Auf dieser Seite können Sie sich über aktuelle Themenfelder und Problemstellungen für Abschlussarbeiten im Bereich Wirtschaftsinformatik, betreut von Prof. Dr. Natalia Kliewer.

Hinweis: Die unten aufgelisteten Themen stellen eine exemplarische Auswahl der von den Professuren betreuten Abschlussarbeitsthemen dar. Es können auf direkte Anfrage auch weitere Themen im Forschungsumfeld der Professur mit den Professurmitarbeitenden vereinbart werden.

---

Masterarbeiten:

• Sensitivitätsanalyse von Hyperparametern für Neuronale Netze
  • Beschreibung: In dieser Masterarbeit wird eine Framework/Pipeline zur effizienten Hyperparameter-Optimierung für generative Modelle entwickelt. Basierend auf einem spezifischen Datensatz (tbd) soll eine generative Architektur – beispielsweise GANs oder VAEs – gezielt getunt werden, um optimale Ergebnisse zu erzielen. Dazu führt der Studierende eine Literaturrecherche durch, um bestehende Ansätze aus der Hyperparameter-Optimierung für Deep Neural Networks zu analysieren und geeignete Methoden für generative Modelle zu identifizieren. Ein besonderer Fokus liegt auf GANs, da hier zwei Netzwerke simultan optimiert werden müssen.
  • Ansprechpartnerin: Nicki-Lena Kämpf (nkaempf@zedat.fu-berlin.de)
• Effizienzsteigerung im Energiemanagement: Integration von Energiespeichern und bidirektionalem Laden in Elektrobusflotten
  • Beschreibung: In dieser Masterarbeit sollen relevante Metriken und Key Performance Indicators (KPIs) für das Energiemanagement und die Effizienz von Elektrobusflotten identifiziert werden. Eine Literaturrecherche bildet die Grundlage, um bestehende Ansätze zur Simulation von Energiespeichern und bidirektionalem Laden zu analysieren und zu bewerten. Darauf aufbauend wird das Simulationswerkzeug SUMO um die Modellierung von Energiespeichern und bidirektionalem Laden erweitert. Zudem werden Schnittstellen für ein optimiertes Batteriemanagement und eine verbesserte Fahrzeugplanung geschaffen, die bestehende Heuristiken berücksichtigen. Optional können Sensitivitätsanalysen zu variierenden Ladezyklen sowie Untersuchungen zur Integration erneuerbarer Energiequellen durchgeführt werden.
  • Ansprechpartner: Robert Janus (r.janus@fu-berlin.de)

• Änderungen auf das Netzwerkdesign, der Linienplanung und der Fahrplanentwicklung bei der Verwendung von autonom fahrenden Bussen
  • Beschreibung: Die Einführung autonom fahrender Busse verändert den öffentlichen Personennahverkehr grundlegend. In dieser Masterarbeit soll untersucht werden, welche Auswirkungen diese Technologie auf das Netzwerkdesign, die Linienplanung und die Fahrplanentwicklung hat.

    Im Rahmen der Arbeit wird zunächst eine umfassende Literaturrecherche durchgeführt, um den aktuellen Stand der Forschung zu analysieren. Anschließend werden Best Practices und relevante Einflussgrößen identifiziert. Aus diesen Erkenntnissen kann ein Modell bzw. Framework entwickelt werden.

  • Ansprechpartner: Robert Janus (r.janus@fu-berlin.de)

• Watermarking of Synthetic Data
  • Beschreibung:

    Besonders bei Mobilitätsdaten gestaltet sich eine DSGVO-konforme Anonymisierung oft als schwierig, weil z. B. durch Verknüpfung zusätzlicher Datensätze eine Rekonstruktion individueller Bewegungsmuster möglich ist. Dies verhindert zuweilen das Teilen solcher Datensätze. Synthetische Daten bieten hier potenziell einen Ausweg und können mit generativen Machine Learning-Verfahren erzeugt werden. Dabei erfordert die Raum-Zeitlichkeit von Mobilitätsdaten spezielle Algorithmen, welche die Zusammenhänge korrekt reproduzieren können.

