Mit der zunehmenden Nutzung mobiler Geräte, wie z. B. Smartphones, erzeugen die Nutzer eine Vielzahl von Sensordaten. Diese werden von so genannten ortsbezogenen Diensten (LBS), z. B. Navigations- oder Wetter-Apps, verwendet, um dem Nutzer einen Dienst anzubieten. Gleichzeitig sind solche Sensordaten und insbesondere GPS-Informationen datenschutzsensibel, da sie private Attribute des Nutzers preisgeben können, z. B. seine Wohn- oder Arbeitsadresse, Religion oder Bildung. In diesem Zusammenhang sind Points of Interest (POI) von besonderem Interesse, die sich auf Orte beziehen, an denen ein Nutzer eine bestimmte Zeit verbringt (z. B. zu Hause).
Andererseits können Mobilitätsdaten interessante Einblicke in Mobilitätsmuster liefern, die u.a. bei der Stadtplanung helfen können, z.B. durch die Analyse von Staus und die Planung neuer Straßen zur Verkehrsentlastung. Um diese Daten für solche Anwendungen nutzen zu können und gleichzeitig die Privatsphäre des Einzelnen zu schützen, wurden Mechanismen zur Wahrung der Privatsphäre entwickelt. Diese Mechanismen zielen darauf ab, die Privatsphäre zu schützen, z. B. durch Tarnung, Störung oder Löschung von Daten, und gleichzeitig die Beeinträchtigung des Nutzens der Daten zu minimieren.
POIs scheinen einen großen Einfluss auf die privaten Informationen zu haben, die über eine Person preisgegeben werden. In der Bachelorarbeit soll daher ein Ansatz erprobt werden, der POIs in einer Trajektorie eines Nutzers identifizieren kann, um zu verstehen, welche Teile einer Trajektorie besondere Aufmerksamkeit in Bezug auf den Schutz benötigen. Zu diesem Zweck soll ein AutoEncoder auf Trajektorien trainiert werden, die keine solchen POIs enthalten, so dass ein „normales“ Mobilitätsverhalten erlernt wird. Diese Daten können z.B. mit einem Routingdienst, wie openrouteservice, erzeugt werden. Mittels Dimensionsreduktionstechniken und Rekonstruktionsfehleranalyse soll analysiert werden, ob mit diesem Ansatz POIs in realen Nutzertrajektoriendaten erkannt werden können.