Diese Arbeit befasst sich mit der Machbarkeitsuntersuchung einer maschinellen Prädiktion des Verhaltens von Verkehrsteilnehmern. In ähnlichen Anwendungsfeldern werden heute viele Methoden nichtstochastischer und stochastischer Art zur Lösung dieser Problematik angewandt. Es wird daher zuerst in kurzer Form in Ansätze zu temporalen Beschreibungslogiken und flachen Fehlermodellen eingeführt. Des weiteren werden die Konzepte probabilistischer Methoden vorgestellt, zu denen Markov-Prozesse, Markov-Entscheidungsprozesse und Bayes-Netze gehören.

Die Dynamik von Verkehrsszenen erfordert eine Modellierung zeitlichen Verhaltens, die mit heutigen probabilistischen Netzen nicht ausreichend möglich ist. Es sind parallele bzw. überlappende Aktionen zu modellieren, die kausal voneinander abhängen können. Die Unschärfe und Unsicherheit der Umgebungsinformation verlangt dagegen einen Aspekt der Modellierung, die in temporalen Beschreibungslogiken meist unbekannt ist. Ebenso fehlt hier eine Bewertung konkurrierender Aktionspläne.

Daher wird in dieser Arbeit schwerpunktmäßig die Kombination probabilistischer Netze mit temporalen Zeitintervallnetzen auf deren Tauglichkeit für Verkehrsszenarien hin untersucht. Um dies zu erreichen, werden bestehende, vielversprechende Ansätze auf die Verkehrsdomäne übertragen und vergleichend bewertet. Es werden dabei die Komplexität der Verfahren, der nötige Aufwand zur Realisierung, dabei auftretende, mögliche Probleme und Möglichkeiten der Steigerung der Effektivität anhand von Überholszenarien beleuchtet. Höchstwahrscheinliche Interpretationen der aufgestellten Modelle einer Verkehrsszene können nun Grundlage einer Entscheidungslogik von Assistenzsystemen in Fahrzeugen werden.