Das Ziel dieser Forschungsarbeit ist die Entwicklung einer geeigneten Repräsentation und Interpretation der Umwelt durch Modellierung der Unsicherheiten über das zukünftige Verhalten der Verkehrsteilnehmer. Eine solche probabilistische Raum-Zeit-Darstellung des zukünftigen Verkehrsszenarios wird durch prädizierte Belegungskarten (POG) realisiert. Für die Verwendung in der Fahrzeugsicherheit sollte die Schätzung dieser Darstellung in Echtzeit erfolgen. Aufgrund des hohen Berechnungsaufwands, der mit den analytischen Methoden zur Schätzung von POGs einhergeht, werden in dieser Forschungsarbeit Verfahren des maschinellen Lernens verwendet. Eine Darstellung des aktuellen Zustandes eines Verkehrsszenarios, welche die Informationen über die Verkehrsteilnehmer und die Straßeninfrastruktur enthält, kann mit den Daten von vorausschauenden Sensoren generiert und als augmentierte Belegungskarte bezeichnet werden. Maschinelle Lernverfahren wie Autoencoder und Random Forests werden für die Abbildung der augmentierten Belegungskarten auf prädizierte Belegungskarten verwendet. Durch die probabilistische Darstellung der künftigen Entwicklung von Verkehrsszenarien mittels maschineller Lernverfahren können entscheidende Komponenten in aktiven Sicherheitssystemen wie Kritikalitätsschätzung und Trajektorienplanung verbessert werden. Die POGs können auch für den Aufbau repräsentativer Testszenarien verwendet werden, die wiederum bei der Verbesserung der Validierungsprozesse aktiver Sicherheitssysteme hilfreich sind. Dabei spielen Ähnlichkeitsmaße, die auf den POGs beruhen, eine zentrale Rolle. Die ersten Validierungen der Methodik erfolgen mit Hilfe von Simulationen und anschließend mittels Realversuchen auf den CARISSMA Teststrecken.