Till innehåll på sidan

Efficient Map Matching and Discovery of Frequent and Dominant Movement Patterns in GPS Trajectory Data

Tid: On 2020-12-16 kl 13.00

Plats: Videolänk via Zoom - https://kth-se.zoom.us/j/61742782011, Du som saknar datorvana kan kontakta Gyözö Gidofalvi gyozo.gidofalvi@abe.kth.se / Use this e-mail address if you need technical assistance, Stockholm (English)

Ämnesområde: Geodesi och geoinformatik, Geoinformatik

Respondent: Can Yang , Geoinformatik

Opponent: Contract Professor Mirco Nanni, University of Pisa

Handledare: Professor Yifang Ban, Geoinformatik; Associate Professor Gyözö Gidofalvi, Geoinformatik; Docent Xiaoliang Ma, Transportplanering

Exportera till kalender

Abstract

Den utbredda användningen av GPS-sensorer (Global Positioning System) för insamling av rörelsedata har möjliggjort ett brett spektrum av tillämpningar inom transport- och stadsplanering. Frekventa och dominerande rörelsemönster som döljs i GPS-trajektorier ger värdefull kunskap, vilken omfattar den rumsliga och tidsmässiga fördelningen av rutter som frekvent väljs av de spårade föremålen samt det regelbundna rörelsebeteendet i vissa regioner. För att upptäcka frekventa och dominerande rörelsemönster gömda i GPS-trajektorier måste man ta itu med flera uppgifter, däribland (1) att matcha brusiga trajektorier till vägnätet (så kallad kartmatchning), (2) utvinna frekventa och dominerande rörelsemönster och (3) att erhålla fördelningen av dessa mönster över användardefinierat attribut (t.ex. tidsstämpel, reseläge, etc.). Dessa uppgifter står inför flera utmaningar i fråga om observationsfel, effektivitet och stora sökrum av mönster.

För att hantera dessa utmaningar utvecklar denna avhandling en antal algoritmer och verktyg för effektiv kartmatchning och utvinning av frekventa och dominerande rörelsemönster i GPS-trajektorier. Mer specifikt utvecklas först två kartmatchningsalgoritmer som förbättrar prestandan genom förberäkning och A-star sökning. Därefter utvinns en frekvent rutt från kartmatchade trajektorier som ett sammanhängande sekventiellt mönster (CSP). En ny CSP-utvinningsalgoritm har utvecklats genom att utföra dubbelriktad beskärning för att effektivt söka efter CSP och minska redundansen i resultatet. Därefter utvecklas en effektiv algoritm för CSP-jämförelse för att utvidga dubbelriktad beskärning för att jämföra flera uppsättningar CSP. Genom att jämföra CSP som extraheras från trajektorier partitionerade av ett användardefinierat attribut kan fördelningen av frekventa rutter i attributrummet erhållas. Slutligen upptäcks regionalt dominerande rörelsemönster (RDMP) i trajektoriedata i form av regioner där de flesta föremål följer ett specifikt mönster. En ny beskrivning av rörelseattribut som kallas Directional Flow Image (DFI) föreslås för att fånga lokal riktad rörelseinformation för trajektorier i en bild med flera kanaler och en konvolutionell neuralt nätverksmodell utformas för DFI-klassificering och RDMP-detektion.

Omfattande experiment på både verkliga och syntetiska GPS-datamängder visar effektiviteten hos de föreslagna algoritmerna samt deras överlägsenhet över toppmoderna metoder. De två kartmatchningsalgoritmerna uppnår avsevärd prestanda när de matchar tätt samplade GPS-data till småskaliga nätverk och glest samplade GPS-data till storskaliga nätverk. CSP-utvinning- och jämförelsesalgoritmerna överträffar klart sina konkurrenter och hittar effektivt både rumslig och tidsmässig fördelning av frekventa rutter. RDMP-detekteringsmetoden kan på ett robust sätt upptäcka tio klasser av vanligt förekommande RDMP i verkliga trajektoriedata. De föreslagna metoderna i denna avhandling ger tillsammans en effektiv lösning för att svara på sofistikerade frågor om frekventa och dominerande rörelsemönster i GPS-trajektoriedata.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-286318