Das Ziel dieser Forschungsarbeit ist die Entwicklung einer geeigneten Repr?sentation 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 pr?dizierte Belegungskarten (POG) realisiert. Für die Verwendung in der Fahrzeugsicherheit sollte die Sch?tzung dieser Darstellung in Echtzeit erfolgen. Aufgrund des hohen Berechnungsaufwands, der mit den analytischen Methoden zur Sch?tzung 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 Stra?eninfrastruktur enth?lt, 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 pr?dizierte Belegungskarten verwendet. Durch die probabilistische Darstellung der künftigen Entwicklung von Verkehrsszenarien mittels maschineller Lernverfahren k?nnen entscheidende Komponenten in aktiven Sicherheitssystemen wie Kritikalit?tssch?tzung und Trajektorienplanung verbessert werden. Die POGs k?nnen auch für den Aufbau repr?sentativer Testszenarien verwendet werden, die wiederum bei der Verbesserung der Validierungsprozesse aktiver Sicherheitssysteme hilfreich sind. Dabei spielen ?hnlichkeitsma?e, die auf den POGs beruhen, eine zentrale Rolle. Die ersten Validierungen der Methodik erfolgen mit Hilfe von Simulationen und anschlie?end mittels Realversuchen auf den CARISSMA Teststrecken.