Big Data im Bobsport

Sche ge, Ma hias e al.
Resea ch Repo
Big Da a im Bobspo
i id Sch i en eihe: Bei äge zu IT-Managemen & Digi alisie ung, No. 4
P o ided in Coope a ion wi h:
i id Ins i u ü IT-Managemen & Digi alisie ung, FOM Hochschule ü Oekonomie & Managemen
Sugges ed Ci a ion: Sche ge, Ma hias e al. (2025) : Big Da a im Bobspo , i id Sch i en eihe:
Bei äge zu IT-Managemen & Digi alisie ung, No. 4, ISBN 978-3-89275-397-1, MA Akademie
Ve lags- und D uck-Gesellscha mbH, Essen
This Ve sion is a ailable a :
h ps://hdl.handle.ne /10419/324149
S anda d-Nu zungsbedingungen:
Die Dokumen e au EconS o dü en zu eigenen wissenscha lichen
Zwecken und zum P i a geb auch gespeiche und kopie we den.
Sie dü en die Dokumen e nich ü ö en liche ode komme zielle
Zwecke e iel äl igen, ö en lich auss ellen, ö en lich zugänglich
machen, e eiben ode ande wei ig nu zen.
So e n die Ve asse die Dokumen e un e Open-Con en -Lizenzen
(insbesonde e CC-Lizenzen) zu Ve ügung ges ell haben soll en,
gel en abweichend on diesen Nu zungsbedingungen die in de do
genann en Lizenz gewäh en Nu zungs ech e.
Te ms o use:
Documen s in EconS o may be sa ed and copied o you pe sonal
and schola ly pu poses.
You a e no o copy documen s o public o comme cial pu poses, o
exhibi he documen s publicly, o make hem publicly a ailable on he
in e ne , o o dis ibu e o o he wise use he documen s in public.
I he documen s ha e been made a ailable unde an Open Con en
Licence (especially C ea i e Commons Licences), you may exe cise
u he usage igh s as speci ied in he indica ed licence.
h ps://c ea i ecommons.o g/licenses/by/4.0/
Big Da a im Bobspo
~
Sche ge, Babula, K äme , Mi elmann, Domu a h,
Klug, Naumann, He hold, Ge ha ds, Richa d, B ückne ,
Geie , Woobin, Malu, Benson, Simons, Somme , Wu m,
Me klinge , F ied ich, Nowicki, Fo ic, Buchk eme
Rüdige Buchk eme (H sg.)
Ins i u ü IT-Managemen &
Digi alisie ung
de FOM Uni e si y o Applied Sciences
i id Sch i en eihe
Bei äge zu IT-Managemen & Digi alisie ung
Band
4
Ma hias Sche ge, Jan Babula, Jan K äme , Maximilian Mi elmann, Tim Domu a h,
Ma ius Klug, Tom Naumann, Fabian He hold, Dennis Ge ha ds, Helena Richa d,
Oli e B ückne , A u Geie , Lee Woobin, Felici as Malu, Silas Benson, Philipp Simons,
Sa ina Somme , Nina Wu m, Kons an in Me klinge , Ca l-Ch is oph F ied ich,
Thomas Nowicki, El isa Fo ic, Rüdige Buchk eme
Big Da a im Bobspo
i id Sch i en eihe de FOM, Band 4
Bei äge zu IT-Managemen & Digi alisie ung
Essen 2025
ISBN (P in ) 978-3-89275-396-4 ISSN (P in ) 2699-562X
ISBN (eBook) 978-3-89275-397-1 ISSN (eBook) 2699-5638
Dieses We k wi d he ausgegeben om i id Ins i u ü IT-Managemen & Digi alisie ung
de FOM Hochschule ü Oekonomie & Managemen gGmbH
Ve lag:
MA Akademie Ve lags- und D uck-Gesellscha mbH, Leimkugels aße 6, 45141 Essen
[email p o ec ed]
Die Deu sche Na ionalbiblio hek e zeichne diese Publika ion in de Deu schen Na ionalbibliog aphie;
de aillie e bibliog aphische Da en sind im In e ne übe h p://dnb.d-nb.de ab u ba .
Dieses We k is lizenzie un e CC BY 4.0:
C ea i e Commons Namensnennung 4.0 In e na ional.
Diese Lizenz e laub un e den Vo ausse zungen de Lizenzbedingungen, u. A. de Namens-
nennung de U hebe in ode des U hebe s, de Angabe de CC-Lizenz (inkl. Link) und de gg .
o genommenen Ände ungen die Bea bei ung, Ve iel äl igung und Ve b ei ung des Ma e ials
in jedem Fo ma ode Medium ü beliebige Zwecke. Die Rech e und P lich en in Zusam-
menhang mi de Lizenz e geben sich ausschließlich aus dem Lizenzinhal : CC BY 4.0 Deed |
Namensnennung 4.0 In e na ional | C ea i e Commons | h ps://c ea i ecommons.o g/licenses/
by/4.0/legalcode.de.
Die Bedingungen de C ea i e-Commons-Lizenz gel en nu ü O iginalma e ial. Die Wiede -
e wendung on Ma e ial aus ande en Quellen (gekennzeichne mi Quellenangabe) wie z. B.
on Schaubilde n, Abbildungen, Fo os und Tex auszügen e o de gg . wei e e Nu zungsge-
nehmigungen du ch den jeweiligen Rech einhabe .
Rüdige Buchk eme (H sg.)
Big Da a im Bobspo
Ma hias Sche ge, Jan Babula, Jan K äme , Maximilian Mi elmann,
Tim Domu a h, Ma ius Klug, Tom Naumann, Fabian He hold, Dennis
Ge ha ds, Helena Richa d, Oli e B ückne , A u Geie , Lee Woobin,
Felici as Malu, Silas Benson, Philipp Simons, Sa ina Somme ,
Nina Wu m, Kons an in Me klinge , Ca l-Ch is oph F ied ich,
Thomas Nowicki, El isa Fo ic, Rüdige Buchk eme
Au o enkon ak :
ma hias.sche ge@iwm. aunho e .de
uedige .buchk eme @ om.de
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
III
Vo wo
Dieses Buch s ell die E gebnisse eine g oß angeleg en S udie zu Analyse on
Da ensä zen aus dem Bobspo o , die meh e e Millionen Da enpunk e um ass .
Die Analyse e olg e mi mode nen We kzeugen de küns lichen In elligenz und
des maschinellen Le nens, was es e möglich e, ie gehende Einblicke in die kom-
plexen Da ens uk u en zu gewinnen und Mus e zu e kennen.
Ein besonde e Schwe punk diese A bei lieg au de de aillie en Da s ellung
de ma hema ischen We kzeuge und de da en echnischen He angehensweise.
Du ch die Anwendung on Da a-Mining-Me hoden wu den um assende Analysen
de o handenen Fachli e a u de le z en Jah zehn e du chge üh , insbeson-
de e in Bezug au die Reibung zwischen Ku e und Eis – ein en scheidende Fak-
o im Bobspo .
Ein inno a i e Bes and eil de S udie wa die ideo echnische Auswe ung de
Fah linien des Bobs in de Bahn. Du ch die Gene ie ung on Hea maps konn en
un e schiedliche Fah weisen p äzise un e schieden und isualisie we den.
Diese Visualisie ungen zeigen kla den Zusammenhang zwischen Geschwindig-
kei und Fah linie und e lauben eine de aillie e P ü ung de Ko ela ion on Lau -
zei en in einzelnen Bahnabschni en mi de Gesam lau zei .
Die E gebnisse de Analyse o enba en kla e Mus e in den Da ensä zen und
üh en zu Emp ehlungen hinsich lich ibologische Vo eile. Diese E kenn nisse
könn en nich nu die Leis ung im Bobspo e heblich e besse n, sonde n auch
als G undlage ü geziel es Da a Mining in ande en Spo disziplinen dienen, die
übe um ang eiche Senso ik bei T aining und We kamp e ügen.
Ein wei e es Highligh diese A bei sind die en wickel en, äuße s ins uk i en
Da en isualisie ungen. Sie bie en eine anschauliche Da s ellung de komplexen
Zusammenhänge und agen wesen lich dazu bei, die gewonnenen E kenn nisse
e s ändlich zu e mi eln.
Diese S udie s ell einen bedeu enden Fo sch i im Be eich de spo lichen Leis-
ungsanaly ik da und zeig , wie mode ne Technologien genu z we den können,
um spo liche Ak i i ä en ie gehende und p äzise zu e s ehen. Wi ho en,
dass die E gebnisse diese A bei nich nu im Bobspo , sonde n auch in ande en
Be eichen des Spo s und da übe hinaus Anwendung inden we den.
Ka ls uhe, im Mai 2025
P o . D .-Ing. habil. Ma hias Sche ge

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
IV
Inhal
Vo wo ................................................................................................................ III
Abbildungs e zeichnis ...................................................................................... VIII
Tabellen e zeichnis .......................................................................................... XIII
Fo meld e zeichnis ............................................................................................ XV
1 Einlei ung ........................................................................................................ 1
1.1 Spo liche Rahmenbedingungen ............................................................ 1
1.2 Physikalische G undlagen ...................................................................... 2
1.3 Modellie ungen ....................................................................................... 5
1.4 Da enau zeichnung in Win e be g .......................................................... 6
1.5 Da en echnische Vo gehensweise ......................................................... 7
2 Li e a u eche che ........................................................................................ 10
2.1 Zielse zung ............................................................................................ 10
2.2 Vo gehensweise und Au bau de Li e a u eche che ........................... 10
2.3 Li e a u eche che und Da enau be ei ung ........................................... 12
2.3.1 Such axonomie ............................................................................ 12
2.3.2 Da a P ep ocessing ..................................................................... 13
2.3.3 Desk ip i e Da enanalyse ............................................................ 14
2.3.4 Vo be ei ende Me hodiken ü eine Topicmap ............................. 15
2.4 Theo e ische G undlagen: Ne zwe kanalyse mi LDA .......................... 16
2.4.1 Clus e ing-Layou nach Modula i ä ............................................. 18
2.4.2 Topic-Map .................................................................................... 18
2.5 Analyse und Visualisie ung des be einig en Da enko pus ................... 19
2.5.1 LDA-Modell gene ie en ................................................................ 20
2.5.2 Ne zwe k isualisie ung mi Gephi ................................................ 24
2.6 Fazi ...................................................................................................... 27
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
V
3 Fah linienanalyse au Basis on Videoda en ................................................ 29
3.1 Zielse zung ............................................................................................ 29
3.2 Da a Unde s anding/Da enko pus ......................................................... 30
3.3 Vo gehen und Implemen ie ung ............................................................ 33
3.4 Au bau des G aphical Use In e ace .................................................... 33
3.4.1 Einlesen und Ve a bei ung de Videos ......................................... 34
3.4.2 E s ellung de Mo ion-Hea maps .................................................. 41
3.5 Da enmanagemen ................................................................................ 44
3.6 Aus üh ba kei als .exe-Da ei ................................................................ 45
3.7 P ak ische Anwendung .......................................................................... 45
4 Zum Zusammenhang on Fah linie und Geschwindigkei ............................ 49
4.1 Zielse zung ............................................................................................ 49
4.2 Au bau de En wicklungsumgebung ...................................................... 49
4.3 Abgelei e e Vo gaben de Da enau be ei ung ....................................... 49
4.4 Hypo hesen und F ages ellungen .......................................................... 50
4.5 Homogenisie ung de Da eis uk u ....................................................... 50
4.6 Ex ak ion de Me ada en und Da eiinhal e ........................................... 50
4.7 An eiche ung de Da en......................................................................... 52
4.8 Da en il e ung und Behandlung on Aus eiße n ................................... 53
4.9 Bes immung de Ku en ........................................................................ 54
4.10 Be echnung de agg egie en Modell a iablen ..................................... 58
4.11 Modellen wicklung ................................................................................. 58
4.11.1 Da en isualisie ung ..................................................................... 58
4.11.2 Da a P epa a ion und Modelling Syne gie .................................. 60
4.11.3 Übe a bei e e Visualisie ung ....................................................... 62
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
VI
4.12 Mul iple Linea e Reg ession ................................................................. 64
4.12.1 Modellde ini ion ........................................................................... 64
4.12.2 P ü ung de Modellquali ä ......................................................... 66
4.13 E gebnis, Ausblick und Fazi ................................................................ 68
4.13.1 Behandel e Fo schungs hemen.................................................. 68
4.13.2 Diskussion de eingese z en Me hode ....................................... 69
4.13.3 Aussich und Op imie ungsbeda .............................................. 70
5 Zum Zusammenhang on Bahnabschni und Gesam lau zei .................... 72
5.1 Zielse zung ............................................................................................ 72
5.2 Theo e ische G undlagen ..................................................................... 72
5.2.1 G adien T ee Boos ing ............................................................... 72
5.2.2 Shapley Values ........................................................................... 74
5.2.3 K-means Clus e ing ..................................................................... 76
5.3 Analyse des Da ensa zes ..................................................................... 78
5.3.1 Da ensa z ..................................................................................... 78
5.3.2 Da enbe einigung ......................................................................... 78
5.3.3 Desk ip i e Analyse ..................................................................... 79
5.4 Modellie ung ......................................................................................... 82
5.4.1 K-means Clus e ing ..................................................................... 82
5.4.2 XGBoos ....................................................................................... 86
5.5 Schlussbe ach ung .............................................................................. 95
5.5.1 Fazi ............................................................................................. 95
5.5.2 G enzen diese A bei .................................................................. 97
5.5.3 Ausblick ........................................................................................ 97
6 Zum Zusammenhang on Fah linie und Lau zei ......................................... 98
6.1 Zielse zung ............................................................................................ 98
6.2 Ablei ung de Un e suchungs hesen ..................................................... 99
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
VII
6.3 Da a Unde s anding – Ein üh ung in das Da enmodell ......................... 99
6.4 Da a P epa a ion – Da enau be ei ung und -be einigung .................... 102
6.4.1 Au be ei ung de Rohda en ......................................................... 103
6.4.2 Hinzu ügen on Ku enlabels ..................................................... 104
6.4.3 Hinzu ügen on de inie en Abschni scha ak e is ika ................ 105
6.4.4 Kalkula ion on Gesam - und Abschni slau zei en .................... 107
6.4.5 P ü ung au duplizie e Rohda en ............................................... 108
6.4.6 Löschen nich benö ig e Da en .................................................. 109
6.4.7 P ü ung au Missing Values ........................................................ 109
6.4.8 P ü ung au inhal liche Plausibili ä de Me iken ........................ 110
6.5 Modelling ............................................................................................. 119
6.5.1 Modelling I – Da a Analy ics ia Py hon ..................................... 120
6.5.2 Modelling II – Visual Analy ics ia Powe BI ................................ 137
6.6 E alua ion ............................................................................................ 162
6.6.1 Analyse de E gebnisse .............................................................. 162
6.6.2 Limi a ionen ................................................................................. 164
6.7 Fazi und Ausblick ................................................................................ 166
Li e a u ............................................................................................................. 169
7 Anhang: Shapley Values einzelne S eckenabschni e. ............................ 178
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
XIV
Tabelle 22: Clus e analyse übe den Zusammenhang de beobach e en
Va iablen au Gesam lau zei ................................................... 126
Tabelle 23: Clus e analyse übe den Zusammenhang de beobach e en
Va iablen au den Rollwinkel .................................................... 127
Tabelle 24: Ko ela ionsanalyse übe den Zusammenhang einzelne
Abschni slau zei en s. Gesam lau zei en ............................... 128
Tabelle 25: Ko ela ionsanalyse übe den Zusammenhang de S a zei en
s. olgende S eckenabschni e............................................... 131
Tabelle 26: Rangko ela ionsanalyse übe den Zusammenhang
S eckenabschni spla zie ung s. mi le e Rollwinkel .............. 133
Tabelle 27: Clus e analyse übe den Zusammenhang on
Abschni szei en s. mi le en Rollwinkeln e olgsk i ische
S eckenabschni e ................................................................... 135
Tabelle 28: Desk ip i e Analyse de beobach e en Rollwinkel in
ausgewähl en S eckenabschni en inne halb de inie e
Lau zei clus e (Top-20 & Flop-20 P ozen ) ............................. 136
Tabelle 29: Thesenimplika ionen aus Da a Analy ics .................................. 137
Tabelle 30: Me iken zum Fah e hal en de Quan ile au den Ge aden .... 142
Tabelle 31: Me iken zum Fah e hal en in den Quan ilen in Abschni K2 145
Tabelle 32: Me iken zum Fah e hal en in den Quan ilen in Abschni
K14 ........................................................................................... 157
Tabelle 33: S ichp oben einzelne A hle en................................................. 157
Tabelle 34: Zusammen assung de E kenn nisse aus de Analyse mi els
Visualisie ung ........................................................................... 162
Tabelle 35: Limi a ionen de A bei .............................................................. 164

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
XV
Fo mel e zeichnis
Fo mel 1: Shapley Value ................................................................................. 75
Fo mel 2: Roo -Mean-Squa e E o . ................................................................ 88
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
1
1 Einlei ung
1.1 Spo liche Rahmenbedingungen
Die zum Ende des 19. Jah hunde s in S . Mo i z beg ünde e F eizei ak i i ä des
Schli en ah ens e ablie e sich Mi e des 20. Jah hunde s als Hochleis ungs-
spo . Bob und Renn odeln gel en sei den olympischen Win e spielen 1924 als
e ablie e Disziplinen und we den sei he hinsich lich des Spo ge ä s wie auch
de Rahmenbedingungen zunehmend eglemen ie . Wel wei sind bis zum heu-
igen Tag 17 o izielle We kamp s ä en o handen und jäh lich Aus agungso
de We kämp e im Renn odel-, Skele on- und Bobspo ( gl. IBSF, 2022). De
Bobspo is dabei eine de schnells en Win e spo a en, bei de die Lau zei di -
e enzen seh ge ing sind und häu ig im hunde s el Sekundenbe eich liegen ( gl.
Ubbens e al., 2016, S.92). Aus diesem G und is diese Spo a s a k om Ein-
sa z on Technologie abhängig, um eine Op imie ung de Fah und einen en -
scheidenden Vo eil gegenübe de Konku enz zu e eichen ( gl. Dabnichki,
2015, S. 436).
Bobschli en haben ie Ku en, zwei o de e und zwei hin e e. Bei den Männe n
gib es Zweie - und Vie e -Teams, bei den F auen das Zweie -Team und den
Monobob. Das zulässige Mindes gewich be äg 170 kg ü Zweie - und 210 kg
ü Vie e bobs. Das Höchs gewich ü den Zweie bob be äg 390 kg und ü den
Vie e bob 630 kg. Die Schli en e ügen übe eine Lenkung und eine Ku enau -
hängung, die zusammen mi de Fo m und de Ae odynamik des Schli ens
s eng ge egel sind. Fü die Ku en is nu eine S ahlso e de schweize ischen
Fi ma Kohle zulässig, wobei nach ägliche Ände ungen de Ma e ialeigenscha -
en, beispielsweise du ch E hi zen, e bo en sind. Lediglich die Ku engeome ie
da angepass we den (Ulme , 2009, S.1 .). In olgedessen is das G undma e ial
en sp echend s e s iden isch.
Die In e na ional Bobsleigh & Skele on Fede a ion (im Folgenden als IBSF)
sch eib ü alle We bewe be die Regeln o . Diese Regeln dienen in e s e Linie
de Siche hei de A hle innen und A hle en, e inge n abe auch die Möglichkei
eines un ai en We bewe bs, da g öße e Teams meh Ressou cen ü die En -
wicklung und Ve besse ung des Bobs zu Ve ügung haben ( gl. Ubbens e al.,
2016, S. 92 .). Un e ande em wi d on de IBSF es geleg , dass Bobbahnen ca.
1,5 km lang sein sollen und eine Höhendi e enz on ca. 120 m nich übe sch ei-
en soll en. Dabei soll das du chschni liche Ge älle bei 8,6 P ozen liegen und
die Bahn eine maximale S eigung on 15 P ozen besi zen ( gl. IBSF (20219), S.
37 .). Abbildung 1 zeig , wie de Bobschli en du ch die IBSF egulie is und
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
2
diese S anda ds ü einen ai en We bewe b eingehal en we den müssen ( gl.
Dabnichki, 2015, S. 436 .).
Abbildung 1: Regelungen ü den Bobschli en
Quelle: IBSF (2019), S. 52.
De IBSF benenn insgesam 17 We kamp s ando e in Eu opa, Asien und No d-
ame ika zu Aus agung on Skele on- und Bobwe kämp en. Die jeweiligen
Spo s ä en un e scheiden sich in Länge, Anzahl de Ku en und S eigung.
Das Bahn eglemen des IBSF bes imm die Rich linien ü S ando nähe, Lage,
Bahn e lau und benö ig e In as uk u . So da eine Bahn die Fah linien nich zu
s a k besch änken und Beschleunigungen on 5g dü en maximal zwei Sekun-
den am S ück anhal en. Ebenso is ü aus eichend Sonnenschu z, Beleuch ung
sowie An- und Auslau s ecke zu so gen ( gl. IBSF, 2019).
Eine Bobbahn is in d ei Haup abschni e un e eil : S a , Fah und Ziel. Das
Team beginn mi dem Schieben des Schli ens, wäh end die Uh du ch eine Fo-
ozelle, 15 m on de S a linie en e n , ausgelös wi d. Nach dem Ladepunk ,
wenn die gesam e Mannscha in den Schli en einges iegen is , häng das E -
gebnis olls ändig on den Fähigkei en des Pilo en und o allem on de Leis-
ung des Schli ens ab. Die Geschwindigkei kann bis zu 150 km/h be agen ( gl.
IBSF, 2019, S. 38 .).
1.2 Physikalische G undlagen
Fü eine Annähe ung an die Thema ik is ein Ve s ändnis de physikalischen
G undlagen wich ig, um anschließend aus diesen die Ansä ze zu Fah zei op i-
mie ung ablei en zu können. Wäh end de Fah eines Bobschli ens wi ken d ei
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
3
ele an e K ä e, welche die Fah zei beein lussen: die Schwe k a , welche wie-
de um die Beschleunigung des Bobs beding ; de Lu wide s and des Bobs und
des Teams und die Reibung de Ku en au dem Eis.
Die Schwe k a als e s e ele an e G öße so g neben de S a beschleunigung
ü zusä zliche Beschleunigung und Reibung au de abschüssigen S ecke (Poi-
ie e al., 2011, S. 2 .). Die du ch die Schwe k a induzie e Beschleunigung
s eig hie bei mi zusä zlichem Gesam gewich des Bobs und de Fah e innen
und Fah e an (Dumm e al., 2006, S. 103). Da aus läss sich ablei en, dass aus
isolie e Be ach ung ein möglichs hohes Gewich un e Be ücksich igung de
im We kamp zulässigen Obe g enzen wünschenswe is . In de Li e a u wu de
geschä z , dass die Schwe k a ü 84 P ozen de Beschleunigung in Zweie -
bob ah en und ü 79 P ozen de Beschleunigung in Vie e bob ah en e an -
wo lich is (B üggemann e al., 1997, S. 103).
Abbildung 2: Beschleunigung au den Bob
Quelle: Sche ge (2021), S. 8.
De Lu wide s and a iie wäh end de Fah . Bei höhe en Geschwindigkei en
wi d de B emse ek du ch den Lu wide s and au unge äh 60 P ozen ge-
schä z , wäh end de Reibung des Schli ens au dem Eis 40 P ozen zuzuo dnen
sind (Dabnichki, 2015, S. 439). Diese Zahlen sind s a k on de Ae odynamik
abhängig und a iie en en sp echend je nach Bauweise. Das konk e e Fah e -
hal en in den Ku en mi eine s a ken Annähe ung an die Bande kann womöglich
den Lu wide s and e höhen und dami den Schli en abb emsen, wenngleich die-
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
4
se E ek schwie ig zu quan i izie en is (Poi ie , 2011, S. 12). Au g und de Fah -
linie is dies jedoch ein Aspek , de e mu lich ehe au den ge aden Teilen de
S ecke Rele anz ha , weswegen es emp ehlenswe is , au diesen Abschni en
eine möglichs mi ige Fah linie anzus eben. In Ku en könn e diese zusä zliche
Lu wide s and nahe de Bande bei seh hohen ode seh nied igen Rollwinkeln
eine mögliche Ein lussg öße sein.
Bei de Reibung, als d i e ele an e K a , wechselwi ken die Ku en des Bobs
mi de Eis läche und beein lussen da übe die Beschleunigung und dami die
Gesam geschwindigkei . Maß ü diese Wechselwi kung is de Reibungskoe i-
zien als Ve häl nis de Reibungsk a zu Anp essk a zweie Kö pe (Si amani
e al., 2003, S. 227). Ein nied ige e Reibungskoe izien bedeu e besse es Glei-
en, wodu ch höhe e Geschwindigkei en ealisie we den können (Hainzlmaie ,
2005, S. 62). Die U sache de ul anied igen Reibung is eine nanome e - bis
mik ome e dünne Wasse schich zwischen Ku e und Eis. F ic ional Hea ing gil
als die ele an es e U sache ü die Wasse schich . Auch in de Li e a u wi d
F ic ional Hea ing als dominan e Fak o bei de En s ehung de Wasse schich
gesehen (Dabnichki 2015, S. 439; I be und G oss, 2020, S. 3).
De E ek , gemäß dem eine höhe e Geschwindigkei und D uck (g öße e
Reibleis ungsdich e) zu eine e besse en Beschleunigung üh en, ha jedoch
auch G enzen und is nich linea . Bei Wa ungsa bei en au de Bobbahn am Kö-
nigssee sind in den Ku en Fah illen au ge allen, welche du ch den hohen D uck
ins Eis gep ess wu den. Die Tie e diese Schäden s ieg hie bei mi de Tempe-
a u an (Hainzlmaie , 2005, S. 55 .). Dies deck sich mi Un e suchungen zu
Ve inge ung de Eishä e bei ans eigenden Tempe a u en. Bei diesen Tes s
wu de eine S ahlkugel aus un e schiedlichen Höhen und bei un e schiedlichen
Eis empe a u en au die Eisschich allen gelassen und Tie e sowie B ei e des
en s ehenden Schadens gemessen (Poi ie e al., 2011, S. 130).
Ein zu hohe D uck kann alle dings den Wasse ilm zwischen Eis und Ku e nach
außen p essen, wodu ch de Reibungskoe izien wiede ans eig . Es en s eh
zusä zliche Reibungshi ze, die Schäden im Eis e u sach (Hainzlmaie , 2005, S.
61 .). Da solche Fah illen nich ode nu kaum au ge aden S eckenabschni en
ge unden wu den, geh Hainzlmaie da on aus, dass de D uck au ge aden S e-
ckenabschni en un e dem Op imum ü den Reibungskoe izien en lieg und in
Ku en endenziell da übe . An diese S elle sei jedoch angeme k , dass diese
Theo ie im Kon as zu den E gebnissen on Sche ge e al. s eh , welche ü s ei-
gende No malk a einen nahezu kons an en Reibungskoe izien en es ges ell
haben. Da de Reibungskoe izien do mi ans eigende No malk a bei -5 G ad