    In der Arbeit sollen basierend auf dem zu erhebenden Stand der Forschung geeignete Verfahren entwickelt, in ein bestehendes Tool integriert und durch umfassende numerische Experimente evaluiert werden.

  • Betreuer: Dr. David Rößler-von Saß (d.roessler@fu-berlin.de)

• Anonymization of spatio-temporal mobility data
  • Beschreibung:

    Für viele Daten gestaltet sich eine DSGVO-konforme Anonymisierung oft als schwierig, weil z. B. durch Verknüpfung zusätzlicher Datensätze eine Rekonstruktion Personen-identifizierender Informationen möglich ist. Dies verhindert zuweilen das Teilen solcher Datensätze. Synthetische Daten bieten hier potenziell einen Ausweg und können mit generativen Machine Learning-Verfahren erzeugt werden.
    Diese Verfahren sind in ihrer praktischen Anwendbarkeit bedroht, weil in der Anwendung Vertrauen in die Richtigkeit erforderlich ist. In dieser Masterarbeit sollen technische Lösungen untersucht werden, mit denen eine Verifikation und Provinienz-Histrorie synthetischer Datensätze durchgeführt werden kann. Es sollen basierend auf dem zu erhebenden Stand der Forschung geeignete Verfahren entwickelt, in ein bestehendes Tool integriert und durch umfassende numerische Experimente evaluiert werden.

  • Ansprechpartner: Dr. David Rößler-von Saß (d.roessler@fu-berlin.de)

• Reinforcement Learning-based disturbance management for electric bus transportation systems
  • Beschreibung:

    Im Rahmen der Masterarbeit soll aufbauend auf bereits bestehenden Erkenntnissen zum Stand der Forschung ein Reinforcement-Learning-basierter Algorithmus zur Real-time-Planung elektrischer Busse im ÖPNV entwickelt, implementiert und mithilfe von geeigneten Simulationswerkzeugen evaluiert werden. Im Fokus steht hierbei der Umgang mit betrieblichen Störungen, darunter Verspätungen und Abweichungen des IST-Ladestands der Fahrzeuge zum SOLL-Ladestand. Diese führen zu Problemen bei der Ausführung des Umlaufplanes und machen kurzfristige Korrekturen erforderlich. RL ist ein mögliches Instrument, um kosteneffizient und in der erforderlichen Geschwindigkeit optimale Entscheidungen zu treffen.

  • Betreuer: Dr. David Rößler-von Saß (d.roessler@fu-berlin.de)

• Optimal Scheduling of Large Vehicles for Railway Infrastructure Maintenance
  • Beschreibung: /
  • Ansprechpartner: Dr. David Rößler-von Saß (d.roessler@fu-berlin.de)

• Do Generative Models Validate the No Free Lunch Theorem? A Metric-Based Analysis of VAEs and GANs
  • Beschreibung: Die Masterarbeit untersucht, ob das No Free Lunch Theorem (NFLT) auch für generative Modelle gilt im Kontext der synthetisierung von tabellarischen Daten. Dazu werden verschiedene generative Architekturen, wie Generative Adversarial Networks (GANs), Variational Autoencoders (VAEs) und mögliche andere betrachtet und ihre durchschnittliche Leistung empirisch analysiert. Ziel ist es, herauszufinden, ob sich generative Modelle im Mittel gegenseitig ausgleichen oder ob bestimmte Architekturen systematisch bessere Ergebnisse als andere liefern. Hierzu entwickelt der Studierende eine Methodik, um eine Vielzahl dieser Modelle zu trainieren, ihre Performance anhand geeigneter Metriken zu evaluieren und eine fundierte Aussage über die Gültigkeit des NFLT im Kontext generativer Modelle zu treffen.
  • Ansprechpartner: Mick Molitor (m.molitor@fu-berlin.de)

