Tensor-Methoden enthüllen Muster im Verhalten an Bahnübergängen

Die Sicherheit an Bahnübergängen ist ein komplexes Problem, bei dem das Fahrerverhalten stark von Ort, Tageszeit und Wetterbedingungen abhängt. Traditionelle Analysen betrachten einzelne Übergänge isoliert, wodurch gemeinsame Verhaltensmuster über verschiedene Standorte hinweg schwer erkennbar sind.

Eine neue Studie präsentiert ein Multi‑View‑Tensor‑Decomposition‑Framework, das Verhaltensähnlichkeiten in drei zeitlichen Phasen erfasst: Annäherung (Warnung bis Torabsenkung), Warten (Torabsenkung bis Zugdurchfahrt) und Freigabe (Zugdurchfahrt bis Torhebung). Für jede Phase werden Video‑Daten aus mehreren Standorten mit TimeSformer‑Embeddings verarbeitet, um phasenbezogene Ähnlichkeitsmatrizen zu erstellen.

Durch die Anwendung einer nicht‑negativen symmetrischen CP‑Decomposition werden latente Verhaltenskomponenten mit klaren zeitlichen Signaturen extrahiert. Die Analyse zeigt, dass der Standort ein stärkerer Prädiktor für das Verhalten ist als die Tageszeit, und dass die Annäherungsphase besonders aussagekräftige Signaturen liefert.

Die Visualisierung des erlernten Komponentenraums bestätigt eine standortbasierte Clusterbildung, wobei bestimmte Übergänge eigene Verhaltenscluster bilden. Dieses automatisierte Verfahren ermöglicht eine skalierbare Mustererkennung über viele Bahnübergänge hinweg und liefert eine Grundlage, um Standorte nach Verhaltensähnlichkeit zu gruppieren und gezielte Sicherheitsmaßnahmen zu planen.