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
5
Celsius nahezu kons an blieb und die Spannwei e de No malk a explizi die
Belas ung in Ku en simulie en soll e, wi d dahe da on ausgegangen, dass de
on Hainzlmaie pos ulie e B emse ek kaum ode gegebenen alls nu bei Tem-
pe a u en nahe Null ele an sein könn e und nich so s a k ausgep äg is , wie
seine Abbildung sugge ie .
Abbildung 3: Reibungskoe izien zu No malk a
Quelle: in Anlehnung an Hainzlmaie 2005, S. 62.
1.3 Modellie ungen
Im Jah 1995 kons uie en Zhang e al. ein Modell un e Ve wendung meh e e
Algo i hmen zu ma hema ischen Bes immung des op imalen Lenk e hal ens im
Bobspo . Sie widme en sich dami dem Op imie ungsp oblem eine möglichs
e izien en Fah weise am Beispiel de Olympiabahn in Lillehamme . Ih e E geb-
nisse beinhal en insbesonde e die Da s ellung des Zusammenhangs zwischen
op imale Fah linie und minimale Lenkbewegungen in e schiedenen Sek o en
de Bahn ( gl. Zhang, Y.L. e al., 1995).
Die im Jah 1997 on B üggemann e al. du chge üh e Un e suchung de Fah -
dynamik e schiedene Bobschli en im Eiskanal de 17. Olympischen Win e -
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
6
spiele in Lillehamme bes ä igen die E kenn nisse on Zhang e al. (1995). Ange-
wand e s a is ische Analysen de Läu e üh e sie zu de E kenn nis, dass insbe-
sonde e de S a eine wich ige De e minan e ü die Zielein ah szei is . Eine
saube e Fah weise in Ku en und au Ge aden is nach ih en E gebnissen zwa
posi i ü die Ve inge ung de Zielein ah szei , jedoch is die S a geschwindig-
kei ih signi ikan es e Pa ame e (B üggemann, G.-P. e al., 1997).
Zanole i e al. (2006) nu z en eine Median-Spli Technik, um die Wel cups im
Skele on de Saison 2003 bis 2004 zu analysie en. Mi manuellen Analysen zu
Physis de Spo le und Spo le innen e glichen Sie die Spo a en Skele on,
Bob und Renn odeln. Sie un e such en den Zusammenhang zwischen S a ge-
schwindigkei und Zielein ah szei un e Be ach ung de Ana omie und E ah-
ung de A hle innen und A hle en. Sie bes ä igen eine signi ikan e Abhängigkei
de Zielein ah szei on de S a zei .
Im Be eich de T ibologie analysie en Kie zig e al. (2010a) die Glei eigenscha -
en e schiedene Ma e ialen un e meh e en Umwel bedingungen. Dabei iden i-
izie en sie insbesonde e die Wich igkei eine ge ingen he mischen Lei ähig-
kei des Ku enma e ials bei ge ingen Geschwindigkei en und einen signi ikan hö-
he en Ein luss des Wasse ilms bei höhe en Geschwindigkei en. Ähnlich dazu
en wickel en Schleini z e al. ein Modell zu E mi lung des Reibungskoe izien en
am Beispiel des Zweie bobschli ens. Sie nu z en einen sigmoidalen Zusammen-
hang zwischen Anp essd uck und Reibung. Posi i wi k e sich bei s eigendem
D uck die Bildung eines Wasse ilms aus. Bei zu hohem Anp essd uck, bei dem
de Wasse ilm du ch Ausp essen zu dünn wi d, nimm die Reibung wiede zu
(Vgl. Kie zig e al., 2010a; I be e al., 2021; Schleini z e al., 2022).
Remp le und Glocke e s ell en 2016 eine eali ä snahe Simula ion de olympi-
schen S ecke in den Whis le Moun ains in Kanada. Mi ih em Modell, welche
eine Be echnung des Reibungskoe izien en, das Lenk e hal en und die Bobpo-
si ion en hiel , e eich en sie eali ä snahe Ve häl nisse (Vgl. Remp le & Glocke ,
2016.).
1.4 Da enau zeichnung in Win e be g
Die in diese A bei un e such en Da en wu den au de Bahn in Win e be g ge-
messen. De da engene ie ende P ozess wi d du ch diese A bei nich behandel .
Die Spo s ä e am S ando Win e be g, welche im Jah 1977 als be es ig e Eis-
bahn e ö ne wu de, is 1.330 Me e lang und beginn au eine Höhe on 760
Me e n. In de Ab ah we den übe den Ve lau on 15 Ku en insgesam 110
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
7
Höhenme e zu ückgeleg , wodu ch ein du chschni liches Ge älle on 9° und ein
maximales on 15° e eich we den. Sei ih e E ö nung wu de die We kamp -
s ä e meh ach umgebau und e wei e , um die jeweils gül igen We kamp be-
dingungen und Siche hei s o gaben zu e üllen ( gl. IBSF, 2019) .
Au Basis um assende Messda en konn en sowohl Fah en im Monobob, Zwei-
e bob als auch Vie e bob analysie we den. Zusä zlich wu den auch Videoda en
ausgewe e . Ziel wa es zum einen, das Fah e hal en zu analysie en und zum
ande en zu alidie en, in welchem Ausmaß das Lenken die Zei en de e minie .
Zum Zwecke de Gegenübe s ellung sind sowohl T ainingsda en wie auch Fah -
en de in Win e be g ausge agenen Wel meis e scha ins Ve häl nis gese z
wo den.
Im e wei e en P ojek kon ex wu de de Zusammenhang on Fah linie und Lau -
zei in spezi ischen Bahnabschni en un e such . Pa iell wu den auch kine ische
Ände ungen de Bewegungsg ößen in die Be ach ungen einbezogen. Die Big
Da a Analyse e olg e mi els Modell a ia ionen und di e gen s uk u ie en Pa-
ame e we en.
1.5 Da en echnische Vo gehensweise
Alle hie o ges ell en Analysen basie en au dem C oss Indus y S anda d P o-
cess ü Da a Mining (CRISP-DM) nach Wi h und Hipp (2000). Dabei kam ein
meh phasige , zyklische P ozess eines s uk u ie en Da a Minings zu Anwen-
dung. Diese Me hode s uk u ie die Au be ei ung des Wissens. Da ü wu den
insgesam sechs Phasen de inie ( gl. Wi h & Hipp, 2000).
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
8
Abbildung 4: P inzip des CRISP-DM
Quelle: En nommen aus Wi h & Hipp, 2000.
Die e s e Phase des CRISP-DM sch eib die E a bei ung eines angemessenen
Ve s ändnisses de zug undeliegenden P ozesse und An o de ungen o . Un e
Business Un e s anding wi d in diese A bei in einem e s en Sch i die Du ch-
üh ung on achlichen Gesp ächen mi Fachspezialis innen und -spezialis en
(Wissenscha le innen und Wissenscha le , T aine innen und T aine , A hle in-
nen und A hle en) e s anden. Au bauend au diese hema ischen Ein üh ung
wu de eine s uk u ie e Li e a u eche che in e schiedenen Li e a u biblio he-
ken du chge üh . Fü die inhal liche Bea bei ung is die Li e a u eche che aus-
schlaggebend. De achliche Aus ausch wi d nich als Expe engesp äch, son-
de n als achliche Diskussionsbasis und zu De ini ion de Un e suchungsziele
e s anden.
Mi de Phase des Da a Unde s andings üh en Wi h und Hipp die Eina bei ung
in die achlichen Hin e g ünde de Da en als zwei em Sch i des CRISP-DM au .
Sie emp ehlen einen i e a i en Aus ausch zwischen den e s en beiden Phasen,
um gleiche maßen die benö ig en achlichen Hin e g ünde sowohl aus achliche
Sich als auch aus Sich de Da en bewe en zu können. Dabei o ien ie sich
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
15
Im nächs en Sch i konn en, nach ku ze Bea bei ung de Abs ac s, quan i a i e
Aussagen übe die Wö e in den Abs ac s ge o en we den. Zunächs wu den
die Abs ac s okenisie . Da un e wi d e s anden, einen Tex in eine Lis e on
Wo bes and eilen und Zeichen zu übe üh en. Danach kann diese Lis e on
S opwo ds be ei we den, da diese keinen Meh we ü die Auswe ung bie en.
S opwo ds sind dabei Wö e wie „be ween“, „we“ ode „some“. Die Py hon
Lib a y nl k bie e ü diesen Zweck eine Lis e on S opwo ds, au welche zu ück-
geg i en we den kann. Nach dem En e nen de S opwo ds können die ele an-
en Keywo ds iden i izie we den und man kann diese ü wei e e Auswe ungen
e wenden. Als e s e O ien ie ungspunk übe die o kommenden Keywo ds
wu de eine Wo dcloud gebilde . Mi hil e de Wo dcloud Lib a y wu de das Schau-
bild mi den nachs ehenden Be ehlen gene ie .
Abbildung 6: Wo dcloud aus Suchwö e n in Abs ac s gene ie . Die G öße
de Wö e ep äsen ie die Häu igkei des E scheinens
2.3.4 Vo be ei ende Me hodiken ü eine Topicmap
Nachdem die Da en als Da a ame eingelesen wu den, müssen diese noch be-
einig und ans o mie we den, dami sie mi hil e des LDA-Algo i hmus zu To-
pics zusammenge ass we den können. Dazu sind alle dings e schiedene Zwi-
schensch i e no wendig, um die Da en in ein geeigne es Fo ma zu übe üh en,
welches om LDA Algo i hmus akzep ie wi d. Da die Da en aus di e sen Quel-
len s ammen und die Volls ändigkei nich gewäh leis e is , wi d gep ü , ob lee e
Felde sog. NA-Values im Da a ame o handen sind. Fü die Auswe ung de

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
16
Abs ac s wu den ehlende Ein äge mi els de Me hode d opna() en e n . Diese
wi d mi hil e de subse ()-Me hode e gänz , um nu Ein äge aus dem Da a ame
zu löschen, welche kein Abs ac besi zen. Insgesam können so alle NA-Values
gelösch we den und es e gib sich de Ausd uck: pape s.d opna(sub-
se =[‚Abs ac ‘]).
Anschließend wu den alle Wö e nach lowe case o ma ie . Dabei wu den alle
G oßbuchs aben mi Kleinbuchs aben e se z . Diese Sch i is no wendig, da
spä e auch S opwo ds ge il e we den sollen. Eine Un e scheidung on G oß-
und Kleinsch eibung wä e auch möglich, wa abe ums ändlich und nich e izien .
Danach wu den Sonde zeichen aus den A ikeln en e n , da sons nich alle
S opwo ds e kann und le z endlich das Ende gebnis e älsch wä e. Anschlie-
ßend konn en die S opwo ds he ausge il e we den. Ohne diesen Sch i wü den
Wö e wie z. B. „ he“ ode „and“ das E gebnis e älschen, da diese besonde s
o e wende we den. Im le z en Sch i wu den die einzelnen Abs ac s in eine
Lis e on Wo en umgewandel . Mi hil e de Py hon Lib a y gensim kann aus den
einzelnen Abs ac s ein sog. Dic iona y e s ell we den. Ein Dic iona y wi d dazu
e wende , um Paa e on Key:Values zu speiche n. Das Dic iona y speiche
hie bei die Keywo ds und wie o diese in allen Abs ac s o kommen. Somi is
die no wendige Be einigung de Da en abgeschlossen. Nun müssen die Da en
noch ans o mie bzw. zusammenge ass we den, um den LDA-Algo i hmus
auszu üh en zu können. Welches Fo ma da ü no wendig is wi d nun nähe e -
läu e .
Die gensim Lib a y bie e die LDA-Me hode an, welche d ei Pa ame e e wen-
de , um das LDA Modell zu e s ellen. Zum einen eine Lis e, welche aus den ein-
zelnen Wö e n aus allen Abs ac s bes eh . Zum ande en eine Lis e, welche aus
den einzelnen Wo en de Abs ac s bes eh und de Anzahl, wie o diese Wo e
o kommen, z. B. [‚ice‘3]. Diese beiden Lis en und die Anzahl de Topics wu -
den nun e wende , um die LDA -Auswe ung zu ollziehen.
2.4 Theo e ische G undlagen: Ne zwe kanalyse mi LDA
Im spä e en Ve lau de A bei soll de un e such e Da enko pus isualisie we -
den. Es gib e schiedene Möglichkei en, eine solche Visualisie ung zu e mögli-
chen, eine diese is die „La en -Di ichle -Alloka ion“ (LDA). LDA wi d als in ui i e
Ansa z zu Be echnung de Ähnlichkei zwischen Tex en e wende , um die je-
weiligen Ve eilungen de einzelnen Tex e übe die Themen zu e hal en. Die
G undidee is , dass die Dokumen e als Zu allsmischungen übe la en e Themen
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
17
da ges ell we den, wobei ein Thema du ch eine Ve eilung übe Wö e cha ak-
e isie wi d. Die Wö e mi den höchs en Wah scheinlichkei en in jedem Thema
e mi eln in de Regel eine gu e Vo s ellung da on, welches Thema ausgewähl
we den soll e.
Bei diesem Vo gehen handel es sich um einen P ozess, de Abhängigkei en zwi-
schen eine Vielzahl on Va iablen besch eib . Es exis ie en e schiedene Algo-
i hmen, welche die P oblems ellung eine zu hohen Menge an Va iablen ad es-
sie en.
Einige häu ig e wende e Algo i hmen sind „Gibbs sampling“, „Expec a ion maxi-
miza ion“ und „Va ia ional Bayes in e ence“. Sie alle bes immen LDA-Pa ama e ,
die den Da enko pus und Themen de Tex e besch eiben.
Beispielha wi d im Wei e em ein ik i e Ko pus mi el e schiedenen Wö e n
be ach e . Es soll angenommen we den, dass diese Ko pus eine Mischung aus
d ei Themen is : „F ic ion“, „Bobsleigh“ und „Luge“. Jedes diese Themen is wie-
de um eine Mischung aus e schiedenen Wo sammlungen. Bei de E s ellung
dieses Ko pus wi d zunächs ein Thema aus de Ve eilung ausgewähl , und spä-
e wi d aus dem ausgewähl en Thema ein Wo aus den Wo e eilungen dieses
Themas selek ie . Dieses Vo gehen besch eib die Funk ionsweise de LDA und
wi d in Abbildung 7 da ges ell .
Abbildung 7: LDA Topic Bildung
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
18
2.4.1 Clus e ing-Layou nach Modula i ä
Wie au de o iziellen Sei e de Open G aph Visualiza ion Pla o m „Gephi“ e -
sich lich is , kann Modula i ä als ein Maß ü die S uk u on Ne zen ode G a-
phen e wende we den (Jacomi e al., 2014). Das Maß wu de en wickel , um die
S ä ke de Au eilung eines Ne zes in Modulen (auch G uppen, Clus e ode Ge-
meinscha en genann ) zu bemessen. Ne ze mi hohe Modula i ä haben dich e
Ve bindungen zwischen den Kno en inne halb on Modulen, abe spä liche Ve -
bindungen zwischen Kno en in e schiedenen Modulen. Modula i ä wi d häu ig
in Op imie ungsme hoden zu E kennung on Gemeinscha ss uk u en in Ne z-
we ken e wende .
Die gleiche Quelle besch eib auch, dass sich gezeig ha , dass die Modula i ä
eine Au lösungsg enze ha und dahe nich in de Lage is , kleine Gemeinscha -
en zu e kennen. Biologische Ne zwe ke, einschließlich de Gehi ne on Tie en,
weisen ein hohes Maß an Modula i ä au . Ta sächlich kann de ohe Modula i-
ä swe nich e wende we den, um zu bes immen, ob es sich um eine „gu e“
Pa i ion handel , da ein ähnlich hohe We auch in einem Zu allsdiag amm e -
ziel we den kann. Beim Ve gleich mi dem adi ionellen Clus e ing-Koe izien en
e gib sich, sobald die beiden Va iablen unabhängig sind, eine Ko ela ion gleich
Null, so dass jede Ko ela ion, die on Null e schieden is , als „hoch“ einges u
wi d. Bei de Modula i ä is diese We ü Zu allsg aphen jedoch nich Null, so-
dass es schwie ig is , zu sagen, ob die Modula i ä „hoch“ und dami eine „gu e“
Pa i ion is .
Da ü die Visualisie ung de Li e a u da en jedoch die S ä ke des Zusammen-
hangs eine wich ige Kennzi e is , eich ein simples Clus e ing nich aus, um die
anges eb e Ne zwe kanalyse du chzu üh en.
2.4.2 Topic-Map
Da im Ve lau des P ojek es e schiedene Auswe ungsme hoden angewende
wu den, die alle zu Ka ego ie Topic Modelling gehö en, soll en sich die Visuali-
sie ungsme hoden da an o ien ie en bzw. geeigne sein, um diesen Sach e hal
da zus ellen. Eine Möglichkei , um Wissenss uk u en zu o mulie en, e mi eln
und da zus ellen bie e die sog. „Topic-Map“ ( gl. Qiu & Yuan, 2014). Die „Topic-
Map“, die u sp ünglich als eine disziplinspezi ische Fo m de Concep Map en -
wickel wu de, is im Allgemeinen eine Da s ellung on Konzep en übe In o ma-
ionen und Beziehungen und nich des Wissens selbs . Themenka en dien en
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
19
de Da s ellung on Back-o - he-Book-Indexs uk u en, dami meh e e Indizes
aus e schiedenen Quellen zusammenge üh we den können.
Bei eine Da s ellung du ch eine Topic-Map handel es sich um eine besonde e
Fo m eines Ne zwe ks, in dem es n-Kno en gib , welche Topics ep äsen ie en.
Topics können dabei Gegens ände ode Sach e hal e sein. Un e einande sind
die Topics mi einande e bunden. Des Wei e en gib es x-Kno en, welche mi
den einzelnen Topics e bunden sind. So läss sich ein LDA-Modell genau abbil-
den, da alle Wö e eines Topics an ein Topic gebunden sind. Kan en sind en -
wede zwischen den Topics gezeichne ode zwischen den Topics und den zu-
gehö igen Wö e n.
Abbildung 8: Topic-Map
2.5 Analyse und Visualisie ung des be einig en Da enko pus
Die Gesam hei de zu analysie enden Inhal e machen den Da enko pus aus.
Diese können in un e schiedlichs en Fo men und G ößen o liegen. In jedem Fall
en hal en sie jedoch Tex sowie in einigen Fällen Me ada en und s ellen gleich-
zei ig eine Reihe on zusammenhängenden Inhal en zu einem bes imm en The-
menkomplex da . In seine Roh o m is de Da enko pus häu ig s uk u los. Die
Inhal e sind kaum gebündel und können in un e schiedlichen Speiche plä zen
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
20
liegen. Die Rela ion de e schiedenen Da eien und Tex e muss e s iden i izie
und e i izie we den.
Wie Buchk eme e al. au zeigen, is bei de Anwendung des „doppel en T ich e s
de Küns lichen In elligenz” die Quali ä ssiche ung des Da enko pus essenziell.
Hie zu wi d de Ko pus mi Me ada en ange eiche und ha monisie , indem Dup-
lika e en e n sowie Fehle bei de Kon e ie ung und Fo ma ie ung de Da en-
sä ze be einig we den. Als Me ada en können Schlüsselwö e ode Tagging-
In o ma ionen, die on den Au o innen und Au o en be ei ges ell we den ode
du ch einen Ve gleich mi bekann en Taxonomien, Ka alogen ode On ologien
en s ehen, he angezogen we den.
De o läu ige Da enko pus is das E gebnis aus den du chge üh en Be einigun-
gen und en häl 521 Dokumen e.
2.5.1 LDA-Modell gene ie en
Bishe konn en die Da en o be ei e we den, sodass sie nun dem LDA-Algo i h-
mus zuge üh we den können. Es gib nu noch einen a iablen Pa ame e , wel-
che de LDA-Me hode übe geben we den muss. Dabei handel es sich um die
Anzahl de Topics, welche om Algo i hmus gene ie we den sollen. Die ich ige
Anzahl zu inden, is keines alls ein i iales P oblem und die e mein lich bes e
Anzahl kann nu du ch „Ausp obie en“ he ausge unden we den. Die Anzahl au-
oma isie zu bes immen, is Gegens and de Fo schung in den le z en Jah en
gewesen. So konn en Röde e al. be ei s 2015 neue Ansä ze de inie en und im-
plemen ie en, um die Anzahl de Topics bes möglich zu schä zen. Um eine Ab-
schä zung zu geben, gib es das sog. Cohe ence Model welches den Cohe ence
Sco e be echne , welche un e Ve wendung de LDA Me hode zwischen -14 und
+14 lieg . Dieses Modell wi d on gensim be ei ges ell . Um den bes en Cohe-
ence Sco e zu bes immen, wi d dazu meh ach, hie mi 30 I e a ionen, jeweils
ein LDA-Modell e s ell und jeweils de Cohe ence Sco e be echne . Das LDA-
Modell wi d mi olgendem Ausd uck be echne , wobei k ü den Lau index on 0
bis 30 s eh : LdaModel(pape s_co pus, num_ opics=k, id2wo d=pape s_dic).
Nach insgesam 30 du chlau enden I e a ionen und de Be echnung des Cohe-
ence Sco es, e gib sich die olgende G a ik. In diesem Fall lieg de höchs e
Sco e bei ca. 3,75, welche 8 Topics en sp ich .