• Vergleich von Mutation und Cross-Over in evolutionären Optimierungsverfahren
  • Beschreibung: Evolutionäre Algorithmen werden erfolgreich zur Lösung komplexer Optimierungsprobleme eingesetzt. Häufig liegt der Fokus auf dem Cross-Over-Verfahren, während Mutationsstrategien tendenziell vernachlässigt werden. Ziel dieser Arbeit ist es, den Mehrwert leistungsstarker Mutationsverfahren zu analysieren und zu bewerten, ob Cross-Over bei großskaligen Optimierungsproblemen tatsächlich von Vorteil ist. Ein starkes Interesse an heuristischen Optimierungsverfahren ist für diese Arbeit erforderlich.
  • Ansprechpartner: Lucas Mertens (lucas.mertens@fu-berlin.de)

• Kombination hybrider Optimierungsverfahren zur Leistungssteigerung
  • Beschreibung: Komplexe Optimierungsprobleme werden klassischerweise mit einem einzelnen Verfahren gelöst und gegebenenfalls mit anderen Methoden verglichen. In dieser Abschlussarbeit soll ein vorgegebenes oder selbst gewähltes Optimierungsproblem durch die gleichzeitige Anwendung von mindestens zwei Lösungsverfahren (z. B. Heuristik + Künstliche Intelligenz oder Heuristik + MIP-Solver) untersucht werden. Dabei soll analysiert werden, ob der kombinierte Einsatz mehrerer Methoden eine bessere Performance als die einzelnen Komponenten erzielen kann.
  • Ansprechpartner: Lucas Mertens (lucas.mertens@fu-berlin.de)

• Wiederherstellung von Fahr-, Umlauf- und Dienstplänen nach unvorhergesehenen Störungen
  • Beschreibung: Ungeplante Ereignisse wie Unfälle, Rettungseinsätze oder Bombendrohungen erfordern kurzfristige Ersatzpläne für den Fahr-, Umlauf- und Dienstbetrieb. Nach der Bewältigung solcher Störungen sollte der reguläre Fahrplan möglichst schnell wiederhergestellt werden, wobei die Belastung der Fahrer:innen minimiert werden soll. Eine Abschlussarbeit kann entweder alle drei Planungsebenen gemeinsam betrachten oder einen spezifischen Schwerpunkt vertiefen. Die Wahl des Lösungsverfahrens (z. B. Heuristiken, Künstliche Intelligenz, mathematische Optimierung) bleibt flexibel und kann nach Erfolgsaussicht und persönlichen Präferenzen getroffen werden.
  • Ansprechpartner: Lucas Mertens (lucas.mertens@fu-berlin.de)

---

Bachelorarbeiten:

• Mitarbeiterpartizipation im Personalplanungs- und Umplanungsprozess
  • Beschreibung: Vergleich von Methoden zur Mitarbeiterpartizipation in dem Personalplanungs-(und ggf. Umplanungsprozess) in einer Mobilitätsbranche wie ÖPNV, Railway oder Airline.
    Entwicklung neuer partizipativer Methoden unter Berücksichtigung der daraus resultierenden Strukturänderungen und Aufgabenbereichen.
  • Ansprechpartner: Nils Katzke (n.katzke@fu-berlin.de)

• Benchmark/Optimale Lösung für "Disturbance management for electric bus transportation systems"
  • Beschreibung: /
  • Ansprechpartner: Dr. David Rößler-von Saß (d.roessler@fu-berlin.de)

• Korrektur von Auslastungsmaßen und Clustering-Ergebnissen für Ladepunkte anhand der umgebenden öffentlichen, privat installierten Ladeinfrastruktur
  • Beschreibung: /
  • Ansprechpartner: Dr. David Rößler-von Saß (d.roessler@fu-berlin.de)

---