Online traffic maps to human mobility patterns: analysing and visualising spatio-temporal dynamics in urban areas

Abstract

Η κατανόηση του τρόπου με τον οποίο οι άνθρωποι μετακινούνται μέσα στον αστικό χώρο μαζί με τις αλληλεπιδράσεις που αναπτύσσονται σε αυτό απασχόλησε έντονα πλήθος ερευνητών σε διάφορους επιστημονικούς τομείς όπως, η συγκοινωνιολογία, ο πολεοδομικός σχεδιασμός και η επιδημιολογία. Εντούτοις, η μοντελοποίηση και προσομοίωση της αστικής κινητικότητας παραμένει ένα δύσκολο εγχείρημα καθώς απαιτεί πληθώρα δεδομένων που σχετίζονται με τις μετακινήσεις των ανθρώπων μέσα στον αστικό ιστό. Αρχικά, η συλλογή αυτών των δεδομένων γινόταν κυρίως μέσα από χρονοβόρες και δαπανηρές έρευνες. Τις τελευταίες δεκαετίες όμως, οι "αναδυόμενες τεχνολογίες" και η πρόσβαση σε ανοιχτά δεδομένα αύξησαν το φάσμα των δυνατοτήτων για την μοντελοποίηση και την χαρτογράφηση της. Στην παρούσα διατριβή χρησιμοποιείται για πρώτη φορά μια εναλλακτική πηγή δεδομένων για την εκτίμηση και την ερμηνεία της αστικής κινητικότητας και συγκεκριμένα οι διαδικτυακοί χάρτες κυκλοφορίας, οι οποίοι παρέχουν πληροφορίες για την οδική κυκλοφορία σε πραγματικό χρόνο. Στα πλεονεκτήματα των διαδικτυακών χαρτών κυκλοφορίας συγκαταλέγονται η διάχυτη παρουσία τους καθώς και η διαδραστικότητα και η ελεύθερη πρόσβαση που προσφέρουν σε σύγκριση με άλλες πηγές. Συνεπώς, είναι σημαντικό να διερευνηθεί η αξία τους για περαιτέρω εφαρμογές πέρα από τις πληροφορίες κυκλοφορίας σε πραγματικό χρόνο και τους χρόνους διαδρομής. Βασικός στόχος είναι η διερεύνηση της αξίας της πληροφορίας που απεικονίζεται στους διαδικτυακούς χάρτες κυκλοφορίας πέρα ​​από την πρώτη οπτική ερμηνεία και το όριο που θέτει η ανθρώπινη όραση. Σημειώνεται ότι, η δημιουργία των διαδικτυακών χαρτών κυκλοφορίας απαιτεί τη συλλογή τεράστιου όγκου λεπτομερών δεδομένων κινητικότητας σε πραγματικό χρόνο, τα οποία συμπυκνώνονται για σκοπούς αναγνωσιμότητας. Με την εξαγωγή αυτής της συμπυκνωμένης πληροφορίας, χρησιμοποιώντας τεχνικές επεξεργασίας εικόνας δίνεται η δυνατότητα για την διακριτοποίηση του αστικού χώρου σε μικρότερα στοιχεία απεικόνισης (pixels), στα οποία καταγράφεται η κατάσταση της κυκλοφορίας με βάση κάποιο συγκεκριμένο χρωματικό κώδικα, σε μια κατάλληλη δομή δεδομένων πολύτιμη για μετα-ανάλυση και ερμηνεία των μοτίβων αστικής κινητικότητας. Το πρώτο μέρος της διατριβής εστιάζει στον έλεγχο της εγκυρότητας των δεδομένων που αντλούνται από την επεξεργασία των διαδικτυακών χαρτών κυκλοφορίας, μέσα από την εκτίμηση θεμελιωδών σχέσεων κυκλοφορίας, όπως τα Μακροσκοπικά Θεμελιώδη Διαγράμματα της Κυκλοφορίας ή τον εντοπισμό άλλων δυναμικών φαινόμενων, όπως η κυκλοφοριακή υστέρηση σε επίπεδο δικτύου. Σε δεύτερο στάδιο, διερευνάται η χρονική και χωρική διάσταση της αστικής κινητικότητας με βάση τα δεδομένα που λήφθηκαν από την επεξεργασία των διαδικτυακών χαρτών κυκλοφορίας. Το προτεινόμενο μεθοδολογικό πλαίσιο βασίζεται σε αλγόριθμους μηχανικής όρασης, στην εκτίμηση διαγραμμάτων πυκνότητας και σε διάφορες τεχνικές ομαδοποίησης. Μέσα από την εφαρμογή στην περιοχή μελέτης, η οποία αποτελείται από δεκαοκτώ διαφορετικές πόλεις σε όλο τον κόσμο, αποκαλύπτονται κανονικότητες και επαναλαμβανόμενα μοτίβα καθώς και χρήσιμες πληροφορίες σχετικά με τη δυναμικά χαρακτηριστικά της αστικής κινητικότητας, συμβάλλοντας στην ευρύτερη κατανόηση του πολύπλοκου και πολυπαραγοντικού αυτού φαινομένου. Εν κατακλείδι, η περαιτέρω ανάπτυξη της προτεινόμενης μεθόδου μπορεί να οδηγήσει σε ένα νέο χρήσιμο εργαλείο, χαμηλού κόστους για την αντιμετώπιση σύνθετων αστικών ζητημάτων, πολύτιμο για τους πολεοδόμους, τους υπεύθυνους χάραξης πολιτικής αλλά και για τα κέντρα διαχείρισης της κυκλοφορίας.