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
21
Abbildung 9: Cohe ence Sco e mi LDA-Modell
Eine wei e e Analyse ü die op imale Anzahl an Topics kann mi els La en Se-
man ic Indexing (LSI) Modell o genommen we den. Die Aus üh ung is nahezu
iden isch mi de Auswe ung de LDA-Analyse und es kann eben alls ein Cohe-
ence Sco e be echne we den. Diese ha auch einen Peak bei 8 Topics, welche
sich mi dem E gebnis de LDA-Analyse deck . Dahe we den nun ach Topics
ü die LDA-Auswe ung gewähl .
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
22
Abbildung 10: Cohe ence Sco e mi LSI-Modell
Die op imale Anzahl on ach Topics wu de zwei ach e i izie und ü das LDA-
Modell e wende . De Ablau des Algo i hmus soll nun nähe e läu e we den.
Fü jedes Topic we den alle Wö e aus dem Dic iona y un e such und gep ü ,
wie seh sie zu einem Topic passen. Dabei e häl jedes Wo aus dem Dic iona y
eine P ozen anzahl basie end da au , wie gu das Wo zum Topic pass . Da alle
Wö e im Dic iona y dem Topic zugeo dne we den, summie en sich diese Wah -
scheinlichkei en au 1. So wi d nun ü alle Topics o gegangen. Als Ende gebnis
e häl man also eine Lis e p o Topic mi allen Wö e n und de en Wah scheinlich-
kei en. Ein wei e e Aspek is , dass LDA selbs keine Topicnamen e gib . Diese
we den lediglich numme ie . Anbei wu de hie Topic 4 mi den 10 Wo en, mi
de höchs en Wah scheinlichkei , isualisie . Dabei kann deu lich e kann we -
den, wie sich hie Wö e um einen „Übe g i “ sammeln, beispielweise könn e
hie de Topicname „Bobschli ens eue ung bei e eis e Obe läche“ e wende
we den.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
23
Abbildung 11: Topic aus LDA
Anschließend wu den die Topics noch in eine Topic-Map übe üh . Dazu müssen
die Wö e aus den Topics in eine Ne zwe k o m übe üh we den. Diese Um-
wandelung soll nun nähe e läu e we den. Mi den e s en zehn Wö e n aus
jedem Topic wi d eine Lis e gebilde . Danach we den Big ams und T ig ams aus
diese Lis e gene ie . Im nächs en Sch i wi d be echne , ob und in welche
Menge diese Bi- und T ig ams in den Abs ac s o kommen. Soll en die Big ams
wei e als 15 Wö e oneinande en e n sein, wi d dies nich als Ve bindung
gewe e . Soll en Big ams keine Ve bindung o weisen, we den diese ein ach
aus de Lis e gelösch und nich wei e be ach e , dami keine einzelnen Ele-
men e in dem Ne zwe k da ges ell we den. Als E gebnis e häl man eine Lis e
mi zwei Wö e n und eine Angabe, wie o es eine Übe eins immung gab. Zule z
wi d die Lis e de Py hon Lib a y ne wo kx übe geben. Diese kann mi wenigen
Be ehlen ein Ne zwe k aus den o he de inie en Lis en e s ellen und expo ie-
en.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
24
2.5.2 Ne zwe k isualisie ung mi Gephi
Bei de Gegenübe s ellung on Visualisie ungsme hoden wie de „Wo dcloud“
und eine „Topic-Map“ wi d, sobald die gewich e e Anzahl de Wö e in einem
Da enko pus als alleiniges Me kmal zu Analyse genu z wi d, deu lich, dass
keine Aussagen übe inhal liche S uk u en möglich sind, ü die e wa Seman ik
ode Kon ex be ücksich ig we den muss. Dahe wi d sich im Wei e en au de
Ebene de Ne zwe kanalyse beweg .
Gephi is eine open-sou ce So wa e zu Visualisie ung on Ne zwe ken. Gephi
bie e e schiedene Me hoden und Algo i hmen die dazu dienen, die Zusammen-
hänge zwischen den Themen inne halb des Da enko pus zu iden i izie en. Eine
diese Me hoden is de in diese Ausa bei ung e wende e Fo ceA las2. Die im
Ve lau dieses Kapi els au be ei e en Visualisie ung be uhen au diese Me ho-
dik.
Jacomy e al. (2014) besch eiben Fo ceA las2 als ein k ä eo ien ie es Layou :
Es simulie ein physikalisches Sys em, um ein Ne zwe k au einen Gegens ands-
aum abzubilden. Kno en s oßen sich gegensei ig wie geladene Teilchen ab,
wäh end Kan en ih e Kno en anziehen wie Fede n. Diese K ä e e zeugen eine
Bewegung, die zu einem ausgeglichenen Zus and kon e gie . Mi eine solchen
Kon igu a ion soll die In e p e a ion de Da en e leich e we den. Soll e sich im
Wei e en au den Te m „G a i a ion“ bezogen we den, is das Layou Fo ceA las2
e e enzie . Abbildung 12 zeig dieses Layou in e schiedenen G a i a ionss u-
en.
Abbildung 12: Layou s mi e schiedenen G a i a ionss u en
Anhand de zu o besch iebenen LDA-Me hodik und dem g a i a ionsbasie en
Layou Fo ceA las2 wi d de o läu ige Da enko pus du ch olgende Ne zwe ke
isualisie . Li e a u da en, die im Zei aum 2015 bis 2022 en s anden, nehmen
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
31
Abbildung 16: Beispielha e Ausschni aus Au zeichnung on Zweie bob L.
Nol e om 12.12.2021
Die Videos wu den im Fo ma MP4 (MPEG-4) mi eine Au lösung on 1280 ×
720 Pixeln au gezeichne . Die Bildwiede hol a e de Videos be ug dabei 50 F a-
mes p o Sekunde. Die Kame aanlage, aus welche die Videos s ammen, is mi
26 Kame as en lang de Bobbahn ausges a e . Die Kame as sind an den insge-
sam 14 Ku en sowie Ve bindungsabschni en angeb ach .
G undsä zlich lassen sich die Kame ape spek i en in s a ische und dynamische
Au nahmen un e eilen. Die Kame as K1, K3, K4, K6, K8, K11, K12 und K13 ha-
ben s a ische Pe spek i en, wäh end die Kame as K2, K5, K7, K9 und K14 mi
Schwenk o ich ungen ausges a e sind und somi dynamische Pe spek i en
bie en. Die dynamischen Kame as e olgen die Bobs bei de Du ch ah du ch
lange Ku en, ü welche sons di e se s a ische Kame as benö ig wü den. Ab-
bildung 17 zeig beispielha eine dynamische Kame ape spek i e, Abbildung 18
eine s a ische Kame ape spek i e.

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
32
Abbildung 17: Dynamische Kame ape spek i e in Ku e 7
Abbildung 18: S a ische Kame ape spek i e in Ku e 11
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
33
Die zu Ve ügung s ehenden 115 Videoau zeichnungen sind Zusammenschni e
de 26 Kame ape spek i en, welche mi Einblendungen de jeweiligen Bobs so-
wie gemessenen Zei en an den jeweiligen Lich sch anken ange eiche we den.
Fü die Analyse de Fah linie in eine bes imm en Ku e müssen diese Videos
demnach in die einzelnen Kame ape spek i en au ge eil we den, um diese wie-
de um übe e schiedene Fah en hinweg e gleichen zu können. Fü die Au -
eilung de Kame ape spek i en wu de ein au oma ische Szenene kennungsal-
go i hmus angewende .
Fü die Analyse wu den ausschließliche s a ische Kame ape spek i en e wen-
de , da nu bei diesen Pe spek i en die Gene ie ung eine Hea map echnisch
möglich is .
3.3 Vo gehen und Implemen ie ung
Dieses Kapi el widme sich de Besch eibung des En wicklungs o gehens und
de Implemen ie ung de Applika ion zu Fah linienanalyse de Bobs. Im En wick-
lungs o gehen we den wich ige Thema iken de Usabili y, Use Expe ience und
Nu ze zen ie ung beleuch e , die ü die E s ellung de P o o ypen be ücksich ig
we den müssen. Die au dem P o o yp basie enden implemen ie en Benu ze -
obe lächen und de en Funk ionali ä en, Aspek e de Da enhal ung und de Aus-
üh ba kei de Applika ion we den in olgenden Kapi eln da ges ell . Usabili y, U-
se Expe ience und Nu ze zen ie ung sind wich ige E olgs ak o en bei de E -
s ellung on Applika ionen ü den Endnu ze . Meis we den po enzielle Nu zende
nich in den En wicklungsp ozess neu zu en wickelnde So wa e mi einbezogen
und müssen sich no ged ungen an die Gegebenhei en anpassen. Applika ionen,
denen die Akzep anz de Nu zenden e weh bleiben, sind in den meis en Fällen
zum Schei e n e u eil . Nu wenn das P oduk au die Bedü nisse de Nu zen-
den ausgeleg is und sie das Sys em in ui i bedienen können, wi d es als posi-
i es und un e s ü zendes Sys em wah genommen.
3.4 Au bau des G aphical Use In e ace
Das hie o ges ell e G aphical Use In e ace wu de nu ze zen ie en wickel ,
sodass es ohne ie e gehende echnische Kenn nisse genu z we den kann. De
Au bau des GUI sieh den in Abbildung 19 da ges ell en Use Flow o .
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
34
Abbildung 19: Use Flow des Use In e ace
Im e s en Sch i lies de Nu zende ein neues Video aus seinem Da eiexplo e
ein und e gib einen Videonamen. Das Video wi d nach Einlesung in seine ein-
zelnen Szenen ge eil .
Im nächs en Sch i e olg eine manuelle Zuo dnung de Szenen zu den Ku en
du ch den Nu zenden. Mi Klick au den Videonamen und den Bu on Szenen
bea bei en wi d eine Tabelle geö ne , die mi de ko ek en Ku e au Basis de
Zei in o ma ionen zu den jeweiligen Szenenabschni en ge üll wi d.
Die Anwendung kann auch ohne das Einlesen des Videos genu z we den. Dazu
kann de Nu zende au die be ei s eingelesenen Videos zu ückg ei en. Nach Zu-
o dnung de Szenen zu den Ku en wähl de Nu zende, neben den zu analysie-
enden Videos, un e Punk 3 im D op Down Menü eine Ku e zu Analyse aus
und e s ell übe den gleichnamigen Bu on die Hea map. Wie im Use Flow in
Abbildung 19 zu e kennen, ha de Nu zende nun die Möglichkei , die Fah linien
de Bobs zu e gleichen und E kenn nisse abzulei en. Dabei un e s ü z die in e -
ak i e Fil e möglichkei , mi de die einzelnen Fah linien ein- bzw. ausgeblende
we den können. Fü den wei e en Geb auch is es zudem möglich, sich die ge-
ne ie e Hea map he un e zuladen.
Zu E s ellung des Use In e ace wu de au die Py honbiblio hek PySimpleGui
zu ückgeg i en. De Au bau de S a sei e is du ch die Numme ie ung de
Sch i ab olge ü den Nu zenden ein ach nachzu ollziehen. De sich ba e eie
Be eich zwischen den linken und ech en S eue ungselemen en dien zu Da -
s ellung de Hea map.
3.4.1 Einlesen und Ve a bei ung de Videos
Um die Funk ionali ä des Videoeinlesens ü die Nu zenden be ei zus ellen,
wu de mi hil e on PySimpleGUI ein en sp echende Lesedialog e s ell . Im Dia-
log wi d de Nu zende au ge o de einen Da eip ad zu Videoda ei anzugeben.
Dies kann e übe einen gesonde en Dialog zu Na iga ion des Da eisys ems
du ch üh en. Die Funk ionali ä zum Du chsuchen des Da eisys ems wi d ihm
übe die in PySimpleGUI in eg ie e Funk ion .FileB owse() be ei ges ell („Py hon
GUIs o Humans“, o. J.).
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
35
Fü die wei e e Ve a bei ung zu eine Hea map müssen die zu analysie enden
Videoda en en sp echend o e a bei e we den. Um de Anwende in bzw. dem
Anwende da ü einen möglichs g oßen Kom o zu bie en, soll die Gene ie ung
de Fah linienanalyse anhand de Auswahl eine Ku e de Bobbahn ges eue
we den können. Da diese In o ma ionen jedoch nich in den Video ohda en o -
liegen, muss eine Zuo dnung de Ku e au die zus ändige Kame a o genom-
men we den. Die zus ändige Kame ape spek i e muss dann wiede um im Video
isolie we den.
Eine manuelle Iden i ika ion de Schni e im Video, welche den Wechsel on eine
Kame ape spek i e zu eine wei e en anzeigen, is eine zei au wändige und es-
sou cenin ensi e A bei , welche in ande en Kon ex en eilweise noch heu e ma-
nuell du chge üh wi d, beispielsweise um Nach ich ensendungen zu eilen, so-
dass die Konsumen in bzw. de Konsumen die Möglichkei e häl , nu einzelne
Nach ich enszenen zu be ach en (Cui e al., 2017). Um diese Zuo dnung ü die
Anwende in bzw. den Anwende kom o able zu ges al en, wu de das Video
nach dem Einlesen o e a bei e und du ch Anwendung eines Szenene ken-
nungsalgo i hmus au oma isch in einzelne Szenen un e eil . In Abbildung 20 wi d
diese P ozess g a isch da ges ell .
Abbildung 20: P ozesssch i e zu Zuo dnung de Videoau nahmen zu ausge-
wähl en Ku en
G undsä zlich e wenden alle Szenene kennungsalgo i hmen hie bei ähnliche
Vo gehensweisen. Die hohe Anzahl an In o ma ionen in einem Video (Fa bwe e
de Pixel, Helligkei , Kon as , Länge, Au lösung, e c.) wi d au eine kleine Menge
an In o ma ionen, sogenann e Fea u es, eduzie und aus den einzelnen F ames
ex ahie und e a bei e . (Co saces e al., 2006, S. 30) Diese ex ahie en Fea-
u es können dann zwischen au einande olgenden F ames e glichen we den,
um eine Ände ung es zus ellen. Da die Me iken, welche die ex ahie en Fea-
u es abbilden, jedoch hochsensibel sind und bei jedem F amewechsel a iie en,
muss neben de Auswahl de Fea u es auch ein Schwellwe angegeben we den,
ab welchem die Ände ungen in den Me iken g oß genug sind, um einen Szenen-
wechsel (Wechsel de Kame ape spek i e) zu ma kie en.
Ku e in Bobbahn
wi d
ge ilm
on
zus ändige Kame a
ü Ku e
wi d
iden i-
izie
du ch
Zei s empel de
ele an en
Kame aeins ellung
wi d
e kann
du ch
Szenene kennungs-
Algo i hmus
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
36
Je nachdem, welche A on Szenenwechsel o lieg , können jedoch auch diese
Schwellwe e schwanken. G undsä zlich lassen sich ie Haup a en on Sze-
nenwechseln un e scheiden. Bei Cu changes (a) inden ab up e Wechsel eine
Szene s a . Bei solchen Wechseln gehö de le z e F ame zu o he igen Szene
und de nächs e F ame zu neuen Szene. Bei Dissol e changes (b) inde eine
sich ba e Übe lappung e schiedene Kame ape spek i en s a , welche sich
übe eine g öße e Menge an F ames hinzieh . Sogenann e Fade changes (c) sind
ähnlich zu Dissol e changes, jedoch übe lage n die au einande olgenden Sze-
nen sich nich di ek , sonde n es inde ein ade-ou au ein schwa zes Bild s a ,
wo au hin das schwa ze Bild wiede au die nächs e Szene wechsel ( ade-in).
Eben alls übe meh e e F ames hinweg inden wipe changes (d) s a . Diese Sze-
nenwechsel bewegen die o he ige und nächs e Szene in ho izon ale ode e -
ikale Rich ung aus dem Bild he aus bzw. in das Bild he ein, sodass ü eine
kleine Menge an F ames die beiden Szenen in Teilen nebeneinande angezeig
we den.
Wie in Abbildung 21 gezeig , we den in den o liegenden Videoda en ausschließ-
lich Wipe changes e wende , um die un e schiedlichen Kame ape spek i en zu
e binden und den Bob en lang de Bahn zu e olgen. Fü die spä e e Anwen-
dung de De ek o en wu de da au geach e , dass die En scheidung übe einen
Szenenwechsel nich ausschließlich au Basis eines F ames ge o en wi d, wel-
che einen Wipe change zeig .

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
37
Abbildung 21: Szenenwechsel mi Wipe change
Die au oma ische Szenene kennung wu de in diese A bei übe Open-Sou ce
Py hon Package PySceneDe ec ealisie . Das Package wu de e s malig 2014
om En wickle B andon Cas ellano e ö en lich und wi d bis heu e wei e en wi-
ckel (Cas ellano, 2014). Die in diese A bei e wende e Ve sion 0.5.6.1 wu de
im Ok obe 2021 e ö en lich . Das Pake kann übe das Py hon Command-Line-
In e ace ode übe den di ek en Me hodenau u anges eue we den. Fü die
Einbindung in das GUI wu de de di ek e Me hodenau u gewähl und implemen-
ie .
Wenn de Benu ze ein Video einlies und de Video e a bei en Bu on geklick
wi d, dann wi d die Me hode . ind_scenes() au ge u en, um das Video einzulesen
und die Szenen zu ex ahie en. Dabei wi d o ab gep ü , ob ein en sp echende
Videoname sowie Da eip ad angegeben wu de. Falls nich , wi d eine Fehle mel-
dung ausgegeben. Abbildung 22 zeig hie zu den Videoauswahldialog.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
38
Abbildung 22: GUI – Videoauswahldialog
Die ind_scenes Me hode e häl als Inpu d ei Pa ame e : Den Videop ad ( i-
deo_pa h), einen booleschen We , welche angib , ob ein Analysedokumen
übe die Szenenex ak ion e s ell we den soll (expo _s a s) sowie ein Video Ma-
nage -Objek , welches eine en sp echende Biblio hek en häl , um Videos e -
schiedenen Typs p og amma isch einzulesen und die einzelnen F ames de Vi-
deos zu un e suchen ( ideo_manage ). Fü die E kennung de Szenen s ehen im
Pake d ei e schiedene De ek o -Algo i hmen zu Ve ügung:
Th eshold De ec o
De Th eshold De ec o (deu sch: Schwellwe de ek o ) basie au Helligkei und
Sä igungs ea u es, welche aus den einzelnen F ames be echne we den. Hie zu
wi d ü jeden Pixel im Video de jeweilige Helligkei s- und Sä igungswe , wel-
che wiede um zu einem Gesam du chschni des gesam en F ames, bes ehend
aus 1280×780 Pixeln, konsolidie wi d, genu z . Au diese Weise e gib sich eine
Glei kommazahl zwischen 0 und 255, welche den du chschni lichen Hellig-
kei s-/Sä igungswe des F ames angib . De Th eshold De ec o leg jedoch die
Annahme zug unde, dass ein Szenenwechsel imme du ch die Einblendung ei-
nes schwa zen Bildes eingelei e wi d, dahe e gleich de Algo i hmus die be-
echne en Du chschni swe e s e s gegen die We e eines schwa zen Bildes und
ma kie einen Szenenwechsel nu dann, wenn die We e übe eins immen – im
Video also ein olls ändig schwa ze F ame angezeig wi d. [„Scene De ec ion
Algo i hms“]
Con en -Awa e De ec o
De Con en - Awa e De ec o (deu sch: inhal ssensi i e De ek o ) be ücksich ig
wei e e Fea u es, indem die RGB-We e de Pixel in den HSV-Fa b aum kon e -
ie we den. Im HSV-Fa b aum we den die Eigenscha en de Fa bwe e (Hue),
Fa bsä igung (Sa u a ion) und des Hellwe es (Value) be ücksich ig . Au diese
Weise we den die Fa ben im Bild s ä ke be ücksich ig und es kann ein Ve gleich
zwischen e schiedenen F ames du chge üh we den. [„Scene De ec ion Algo-
i hms“]
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
39
Adap i e Con en De ec o
De Adap i e Con en De ec o (deu sch: anpassende inhal ssensi i e De ek o )
weis dieselbe Funk ionsweise wie de Con en De ec o au , e wende jedoch
zum F ame e gleich einen ollie enden Du chschni on meh e en F ames an-
s a jeden F ame einzeln mi seinem Nach olge zu e gleichen. [„Scene De ec-
ion Algo i hms“]
Fü die Realisie ung de Szenene kennung de Videoda en wu de de Con en
Awa e De ec o e wende , da ein Wechsel de Kame ape spek i e unmi elba
au einande olgend passie . Die . ind_scenes() Me hode übe gib dem Szenen-
manage -Objek den Con en De ec o und wende da au hin die de ec _scenes
Me hode an, um die Szenen zu ex ahie en.
Wie be ei s in de allgemeinen Ein üh ung zu Szenene kennungsalgo i hmen be-
sch ieben, is es ü alle De ek o en no wendig zu de inie en, bei welchen
Schwellwe en die Ve ände ung eine Messme ik als Szenenwechsel e kann
we den soll. Bedenk man die zug undeliegenden Ein lussg ößen (Fa bwe e,
Helligkei , Sä igung), so wi d deu lich, dass ein solche Schwellwe nich nu on
Video zu Video, sonde n auch on Szene zu Szene un e schiedlich hoch sein
kann. Auch Daudpo a e al. (2019) sehen im Fes legen de ko ek en Schwell-
we e eines de g öß en P obleme de klassischen Szenene kennungsalgo i h-
men und haben es ges ell , dass diese Schwellwe e nich unabhängig de Da-
eninpu s es geleg we den können (Daudpo a e al., 2019, S. 1415). Mi le weile
haben sich un e schiedliche Vo gehen zu Fes legung diese Schwellwe e e ab-
lie , welche p imä da au abzielen, die Schwellwe e möglichs dynamisch und
un e Be ücksich igung des Da eninpu s zu be echnen. Co saces e al. (2006)
un e schieden zwischen s a ischen, (s a ic h esholding), anpassenden (adap i e
esholding), p obabilis ischen (p obabilis ic h esholding) Fes legungen de
Schwellwe e, sowie de Ve wendung on o ainie en Modellen ( ained classi-
ie ) (Co saces e al., 2006, S. 31).
Im Rahmen de Implemen ie ung wu den e schiedene Me hoden zu Fes le-
gung des Schwellwe es ge es e . Da in de ak uellen Ausbaus u e des P o-
g amms lediglich s a ische Ku en mi es ins allie en Kame as un e such wu -
den, ha die s a ische Fes legung de Schwellwe e be ei s zu iedens ellende E -
gebnisse e zeug . Die Analyse dessen wu de dabei übe eine Log-Da ei des Sce-
neDe ec Packages du chge üh . In de expo ie ba en s a s.cs Da ei, können
die Me iken ü Fa bwe , Fa bsä igung und Hellwe je F ame eingesehen we -
den und mi den Bilde n de F ames e glichen we den. In Abbildung 23 sind die
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
40
We e und Bilde kombinie da ges ell und es wi d deu lich, wie sich ein Sze-
nenwechsel in den Da en ausd ück . Fü die Ve a bei ung de o liegenden Vi-
deoda en wu de nach P ü ung meh e e Videos on un e schiedlichen Au nah-
me agen ein Schwellwe on 27 es geleg . Zusä zlich wu de es geleg , dass
Szenen e s dann als solche e kann we den sollen, wenn diese mindes ens 15
F ames – also 0,3 Sekunden – lang sind.
Abbildung 23: Ve gleich de HSV-We e bei einem Szenenwechsel
Die Rückgabe de Me hode is eine Lis e de iden i izie en Szenen, welche de
Nu ze in bzw. dem Nu ze abella isch mi Zei s empeln und wei e en A ibu en
angezeig we den können.
Fü die Zuo dnung zu eine en sp echenden Ku e wu de de Lis e noch eine
Spal e Ku e hinzuge üg , welche die Nu ze in bzw. de Nu ze in de Anzeige
manuell ände n kann. Au g und de implemen ie en Da enspeiche ung muss
diese Au gabe on de Benu ze in bzw. dem Benu ze p o analysie e Fah nu
einmalig du chge üh we den.
Im nächs en Kapi el we den die Da en de ex ahie en Szenen und zugehö igen
Ku en e wende , um die eigen liche Fah linienanalyse zu gene ie en.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
47
is . Fü diese Ku e we den nach olgend die Fah en de Pilo en Zimme und
Zielasko e glichen. Dazu wu den, wie be ei s bei den e s en Videos, zunächs
die Videoau nahmen in die Anwendung geladen und en sp echend benann . An-
schließend wu de die Ku e zu de Szene diese Ku e in de Tabelle übe die
Anwendung geleg . Bei de abschließenden Visualisie ung de übe einande ge-
leg en Hea maps lassen sich hie eben alls Un e schiede in den Fah linien e ken-
nen. Dies läss sich dadu ch beg ünden, dass de Pilon Zielasko o enba mi
olle Geschwindigkei die Ku e nimm und dahe eine höhe e Fah linie äh .
Bei de Pilo in Zimme e kenn man eine o sich ige e Fah . In de Abbildung 27
is die Fah linie on Zimme o da ges ell und die on Zielasko in blau.
Abbildung 27: Hea maps Ku e 9 ‒ Zimme und Zielasko
Im Zuge de Analyse wei e e Videos sind e schiedene Hea maps gene ie wo -
den, welche nich au den e s en Blick e klä we den konn en. Eines diese Bei-
spiele is bei de Au nahme on Dos hale in de Ku e neun mi de Wei winkel-
kame a au ge e en. Bei Gene ie ung de Hea map aus diesem Video, welche in
Abbildung 28 da ges ell is , sind einige a bige Be eiche un e halb de Fah bahn
zu e kennen. Dieses läss sich nach Analyse des Videoma e ials du ch eine Pe -
son, welche du ch das Bild läu , e klä en.

