Extracting Densely Covered Areas Within Floating Car Datasets Using Inductive Loop Detector Data
- PDF / 1,250,084 Bytes
- 7 Pages / 595.276 x 790.866 pts Page_size
- 31 Downloads / 169 Views
Extracting Densely Covered Areas Within Floating Car Datasets Using Inductive Loop Detector Data Christian Röger1 · Maja Kalinic1 · Jukka M. Krisp1 Received: 6 August 2020 / Accepted: 8 October 2020 © The Author(s) 2020
Abstract We present an approach to use static traffic count data to find relatively representative areas within Floating Car Data (FCD) datasets. We perform a case study within the state of Nordrhein-Westfalen, Germany using enviroCar FCD and traffic count data obtained from Inductive Loop Detectors (ILD). Findings indicate that our approach combining FCD and traffic count data is capable of assessing suitable subsets within FCD datasets that contain a relatively high ratio of FCD records and ILD readings. We face challenges concerning the correct choice of traffic count data, counting individual FCD trajectories and defining a threshold by which an area can be considered as representative. Keywords Floating Car Data (FCD) · Inductive loop detectors (ILD) · Kernel density estimation (KDE) · Clustering
Extraktion von flächendeckend erfassten Gebieten in Floating Car Datensätzen (FCD) mit Daten induktiver Zählschleifen (ILD) Zusammenfassung Wir verwenden Daten aus Verkehrszählungen, um flächendeckend erfasste Gebiete aus Floating Car Datensätzen (FCD) zu extrahieren. Dafür führen wir eine Fallstudie in Nordrhein-Westfalen durch mit enviroCar FCD sowie Daten von induktiven Zählschleifen (ILD). Die Ergebnisse zeigen, dass durch unseren Ansatz Gebiete mit einem relativ großen Verhältnis von FCD und ILD Daten berechnet werden können. Es zeigt sich, dass die Wahl der benutzten Datensätze, der Zählprozess von FCD-Trajektorien an Zählerstandorten, sowie die Definition eines Grenzwertes, ab dem ein Gebiet als relativ flächendeckend erfasst gilt, relevant für die Aussagekraft der Ergebnisse sind. Schlüsselworte Floating Car Data (FCD) · Induktive Verkehrszählschleifen (ILD), · Kernel Density Estimation (KDE) · Clustering
1 Introduction A number of recently published reports show that individual car traffic in Germany has significantly increased since the 1990s.1 According to several studies, traffic is affecting the climate on earth. Air pollution originating from the transportation sector contributes 25 percent to total Carbon Dioxide (CO2) emissions (Mandl and Pinterits 2020) as well as 20%
to total Particulate Matter (PM2.5) emissions.2 This results in effects like global warming or health issues (Behera and Balasubramanian 2016). Other studies emphasize the formation of urban heat islands that emerge in weekly and daily periodical patterns, triggered by vehicular flow (Zhu et al. 2017). Given the circumstances, data-driven intelligent transportation systems seek to utilize data resources efficiently 1
* Christian Röger [email protected]‑augsburg.de 1
University of Augsburg, Augsburg, Germany
https://www.deutschlandinzahlen.de/tab/deutschland/infrastinfras/ verkehr-und-transport/personenkilometer (accessed September 28, 2020). 2 https://www.eea.europa.eu/data-and-maps
Data Loading...