The understanding of how people move along with the relationship between urban forms has been a vivid research topic in several scientific fields such as transportation engineering, urban planning, and epidemiology. Hence, urban mobility modeling remains a challenging task as it requires a plethora of mobility data. In the early years, this data was derived from costly manual surveys but recently the emerging technologies and the data availability enhanced the spectrum of possibilities in mobility modeling and mapping. This new source of information such as mobile phone data, smart card data, floating car data, and web-based sources services that create digital records enabled researchers to better understand the governing laws in human mobility within urban areas. Although, these new sources of mobility data can also be significantly biased or have other drawbacks such as limited access.In this thesis, an alternative source of data, namely aggregated traffic information, broadcasted by online traffic maps are utilized for the first time to interpret urban mobility dynamics. The merits of online traffic maps lie on the ubiquitous and low-cost characteristics of this type of opensource data compared to other sources and thus it is crucial to explore their value for further applications beyond real-time traffic information and travel times. The main objective is to investigate the value of traffic information that is depicted at online traffic maps beyond the bounds of information that a human eye can perceive. Online traffic maps facilitate the collection of the vast amount of extremely detailed mobility data in real time that is aggregated for the sake of readability. The extraction of this aggregated information using image processing techniques enables to perform discretization of the urban space in seamless pixels, capturing the traffic state in each pixel based on the colour code in a suitable data structure valuable for meta-analysis and patterns interpretation. Initially, the validity of the simplified/coded information that dynamic traffic maps provide in terms of traffic operational characteristics is investigated. The results revealed that fundamental traffic relationships, such as the Macroscopic Fundamental Diagrams (MFDs), hold even in the case of the abstracted information broadcasted from online traffic maps while in a meta-analysis stage it was able to capture spatio-temporal phenomena of urban mobility, like concentration and homogeneity. As a second challenge the temporal and spatial dimension of urban mobility is explored based on the information retrieved from online traffic maps. The proposed methodological framework to estimate and interpret the spatiotemporal mobility patterns is built on Computer Vision algorithms, Kernel Density estimation, and clustering techniques. The application of the method on over fifteen cities around the world revealed regularities and useful insights regarding the urban mobility dynamics, enhancing our understanding in the particularly complex and multifaceted world of human mobility in urban areas. Last, further development of the proposed method can lead to a new useful and low-cost tool to confront complex urban issues valuable for urban planners, policy makers and traffic management’ authorities.