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
48
Abbildung 28: Hea map Ku e 9 – Dos hale
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
49
4 Zum Zusammenhang on Fah linie und Geschwindigkei
4.1 Zielse zung
Ziel dieses Kapi els is , die Abhängigkei de Geschwindigkei on de Fah linie
zu un e suchen. Die hie bei ge o ene Annahme wa , dass die Pilo en du ch die
Fah linie die Geschwindigkei beein lussen können. Zudem wu de übe p ü , ob
wei e e Fak o en wie z. B. de gewähl e Mess ag, das Gewich , e c. einen signi-
ikan en Ein luss au das E gebnis haben.
4.2 Au bau de En wicklungsumgebung
Zu En wicklung s ehen au g und de ü die Be echnungen benö ig en Biblio he-
ken und Funk ionen die P og ammie sp achen R und Py hon zu Auswahl. Ins-
besonde e ma hema ische und s a is ische Biblio heken wie „s a smodels“ un e
Py hon und „Quan mod“ un e R we den als echnische G undlage ü diese A -
bei angesehen. Au Basis bishe ige E ah ungen wu de Py hon als P og am-
mie sp ache gewähl . Die hie bei e wende e Ve sion is Py hon 3.9.10. Als En -
wicklungs ool wu de sich ü die Anwendung PyCha m P o essional des So -
wa ehe s elle s Je B ains s. .o en schieden. Die Code-Ve wal ung wu de übe
ein p i a es Gi -Reposi o y gelös und ü den Aus ausch de Da en wu de die
Kollabo a ionsumgebung in Mic oso Teams genu z .
4.3 Abgelei e e Vo gaben de Da enau be ei ung
Zu Eing enzung de Un e suchung diese A bei wu den einige Annahmen und
Un e suchungsschwe punk e de inie , die ü die Au - und Vo be ei ung de Da-
en wich ig sind. Gemäß de hohen Gesam da enmenge on insgesam as
1.000 Fah en wu de eine Un e suchung de einzelnen S a o gänge nich o -
genommen. Eine Ve gleichba kei de Fah weise on Mono-, Zweie - und Vie e -
bob ode zwischen Geschlech e n wu de au Basis de e kann en wi kenden
K ä e und un e schiedlichen Vo gaben des Reglemen s nich angenommen. Zu
Un e suchung wu den die Da en dahe in iden i izie e G uppen eingeo dne und
einzeln be ach e . Da insbesonde e auch eine hohe Abhängigkei des Reibungs-
koe izien en on de Tempe a u des Eises he ausges ell wu de, wu den maxi-
mal alle Läu e eines Tages un e den gleichen Rahmenbedingungen be ach e .
Die Modellie ung wi d eine agesabhängige Abhängigkei dahe in E wägung zie-
hen und diese un e suchen.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
50
4.4 Hypo hesen und F ages ellungen
De Da ensa z des Eiskanals „VELTINS-EisA ena Win e be g“ soll au die olgen-
den Hypo hesen un e such we den. Die du ch die Li e a u au ges ell e Hypo-
hese, dass die S a geschwindigkei signi ikan en Ein luss au das E gebnis ha ,
soll übe p ü we den. Des Wei e en wi d da on ausgegangen, dass die Pilo en
das E gebnis posi i wie nega i du ch die Fah linie beein lussen können. Hie bei
is die G undannahme zu e en, dass die op imale Fah linie sich zwischen den
e schiedenen Spo ge ä en un e scheide . Zudem is zu klä en, ob ü die Fah -
en ein gene elles Op imum zu bes immen is ode ob dies, au G und eine wech-
selnden Ausgangslage, ü jeden Du chlau e neu bes imm we den muss.
4.5 Homogenisie ung de Da eis uk u
Die dem P ojek zu Ve ügung ges ell en O dne und Da eien be inden sich nich
in einem einhei lichen Fo ma . Fü den Impo muss ein einhei liches Konzep
angewende we den. Die au be ei e e S uk u beginn als Basis mi einem Obe -
o dne , welche säm liche Da en eine Bahn bzw. eine Loka ion en häl . Die O d-
ne in diesem ep äsen ie en eine G uppie ung on Da ensä zen. Die A omizi ä
diese G uppie ungen is zu maximie en, um in de spä e en Analyse eine g ö-
ße e Viel al on Subg uppie ungen zu e lauben.
Bei de p ak ischen Umse zung diese Vo gaben wu den dazu allen Me kmalen
eindeu ige Iden i ika o en zugewiesen und ge enn du ch Un e s iche, im O d-
ne - und Da einamen, zusammenge ass . Hie bei wu den alle Me kmale, welche
ü die gesam e G uppie ung gleich sind, im O dne zusammenge ass . Nu no -
wendige Me kmale wu den im Da einamen behal en. Einige de Quello dne wei-
sen Da ensa zg uppie ungen mi gemisch em Fah e geschlech au , welche da-
he in sepa a e Un e g uppen so ie wu den. Das Geschlech wu de es ges ell
mi hil e de A hle enlis e des IBSF ( gl. ISBF, 2022a).
4.6 Ex ak ion de Me ada en und Da eiinhal e
Die Homogenisie ung de Da eis uk u esul ie e in de in Tabelle 2 da ges ell-
en S uk u . Die Me kmale de Me ada en lassen sich hie bei in zwei Ka ego ien
un e eilen: Me kmale mi s a ischen ode dynamischen Ausp ägungen. Me k-
male wie die Anzahl an A hle en e en nu in den Ausp ägungen „1“, „2“ ode „4“
au . Im Gegensa z dazu a iie en Fah e ID je nach Loka ion, Da um, Geschlech ,
e c. und wu den dynamisch ausgelesen.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
51
Tabelle 2: O dne - und Me ada en-S uk u
Ebene Me kmal Ausp ägungen
1. Obe o dne
Loka ion
Win e be g
2. O dne
Da um
[Da um]
Geschlech
männlich, weiblich
Schli en yp
Bobsleigh
Anzahl
1, 2, 4
Anlass
Wel meis e scha , T aining
3. Da ei
Fah e (ID)
[Fah e -ID]
Fah
1, 2, 3
4. Da en
[Spal en]
[Zeilen]
Die Da en in den Da eien besaßen un e schiedliche Da eikodie ungen und
Spal enübe sch i en. Die Spal en eihen olge is jedoch bei beiden Va ian en
gleich. Die Spal en wu den deswegen beim Einlesen einhei lich umbenann . Die
genu z en Bezeichnungen sind in Tabelle 3 zu sehen:
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
52
Tabelle 3: Da enspal enbenennung
Da eikodie ung UTF-8 ANSI [in e n]
Zei
Time s
Time s
Time
En e nung
Dis ance m
Dis ance m
Dis ance
Geschwindigkei
Speed km/h
Speed km/h
Speed
X-Beschleunigung
Acc x m/s2
Acc x m/s2
Acc_X
Y-Beschleunigung
Acc y m/s2
Acc y m/s2
Acc_Y
Z-Beschleunigung
Acc z m/s2
Acc z m/s2
Acc_Z
Rollwinkel
Roll angle deg
Roll angle
Roll
Lich sch anke
Ligh beam
Ligh beam
LB
Lich sch ankenzei
LB ime s
LB ime s
LB_Time
4.7 An eiche ung de Da en
Die impo ie en Da en wu den nun ange eiche . Dies beinhal e die Addi ion de
Me ada en, Da en ypkon e ie ungen und Be echnungen wei e e ü die spä e e
Analyse sinn olle Da en elde .
Zunächs wu den dem Da ensa z Loka ion, O dne - und Da einame hinzuge üg .
Dies e laub die Ex ak ion de wei e en Me ada en. Aus diesen Felde n wu de
auch eine jede einzelne Fah iden i izie ende ID gene ie . Diese e laub eine
schnelle G uppie ung ode Fil e ung nach Fah . Im Anschluss wu den die Me a-
da enme kmale ex ahie . Dazu wu de gep ü , ob im O dne - ode Da einamen
die eindeu igen Iden i ika o en de s a ischen Me kmale o liegen. Dynamische
Me kmale wu den anhand Ih e Posi ion ode Fo ma ie ung e kann .
Um gleiche Einhei en zu e wenden, wu den die We e de Geschwindigkei on
km/h in m/s umge echne . Aus den Di e enzen diese und de Zei wu de die
gene elle und ek o lose Beschleunigung be echne . De absolu e Rollwinkel
wu de eben alls e gänz . Fü den absolu en Rollwinkel wu den meh e e Hil s-
maße be echne . Die Ände ung des absolu en Rollwinkels wu de mi hil e de

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
53
Zei di e enz au eine Ände ung des absolu en Rollwinkels in °/s skalie . Diese
We e sollen, unabhängig da on, ob ge ade eine Links- ode Rech sku e du ch-
ah en wi d, ein Maß da ü bie en, wie uhig eine Fah e läu . Zu diesem Zweck
wu de dieses Maß auch nochmal mi absolu en We en be echne . Die Sek o en
wu den jeweils aus den Lich sch anken abgelei e . S a - und Zielsek o e wen-
den Pla zhal e , da keine wei e e Lich sch anke o handen is .
4.8 Da en il e ung und Behandlung on Aus eiße n
Bei de Be ach ung de impo ie en Da ensä ze allen einige mi in e ie en X-
Beschleunigungs-, Y-Beschleunigungs- und Rollwinkelwe en au . Da diese Da-
ensä ze bis au das inko ek e Vo zeichen keine Au älligkei en besaßen, wu de
sich dazu en schlossen, diese mi angepass em Vo zeichen zu nu zen. Jede Da-
ensa z, welche eine nega i e mi le e X-Beschleunigung o de S a linie au -
weis , wi d mi eine Vo zeichenanpassung au be ei e .
Die Da en il e ung e olg e in sechs einzelnen und au einande olgenden Sch i -
en. In diesen Sch i en wu de explo a i sowie mi dem linea en Modell übe p ü ,
ob ein Da ensa z ü die spä e e Auswe ung geeigne is . De Beg i Da ensa z
bezieh sich im Kon ex de Da en il e ung au einen einzelnen Lau und dessen
Messe gebnisse. Die Fil e ung, beziehungsweise die Bes immung de Rand-
we e, e olg e dabei zum Teil au dem olls ändigen Da ensa z als auch au ein-
zelnen Da enzeilen. Is die Vo ausse zung au G und on ehle ha en We en,
basie end au den de inie en Vo gaben, ode ehlenden We en nich gegeben,
wu de de Da ensa z e wo en. Die olgende Reihen olge zu E läu e ung de
Fil e is iden isch zu de Reihen olge de Aus üh ung de Fil e , die in Py hon
du chlau en wi d.
De e s e Fil e en e n alle Da ensä ze mi Non-We en au den Felde n „Time“,
„Dis ance“, „Speed“, „Acc_X“, „Acc_Y“, „Acc_Z“ und „Roll“. En häl das Da ense
mindes ens einen Non-We inne halb eine de de inie en Spal e p o Da ensa z,
wi d diese en e n und im Lau e de Auswe ung nich be ach e .
Als zwei es wu den die Sek o en de Bahn in Win e be g inne halb des Da en-
sa zes gep ü . Hie ü wu de de olls ändige Da ensa z gegen jeden Sek o des
Eiskanals gemapp . En häl de Da ensa z Sek o en, die nich dem Eiskanal Win-
e be g zugeo dne we den können, wi d diese Da ensa z aus de Auswe ung
olls ändig en e n . Des Wei e en wi d siche ges ell , dass keine de Sek o en
on Win e be g inne halb des Da ensa zes ehl . Dies sp ich ü eine alsche Zu-
o dnung ode eine ehle ha e Messung. Da ein Ve schieben de Sek o en und
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
54
de dami einhe gehenden Rollwinkel e c. die E gebnisse de Auswe ung e äl-
schen wü de, wu den die hie on be o enen Da ensä ze e wo en. Im Zuge de
Übe p ü ung de Sek o en wu de auch siche ges ell , dass die Sek o en inne -
halb des Da ensa zes in de ich igen Reihen olge du ch ah en wu den. Is diese
G undannahme ü den Da ensa z nich zu e end, wu de diese aus de wei e-
en Auswe ung en e n .
Die Geschwindigkei im Sek o „S“ dien als wei e e Fil e de Da en. Is diese
Geschwindigkei ge inge als 0,25 Me e p o Sekunde, was ca. einem Kilome e
in de S unde en sp ich , wi d de Da ensa z e wo en. Die S a geschwindigkei
lieg im Du chschni alle Läu e bei ca. 10 m/s beziehungsweise 36 km/h.
Du ch Sich ung de Da en wu de zudem e mi el , dass einige de Da ensä ze
un ealis ische Rollwinkel beinhal en. An angs wu den die Da ensä ze au einen
maximalen Rollwinkel on 150 G ad gep ü . Alle Da ensä ze, die diese G enze
übe sch ei en, wu den, wie in den Sch i en zu o , aus de Auswe ung en e n .
Nach explo a i e Be ach ung de Da en wu den zudem wei e e Fah en e -
kann , die keine ealis ischen Messungen da s ell en. Du ch diese wei e e Übe -
p ü ung de E gebnisse wu de de maximale Rollwinkel au 130 G ad eduzie .
Im le z en Sch i wi d die Dis anz, die wäh end de Fah zu ückgeleg wu de,
übe p ü . Die Dis anz kann du ch die Fah linie beein luss we den, was ü eine
S euung de Dis anzwe e inne halb eine Bobka ego ie so g . Wi d de Eiskanal
mi ge ingem Rollwinkel du ch ah en, wi d eine im Ve gleich zu höhe em Rollwin-
kel kü ze e S ecke zu ückgeleg . Um diese S euung zu be ücksich igen, wu de
ü die Dis anz ein In e all on 1.200 Me e n bis 1.800 Me e n es geleg . Dieses
In e all en sp ich dem Du chschni ± de S anda dabweichung mul iplizie mi
dem Fak o d ei.
Du ch diese Da enbe einigung wu den 23 Da ensä ze on insgesam 1.026 aus-
geschlossen. Dami wu den ca. 2 P ozen alle Da ensä ze als ehle ha e kann
und in olgedessen aus dem Da ense en e n .
4.9 Bes immung de Ku en
Die Bes immung de Ku en e olg au oma isie mi Py hon. Zu Bes immung
wu de dabei ausschließlich de absolu e Rollwinkel des Du chlau s e wende .
Die Logik zu Bes immung de Ku en olg dem heo e ischen Ansa z, dass eine
Ku e aus zwei lokalen Minima und einem Maximum bes eh . Minimum und Ma-
ximum de Da en können du ch die Ablei ung bes imm we den. Um ehle ha e
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
55
Messungen ode sons iges Rauschen inne halb de Da en bei de Bes immung
on Ku en zu e meiden, wu de die Annahme ge o en, dass Ku en ein lokales
Maximum on 10 G ad ode meh beim Rollwinkel au weisen müssen. Alle We e
mi eine ge inge en G adzahl wu den du ch die Logik nich be ach e . Um die
Ku en zu bes immen, wu den zunächs das lokale Minimum und Maximum be-
s imm .
Abbildung 29: Ku en e lau am Beispiel de K5
Abbildung 29 zeig eine beispielha e Du ch ah de Ku e 5. Dabei is zu e ken-
nen, dass die Ku e aus zwei lokalen Minima und einem lokalen Maximum be-
s eh . Mi Hil e diese We e kann im Fall on Ku e 5 de Beginn und das Ende
de Ku en ah eindeu ig bes imm we den. Das o he au ges ell e Modell zu
Bes immung on Ku en wü de hie ko ek unk ionie en.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
56
Abbildung 30: Ku en e lau am Beispiel des Vel ins-K eisel
Abbildung 30 zeig eine beispielha e Du ch ah de Ku e „Vel ins-K eisel“. Hie
is zu e kennen, dass die Ku e d ei lokale Minima und zwei lokale Maxima au -
weis . Dies wü de du ch die bishe o ges ell e Logik dazu üh en, dass die Ku e
in zwei un e schiedliche Ku en un e eil wu de. Um dies zu e meiden, wu de
eine Ände ung an de ini ialen Logik o genommen. Als neue e gänzende Regel
wu de einge üh , dass ein lokales Minimum einen ge inge en Rollwinkel als 8
G ad haben muss. Is dies nich de Fall wu de da on ausgegangen, dass es sich
um einen e was wenige scha en Teil de gleichen Ku e handel .
Fü die Umse zung wu de aus de Biblio hek Scipy die Funk ion „a g elex ema“
genu z . Die Funk ion e laub sowohl das Bes immen on lokalen Minima als auch
lokalen Maxima. Zudem kann de Funk ion übe geben we den, wie iele Da en
links und ech s om ak uellen We übe p ü we den sollen. Die Funk ion es e
jeden de We e und übe p ü je nach Suche, ob sich de We doch noch wei e
e inge ode e höh . Au G und de hohen Da enanzahl p o Du chlau wu de
de We beim Au u hie au 50 gese z . Übe alle ge undenen Maxima wu de
i e ie und nach de oben besch iebenen Theo ie de S a und das Ende de
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
63
Visualisie ung is , obwohl seh in o ma i , du ch die Übe lappung de Fah en
nich ü die Visualisie ung eine idealen Fah linie geeigne .
Un e de wei e en Annahme, dass bei eine höhe en Du ch ah sgeschwindig-
kei p o Sek o sich die Zielein ah szei eduzie , wu de dieses als Fa bkodie-
ung benu z . Des Wei e en wu de, ans a alle Fah en einzeln zu be ach en,
eine Un e eilung und Agg egie ung o genommen. De Sek o wu de in Rollwin-
kelsch i e un e eil und die skalie e Sek o zei mi einem Di iso ge eil . Fü je-
den Abschni wu de dann eine Agg ega ions unk ion genu z . Die Visualisie ung
ü den Vel ins-K eisel is in Abbildung 36 zu sehen:
Abbildung 36: Übe a bei e e Visualisie ung mi Da enun e eilung und Agg e-
gie ung (Sek o B18-B19)
Da sich die Skalie ungen ü Rollwinkel und Sek o zei anpassen lassen, kann
die Sek o du ch ah un e Nu zung un e schiedliche Au lösungen be ach e
we den. Auch is de „ideale“ Fah ko ido nun deu liche zu e kennen. Da sich
jedoch die Fa bkodie ung au den gesam en Sek o und die o ale Geschwindig-
kei bezieh , is du ch die ela i en Geschwindigkei sun e schiede die „ideale“

