Map matching is a widely used technology for mapping tracks to road networks. Typically, tracks are recorded using publicly available Global Navigation Satellite Systems, and road networks are derived from the publicly available OpenStreetMap project. The challenge lies in resolving the discrepancies between the spatial location of the tracks and the underlying road network of the map. Map matching is a combination of defined models, algorithms, and metrics for resolving these differences that result from measurement and map errors. The goal is to find routes within the road network that best represent the given tracks. These matches allow further analysis since they are freed from the noise of the original track, they accurately overlap with the road network, and they are corrected for impossible detours and gaps that were present in the original track. Given the ongoing need for map matching in mobility research, in this work, we present a novel map matching method based on Markov decision processes with Reinforcement Learning algorithms. We introduce the new Candidate Adoption feature, which allows our model to dynamically resolve outliers and noise clusters. We also incorporate an improved Trajectory Simplification preprocessing algorithm for further improving our performance. In addition, we introduce a new map matching metric that evaluates direction changes in the routes, which effectively reduces detours and round trips in the results. We provide our map matching implementation as Open Source Software (OSS) and compare our new approach with multiple existing OSS solutions on several public data sets. Our novel method is more robust to noise and outliers than existing methods and it outperforms them in terms of accuracy and computational speed.

Überall hält heutzutage der Trend der Digitalisierung Einzug und verändert Ansprüche und Zielsetzungen. Die Organisationen der Wohlfahrts- und Sozialwirtschaft müssen mit ihren Ressourcen, vor allem mit ihren Mitarbeitenden dieser Entwicklung Rechnung tragen. Mehr denn je wird deutlich, dass die Digitalisierung keinen Zukunftstrend mehr darstellt, sondern bereits die Gegenwart beherrscht. Sie entfaltet heute schon Wirkung in Unternehmen und Organisationen bzw. in der Wohlfahrts- und Sozialwirtschaft und weit darüber hinaus. Die vielfältigen und anspruchsvollen Herausforderungen sind offensichtlich. Die vorliegende Publikation stellt die breite und umfassende, gleichsam systematische Aufarbeitung dieses komplexen Themenfeldes in den Vordergrund – und dies verknüpft mit erfahrungsbasierten Orientierungen.

Das Schlagwort „Big Data“ verspricht die Gewinnung relevanter Informationen durch die automatisierte Erfassung und Analyse sehr großer Datenmengen für unterschiedliche Anwendungsbereiche. Damit lassen sich praktisch alle wesentlichen Informationen zur Bewertung einer komplexen Situation erfassen. Big-Data-Technologien können dann mit Hilfe geeigneter Indikatoren Situationen in Echtzeit bewerten und genaue Prognosen ermöglichen. Wesentlich für diese Technologien ist die Verarbeitung großer Datenmengen unter engen zeitlichen Rahmenbedingungen, um die Aktualität der Ergebnisse sicherzustellen. Existierende betriebliche Informationssysteme auf der Basis relationaler Datenbankmanagementsysteme erreichen dabei ihre Grenzen und können in der Regel die geforderten Antwortzeiten nicht mehr erfüllen. Neuere Datenbanktechnologien versprechen hier einen deutlichen Effizienzgewinn, so dass auch sehr große Datenmengen im Rahmen interaktiver Anwendungen verarbeitet und analysiert werden können. Dieses Kapitel gibt anhand eines Beispiels zur Erfassung und Auswertung von Daten einer Betriebsdatenerfassung einen Überblick über diese Technologien.

Hybrid index structures support access to heterogeneous data types in multiple columns. Several experiments confirm the improved efficiency of these hybrid access structures. Yet, very little is known about the worst case time and space complexity of them. This paper aims to close this gap by introducing a theoretical framework supporting the analysis of hybrid index structures. This framework then is used to derive the constraints for an access structure which is both time and space efficient. An access structure based on a B+-Tree augmented with bit lists representing sets of terms from texts is the outcome of the analysis which is then validated experimentally together with a hybrid R-Tree variant to show a logarithmic search time complexity.