Traffic Regulator Detection Using GPS Trajectories
- PDF / 2,496,620 Bytes
- 11 Pages / 595.276 x 790.866 pts Page_size
- 14 Downloads / 182 Views
Traffic Regulator Detection Using GPS Trajectories Jens Golze1 · Stefania Zourlidou1 · Monika Sester1 Received: 24 March 2020 / Accepted: 8 July 2020 © The Author(s) 2020
Abstract This paper explores the idea of enriching maps with features predicted from GPS trajectories. More specifically, it proposes a method of classifying street intersections according to traffic regulators (traffic light, yield/priority-sign and right-of-way rule). Intersections are regulated locations and the observable movement of vehicles is affected by the underlying traffic rules. Movement patterns such as stop events or start-and-stop sequences are commonly observed at those locations due to traffic regulations. In this work, we test the idea of detecting traffic regulators by learning them in a supervised way from features derived from GPS trajectories. We explore and assess different settings of the feature vector being used to train a classifier that categorizes the intersections based on traffic regulators; also, we test several experimental setups. The results show that a Random Forest classifier with oversampling and Bagging booster enabled can predict the intersection regulators with 90.4% accuracy. We discuss future research directions and recommend next steps for improving the results of this research. Keywords Intersection classification · Traffic regulator detection · GPS trajectories · Random forest Zusammenfassung In diesem Paper wird die Idee vertieft, eine Karte mit zusätzlichen Merkmalen zu erweitern. Dazu werden, auf Basis von GPS Trajektorien, Verkehrsregulatoren an Straßenkreuzungen prädiziert. Straßenkreuzungen sind regulierte Bereiche in denen das Verhalten von Fahrzeugen maßgeblich durch die zugrunde liegenden Verkehrsregeln beeinflusst werden. Durch diese Verkehrsregeln können spezifische Bewegungsmuster, wie z.B Stop-Ereignisse oder Start-Stop-Sequenzen, beobachtet werden. In dieser Arbeit werden Verkehrsregulatoren erkannt indem Merkmale aus GPS Trajektorien abgeleitet und auf eine überwachte Weise gelernt werden. In diesem Zusammenhang werden verschiedene Einstellungen in der Trainingsphase der Klassifikation getestet. Die Ergebnisse zeigen, dass ein Random Forest Klassifikator mit Oversampling and Bagging Booster eine Genauigkeit von 90,4 % bei der Klassifikation von den betrachteten Kreuzungsregulatoren erzielt. Anschließend werden weitere Forschungsrichtungen und mögliche nächste Schritte zur Verbesserung der Ergebnisse dieser Forschung diskutiert.
1 Introduction Navigation maps are thematic maps that depict digitized information from city environment and are created to enable the fastest possible spatial orientation and navigation in the urban space both for humans and for autonomous vehicles. * Jens Golze [email protected]‑hannover.de Stefania Zourlidou [email protected]‑hannover.de Monika Sester [email protected]‑hannover.de 1
Institute of Cartography and Geoinformatics, Leibniz University Hannover, Hannover, Germany
Obviously, a map can best serve such a purpose when it is accurate and the features de
Data Loading...