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
64
Fah linie nich deu lich zu e kennen. Dies soll du ch Skalie ung jedes einzelnen
Zei abschni es e besse we den und is in Abbildung 37 gezeig . De „Idealko -
ido “ is nun ohne wei e e Mi el zu e kennen. Insbesonde e zwischen den Sek-
o zei en 0,4 und 0,8 is zu e kennen, dass es eine Reduzie ung de Geschwin-
digkei bei Abweichung on de „idealen“ Fah linie s a inde . Dies is ebenso
eine Validie ung de Me hodik.
Abbildung 37: Übe a bei e e Visualisie ung mi zei abschni no mie e Da en-
un e eilung und Agg egie ung (Sek o B18-B19)
4.12 Mul iple Linea e Reg ession
4.12.1 Modellde ini ion
Zu Du ch üh ung de mul iplen linea en Reg ession wu de die Biblio hek s a s-
models e wende . s a smodels bie e hie ü meh e e Implemen ie ungen on
Reg essions echniken, dazu zählen die Me hode de kleins en Quad a e sowie
die e allgemeine e kleins e Quad a e Me hode. Zu E s ellung des Modells
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
65
wu de die e allgemeine e Ve sion de kleins en Quad a e e wende . Diese bie-
e den Vo eil, dass sie im Fall on He e oskedas izi ä ode Au oko ela ion zu-
e lässige unk ionie und dabei besse e E gebnisse als ein he kömmliches
OLS e zielen kann ( gl. Begue ía & Pueyo, 2009).
Zu E s ellung und Ve i izie ung des ini ialen Modells wu de ausschließlich mi
dem Vie e bob-Da ensa z gea bei e . Diese bie e die meis en Du chläu e und
läss sich au G und de hohen Anzahl exogene Va iablen am bes en auswe en.
Das Modell wu de mi einem o ausgewähl en Subse de möglichen exogenen
Va iablen e s ell . Diese Vo auswahl wu de du ch die Be ach ung on S eudia-
g ammen ge o en. Alle Diag amme, die op isch eine Ko ela ion zu de endoge-
nen Va iablen au wiesen, wu den ini ial ü die Modelle s ellung übe nommen.
De Da ensa z wu de in einem Ve häl nis on 75:25 in T ainingsda en und Tes -
da en un e eil . Anschließend wu den die Da en mi dem „S anda dScale “ on
„Sciki -Lea n“ s anda disie . De Sch i de S anda disie ung wu de sowohl ü
die T ainingsda en als auch die Tes da en un e nommen. Au Basis de E kenn -
nisse on Al man und Roys on (2006) wu de die Ziel a iable nich wie beispiels-
weise bei Zanole i e al. (2006) dicho omisie , sonde n in ih e me ischen Fo m
beibehal en ( gl. Al man & Roys on, 2006; Zanole i e al., 2006). Zudem is die
Ziel a iable, um sie wei e hin in e p e ie en zu können, ausgenommen on de
S anda disie ung.
Fü eine Analyse de op imalen Fah weise nach Zhang e al. (1995) ode die E -
s ellung eine Simula ion de Bahn nach Remp le und Glocke (2016) ehlen de
Da enbasis die In o ma ionen de Lenkbewegungen und eine ma hema ische Re-
p äsen a ion de Bahn am S ando Win e be g ( gl. Zhang e al., 1995; Remp le
& Glocke , 2016). Ohne diese Da en konzen ie sich diese A bei au die Ve -
gleichba kei de Fah en und se z die ela i e Pe o mance ins Ve häl nis. Dabei
wu den die E kenn nisse e e enzie e A bei en zu E a bei ung de Modelle an-
gewand .
Das hie zu Anwendung kommende linea e Modell e wende die exogenen Va-
iablen „Da e_2020-01-03“, „Da e_2020-01-04“, „Da e_2021-12-10“ Da e_2021-
12-11“, „Roll_Abs_Mean_K00“, „Roll_Abs_CR_Abs_Mean_K09“,
„Speed_Mean_S-1“ und „Dis ance_Del a_B11B12“.
Das adjus ie e Bes imm hei smaß des Modells lieg bei 0,809 und deu e dabei
au einen linea en Zusammenhang zwischen den e wende en exogenen Va i-
ablen und de endogenen Ziel a iable hin. De We lieg hie bei imme zwischen
Null und Eins, wobei ein We on Null bedeu e , dass kein linea e Zusammen-
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
66
hang bes eh . Im Falle des We s Eins kann on einem pe ek en linea en Zu-
sammenhang gesp ochen we den. Das Modell e klä dami ca. 81 P ozen de
Va ianz de Ziel a iable. De F-Tes bes ä ig , bei einem 0,05 α-Ni eau, dass eine
Ko ela ion zwischen dem Modell und de Ziel a iablen bes eh . Dami kann da-
on ausgegangen we den, dass das linea e Modell s a is isch signi ikan is . Um
dies wei e zu p ü en, lehnen wi uns an das allgemeine Tes o gehen nach dem
Kompendium und de Zusammen assung quali a i e Me hoden und P ü me ho-
den on Ve beek an ( gl. Ve beek, 2004).
4.12.2 P ü ung de Modellquali ä
Zu Ve i izie ung de Modellquali ä wu de das zu o e s ell e linea e Modell im
Folgenden au Au oko ela ion, He e oskedas izi ä , Fehlspezi izie ung, ehlende
Reg esso en und S a iona i ä ge es e .
De Du bin-Wa son-Tes p ü au Au oko ela ion e s e O dnung und wu de mi
Hil e de „s a smodels“ Me hode „du bin_wa son“ du chge üh . De Tes gib im-
me ein E gebnis zwischen Null und Vie zu ück. Ein E gebnis on Zwei sp ich
dabei ü keine Au oko ela ion, We e da un e sp echen ü posi i e Au oko e-
la ion und We e da übe ü nega i e Au oko ela ion ( gl. Du bin & Wa son,
1950; Pe k old e al., 2021c). Das E gebnis des Tes s lieg bei 2,1876. Dami lieg
eine ge inge nega i e Au oko ela ion e s e O dnung bei den Residuen o .
De B eusch-God ey-Tes p ü au Au oko ela ion n. O dnung. Zu Du ch üh-
ung wu de die mi de Me hode acco _b eusch_god ey e ügba e Implemen-
ie ung on s a smodels e wende . Die Nullhypo hese des Tes s is , dass keine
Au oko ela ion bis einschließlich zu n. O dnung o lieg ( gl. God ey, 1978;
Pe k old e al., 2021a). Gep ü wu de das Modell au Au oko ela ion bis zu
zwöl en O dnung. Die p-We e ü den F-Tes und den Lag ange-Mul iplie -Tes
liegen beide wei auße halb des 0,05 α-Ni eaus, dadu ch kann die Nullhypo hese
nich e wo en we den. Dami wide sp ich de B eusch-God ey-Tes dem Du -
bin-Wa son-Tes und sag aus, dass keine Au oko ela ion o lieg .
Die s a smodels Me hode he _b euschpagan implemen ie den B eusch-Pagan-
Tes basie end au dem Lag ange-Mul iplie -Tes ü He e oskedas izi ä . De
B eusch-Pagan-Tes s ell die Nullhypo hese au , dass Homoskedas izi ä o -
lieg . Die Va ianz de S ö e me is dahe kons an ( gl. B eusch & Pagan, 1980;
Pe k old e al., 2021d). Die s a smodels Me hode gib sowohl ü die F-S a is ik
als auch ü den Lag ange-Mul iplie -Tes einen p-We übe dem anges eb en
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
67
α-Ni eau on 0,05 zu ück. Dadu ch kann die Nullhypo hese nich e wo en we -
den und es is on Homoskedas izi ä auszugehen.
De Tes nach Whi e is ein zwei e Tes ü He e oskedas izi ä de mi Hil e de
he _whi e Me hode on s a smodels du chge üh wu de. Wie de B eusch-Pa-
gan-Tes geh de Whi e-Tes in de Nullhypo hese on Homoskedas izi ä aus
( gl. Whi e, 1980; Pe k old e al., 2021e). Au G und des hohen p-We es kann
die Nullhypo hese nich e wo en we den, dami bes ä ig de Whi e-Tes die E -
gebnisse des B eusch-Pagan-Tes s. Au G und mangelnde ande e Hinweise is
da on auszugehen, dass das e s ell e Modell Homoskedas izi ä au weis .
De linea Reg ession and Speci ica ion E o Tes (RESET) nach Ramsey s ell
die Nullhypo hese au , dass keine Fehlspezi ika ion de Linea i ä ode unbeach-
e e Reg esso en bes ehen ( gl. Ramsey, 1969; Pe k old e al., 2021g). De Tes
wu de mi de linea _ ese Me hode on s a smodels zu ie en Po enz du chge-
üh , sowohl ü den Wald-Tes als auch den F-Tes . De Wald-Tes s ell die
Nullhypo hese au , dass de Koe izien in Wi klichkei nich 0 be äg ( gl. Wald
& Wol owi z, 1939). De p-We des Wald-Chi-Quad a -Tes s sowie des F-Tes
liegen übe dem α-Ni eau on 0,05. Dami kann die Nullhypo hese, dass keine
Fehlspezi ika ion ode unbeach e e Reg esso en bes ehen, nich e wo en we -
den.
De Augmen ed Dickey-Fulle -Tes (ADF) wu de zum Tes en de Residuen au
S a iona i ä e wende . Dabei p ü de ADF-Tes einen zei bezogenen Da en-
sa z gegen einen au o eg essi en glei enden Mi elwe . Die Nullhypo hese des
ADF-Tes s is , dass die Da en keine Fo m de S a iona i ä au weisen ( gl. Di-
cke y & Fulle , 1979; Said & Dickey, 1984; Pe k old e al., 2021b). s a smodels
bie e zu Du ch üh ung des Tes s eine be ei s olls ändig implemen ie e Lösung
mi de Funk ion ad ulle an. Mi eine Tes s a is ik on -5.6757 is de We ge-
inge als de k i ische 1 P ozen -, 5 P ozen - und 10 P ozen we de Tes s a is-
ik, dadu ch kann die Nullhypo hese e wo en we den. De p-We e laub uns
eben alls die Nullhypo hese bei einem α-Ni eau on 0,05 zu e we en, de ADF-
Tes bes ä ig dahe eine S a iona i ä de Residuen.
De Kwia kowski-Phillips-Schmid -Shin-Tes (KPSS) p ü au T ends a iona i ä .
Die Nullhypo hese is hie bei, dass eine T ends a iona i ä de un e such en Da-
en o lieg . Die Funk ion kpss on s a smodels bie e eine e ige Implemen ie-
ung des KPSS-Tes s ( gl. Kwia kowski e al., 1992; Pe k old e al., 2021 ) . Fü
die Residuen gib de Tes einen p-We on 0,1. Basie end au dem p-We und
einem α-Ni eau on 0,05 kann die Nullhypo hese nich e wo en we den, dami
bes ä ig de KPSS-Tes das E gebnis des ADF-Tes s. Ausgehend om E gebnis
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
68
des ADF-Tes s und KPSS-Tes is zu einem α-Ni eau on 0,05 da on auszuge-
hen, dass bei den Residuen S a iona i ä o lieg .
4.13 E gebnis, Ausblick und Fazi
4.13.1 Behandel e Fo schungs hemen
Die A bei beschä ig e sich mi de Auswi kung de Fah linie in Bezug au die
benö ig e Zei bis zu Zielein ah . Da ü wu den die zu un e suchenden Hypo he-
sen mi Hil e de Li e a u eche che, Visualisie ung und einem linea en Modell
be ach e . Dabei konn e sowohl du ch die Li e a u als auch das linea e Modell
bes ä ig we den, dass besonde s die S a geschwindigkei einen signi ikan en
Ein luss au das E gebnis ha . Eine höhe e S a geschwindigkei ko elie dabei
mi de ge inge en Gesam zei eines Lau s. Dami kann die Nullhypo hese, dass
die S a geschwindigkei keinen signi ikan en Ein luss ha , e wo en we den.
De di ek e Ein luss de Fah linie au die Zei konn e nich bes imm we den. Je-
doch kann du ch das linea e Modell die Aussage ge o en we den, dass die
Fah linie einen Ein luss au die Zei des Lau s ausüb . Die ie e gehende An-
nahme, dass allgemein ein höhe e ode nied ige Rollwinkel on Vo eil is , kann
du ch die Visualisie ung und das linea e Modell nich bes ä ig we den. De ideale
Rollwinkel is nach den Un e suchungen on Ku e zu Ku e indi iduell.

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
69
Abbildung 38: Ko ela ion de Zielzei mi de du chschni lichen Sek o ge-
schwindigkei
Abbildung 38 zeig die Ko ela ion de du chschni lichen Geschwindigkei inne -
halb eines Sek o s zu Zielein ah szei . Dabei läss sich e kennen, dass eine
Übe pe o mance beziehungsweise eine höhe e du chschni liche Geschwindig-
kei mi de Zielein ah szei s a k ko elie . Dahe wu de die Hypo hese, dass
eine Übe pe o mance in allen Sek o en nich zu einem besse en E gebnis üh ,
e wo en.
4.13.2 Diskussion de eingese z en Me hode
Da enanomalien konn en mi hil e de genu z en Visualisie ungsme hoden e -
kann und en e n we den. Du ch die genu z en Agg egie ungen um die Sek o en
und Ku en wu den iele Fea u es ü ein po enzielles Modell gene ie . Mi dem
Einsa z de Leas Squa es Me hode kon e gie e das Modell au die ele an es-
en Fea u es und igno ie e i ele an e. Im inalen Modell blieben nu Fea u es
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
70
mi hohe Signi ikanz zu ück. Eine e neu e Be ach ung des Themas soll e an-
de e Me hoden in E wägung ziehen. Die Übe pa ame e isie ung des Da enmo-
dells könn e du ch eine Au lösung de G uppie ung je Ku e und Sek o un e
Abs ahie ung de Eigenscha en diese G uppen au gelös we den.
Ein P oblem de eingese z en Me hodik in Kombina ion mi den Da en is das
häu ige Au e en on Au oko ela ion. Au g und de ielen nich linea en physika-
lischen Zusammenhänge is dies zu e wa en. Zu Mi iga ion diese P oblema ik
wu de ein hohes Maß an Agg ega ion o genommen und die e mi el en We e
in Rela ion zueinande gese z , zudem wu de im Lau e de Umse zung au ein
GLS gese z . Wei e hin wu de die Pe o mance zwischen OLS und GLS e gli-
chen.
4.13.3 Aussich und Op imie ungsbeda
Eine ma hema ische Rep äsen a ion de Bahn, um die Be echnungen on Zhang
e al. (1995) ode die Simula ionen anhand de Vo gehensweise on Remp le
und Glocke (2016) du ch üh en zu können, wü de einen gu en Ve gleichswe
ü die ge o ene Fah bie en können. Ebenso sind al e na i e Modellie ungs o -
men wie bei Mössne e al. (2011) in Be ach zu ziehen ( gl. Zhang e al., 1995;
Mössne e al., 2011; Remp le & Glocke , 2016). Ein Ve gleich de Abweichung
on diese op imalen Fah linie soll e bei wei e en Un e suchungen au genommen
we den.
Du ch diese A bei wu den di e se ma hema ische Modelle zu Be echnung und
Simula ion on Reibungskoe izien en, Lenk e hal en und wi kenden K ä en in
de Li e a u iden i izie . Die Da enbasis diese A bei läss jedoch au g und eh-
lende Me ada en zu e wende em Ma e ial, exak en Umwel bedingungen zum
We kamp zei punk und zu Physis de Spo le , keine Ve i ika ion de E geb-
nisse de Li e a u zu. Die E wei e ung des Da ensa zes du ch zusä zliche Mess-
we e de Umgebungspa ame e könn e die E gebnisquali ä wei e e höhen.
De Zug i au die o iginalen Messda en ohne wei e e Vo be ei ung soll e ü wei-
e e Be ach ungen anges eb we den. Hinzukommend soll en die Messge ä e
einhei lich kalib ie und ins allie sein. Wie die Da enau be ei ung zeig , wu den
meh e e Fah en im Rahmen de Möglichkei en ekalib ie , um ü diese A bei
e wende we den zu können. Zudem wu den meh e e Fah en ausgeschlossen,
da en wede wich ige Messpunk e nich e eich ode e älschend e schoben
sind.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
71
Wie be ei s angesp ochen, wu de s a OLS die Me hode GLS eingese z , um die
e wa e e und e wiesene Au oko ela ion und Mul ikollinea i ä des Da ensa zes
zu behandeln. Fü wei e e Ausa bei ungen soll e de Da ensa z um wei e e phy-
sikalische G ößen und Messwe e e wei e we den, um, angelehn an die Li e-
a u , genaue e Modellbe echnungen o nehmen zu können.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
72
5 Zum Zusammenhang on Bahnabschni und Gesam lau zei
5.1 Zielse zung
Im Rahmen diese wissenscha lichen A bei soll de Zusammenhang zwischen
den Bahnabschni en und de Gesam lau zei au de Bobs ecke in Win e be g
analysie we den. Die olgenden Fo schungs agen sollen dazu mi els e schie-
dene Me hoden bean wo e we den:
1. Lassen sich Bahnabschni e es s ellen, die einen signi ikan en Ein luss au
die Gesam lau zei haben?
2. Welche Fak o en p o Bahnabschni haben einen signi ikan en Ein luss au
die Lau zei in diesem Abschni ?
3. Lassen sich op imale We e ü die einzelnen Fak o en p o Bahnabschni
bes immen?
Mi den E gebnissen diese wissenscha lichen A bei soll e uie we den, au wel-
che Fak o en wäh end de Fah mi dem Bob ein besonde e Fokus geleg we -
den soll e. Da übe hinaus kann ein E gebnis diese A bei sein, dass gewisse
Fak o en keinen signi ikan en Ein luss au die Gesam lau zei des Bobs haben
und somi eine Fokussie ung und Op imie ung diese Fak o en nich no wendig
is .
5.2 Theo e ische G undlagen
5.2.1 G adien T ee Boos ing
G adien Boos ing is eine Technik des maschinellen Le nens, bei de in einem
i e a i en P ozess addi i e Reg essionsmodelle e s ell we den, die jeweils au
den sogenann en Pseudo-Residuen de o angegangenen I e a ion an ainie
we den ( gl. F iedman, 2002, S. 367).
Beim G adien T ee Boos ing wu de das Konzep des G adien Boos ing mi dem
Einsa z on En scheidungsbäumen kombinie , um Reg essions- ode Klassi ika-
ionsau gaben zu lösen ( gl. F iedman 2001, S. 1189). Die G undidee hin e G a-
dien T ee Boos ing bes eh im i e a i en Au bau on En scheidungsbäumen, die
jeweils au dem P ognose ehle des zule z e s ell en En scheidungsbaums ai-
nie we den. Du ch das i e a i e Vo gehen wu de dabei mi jedem Baum ein klei-
ne Sch i in Rich ung eine besse en P ognose begangen, bis eine de inie e
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
79
Me hode wu de die Lau zei ü den Bahnabschni bes imm , womi de e s e Teil
de Da enau be ei ung abgeschlossen wa .
Im zwei en Sch i e olg e das Fea u e Enginee ing, um den Da ensa z ü die
olgenden Modelle o zube ei en. Dabei wu den die o handenen Va iablen da-
hingehend bea bei e , dass sie p o S eckenabschni agg egie wu den. Fü alle
numme ischen Va iablen wie Geschwindigkei , Rollwinkel ode Dis anz wu de
das Minimum, das Maximum, de Du chschni , de Median und die S anda dab-
weichung be echne . Du ch die Agg ega ion wu den die Au zeichnungen on
übe eine Million au ca. 2.800 eingeg enz . Zule z wu den Zeilen ohne We e
aus dem Da ensa z en e n . Wei e e Fea u es wu den hinzuge üg , wie die Lau -
zei des S eckenabschni s, die zu ückgeleg e Dis anz im S eckenabschni , die
Spannwei e de Va iablen Geschwindigkei und die Beschleunigung de x-, y-
und z-Achse des Bobs. Mi Hil e des One-Ho -Encoding wu den ü die ka ego i-
ale Va iable Disziplin ie Dummys e zeug (F auen, Bobsleigh, Männe 2, Män-
ne 4). Zu diesem Zei punk bes and de Da ensa z aus 47 Spal en und im Da a-
ame be anden sich p o S eckenabschni und Lau ein Da ensa z.
Da die einzelnen S eckenabschni e Va iablen ü die Bemessung de Zielzeile
sind, wu den diese ü das XGBoos Modell in eine Zeile zusammenge ass ,
wodu ch aus 47 Spal en nunmeh 570 wu den (Anzahl de Va iablen mul iplizie
mi de Anzahl de S eckenabschni e).
5.3.3 Desk ip i e Analyse
Das E gebnis de Da enau be ei ung beinhal e zwei un e schiedliche Da en-
sä ze. Ein Da ensa z is au Ebene des Bahnabschni s agg egie und de ande e
Da ensa z bilde jeweils eine gesam e Fah ab. G undlage ü die desk ip i e
Analyse bilde de Da ensa z p o Bahnabschni . Diese bes eh aus 47 Spal en
und 2.582 Zeilen.
Tabelle 4: Desk ip i e Analyse – Gesam lau zei in Sekunden
Gesam -
Lau zei
alle
Disziplinen
Women
Men2
Men4
Bobsleigh
Minimum
54,042
56,74
55,02
54,042
55,79
Mi elwe
56,171
57,711
55,733 54,76 56,38
Maximum
59,190
59,19
56,91 55,23 57,22

