Inference of transportation networks from sparse tracking data

Abstract

Οι τεχνολογίες εντοπισμού θέσης που συναντώνται σε εφαρμογές έξυπνων κινητών, πραγματικού χρόνου πλοήγησης ή διαχείρισης στόλου οχημάτων, όχι μόνο επιτρέπουν την παροχή μιας σημαντικής και συστηματικής πηγής δεδομένων παρακολούθησης που δίνει τη δυνατότητα να αντλήσει κανείς πληροφορία σχετικά με οδικά και μεταφορικά δίκτυα εν γένει, αλλά εισάγουν επίσης ένα πλήθος ανοιχτών ερευνητικών προκλήσεων σε σχέση με την αξιοποίηση τέτοιων πλούσιων δεδομένων. Στη βιβλιογραφία έχουν προταθεί ορισμένες μέθοδοι, ως μέθοδοι αυτόματης παραγωγής χαρτών, αλλά δεν έχουν μελετηθεί επαρκώς τα προβλήματα που απορρέουν από μεγάλης κλίμακας δεδομένα και γενικευμένης γεωμετρίας οδικά δίκτυα. Έτσι, προκύπτουν νέες τάσεις που δίνουν έμφαση στην ανάγκη για βελτιστοποιημένους αλγορίθμους αυτόματης εξαγωγής χαρτών για την παροχή εφαρμογών και υλοποιήσεων που θα είναι εύρωστες ως προς τον όγκο και την ποιότητα των δεδομένων και θα επιτρέπουν ενημερώσεις σχετικά με τη γεωμετρία και τη συνδεσιμότητα των οδικών δικτύων. Στην κατεύθυνση αυτή, η παρούσα διατριβή συνεισφέρει στη γνώση, προτείνοντας αλγορίθμους αυτόματης παραγωγής χάρτη για οδικά δίκτυα και δίκτυα μεταφοράς γενικευμένου ενδιαφέροντος. Αρχικά μελετάται το πρόβλημα της αυτόματης παραγωγής του χάρτη ενός οδικού δικτύου. Στο πλαίσιο αυτό, προτείνεται ο αλγόριθμος TraceBundle που είναι πρωτότυπος και εξάγει ένα οδικό δίκτυο τυχαίας γεωμετρίας από μεγάλης κλίμακας δεδομένα, σε σχέση με άλλες προσεγγίσεις που προϋποθέτουν αυστηρούς γεωμετρικούς κανόνες καθετότητας των δρόμων. Στη συνέχεια, προτείνεται ο αλγόριθμος TraceConflation που χρησιμοποιεί δυναμικές παραμέτρους εφαρμογής καθώς και χαμηλής ακρίβειας, μη συστηματικά δεδομένα και επιτρέπει ενημερώσεις σε οδικούς χάρτες, από πλευράς γεωμετρίας και συνδεσιμότητας. Το όφελος από αυτές τις δυο τεχνικές είναι η αυτόματη εξαγωγή οδικών δικτύων υψηλής γεωμετρικής ακρίβειας καθώς και επιπρόσθετων χαρακτηριστικών, όπως είναι οι επιτρεπόμενες στροφές, οι κατηγορίες των δρόμων κλπ. Επίσης, μελετάται και παρουσιάζεται μια νέα τεχνική που αξιοποιεί γεωχωρικά δεδομένα από εφαρμογές κοινωνικής δικτύωσης. Αυτή η μέθοδος επιτρέπει την εξαγωγή κρίσιμων υποδομών μεταφορών και σημαντικών κόμβων από γεωκωδικοποιημένα tweets. Προκειμένου να δοθεί το κίνητρο σε ερευνητές να εργαστούν και να βελτιώσουν τους εν λόγω αλγορίθμους, έχει δημιουργηθεί ένα διαδικτυακό αποθετήριο (http://www.mapconstruction.org) που καθιστά διαθέσιμα τον πηγαίο κώδικα αλγορίθμων κατασκευής χαρτών καθώς και τα δεδομένα καταγραφής ιχνών οχημάτων για έλεγχο και αξιολόγηση. Τέλος, παρουσιάζεται η επέκταση της τεχνικής σε εφαρμογές για την απεικόνιση δεδομένων καταγραφής του ανθρώπινου οφθαλμού σε παρατηρήσεις χαρτογραφικών γραμμών και σχετίζεται με την αξιοποίηση γνώσης σε τροχιές κινούμενων αντικειμένων.

The commoditization of tracking technology, e.g., smart-phone applications involving check-ins, real-time navigation applications, fleet management, etc., provides us with a wealth of tracking data that, when utilized properly, will allow us to derive road and transportation networks. The research challenges in the form of map inference methods have been addressed to a limited extent in literature. Existing methods are characterized by limited geographical scope, small-scale tracking datasets, and unconvincing map construction results. Thus, sophisticated map inference algorithms are needed to improve over the current shortcomings and provide methods that can also be used in a practical setting. The present thesis contributes to this knowledge by proposing automatic transportation map inference algorithms for the simpler case of road networks, and the more complex case of semantically more expressive multimodal networks-of-interest. As a result of our study of automatic road network inference, we propose the TraceBundle algorithm, which extracts an arbitrary road network from large vehicle tracking datasets. A second method, the TraceConflation algorithm addresses noisy and sparse datasets. This method allows for the updates of existing road maps, both in terms of geometry and connectivity. The merit of these techniques is the automatic inference of navigable road networks of high spatial accuracy with respect to their geometry, enriched with additional attributes such as permitted maneuvers and road categories. Besides GPS tracking data and road networks, this thesis also studies a novel technique for dealing with user generated geospatial tracking data derived from social media applications. The proposed method, i.e. the Network of Interest algorithm, allows us to discover transportation hubs and critical transportation infrastructure from geocoded tweets. To further motivate and facilitate researchers and practitioners working in this area, we have created the http://www.mapconstruction.org which is an online repository containing source code of the state-of-the-art algorithms, as well as datasets for testing and evaluation. Finally, to investigate and demonstrate the applicability of our map inference algorithms in additional application domains, the map-construction approach has been applied to the visualization of eye tracking data.