Hmm, zuerst würde ich die Daten über einen (moderaten) Tiefpass filtern.

Eine Zeitreihe der Lenkwinkelauslenkungen korrespondiert ja mit einer entsprechenden Zeitreihe für die Geschwindigkeit.

Jetzt nimmst Du zum Vergleich möglichst Vektoren (=Zeitreihen) gleicher Länge, ansonsten wird die Klassifikation etwas schwieriger. Also z.B. 101 Elemente für Lenkwinkel und Geschwindigkeit. Aus der kontinuierlich aufgenommenen Datenreihen kannst Du Dir dann die Punkte heraussuchen, bei denen der Lenkwinkel einen Extremwert hat (dafür braucht es dann den entsprechenden Tiefpass auf den Eingangsdaten, sonst bekommst Du zuviele Kandidaten). Das wäre dann der Mittelpunkt für einen solchen Vektor (mit dann jeweils 50 Elementen davor und dahinter).

Zur Klassifikation kannst Du dann die Vektoren für Winkel und Geschwindigkeit einfach hintereinander hängen. Du hast also jeweils einen langen (z.B. 202 Elemente langen) Merkmalsvektor.

Sofern Du genügend Beispiele hast (Positive = Spurwechsel und Negative = Kein Spurwechsel) kannst Du damit einen Klassifikator bauen. Als einfachstes käme ein k-Nearest Neighbour in Frage, bessere Ergebnisse wirst Du aber wahrscheinlich mit einem LVQ oder RBF Netz erzielen können (Aus meiner Erfahrung liefern RBF Netze mit LVQ als erster Schicht tendenziell die besseren Ergebnisse).

Bei allen drei Verfahren ist es sinnvoll, nicht nur zwei Klassen (Spurwechsel ja/nein) zu wählen, sondern z.B. jeweils vier, damit die Aufteilung des Merkmalsraumes feiner stattfindet. Hintergrund ist, dass mit einem solchen Klassifikator ein n-dimensionaler Merkmalsraum in n-Klassen aufgeteilt wird. Beispiel für 2-Dimensionen: Wenn Du nur zwei Klassen hast, kannst Du den 2-D Raum nur in 2 Halbebenen teilen. Nimmst Du mehr Klassen, gehen auch komplexere Polygone ( http://de.wikipedia.org/wiki/Voronoi ).

Der Umkehrschluss: "Dann nehme ich eben jeweils 100 Klassen" ist auch nicht so sinnvoll, da der Klassifikator dann:
a) sehr lange zum Training braucht
b) oftmals nicht mehr so gut generalisiert