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
80
Die Tabelle besch eib die Gesam lau zei in Sekunden au de S ecke in Win-
e be g. Im Du chschni übe alle Disziplinen daue ein Lau 56,171 Sekunden.
Aus de Analyse läss sich schließen, dass de Vie e bob (Men4) die schnells e
Disziplin is , da ü diese Disziplin de nied igs e We mi 54,043 Sekunden ge-
messen wu de. Zudem weisen auch die Mi elwe e ü das Maximum und den
Du chschni die nied igs en We e au . Da übe hinaus zeig sich, dass de F au-
enbob (Women) endenziell am längs en ü die S ecke benö ig . Fü diese Dis-
ziplin wu de de höchs e We on 59,19 Sekunden gemessen und auch de Mi -
elwe und das Maximum liegen im F auenbob du chschni lich übe den We en
de ande en Disziplinen.
Tabelle 5: Desk ip i e Analyse – Geschwindigkei in km/h
Geschwin-
digkei
Alle
Disziplinen
Women
Men2
Men4
Bobsleigh
Mi elwe
90,78
87,99
92,34
93,93
88,97
Übe alle Disziplinen hinweg wu de ein Mi elwe on 90,78 km/h e mi el . Zu-
dem bes ä ig die Analyse, dass de F auenbob (Women) mi du chschni lich
87,99 km/h am langsams en und de Vie e bob (Men4) mi 93,93 km/h am
schnells en au diese S ecke äh .
Im nächs en Sch i wu den die einzelnen S eckenabschni e be ach e . Hie ü
wu de zunächs die Lau zei p o S eckenabschni au Basis de jeweiligen S a -
und Endzei e mi el und en sp echend nach de Lau zei p o S eckenabschni
übe alle Disziplinen hinweg so ie :
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
81
Tabelle 6: Desk ip i e Analyse – Du chschni liche Lau zei in Sekunden p o
S eckenabschni
S eckenabschni
Lau zei
B24_B25
0,271
B22_5
1,431
3_B18
1,453
5_B24
1,595
B10_B11
1,719
B15_B16
2,072
B19_4
2,504
1_B10
2,688
B11_B12
3,274
4_B21
3,474
B16_3
3,733
B21_B22
4,527
2_B15
4,793
B25_Z
4,982
S_1
5,371
B12_2
5,502
B18_B19
6,764
Die Tabelle zeig , dass de S eckenabschni B24_B25 im Du chschni mi 0,271
Sekunden Lau zei übe alle Disziplinen am schnells en absol ie wu de, wäh-
end ü den S eckenabschni B18_B19 du chschni lich 6,764 Sekunden benö-
ig we den und diese dami den langsams en Abschni da s ell . Demnach ha-
ben die langsame en S eckenabschni e einen deu lich g öße en An eil an de
Gesam lau zei , was da au hindeu en könn e, dass diese S eckenabschni e zu
Op imie ung de Gesam lau zei am ele an es en sind.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
82
Abbildung 41: Schaubild de S ecke in Win e be g
Quelle: in Anlehnung an IBSF (2022).
Ein Ve gleich de Du chschni szei mi den S eckenabschni en in de Abbildung
41 de S ecke zeig , dass de Abschni B24_B25 de kü zes e Abschni is , wo-
hingegen de Abschni B18_B19 einen seh ku igen Teil de Bahn da s ell .
5.4 Modellie ung
5.4.1 K-means Clus e ing
In diese A bei wu de das K-means Clus e ing eingese z , um zwei e schiedene
Fak o en zu e kennen. Zum einen soll es mi els des Algo i hmus möglich sein,
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
83
p o Bahnabschni Clus e zu bilden und dadu ch Aus eiße in den Da en zu e -
kennen. Dies ha den Vo eil, dass diese Aus eiße im Nachgang de aillie e ana-
lysie we den können. Ande e sei s soll mi dem Clus e ing analysie we den,
ob übe die Bahnabschni e hinweg ü eine Fah Clus e gebilde we den kön-
nen, die E kenn nisse übe ähnlich e lau ende Bahnabschni e lie e n und so
einen Meh we in de Op imie ung des Bobspo s beinhal en.
Zu Übe p ü ung au Aus eiße wu de de Da ensa z e wende , de p o Zeile
einen gesam en Lau abbilde . Dies bedeu e , dass in den Spal en p o Bahnab-
schni die jeweiligen Fak o en zu Geschwindigkei , Beschleunigung und Zei en -
hal en sind. Im K-means Clus e ing wu de die sogenann e Elbow-Me hod e -
wende , um die op imale Anzahl an Clus e n ü den Algo i hmus zu bes immen.
Bholowalia und Kuma (2014, S. 18) sagen in ih e A bei da übe aus, dass ab
eine bes imm en Clus e menge die Ve g öße ung diese Menge kein besse es
E gebnis im K-means Clus e ing e zielen wi d. Wi d die Elbow-Me hod au dem
zug undeliegenden Da ensa z ausge üh , wu de das olgende E gebnis e ziel .
Abbildung 42: Elbow Me hod ü Da ensa z p o Lau
Das E gebnis zeig , dass die op imale Clus e menge bei ie lieg . Denn ab Clus-
e menge ün is eine s a ke Ve ände ung im „Wi hin-Clus e Sum o Squa e“ (im
Folgenden WCSS) We nich meh es zus ellen. WCSS is die Summe des
quad a ischen Abs ands zwischen jedem Punk und dem Schwe punk eines
Clus e s. Wi d de WCSS-We mi dem K-We e gleichen, sieh das Diag amm
wie ein Ellenbogen aus. Mi zunehmende Anzahl on Clus e n nimm de WCSS-
We ab ( gl. Bholowalia & Kuma , 2014, S. 18 .). Dies bedeu e , dass das K-
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
84
means Clus e ing ü diesen Da ensa z mi de Clus e menge ie ausge üh
wi d. Bei insgesam 151 Da ensä zen is die Ve eilung au die ie Clus e wie
olg .
Tabelle 7: Clus e g öße p o Clus e ü Da ensa z p o Lau
Clus e Numme
Clus e g öße
0
142
1
1
2
6
3
2
An dem E gebnis is zu e kennen, dass mi els des Clus e ings die Aus eiße gu
zu e kennen sind. De G oß eil de Da ensä ze be inde sich in Clus e 0 und au
die Clus e 1, 2 und 3 e eilen sich die Aus eiße . Wi d beispielsweise die du ch-
schni liche e ikale Beschleunigung mi de du chschni lichen Geschwindigkei
ü den Bahnabschni S zu 1 in Win e be g isualisie , zeigen sich die Aus eiße
deu lich.
Abbildung 43: Du chschni liche e ikale Beschleunigung zu du chschni li-
che Geschwindigkei ü den Bahnabschni S zu 1

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
85
Diese Aus eiße können nun im De ail be ach e we den. Dabei kann e mi el
we den, ob es sich in diesen Fällen um Mess ehle handel ode ob da aus we -
olle E kenn nisse gewonnen we den können.
De zwei e Anwendungs all des Clus e ings lieg im E kennen on Clus e n beim
Ve gleichen de Bahnabschni e. Da ü wu de de Da ensa z e wende , de die
Da en p o Fah und Bahnabschni agg egie . Auch hie wu de zunächs die El-
bow-Me hod zu E mi lung de op imalen Clus e menge genu z . Dies üh e zum
olgenden E gebnis.
Abbildung 44: Elbow Me hod ü Da ensa z p o Fah und Bahnabschni
Bei diesem Da ensa z zeig e sich, dass be ei s ab eine Clus e menge on ie
keine g oße Ve ände ung im WCSS-We zu e kennen is . Aus diesem G und
wu de ü das olgende K-means Clus e ing die Clus e menge d ei gewähl . Die
Menge an Da ensä zen p o Clus e e eil sich hie deu lich gleichmäßige und
deu e da au hin, dass om Algo i hmus nich nu Aus eiße e kann we den (Ta-
belle 8).
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
86
Tabelle 8: Clus e g öße p o Clus e ü Da ensa z p o Fah und Bahnabschni
Clus e Numme
Clus e g öße
0
908
1
893
2
781
Wi d hie nun eben alls die du chschni liche e ikale Beschleunigung mi de
du chschni lichen Geschwindigkei isualisie , sind die d ei gebilde en Clus e
deu lich sich ba .
Abbildung 45: Clus e g öße p o Clus e ü Da ensa z p o Fah und Bahnab-
schni
In eine wei e üh enden Analyse läss sich nun un e suchen, welche Bahnab-
schni e welchem Clus e zugeo dne wu den und ob do Ähnlichkei en zu e ken-
nen sind, die bei de Op imie ung de Fah hil eich sind.
5.4.2 XGBoos
Fü die Analyse des Zusammenhangs zwischen Bahnabschni en und dessen
Ein luss au die Gesam lau zei wi d im Folgenden ein P ognosemodell mi els
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
87
XGBoos e s ell , welches die Gesam lau zei anhand e hobene desk ip i e S a-
is iken p o Bahnabschni o he sag . Dazu wu de zue s Hype pa ame e uning
be ieben, um die op imalen Modellpa ame e zu iden i izie en. Anschließend
wu de de P ognose ehle bes imm und mi els Shapley Values de Ein luss on
e schiedenen A ibu en au die Modellp ognose e mi el .
Die XGBoos Implemen a ion des G adien T ee Boos Algo i hmus besi z eine
Vielzahl on Pa ame e n, welche die Modellp ognose in un e schiedlichen As-
pek en beein lussen. Um he auszu inden welche Kombina ion on Pa ame e n
ü den zug undliegenden Da ensa z die bes e P ognosegü e nach sich zieh ,
läss sich in einem i e a i en P ozess eine Pa ame e suche du ch üh en. Dabei
we den alle möglichen Kombina ionen eines zu o de inie en Pa ame e aums
im Hinblick au den P ognose ehle mi einande e glichen, um die op imale Pa-
ame e kombina ion zu e mi eln. Fü olgende Pa ame e wu de ein Hype pa a-
me e uning du chge üh :
- Die Anzahl an zu e s ellenden En scheidungsbäumen (n_es ima o s).
- Die maximale Tie e eines En scheidungsbaums (max_dep h), also die
maximale Anzahl an zu e s ellenden Ebenen.
Jede zusä zliche Ebene e höh die Komplexi ä des En scheidungsbaums und
üh somi auch zu einem e höh en Risiko ü das sogenann e O e i ing.
De We colsample_by_ ee is die an eilige G öße de Teilmenge an A ibu en,
welche zu ällig ü die E s ellung jedes En scheidungsbaums ausgewähl we den
können. De We lieg dabei zwischen 0 und 1. Die zu ällige Auswahl eine Teil-
menge an A ibu en p o En scheidungsbaum üh zu ge inge em O e i ing und
eine ge inge en Ko ela ion de e schiedenen En scheidungsbäume un e ei-
nande , sodass ko elie e Fehle e mieden we den.
Die lea ning a e 𝜈𝜈 leg es , wie die einzelnen En scheidungsbäume skalie we -
den. Je kleine de We on 𝜈𝜈, des o kleine is die Sch i g öße de Ve ände ung
an de P ognose du ch einen einzelnen En scheidungsbaum.
De Regula isie ungspa ame e 𝜆𝜆 leg es , welche Ein luss die einzelnen Obse -
a ionen abschwäch und somi das Modell unabhängige om T ainingsda en-
sa z mach ( eg_lambda).
Tabelle 9 e anschaulich die be ach e en Hype pa ame e , de en ge es e en
Ausp ägungen und die jeweils op imale Ausp ägung.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
88
Tabelle 9: Hype pa ame e
Hype pa ame e
Ausp ägungen
Op imale Ausp ägung
n_es ima o s
100, 500, 1.000
1.000
max_dep h
3, 6, 10, 13
3
colsample_by_ ee
0.3, 0.7
0.3
lea ning_ a e
0.01, 0.05, 0.1
0.01
eg_lambda
0, 1, 5, 10, 15
1
Um den P ognose ehle des so spezi izie en Modells zu e mi eln, komm de
Roo Mean-Squa e E o (RMSE) zum Einsa z. Die Wu zel de du chschni lichen
quad a ischen Abweichung on Modellp ognose 𝑦𝑦𝑦 und Beobach ung 𝑦𝑦 quan i i-
zie dabei den modellsei igen P ognose ehle (Fo mel 2).
Fo mel 2: Roo -Mean-Squa e E o
Das Modell e eich einen T ainings-RMSE on 0,03 und einen Tes -RMSE bei
ungesehenen Da en on 0,29. Es läss sich e kennen, dass ein g oße Un e -
schied zwischen dem T ainings- und dem Tes -Fehle o lieg . Dies deu e da au
hin, dass das Model o z Regula isie ung du ch 𝜆𝜆 = 1 noch zu O e i ing neig ,
indem zu iele In o ma ionen aus den T ainingsda en abgelei e we den und so
das Model nich gu übe den Tes da ensa z gene alisie en kann, was sich in ei-
nem deu lich g öße en Tes -RMSE ausd ück .
De Pa ame e 𝛾𝛾 kann genu z we den, um En scheidungsbäume zu beschnei-
den, sogenann es P uning. Dabei wi d jede Ve zweigung des En scheidungsbau-
mes en e n , bei de die en s ehenden Kno en zusammen keinen In o ma ions-
meh we im Bezug zu ih em Wu zelkno en besi zen. Je höhe de We ü 𝛾𝛾
gewähl wi d, des o g öße muss de In o ma ionsmeh we sein, dami de En -
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
95
Abbildung 50: Ein luss und Ausp ägung de 10 ein luss eichs en A ibu e aus
S eckenabschni „S bis 1“
Die Shapley Values de 16 wei e en S eckenabschni e sind im Anhang zu in-
den.
5.5 Schlussbe ach ung
5.5.1 Fazi
Im Rahmen de o liegenden A bei soll en die olgenden Fo schungs agen be-
an wo e we den:
1. Lassen sich Bahnabschni e es s ellen, die einen signi ikan en Ein luss au
die Gesam lau zei haben?
2. Welche Fak o en p o Bahnabschni haben einen signi ikan en Ein luss au
die Lau zei in diesem Abschni ?
3. Lassen sich op imale We e ü die einzelnen Fak o en p o Bahnabschni
bes immen?

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
96
Au Basis on Messungen au de Bobbahn in Win e be g wu den s a is ische
Analysen du chge üh , um wich ige E kenn nisse ü die Bobspo le und das
T aine eam zu e mi eln und dami wesen liche Fak o en ü die Gesam lau zei
de S ecke abzulei en. Hie ü wu den die Rohda en zunächs au be ei e und in
einem Da ensa z zusammenge üh . Die Da en wu den agg egie und e wei e ,
sodass eine g oße Anzahl an desk ip i en Va iablen ü die Modelle zu Ve ü-
gung s and.
Anhand de desk ip i en Analyse zeig e sich, dass die Gesam lau zei ü die Dis-
ziplinen (Ka ego ien) un e schiedlich is . Insbesonde e de F auenbob (Women)
lieg bei Geschwindigkei und Gesam lau zei un e dem Du chschni und de
Vie e bob (Men4) weis sowohl die höchs e Geschwindigkei als auch die kü -
zes e Gesam lau zei au .
In Bezug au die Lau zei p o Bahnabschni läss sich anhand de desk ip i en
Analyse eine Rang olge e mi eln. Die aus den Rohda en be echne en Zei en de
einzelnen S eckenabschni e s immen mi de Länge und dem Schwie igkei s-
g ad de jeweiligen S eckenabschni e übe ein.
Da übe hinaus wu den anhand de Me hode des Clus e ings zum einen Aus ei-
ße iden i izie und zum ande en wei e e E kenn nisse e mi el , die mi Hil e on
Expe en im Bobspo ie e gehend analysie we den können. Hie ü wi d an-
hand de Elbow-Me hode die op imale Clus e g öße e mi el . Dabei wu den zu
E mi lung de Aus eiße ie Clus e iden i izie , wäh end ü die Gewinnung wei-
e e E kenn nisse hingegen d ei Clus e e wende wu den.
Anhand des XGBoos -Ve ah ens konn en zudem wesen liche E kenn nisse zu
Bean wo ung de Fo schungs agen e mi el we den. Das Ve ah en e mi el
zehn A ibu e, die den g öß en absolu en Ein luss au die Modelp ognose haben.
Hie bei zeig e sich, dass die Fah abschni e „B12 bis 2“, „B16 bis 3“, „S bis 1“ und
„B15 bis B16“ on besonde e Rele anz ü die Gesam lau zei sind (Fo schungs-
age 1). Da übe hinaus wu de deu lich, dass wei e e Fak o en einen signi ikan-
en Ein luss haben. Dabei ha die Disziplin (Ka ego ie) Women einen deu lichen
posi i en Ein luss au die Gesam lau zei , sodass sich die p ognos izie e Ge-
sam lau zei sich du ch diesen Fak o e länge . Des Wei e en e inge insbe-
sonde e eine hohe du chschni liche z-Achsenbeschleunigung in Abschni „B12
bis 2“ die p ognos izie e Gesam lau zei (Fo schungs age 2).
Zule z lassen sich die Analysen anhand des XGBoos -Ve ah ens auch ü ein-
zelne S eckenabschni e du ch üh en. Dabei sind die E gebnisse ü jeden S e-
ckenabschni indi iduell zu be ach en (Fo schungs age 3).
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
97
5.5.2 G enzen diese A bei
Im Rahmen de In e p e a ion de E kenn nisse sind zudem einige G enzen de
A bei zu be ücksich igen. Zunächs besch änk sich die Analyse au insgesam
151 Läu e und einen limi ie en zei lichen Be ach ungszei aum. Zudem ehlen
wich ige (quali a i e) In o ma ionen in Bezug au das Bobmodell, ex e ne ode
a hle enspezi ische Ein lüsse (z. B. Gewich ). Da übe hinaus sind ü die wei e -
gehende In e p e a ion de E gebnisse und die Übe agung au die P axis eine
ie e e Fachexpe ise mi Bezug au Physik (Beschleunigung) und den Bobspo
e o de lich.
5.5.3 Ausblick
Es bie en sich einige Möglichkei en ü wei e gehende Analysen, die au den o -
liegenden E kenn nissen au bauen. Zunächs bie e sich die A bei als eine
G undlage an, die gewonnenen E kenn nisse mi Expe en des Bobspo s zu dis-
ku ie en und somi domänenspezi ische zu in e p e ie en. Au diese Basis läss
sich das Modell gg . e wei e n und es können wei e e Analysen du chge üh we -
den. Somi können die iden i izie en Ein luss ak o en in de P axis be ücksich ig
und übe p ü we den. Zudem könn e die Analyse au wei e e Bobbahnen ausge-
wei e we den, z. B. im Rahmen eines länge en Be ach ungszei aums ode
du ch die Be ücksich igung wei e e S ando e und Disziplinen. Hie zu bie e sich
be ei s de o liegende Da ensa z an, da neben den We en ü Win e be g be-
ei s wei e e Läu e au ande en Bahnen e ügba sind. Da übe hinaus können
wei e e unabhängige Va iablen im Modell e gänz we den. Neben den be ei s
o liegenden quan i a i en Va iablen könn en demnach wei e e Da en, wie z. B.
das We e ode echnische Spezi ika ionen des Bobs be ücksich ig we den.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
98
6 Zum Zusammenhang on Fah linie und Lau zei
6.1 Zielse zung
Dieses Kapi el konzen ie sich un e Be ücksich igung de bishe igen E kenn -
nisse de Li e a u au die F age nach de op imalen Fah linie. Hie zu we den au
Basis de physikalischen Gese zmäßigkei en die Da en aus eine Falls udie ge-
nu z , um anhand des Rollwinkels und wei e en Geschwindigkei s- sowie Be-
schleunigungspa ame e n den Zusammenhang on un e schiedlichen Fah linien
und ealisie en Lau zei en zu e klä en. Hie aus sollen Impulse übe Kausali ä en
und Lau zei op imie ungen un e Be ücksich igung di e se Rahmenbedingun-
gen, wie e wa S eckencha ak e is ik, abgelei e we den.
Zunächs olg ein Übe blick übe die genaue Da enlage, die Vo e a bei ung de
Da enbasis in Py hon, sowie eine E läu e ung de zusä zlich e zeug en Da en ü
die wei e e Analyse. De so o be ei e e Da ensa z dien als G undlage ü die
Un e suchung ü eine Da enanalyse in Py hon und eine isualisie ungsge ie-
bene Analyse übe Powe BI.
Die hie du chge üh e Analyse wi d sich anschließend zunächs aus eine phy-
sikalischen Pe spek i e de F age nach dem Op imum nähe n. In einem zwei en
Sch i wi d un e such , welche Fah weise zu den bes en Zei en ge üh ha und
wie sich diese Fah weise on den ande en Fah s ilen un e scheide . Hie bei we -
den die Analysen sowohl au Gesam - als auch au Teils eckenebene du chge-
üh . Anschließend olg ein E klä ungs e such mi den Fak o en de Fah physik,
um ideale weise ein E gebnis zu e hal en, welches au alle S ecken anwendba
is und somi s eckenunabhängigen Meh we scha .
Zum Abschluss wi d au die Limi a ionen de Un e suchung eingegangen, welche
sich insbesonde e in nich be ücksich ig en Fak o en äuße n wi d, die einen e -
heblichen Ein luss haben könn en, abe in de Analyse nich e ass wu den. Wei-
e hin wi d das Fo schungs o haben k i isch e lek ie und au Limi a ionen die-
se Falls udie hingewiesen. Hie au basie end e olg im Rahmen des Fazi s eine
endgül ige Beu eilung de au ges ell en Fo schungs agen, sowie eine Diskus-
sion de hie aus esul ie enden Fo schungsansä ze ü wei e e wissenscha liche
Auseinande se zungen mi de Thema ik.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
99
6.2 Ablei ung de Un e suchungs hesen
Au Basis de physikalischen G undlagen (Kap. 1.2) e geben sich die zu un e -
suchenden Thesen ü den Fah s il:
1. Da eine höhe e Geschwindigkei den Reibungskoe izien en eduzie ,
is ein schnelle S a undamen al ü eine gu e Gesam zei .
2. Da ein höhe e D uck, d.h. eine g öße e Reibleis ungsdich e, zunächs
den Reibungskoe izien en e inge , soll en die Ku en eng ge ah en
we den. Ein ge inge Rollwinkel und eine hohe Ve ikalbeschleunigung
sind o eilha .
Bei höhe en Tempe a u en nahe Null und eine hohen Geschwindigkei is au -
g und de hohen Ve ikalbeschleunigung in scha en Ku en gegebenen alls ein
höhe e Rollwinkel güns ig. Da die Umgebungs empe a u en ü die Fah en je-
doch nich o liegen, wi d au die Un e suchung dieses Aspek s e zich e .
Die e s e These wu de be ei s in de Li e a u un e such . So wu den 77 P ozen
de Va ianz de Gesam zei en ü Bob ah en mi de S a zei e klä , was die
Rele anz diese Phase un e s eich (B üggemann, Mo lok und Za sio sky, 1997,
S. 103). Bei einem kleinen Rollwinkel und eine engen Ku en ah is zu beach-
en, dass auch die zu ah ende S ecke kü ze is .
Beide Thesen we den im nach olgenden Abschni au Basis de zu Ve ügung
ges ell en Da en ü die Vel ins-A ena in Win e be g un e such .
6.3 Da a Unde s anding – Ein üh ung in das Da enmodell
Die Rohda en de Falls udie liegen ü die be ach e en Bahnen und Konku en-
zen jeweils p o Lau analog dem nach olgenden Schema o .
Tabelle 11: Schema de o liegenden Rohda en
Time s Dis ance
m
Speed
km/h
Acc x
m/s2
Acc y
m/s2
Acc z
m/s2
Roll
angle
deg
Ligh -
beam
LB
ime
s
x
a
e
i
m
q
u
x+0,01
b
j
n
x+0,02 c g k o s w
x+0,03
d
h
l
p
x
y
z
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
100
Demnach we den ü jede Zehn elsekunde die ge ah ene Dis anz in Me e , die
Geschwindigkei in Kilome e p o S unde, die Längs- (Acc x), Que - (Acc y) sowie
Ve ikalbeschleunigung (Acc z) in Me e p o Quad a sekunde sowie de Rollwin-
kel in G ad es gehal en. Übe die g aduelle Au zeichnung de Geschwindigkei s-
und Beschleunigungspa ame e sowie des Rollwinkels is eine Indika ion des
Fah s ils möglich, indem die Pa ame e mi einande ins Ve häl nis gese z we -
den und hie du ch das Fah e hal en sowie die Lage des Bobs und somi auch
die Fah linie des Bobs im Fah e lau du chgängig abgebilde we den kann. Eine
adäqua e Analyse de Fah linie und Lau zei beda da übe hinaus jedoch auch
eine jeweils ak uellen und p äzisen Posi ionsangabe au de S ecke, um e wa-
ige Un e schiede anhand on Bahnabschni en und -ku en zu iden i izie en, lo-
kalisie en und hie mi inhal lich in e p e ie ba machen zu können. Diese An o -
de ung is demnach du ch eine Da enan eiche ung übe Sekundä da en im Rah-
men de Da a P epa a ion umzuse zen. Hie ü is die Spal e Ligh beam on Nu -
zen: Diese weis die Du ch ah de jeweiligen Lich sch anken aus, wodu ch in
Kombina ion mi de absol ie en Dis anz eine genaue Lokalisa ion des Bobs im
Fah e lau e möglich wi d. Zusä zlich e olg du ch LB imes s die exak e Zei -
messung beim Passie en de Lich sch anken, sodass neben de Gesam lau zei
auch die Lau zei en inne halb de einzelnen S eckenabschni e p äzise e ass
we den können. Dies is im Hinblick au die zug undeliegenden Fo schungs age
essenziell, da hie mi de Zusammenhang on Fah linie und Lau zei de aillie
ü einzelne Abschni e analysie we den kann, was die Analysequali ä und so-
mi die Aussagek a de S udie deu lich e höh . Aus den o ges ell en Rohda en
e gib sich le z lich eine Da enbasis ü das g undlegende Ziel-Da enmodell ge-
mäß Abbildung 51.

