aus Trajektorien abgeleitet wurden. Die Bewertung erfolgt entlang vier entscheidender Dimensionen: Trainingszeit, Abfragelatenz, Speicherbedarf und Genauigkeit. Dabei werden die ML‑Modelle mit starken klassischen, nicht‑ML‑Baselines verglichen, um die praktischen Vor- und Nachteile klar herauszuarbeiten.

Die Ergebnisse zeigen deutliche Trade‑offs: Einige Modelle erzielen enorme Laufzeitvorteile bei moderatem Genauigkeitsverlust, während andere einen höheren Speicherbedarf aufweisen. Die Autoren stellen ein einheitliches Open‑Source‑Code‑Repository bereit, das die Reproduzierbarkeit sicherstellt und zukünftige Forschung zu lernbasierten Distanz‑Indexes fördert.