Refine
Year of publication
- 2024 (2) (remove)
Document Type
- Bachelor Thesis (2) (remove)
Has Fulltext
- yes (2)
Is part of the Bibliography
- no (2)
Keywords
- Deep Learning (1)
- Deep learning (1)
- Eingliederung (1)
- Intelligent Transport Systems (ITS) (1)
- Neuer Mitarbeiter (1)
- Onboarding (1)
- Personalentwicklung (1)
- Personalmanagement (1)
- Personalwesen (1)
- Prognose (1)
Die vorliegende Bachelorarbeit untersucht Onboarding-Prozesse wissenschaftlicher Bibliotheken, insbesondere anhand einer Analyse der Universitätsbibliothek der Friedrich-Alexander-Universität Erlangen-Nürnberg. Im ersten Teil werden organisationstheoretische und interdisziplinäre Grundlagen beleuchtet. Dabei liegt ein Fokus auf den Herausforderungen, Nutzen und Zielen von Onboarding-Maßnahmen in Abhängigkeit ihres Zeitpunktes und der Zielgruppe. Im Praxisteil werden die gewonnenen Erkenntnisse auf die spezifischen Anforderungen von wissenschaftlichen Bibliotheken angewendet. Die Analyse von Onboarding-Prozessen der Universitätsbibliothek der Friedrich-Alexander-Universität Erlangen-Nürnberg beinhaltet eine Mitarbeitendenbefragung von Onboardees und beteiligten Personen. Die Ergebnisse werden nach der SWOT-Methode eingeordnet. Anschließend folgen Konzepte zur Entwicklung von Arbeitsmaterialien, Unterlagen interner Kommunikation und ein Datenbankkonzept.
Schließlich erfolgt eine ableitende Handlungsempfehlung für eine effektive Umsetzung von Onboarding in wissenschaftlichen Bibliotheken. Das Fazit fasst die wichtigsten Erkenntnisse zusammen, während der Anhang alle Informationen zu den durchgeführten Befragungen, deren Auswertung und die erstellten Arbeitsmaterialien bzw. deren Konzept enthält.
Training and evaluating deep learning models on road graphs for traffic prediction using SUMO
(2024)
The escalation of traffic volume in urban areas poses multifaceted challenges including increased accident risks, congestion, and prolonged travel times. Traditional approaches of expanding road infrastructure face limitations such as space constraints and the potential exacerbation of traffic issues.
Intelligent Transport Systems (ITS) present an alternative strategy to alleviate traffic problems by leveraging data-driven solutions. Central to ITS is traffic prediction, a process vital for applications like Traffic Management and Navigation Systems.
Recent advancements in traffic prediction have witnessed a surge of interest, particularly in deep learning methods optimized for graph-based data processing, being considered the most promising avenue presently.
These methods typically rely on real-life datasets containing traffic sensor data such as METR-LA and PeMS. However, the finite nature of real-life data prompts exploration into augmenting training and testing datasets with simulated traffic data.
This thesis explores the potential of utilizing traffic simulations, employing the microscopic traffic simulator SUMO, to train and test deep learning models for traffic prediction. A framework integrating PyTorch and SUMO is proposed for this purpose, aiming to elucidate the feasibility and effectiveness of using simulated traffic data for enhancing predictive models in traffic management systems.