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
101
Demgemäß sind die Rohda en au die A ibu e Bahn, Konku enz, Fah e sowie
Da um und Lau numme jeweils zu agg egie en, espek i e he un e zub echen,
was di e se Auswe ungsmöglichkei en zuläss . Als Nach eil is hie bei jedoch
anzu üh en, dass du ch den Einbezug un e schiedliche Bahnen und Konku en-
zen en sp echend auch die Ein lussg ößen, wie e wa S eckencha ak e is ika,
s a k zunehmen und somi die Komplexi ä des Fo schungs o habens sowohl
hinsich lich de Da enau be ei ung als auch -analyse deu lich e höh . Da diese
Fo schungsa bei jedoch als ein üh ende S udie einen undamen alen Ansa z zu
Behandlung de zug undeliegenden Thema ik zum Ziel ha , ich e sich de Fo -
schungs okus o liegend p imä au die Vie e bob-Wel cup-We bewe be de
He en in Win e be g. Dies is aus me hodische Pe spek i e e e ba , weil ü
die angesp ochenen Konku enzen Da enmengen o liegen, welche aus s a is i-
sche Sich hin eichend g oß ü die Ablei ung alide Schluss olge ungen sind.
Wie be ei s disku ie , sind da übe hinaus zusä zliche Bahna ibu e in das Da-
enmodell zu übe üh en, um die Analysen au Ku en- und S eckenabschni s-
ebene auszuwei en. Hie du ch sind p äzise e Aussagen übe di e gie ende
Fah linien in den jeweiligen Abschni en sowie ih en spezi ischen Auswi kungen
au die Lau zei möglich. Hie ü e olg die An eiche ung de benö ig en Sekun-
dä da en im Rahmen de olgenden Da a P epa a ion.
Hinsich lich de zu Ve ügung s ehenden Me iken is anzu üh en, dass diese die
en sp echend no wendige Da enbasis be ei s ellen, um als Indika o en zu Ablei-
ung on Fah linien zu ungie en und somi eine Un e suchung de Kausali ä on
Abbildung
51: Da eng undlage de Falls udie
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
102
Fah linien und Lau zei en e möglichen. Hie zu sind Ex emwe e und s a is ische
Lagepa ame e de Geschwindigkei s- espek i e Beschleunigungsda en zu e -
heben, um den gewähl en Fah s il zu konk e isie en und implizi e gleichba zu
machen. Angesp ochene Ve gleiche sind hie bei nich nu zwischen einzelnen
Pilo en anzus ellen, sonde n auch in zu de inie enden Clus e n – wie e wa den
schnells en und langsams en Läu en – sinn oll, um den Da ensa z noch zielge-
ich e e au die F ages ellungen analysie en zu können. Diese Fo schungsan-
sä ze sind au Basis des o ges ell en Ziel-Da enmodells, bes ehend aus den
Rohda en sowie den disku ie en zusä zlichen Da enan eiche ungen, möglich.
Die en sp echend umzuse zende Au be ei ung des Da enmodells inklusi e Be-
einigung zu Gewäh leis ung an o de ungsge ech e Da enquali ä e olg hie zu
nach olgend im Rahmen de Da a P epa a ion.
6.4 Da a P epa a ion – Da enau be ei ung und -be einigung
Vo dem Eins ieg in die de aillie e Analysea bei is zunächs das Da enmodell
als Fundamen jegliche Analysep ozesse ollum assend und alide au zuse -
zen. Hie ü we den die de inie en An eiche ungs- sowie Be einigungsp ozesse
gemäß Abbildung 52 mi els Py hon du chge üh .
Abbildung
52: Bes and eile de Da enan eiche ung und -be einigung
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
103
6.4.1 Au be ei ung de Rohda en
Im e s en Sch i de Da enan eiche ung we den die Rohda en alle ausgewähl-
en We kämp e, welche in sepa a en Da eien im comma-sepa a ed- alues (cs )
Fo ma in un e schiedlichen O dne n liegen, in ein gemeinsames Da ase übe -
üh . Nach olgende Abbildung s ell einen Auszug dieses Da enko pus be ei .
Abbildung 53: Au be ei ung de Rohda en
Diese um ass die be ei s disku ie en Me iken sowie übe Fah e + Fah einen
P ima y Key, welche die en sp echende Da enzeile eindeu ig einem bes imm en
Lau eines Pilo en zuo dne , au Basis dessen die zusä zlichen A ibu e in das
Da ase übe üh we den können. Das Resul a is im olgenden Ausschni da -
ges ell .
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
104
Abbildung 54: An eiche ung de Rohda en um zusä zliche A ibu e
6.4.2 Hinzu ügen on Ku enlabels
Im nächs en Sch i is das Da enmodell um S eckencha ak e is ika manuell zu
e wei e n, indem die o iziellen S eckenabschni e in das Da ase eingebe e
we den. Hie du ch sind im wei e en Ve lau de A bei wesen lich de aillie e e
Analysen möglich, da die iden i izie en Fah linien eindeu igen S eckenloka io-
nen zuzuo dnen und somi inne halb on (Fah e -)Ve gleichsg uppen p äzise ge-
genübe zus ellen und in e p e ie ba sind. Die ko ek e Zuo dnung e olg übe
Ligh beam, da dieses A ibu die Du ch ah eine Lich sch anke en sp echend
kennzeichne und somi als Seconda y Key ü eine eindeu ige Zuo dnung ge-
nu z we den kann. Die de aillie e Zuo dnungslogik ü die Bahn in Win e be g
is de Abbildung 55 zu en nehmen.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
111
Beobach ungen zu iden i izie en. Dies e olg anhand eines zweis u igen P ozes-
ses, bei dem die Ausp ägungen de Me iken zunächs au Duplika e un e such
we den, be o in eine inhal lichen P ü ung o de inie e Schwellwe e als Ve -
gleichspa ame e hinzugezogen we den.
Die P ü ung au duplizie e Beobach ungen is inhal lich on de P ü ung in Ab-
schni 6.4.5. inso e n abzug enzen, dass de Da enko pus bei o he ige Un e -
suchung au duplizie e Da ensä ze, also deckungsgleiche Da enzeilen, gep ü
wi d, wohingegen die nun du chzu üh ende P ü ung explizi jede einzelne Me ik
sepa a au Duplika e un e such – inne halb de einzelnen egis ie en Fah en.
De olgende Auszug gib einen Übe blick übe die Anzahl de iden i izie en Dup-
lika e p o Me ik je Lau – abs eigend so ie nach jenen Da ensä zen mi de
höchs en summie en Duplika anzahl.
Au G undlage diese Zusammen assung is es zus ellen, dass on allen e-
gis ie en Läu en einzig de e s e Lau on F ancesco F ied ich im Vie e bob-
Wel cup om 01.04.2020 in olge eine ehle ha en Da ene hebung eine ele an
hohe Anzahl an Duplika en en häl . So wu den im Da ensa z dieses Lau s übe
alle Zei -, Geschwindigkei s- sowie Beschleunigungspa ame e hinweg insge-
sam 1.271 duplizie e Ausp ägungen iden i izie , was bei eine du chschni li-
chen Da enmenge je Lau on ca. 6.700 Zeilen × 7 Me iken einen An eil on und
3 P ozen e gib . Besonde s au ällig is die Menge an Duplika en bei de Ge-
schwindigkei sowie de Dis anz, die sich au ca. 8 espek i e 10 P ozen alle
e hobenen Da en diese Me iken ü diesen Lau belau en. Ebenso is die gleiche
Anzahl an Duplika en – wenn auch au nied ige em Ni eau – bei de Que - sowie
Abbildung
57: Iden i ika ion on duplizie en Beobach ungen de Me iken

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
112
Ve ikalbeschleunigung au ällig, was da ü sp ich , dass die angeb ach en Sen-
so en zwischenzei lich Fehl unk ionen un e lagen. Ein Ausschni aus dem ange-
sp ochenen Da ensa z un e s eich die Beobach ungen:
Abbildung 58: Fehle beha e e F ied ich-Da ensa z
Mi s eigende Lau zei eduzie sich die Geschwindigkei sowie die absol ie e
Dis anz zwischenzei lich bis au 0 km/h bzw. 0 m und da übe hinaus, sodass die
e mi el en Da en ü diesen Lau nach olgend als nich plausibel angesehen und
aus dem Da enko pus en e n we den. Au eine mögliche Da enmodi ika ion in-
olge eine de aillie en Auseinande se zung mi den ehle ha en Da en wi d ü
die o liegende S udie aus Komplexi ä sg ünden e zich e .
Die olgenden Da ensä ze, die nach dem disku ie en Da ensa z on F ancesco
F ied ich die meis en Duplika e in den Ausp ägungen de Me iken au weisen,
we den au g und des ge ingen An eils an Duplika en gemessen an de Gesam -
menge de Da ensä ze wei e hin im Da enko pus be ücksich ig . Beispielsweise
sei hie bei au den zwei en Lau on Simon F iedli e wiesen: Auch hie is eine
(mindes ens) s ellenweise ehle ha e Geschwindigkei smessung in Anbe ach
de 25 Duplika e zu un e s ellen, was jedoch in Anbe ach de gesam en Da en-
menge nu einen Duplika an eil on 0,4 P ozen ausmach . Die Auswi kung de
Da enbe einigung au den Da enko pus is de Tabelle 16 zu en nehmen.
Tabelle 16: G öße des Da enko pus nach Be einigung um F ied ich-Da ensa z
Be ach ungsebene Anzahl Zeilen
Da enko pus o zusä zliche Be einigung 1.597.526
da on „F ied ich 4e Bob 2020-01-04“ 5.538
Da enko pus be einig 1.591.988
Somi wu de de Da enko pus du ch En e nung des ehle ha en F ied ich-Da-
ensa zes um 5.538 eduzie .
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
113
Hie bei gil zu be ücksich igen, dass de o ges ell e Duplika e-P ü p ozess keine
we basie e Plausibili ä sp ü ung, sonde n ein die Iden i ika ion und Beu eilung
on Duplika en zum Ziel ha , die bei en sp echenden Beobach ungen in manuel-
len P ü p ozessen in ensi ie we den können. Ein po enzielle Ausschluss de
wei e en iden i izie en und du chaus als k i isch zu bewe enden Da ensä ze mi
Duplika en wi d o an implizi im Rahmen des egelbasie en P ü mechanismus
e aluie , welche jene Da ensä ze iden i izie , die on konk e en Schwellen-
ode Du chschni swe en abweichen. Hie zu sei angeme k , dass eine au oma-
isie e Löschung bei Regel e s oß im zug undeliegenden Py hon-Coding in e-
g ie is , welche jedoch nich angewand wi d. De G und hie ü lieg da in, dass
eine au oma isie e Löschung on Aus eiße n ohne manuelle Kon olle das Ri-
siko bi g , po enziell we olle In o ma ionen aus dem Da enmodell zu en e nen,
so e n die Da en auße halb de No m nich ehle ha sind. De Hin e g und is
hie bei, dass insbesonde e jene Da ensä ze häu ig on e höh e Aussagek a
und inhal lichem Meh we ü die Fo schung sind, die auße halb des No mbe-
eichs liegen, sodass eine Da enlöschung nu nach hin eichende P ü ung e ol-
gen soll e. Tabelle 17 ass die de inie en Regeln zusammen, nach denen k i i-
sche Da ensä ze iden i izie und ü wei e e manuelle P ü ungen ausgewähl
we den.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
114
Tabelle 17: Regeln zu Plausibili ä sp ü ung de Me iken
Me ik
s a is ische
Pa ame e P ü egel
oll angle
deg
max
> 145°
min
< -145°
mean*
> 2- ache OR < 0,33- ache des Mi elwe s de Bench**
Speed
km/h
max
> 1,05- ache de ∅-Maximalgeschwindigkei de Bench
min
< 0 km/h
mean
> 1,05- ache OR < 0,95- ache des Mi elwe s de Bench
Dis ance
m
max
> 1.400 m
min
< 0 m
Gesam -
lau zei
max
> 57 s
min
< 0 s
mean
> 1,04- ache OR < 0,96- ache des Mi elwe s de Bench
Acc x
m/s2
max
> 4° übe dem ∅ Acc x m/s2-Maximum de Bench
min
< -4° übe dem ∅ Acc x m/s2-Minimum de Bench
mean
> + 2° OR <-2° des Mi elwe s de Bench
Acc y
m/s2
max
> 6° übe dem ∅ Acc y m/s2-Maximum de Bench
min
< -6° übe dem ∅ Acc y m/s2-Minimum de Bench
mean
> + 1° OR <-1° des Mi elwe s de Bench
Acc z
m/s2
max
> 4° übe dem ∅ Acc z m/s2-Maximum de Bench
min
< -4° übe dem ∅ Acc z m/s2-Minimum de Bench
mean
> + 1° OR <-1° des Mi elwe s de Bench
*** Mi elwe übe gesam e Fah hinweg
*** Bench: Ve gleichsg uppe is jeweils die gleiche Konku enz
*** konku enzübe g ei ende Da ensä ze mi Regel e s oß
Es sei be on , dass die o liegenden P ü egeln subjek i en De ini ionen un e lie-
gen, welche au physikalischen Übe legungen sowie de beobach e en s a is i-
schen Ve eilungen de Ausp ägungen de jeweiligen Me iken basie en. Me ho-
disch wu den ü jede Me ik die Maxima, Minima sowie de Mi elwe alle Läu e
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
115
– sepa ie nach Zweie - und Vie e bob-Konku enz – e mi el und als Bench-
ma k ü die Da ensä ze de einzelnen Läu e hinsich lich diese s a is ischen Pa-
ame e genu z . Somi e geben sich – abgesehen ü die Dis ance m, da diese
implizi in Speed be ei s meh hei lich abgebilde wi d – ü jede Me ik d ei P ü -
p ozesse. Die Resul a e diese sepa a en P ü p ozesse weisen jeweils die An-
zahl iden i izie e Läu e aus, welche die en sp echenden P ü egeln nich e üllen
konn en. Au g und de s a is ischen In e dependenz zwischen Maximum, Mini-
mum und Mi elwe sind die Einzel esul a e je Me ik in de inhal lichen P ü ung
de Da ensä ze gemeinsam zu in e p e ie en: So e n ein Lau meh e e P ü egeln
e le z , is dies ein s a ke Indika o da ü , dass de Da ensa z g undsä zlich eh-
le beha e sein könn e und es sich nich um einen einzelnen Aus eiße – de
au g und das Gese zes de g oßen Zahl im Rahmen de Gesam be ach ung zu
e nachlässigen wä e – handel . Im E gebnis we den alle Läu e in einem sepa-
a en Da ensa z ausgegeben, welche gegen die P ü egeln e s oßen – zuzüg-
lich eine Angabe übe die A des Ve s oßes.
Abbildung 59: Au ällige Da ensä ze im Rahmen de Plausibili ä sp ü ung
Au G undlage diese Da en is in de Folge übe eine An eiche ung de Da en
aus dem Ko pus eine um assende manuelle P ü ung zu abschließenden Beu -
eilung möglich. Hie zu dienen ebenso die be ei s kalkulie en s a is ischen Pa a-
me e de Benchma ks als sinn olle Re e enz, um die Abweichungen om No m-
be eich zu in e p e ie en. Tabelle 18 gib einen en sp echenden Übe blick übe
alle gep ü en Da ensä ze inklusi e de En scheidung übe die wei e e Be ück-
sich igung im Da enmodell.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
116
Tabelle 18: E gebnisda s ellung de inhal lichen Plausibili ä sp ü ung
N . Fah e We kamp Lau Anzahl Re-
gel e s öße Diagnos ik Hand-
habe
1
Pa ick
Baum-
ga ne
4MEN_2020
-01-04 1 5
Da en zu deu lich
auße halb de
No m (Acc y, Acc z,
Rollwinkel)
löschen
2 F ancesco
F ied ich
4MEN_2021
-12-11 1 2
Da en zu deu lich
auße halb de
No m (max und
mean Acc x)
behal en
(u. V.)
3 F ancesco
F ied ich
4MEN_2021
-12-11 2 2
Da en zu deu lich
auße halb de
No m (max und
mean Acc x)
behal en
(u. V.)
4 Ch is oph
Ha e
4MEN_2021
-12-11 2 1
Abweichung min
Acc z im Tole anz-
be eich
behal en
5 B ad Hall 4MEN_2022
-01-09 1 1
Abweichung min
Acc x im Tole anz-
be eich | indi iduel-
le Fah s il?
Behal en
6 B ad Hall 4MEN_2021
-12-11 1 1
Abweichung min
Acc z im Tole anz-
be eich
behal en
7 B ad Hall 4MEN_2021
-12-11 2 1
Abweichung min
Acc x im Tole anz-
be eich | indi iduel-
le Fah s il?
Behal en
8 Da is Kau -
manis
4MEN_2021
-12-11 1 6
Da en zu deu lich
auße halb de
No m (Acc y, Acc z,
Rollwinkel)
löschen
9 Ryo Shino-
ha a
4MEN_2020
-01-04 1 8
Da en zu deu lich
auße halb de
No m (Acc y, Acc z,
Rollwinkel)
löschen

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
117
10 Ryo Shino-
ha a
4MEN_2020
-01-03 1 1
Abweichung de
Gesam lau zei im
Tole anzbe eich
behal en
11 Youngjin
Suk
4MEN_2020
-01-04 1 1
Abweichung mean
Acc y im Tole anz-
be eich | indi iduel-
le Fah s il?
Behal en
(u. V.)
12 Youngjin
Suk
4MEN_2020
-01-04 2 1
Abweichung mean
Acc y im Tole anz-
be eich | indi iduel-
le Fah s il?
Behal en
(u. V.)
13 Youngjin
Suk
4MEN_2020
-01-03 1 1
Abweichung mean
Acc y im Tole anz-
be eich | indi iduel-
le Fah s il?
Behal en
(u. V.)
14 Youngjin
Suk
4MEN_2020
-01-03 2 1
Abweichung mean
Acc y im Tole anz-
be eich | indi iduel-
le Fah s il?
Behal en
(u. V.)
15 Kaizhi Sun 4MEN_2022
-01-08 1 2
Abweichung Acc y,
z im Tole anzbe-
eich
behal en
16 Kaizhi Sun 4MEN_2022
-01-08 2 5
Da en zu deu lich
auße halb de
No m (min & max
oll angle)
löschen
17 Mihai C is-
ian Ten ea
4MEN_2022
-01-08 1 1
Abweichung min
Acc z im Tole anz-
be eich
behal en
18 Michael
Vog
4MEN_2020
-01-03 2 7
Da en zu deu lich
auße halb de
No m (min Acc y,
min Acc z)
löschen
19 Yunjong
Won
4MEN_2022
-01-09 2 1
Abweichung min
Acc z im Tole anz-
be eich
behal en
20 Yunjong
Won
4MEN_2020
-01-04 1 1 Abweichung min
Acc x im Tole anz-
Behal en
(u. V.)
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
118
be eich | indi iduel-
le Fah s il?
21 Yunjong
Won
4MEN_2020
-01-04 2 1
Abweichung min
Acc x im Tole anz-
be eich | indi iduel-
le Fah s il?
Behal en
(u. V.)
22 Yunjong
Won
4MEN_2020
-01-03 1 1
Abweichung min
Acc x im Tole anz-
be eich | indi iduel-
le Fah s il?
Behal en
(u. V.)
23 Yunjong
Won
4MEN_2020
-01-03 2 1
Abweichung min
Acc x im Tole anz-
be eich | indi iduel-
le Fah s il?
Behal en
(u. V.)
Die Analyse de iden i izie en Läu e mi au älligen Da ensä zen b ing neben o -
ensich lich ehle ha en Senso da en auch e s e po enzielle Indika ionen ü in-
di iduelle Fah linien he o : So zeigen sich beispielsweise bei allen ie Läu en
on Youngjin Suk deu liche Abweichungen bei de mi le en Que beschleunigung
e sus Bench, was eine sei s eine Folge on alsch angeb ach en Senso en sein
könn e, ande e sei s jedoch auch mi einem spezi ischen Fah s il beg ündba
sein könn e. Die Abweichungen on de No m sind in einem ole ie ba en Be-
eich, sodass die Da en ü wei e e Analysen – analog zu den Da en on Yunjong
Won – beibehal en we den. Einen Sonde all s ellen die Da ensä ze on
F ancesco F ied ichs Läu en om 12.11.2021 da : Hie bei sind die Da en de
Längsbeschleunigung au g und de hohen Abweichungen mi an Siche hei g en-
zende Wah scheinlichkei als ehle ha einzuo dnen. Da jedoch alle wei e en
Me iken unau ällige Ausp ägungen au weisen und F ied ich als Spi zen ah e
o z un e s ell en inko ek en Que beschleunigungsda en we olle In o ma io-
nen übe posi i e Zusammenhänge zwischen Lau zei und den wei e en Fah s i-
lindika o en geben könn e, we den die en sp echenden Da ensä ze un e Vo be-
hal im endgül igen Da enko pus be ücksich ig . Somi we den insgesam ün
Da ensä ze au g und inhal liche Unplausibili ä aus dem Da enko pus en e n ,
sodass diese nach Abschluss de Da a P epa a ion gemäß nach olgende Übe -
sich ca. 1,56 Millionen Da enzeilen um ass , welche sich insgesam au 283
Läu e e eilen.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
119
Tabelle 19: G öße des Da enko pus nach Be einigung um in alide Da en
Be ach ungsebene Anzahl Zeilen
Da enko pus o endgül ige Be einigung 1.591.988
da on unplausible Da ensä ze 28.267
Da enko pus be einig 1.563.721
Neben de Au be ei ung eine aliden Da eng undlage ü die olgenden Analy-
sen ha insbesonde e die inhal liche Plausibili ä sp ü ung e s e we olle E kenn -
nisse o enba : So konn en beim implizi en Benchma k-Ve gleich deu liche Un-
e schiede zwischen den Ausp ägungen de s a is ischen Pa ame e de einzel-
nen Me iken jeweilige Fah e und Läu e iden i izie we den, was nach olgend
als De ini ionsg undlage ü e schiedene Fah linien zu we en is . Im Zen um
des olgenden Analyse eils diese A bei s eh die F age, inwie e n diese Un e -
schiede auch die Va ia ionen de Lau zei en e klä en.
6.5 Modelling
De Analyse eil diese A bei is nach olgend analog de Abbildung 60 in zwei
Teilbe eiche einge eil :
Abbildung
60: Vo gehen im Modelling
•g undlegende desk ip i e Analyse de Da en
•Bes immung on Ko ela ionen
•Bes immung und Anwendung on Clus e n
•Eins ieg in Abschni sanalysen
Da a Analy ics
Tool: Py hon
• isuelle Au be ei ung de Da en
•de aillie e Analysen au Fah e - und Abschni sebe-
nen
•Zusammenhangsanalyse e schiedene Abschni e
Visual Analy ics
Tool: Powe BI
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
120
Zunächs we den die Da en in Py hon mi einem zahlen okussie en Ansa z s a-
is isch ausgewe e . Au eine ein üh enden desk ip i en Analyse olgen hie zu
Ko ela ions- sowie Clus e analysen au un e schiedlichen Agg ega ionsebenen,
um e s e undamen ale Einblicke in po enzielle Zusammenhänge zu gewinnen,
diese den Thesen aus de heo e isch-physikalischen Annähe ung gegenübe zu-
s ellen und hie au die wei e en Analyseansä ze au zuse zen. Basie end au den
inhal lichen E kenn nissen sowie en sp echend au be ei e en Da ensä zen e olg
übe Mic oso Powe BI eine isuelle Analyse de Da en, um du ch isuelle Da-
enexplo a ion zusä zliche Einsich en zu gewinnen. Hie bei sind insbesonde e
au De ailebene, e wa übe die Auswe ung des indi iduellen Fah e hal ens ein-
zelne Ak eu e in einzelnen S eckenabschni en, we olle In o ma ionen zu ge-
ne ie en.
6.5.1 Modelling I – Da a Analy ics ia Py hon
6.5.1.1 Desk ip i e Analyse
De zug undeliegende Da enko pus um ass insgesam 283 Läu e, die sich au
62 un e schiedliche Pilo en übe ach We kämp e e eilen. Hie on sind zwei
We kämp e dem Zweie bob sowie sechs dem Vie e bob-Wel cup zuzuo dnen.
Da die Auswe ungen und Analysen aus Nach ollziehba kei s- und Simpli izie-
ungsg ünden zunächs den da en eiche en Vie e bob-Wel cup okussie en, be-
ziehen sich nach olgende Aus üh ungen und Un e suchungen p imä au die Vie-
e bob Konku enz. Eine en sp echende Anwendung au die Zweie bob-Da en
geschieh in de p ak ischen Umse zung analog. Tabelle 20 gib hie zu einen
Übe blick übe die Ex emwe e sowie Lagepa ame e de einzelnen Me iken
und bie e somi einen sinn ollen Eins ieg in die Analyse: Als Quin essenz de
desk ip i en Analyse is es zuhal en, dass o z de ge ingen mi le en Zei un e -
schiede – die S anda dabweichung lieg bei 0,6 Sekunden – die Ausp ägungen
de Me iken Bandb ei en au weisen, welche un e schiedliche Fah linien e mu-
en und diese im Rahmen des Analysep ozesses auch als in e p e ie ba e schei-
nen lassen. Exempla isch sei die Spannwei e de Maxima des Rollwinkels anzu-
üh en, welche bei ci ca 20° lieg . Diese is als Indika o ü un e schiedliche Li-
nien bei den Ku endu ch ah en zu in e p e ie en und dien somi als e s e mög-
liche Ein lussg öße au die Lau zei – genau diesen po enziellen Zusammenhang
gil es im Folgenden zu alidie en.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
127
Tabelle 23: Clus e analyse übe den Zusammenhang de beobach e en Va-
iablen au den Rollwinkel
e klä ende Va iable e klä e Va iable Indika ion
Top 20% Flop 20%
Rollwinkel Top 20% Acc x 38% 15% RW ↑⟹ X ↑
Flop 20%
19%
20%
Rollwinkel Top 20% Acc y 41% 10% RW ↑⟹ Y ↑
Flop 20%
8%
17%
Rollwinkel
Top 20%
Acc z
44%
23%
RW ↑⟹ Z ↑
Flop 20%
19%
27%
Rollwinkel
Top 20%
Dis ance
28%
10%
RW ↑⟹ DS ↗
Flop 20%
19%
21%
Rollwinkel Top 20% Speed 49% 13% RW ↑⟹ SP ↑
Flop 20%
10%
39%
en sp ich Ko ela ionsanalyse
weich endenziell on E gebnissen de Ko ela ionsanalyse ab
Im E gebnis wi d au G undlage des disku ie en Kausali ä smodells de Rollwin-
kel, welche du ch die e mi el en In e dependenzen mi den wei e en Geschwin-
digkei s- sowie Beschleunigungspa ame e die Lau zei mi elba beein luss ,
olglich als maßgebliche Ein lussg öße au die Fah linie be ach e . Inso e n neh-
men die olgenden Analyseme hoden den Rollwinkel als zen alen Indika o ü
die Fah linienwahl an.
6.5.1.3 Da a Analy ics au Abschni sebene
Nachdem e s e g undsä zliche E kenn nisse hinsich lich des Zusammenhangs
on Fah linie und Lau zei au agg egie e Ebene gewonnen we den konn en,
we den diese im nächs en Sch i du ch okussie e Analysen au einzelne S e-
ckenabschni e p äzisie . Hie zu wi d zunächs eine Abschni sanalyse du chge-
üh , bei welche de Ein luss einzelne Teils eckenabschni e – sowohl Ku en-
abschni e als auch de inie e S eckencha ak e is ika – au die Gesam zei e u-
ie wi d, um e olgsk i ische S eckenabschni e zu iden i izie en. Hie bei is ein
wesen liche Analyseschwe punk au die S a phase geleg , um die au ges ell e

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
128
These, nach welche de S a phase eine zen ale Bedeu ung ü die Pe o -
mance zukomm , zu übe p ü en. Au bauend au de Abschni sanalyse e olg
eine Un e suchung des Zusammenhangs de einzelnen Me iken au die wesen -
lichen S eckenabschni e, um po enziell zei op imie ende Fah linien in den
Schlüsselbe eichen de Bahn in Win e be g au zudecken.
a) Zusammenhang einzelne Abschni e mi Gesam zei
Die Beu eilung des Ein lusses de einzelnen S eckenabschni e au die Gesam -
lau zei basie nach olgend au eine sepa a en Be ach ung de Ko ela ionsko-
e izien en nach Pea son sowie Spea man. Hie bei miss de Ko ela ionskoe i-
zien nach Pea son den linea en Zusammenhang zwischen den Abschni szei en
sowie de Gesam lau zei , wohingegen de Rangko ela ionskoe izien nach
Spea man die Abschni sposi ionen den Endposi ionen gegenübe s ell und so-
mi bei Un e suchung des Zusammenhangs implizi das Abschneiden im Ve -
gleich zu Konku enz be ücksich ig . Die Resul a e sind in Tabelle 24 da ges ell .
Tabelle 24: Ko ela ionsanalyse übe den Zusammenhang einzelne Ab-
schni slau zei en s. Gesam lau zei en
Abschni
Ko ela ionskoe izien
Pea son Spea man
S a phase
0,625
0,67
K0
0,643
0,705
K1
0,744
0,762
K2
0,933
0,885
K3
0,961
0,825
K4
0,957
0,814
K5
0,965
0,812
K6
0,924
0,571
K7
0,936
0,821
K8
0,914
0,649
K9
0,907
0,613
K10 und K11
0,906
0,674
K12
0,85
0,517
K13
0,839
0,587
K14
0,85
0,708
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
129
Gene ell zeigen sich e wa ungsgemäß ü jedweden Abschni posi i e Zusam-
menhänge mi den End esul a en, wenngleich die Ko ela ionskoe izien en nach
Pea son du chgängig deu lich höhe aus allen. Dies is da au zu ückzu üh en,
dass de Zusammenhang eine kü ze en Abschni szei au die Gesam zei g ö-
ße is als die Auswi kung eine besse en Abschni spla zie ung au das Gesam -
e gebnis, da bei le z e e du ch Be ücksich igung de Konku enz eine wei e e
Ein lussg öße hinzukomm .
Da im Bobspo die Pe o mance im Ve gleich zu Konku enz die End esul a e
de inie und somi die ela i e Ve besse ung zum We bewe be als p imä es Ziel
auszugeben is , wi d nach olgend de Rangko ela ionskoe izien nach Spea -
man als zen ale Indika o de Abschni sanalyse be ach e . Hie bei is au ällig,
dass insbesonde e die Abschni e on Ku e 2 bis Ku e 7 – mi Ausnahme on
Ku e 6 – mi einem Spea man-Koe izien en > 0,8 seh s a ke Ko ela ionen au -
weisen und somi als k i ische E olgsabschni e es zuhal en sind. Demgegen-
übe sind die Passagen ku z o Ziel wenige en scheidend, was inhal lich auch
plausibel zu beg ünden is : Zu be ücksich igen is hie bei ein kumula i e E ek
de s eigenden Geschwindigkei im Fah e lau , de dazu üh , dass bei eine
höhe en Ausgangsgeschwindigkei im Abschni seingang en sp echend leich e
eine besse e Zei im olgenden Abschni zu ealisie en is .
Hie aus olg demnach die no wendige Einsch änkung bei de In e p e a ion,
dass eine komple sepa ie e Be ach ung einzelne Abschni szei en nich alide
is , da diese – abgesehen om S a – jeweils auch on de Pe o mance in den
o angegangenen Abschni en abhäng . Aus diesem G und sink de Zusammen-
hang zwischen Teil- und Gesam leis ungen im Fah e lau endenziell: Wäh end
de kumula i e E ek aus den ühen Abschni en en sp echend übe länge e
Fah daue wi k und somi die Endpla zie ung maßgeblich beein luss , is diese
E ek ku z o Ziel seh limi ie . Zu hin e agen hie bei is de ge inge e E ek
aus de S a phase – eine mögliche E klä ung lieg wah scheinlich in den seh
ge ingen Leis ungsun e schieden und Zei abs änden unmi elba zu Beginn des
Lau s, sodass die Ausp ägung des disku ie en E ek s e s nach den e s en Ku -
en e s ä k au i . Dies wiede um s ünde jedoch in Kon as zu Un e suchung
on B üggemann, Mo lok und Za sio sky, welche de S a phase eine hohe Be-
deu ung nachweisen konn en (B üggemann, Mo lok und Za sio sky 1997, S.
103). Zu Beu eilung des Ein lusses de S a phasen is demnach eine de aillie -
e e Auswe ung de Da en sinn oll und geschieh nach olgend übe den be ei s
einge üh en Clus e ansa z.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
130
Abbildung 63: Clus e analyse übe den Zusammenhang on S a zei en s.
Gesam lau zei en
Hie aus is e sich lich, dass sich aus den Läu en mi den 20 P ozen schnells en
S a s knapp 60 P ozen auch in den bes en 20 P ozen de Gesam lau zei en
wiede inden, wei e e 30 P ozen diese Klasse angie en zusä zlich im Be eich
de 20-40 P ozen bes en Lau zei en. Demgegenübe sind on den Läu en mi
den 20 P ozen langsams en S a s nu 3 P ozen im End esul a un e den Top-
20 P ozen , wohingegen übe 60 P ozen zu den langsams en 40 P ozen gehö-
en. Aus diesen Da en geh eindeu ig he o , dass ein gu e S a eine wesen li-
che Vo ausse zung ü eine posi i e Endpla zie ung is . Gleichwohl zeig die Clus-
e analyse bei de Abschä zung de E ek höhe auch den seh hohen Ein luss de
olgenden S eckenabschni e:
Abbildung 64: Clus e analyse übe den Zusammenhang de S eckenab-
schni szei en s. Top 20 P ozen Gesam lau zei en so ie nach
E ek höhe
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
131
Demnach weisen insbesonde e die ühen S eckenabschni e nach dem S a –
o liegend K2, K3, K5 und K7 – analog den hohen Ko ela ionen gemäß Spe-
a man einen seh s a ken posi i en Zusammenhang zwischen Abschni s- und
Gesam pe o mance au , de auch jenen de S a phase übe i . Besonde s e -
olgsk i isch e weis sich hie bei K2, wo es zus ellen is , dass die 20 P ozen
schnells en Läu e in diesem Abschni in 84 P ozen de Fälle auch im Gesam -
klassemen zu den 20 P ozen schnells en Läu en gehö en.
Als Fazi de Abschni sanalyse is somi zu kons a ie en, dass de Abschni on
K2-K7 als e olgsk i isch ü eine gu e Endpla zie ung in Win e be g is . Exak e
Quan i izie ungen sind hie bei au g und de In e dependenzen zwischen den ein-
zelnen Abschni en nich möglich, dennoch is auch die S a phase als undamen-
ale E olgs ak o zu bilanzie en: Neben einem hohen Rangko ela ionskoe i-
zien en on ci ca 0,7 übe die e s en d ei Abschni e – S a bis inklusi e K1 –
un e s eich auch die Ko ela ion zwischen de S a zei und den olgenden Ab-
schni en die Wich igkei de S a phase.
Tabelle 25: Ko ela ionsanalyse übe den Zusammenhang de S a zei en s.
olgende S eckenabschni e
Abschni
Ko ela ionskoe izien
Pea son
Spea man
K0
0,886
0,809
K1
0,848
0,801
K2
0,726
0,691
K3
0,532
0,479
K4
0,5
0,404
K5
0,496
0,438
K6
0,446
0,311
K7
0,375
0,352
K8
0,358
0,209
K9
0,331
0,216
K10 und K11
0,319
0,179
K12
0,29
0,127
K13
0,286
0,15
K14
0,261
0,261
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
132
Demnach bleib es zuhal en, dass de Abschni K2, welche sowohl nach Ko -
ela ionsanalyse als auch au Basis de Clus e analyse den g öß en E ek au
die Gesam pla zie ung ha , mi einem Spea man-Ko ela ionskoe izien en on
0,7 maßgeblich on einem gu en S a abhäng . Somi sind die S eckenbe eiche
bis inklusi e K7 mi leich di e ie enden – und nich exak quan i izie ba en – E -
ek höhen, wobei hie bei K2, K7, K5 und K3 zu un e s eichen sind, als e olgs-
k i isch zu de inie en. Au Basis diese E gebnisse is im nächs en Sch i zu p ü-
en, wo in die un e schiedliche Pe o mance in diesen Abschni en beg ünde
lieg , um somi po enziell zei op imie ende Fah linien in diesen k i ischen Be ei-
chen zu iden i izie en.
Als zusä zliche Randno iz is zu e wähnen, dass bei Clus e ing de Abschni e
nach S eckencha ak e is ika olgende Resul a e zu beobach en sind:
Abbildung 65: Clus e analyse übe den Zusammenhang on S eckencha ak-
e is ika s. Gesam lau zei en
Hie nach ha die Pe o mance au ge aden S eckenabschni en im Mi el einen
s ä ke en posi i en Zusammenhang als die besonde s ku igen Abschni e, ob-
wohl de An eil de Lau zei au den Passagen an de Gesam lau zei wesen lich
ge inge is . Eine allgemeine inhal liche Ablei ung au G undlage diese Da en
e schein jedoch nich angeb ach , da die einzelnen Clus e un e schiedliche Lo-
ka ionen und somi – au g und des disku ie en kumula i en E ek s – schwe e -
gleichba e In e dependenzen zueinande au weisen. Aus diesem G und wi d ne-
ben de Ablei ung allgemeingül ige Thesen aus de Fundamen alanalyse in den
o angegangenen Kapi eln eine de aillie e Sich au einzelne S eckenabschni e
als aussagek ä ige in e p e ie .
b) Zusammenhang einzelne Me iken au Ku enzei en
Nach de Au s ellung de Fo schungs hesen ü zei op imie ende Fah s ile sowie
de Iden i ika ion e olgsk i ische S eckenabschni e olg eine de aillie e Un e -
suchung de Fah pa ame e in den einzelnen Bahnabschni en, um konk e e
Fah op imie ungspo enziale au zudecken. Hie zu nimm de Rollwinkel als Indi-
ka o ü die ak i zu beein lussende Fah linienwahl eine zen ale Bedeu ung ein,

i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
133
da diese gemäß den bishe igen E kenn nissen aus Theo ie sowie Da enanalyse
du ch en sp echende Kausali ä en mi elba und unmi elba übe die Geschwin-
digkei s- und Beschleunigungspa ame e au die Lau zei einwi k . Als Eins ieg in
die Analyse zeig Tabelle 26 den Spea man-Rangko ela ionskoe izien en zu
Messung des Zusammenhangs de einzelnen S eckenabschni szei en mi den
mi le en Rollwinkeln. Du ch Nu zung eines Rangko ela ionskoe izien en wi d
ein implizi e Ve gleich mi de Konku enz e eich , sodass in de Folge konk e e
Aussagen da übe ge o en we den können, wie sich im Mi el die e wa e e Pla -
zie ung inne halb des Abschni s bei eine Ände ung des Rollwinkels ände .
Tabelle 26: Rangko ela ionsanalyse übe den Zusammenhang S eckenab-
schni spla zie ung s. mi le e Rollwinkel
Abschni Ko ela ionskoe izien
Spea man
S a phase 0,042
K0 -0,039
K1 -0,195
K2
0,047
K3
-0,118
K4 0,035
K5
-0,11
K6 -0,125
K7
0,151
K8 -0,198
K9 -0,070
K10 und K11 0,026
K12 -0,071
K13 -0,095
K14 0,019
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
134
Die Resul a e bek ä igen die E kenn nisse aus o angegangen Analysen, indem
im Mi el ein leich nega i e Spea man-Koe izien es zus ellen is : Dies impli-
zie , dass ein im Ve gleich zu Konku enz höhe e mi le e Rollwinkel enden-
ziell die Endpla zie ung e besse .
Im Rahmen de S eckenabschni sanalyse haben sich die Abschni e K2, K3, K5
sowie K7 als besonde s e olgsk i isch he ausges ell , sodass diese nach olgend
exempla isch nähe un e such we den. Hie zu wi d analog den o he igen Ana-
lysen au das Ins umen des Clus e ings zu ückgeg i en. Dabei we den die
Läu e basie end au ih en jeweiligen Abschni szei en und mi le en Rollwinkeln
in den einzelnen Abschni en in ün sepa a e Clus e einge eil . Hie aus esul ie
nach olgende Häu igkei s e eilung, anhand de en Ablei ungen übe die Rollwin-
kelausp ägungen un e Be ücksich igung de Abschni szei en ge o en we den
können.
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
135
Tabelle 27: Clus e analyse übe den Zusammenhang on Abschni szei en s.
mi le en Rollwinkeln e olgsk i ische S eckenabschni e
S eckenabschni
Rollwinkel
Spea man
0-
20%
20-
40%
40-
60%
60-
80%
80-
100%
K2
Top 20%
0,047
44%
9%
19%
13%
16%
20-40%
9%
27%
27%
14%
23%
40-60%
26%
16%
11%
21%
26%
60-80%
21%
16%
21%
20%
21%
80-100%
18%
25%
19%
23%
14%
K3
Top 20%
-0,118
16%
16%
27%
22%
20%
20-40%
17%
17%
8%
33%
25%
40-60%
26%
34%
20%
9%
11%
60-80%
23%
22%
23%
14%
17%
80-100%
37%
7%
15%
22%
19%
K5
Top 20%
-0,11
18%
18%
18%
24%
22%
20-40%
24%
14%
24%
18%
22%
40-60%
23%
26%
15%
21%
15%
60-80%
22%
25%
20%
17%
17%
80-100%
35%
12%
24%
18%
12%
K7
Top 20%
0,151
21%
26%
18%
24%
12%
20-40%
26%
42%
16%
5%
11%
40-60%
28%
17%
33%
6%
17%
60-80%
26%
18%
21%
18%
16%
80-100%
20%
15%
18%
23%
23%
Demnach bleib es zuhal en, dass die Clus e analyse die Rangko ela ionen
nach Spea man ü die ausgewähl en S eckenabschni e bes ä igen. Fü K2 so-
wie K7 sind hie bei en gegen de g undlegenden Fes s ellung besse e Lau zei en
mi endenziell nied ige en Rollwinkeln zu e eichen. So sind exempla isch die 20
P ozen ge ings en K2-Abschni szei en zu 44 P ozen mi den 20 P ozen mini-
malen mi le en Rollwinkeln ge ah en wo den, wohingegen nu 16 P ozen die 20
P ozen höchs en mi le en Rollwinkel au wiesen. Als zusä zliche In o ma ion häl
i id Sch i en eihe, Bd. 4, Sche ge e al.: Big Da a im Bobspo
136
olgende Übe sich die Ex ema sowie die s a is ischen Lagepa ame e ü aus-
gewähl e G uppen es , um die ela i en Aussagen mi Zahlenwe en zu hin e le-
gen und somi konk e e p ak ische Aussagen ä igen zu können.
Tabelle 28: Desk ip i e Analyse de beobach e en Rollwinkel in ausgewähl en
S eckenabschni en inne halb de inie e Lau zei clus e (Top-20
& Flop-20 P ozen )
S e-
ckenab-
schni
Rollwinkel
mean max min s d
mean
Rank_Quan il
Top
20%
(FZ)
Flop
20%
(FZ)
Top
20%
(FZ)
Flop
20%
(FZ)
Top
20%
(FZ)
Flop
20%
(FZ)
Top
20%
(FZ)
Flop
20%
(FZ)
Top
20%
(FZ)
Flop
20%
(FZ)
K2
51,1
51,5
53,6
54,9
47,0
47,1
1,5
1,6
1,5
1,9
K3
16,1
15,5
31,3
19,9
12,7
12,6
2,9
1,9
2,2
1,8
K5
51,0
49,7
63,4
53,0
47,3
47,0
3,1
1,5
2,2
1,6
K7
48,2
48,5
50,8
51,6
43,3
43,2
1,5
1,5
1,8
2,2
Demnach is zu e kennen, dass de mi le e Rollwinkel bei den 20 P ozen
schnells en Läu en ü K2 bei 51,1° lieg , wohingegen diese in de G uppe de
20 P ozen langsams en Läu en bei 51,5° lieg . En sp echend weisen auch die
Ex ema du chweg höhe e We e au , was wiede um den Schluss aus de Ko e-
la ionsanalyse, wonach ü K2 endenziell nied ige e Rollwinkel eine besse e
Lau zei bewi ken, bes ä ig . Analog hie zu we den du ch die Clus e analyse
auch die wei e en Indizien aus de Ko ela ionsanalyse ü die ausgewähl en
S eckenabschni e bes ä ig : Neben K2 sind auch in Abschni K7 nied ige e mi -
le e Rollwinkel in den da ges ell en We ein e allen zu p ä e ie en, wohingegen
ü K3 und K5 jene Fah linien e olgs e sp echende sind, die im Mi el eine ela-
i – im Ve gleich zu Konku enz – wei e Fah linie e olgen. T o z de we ollen
E kenn nisse aus den bislang umgese z en Analy ics-Me hoden bleib es zuhal-
en, dass ü eine um assende Nach ollziehba kei spezi ische Fah linien eine
Da s ellung de Da en au minimale Ebene benö ig wi d – dies e olg nach ol-
gend übe Visual Analy ics: Hie bei we den alle gesammel en Da enpunk e de
jeweiligen S eckenabschni e isualisie , wodu ch ein anspa en es und oll-
s ändiges Da enabbild de Fah linien e eich wi d. Au diese G undlage is ein
zielge ich e es Benchma king ü einzelne S eckenabschni e möglich, was wie-
de um di ek e p ak ische Implika ionen zu umzuse zenden Fah linienwahl lie e .