Automating composition of Origin-Destination Flows of Intersections Based on UAV Data

Abstract

Met de exponentiële ontwikkeling van UAV- en computerversietechnologieën zijn er nu enorme en geavanceerde gegevens over verkeer beschikbaar. Ruimtelijke en temporele gegevens, inclusief snelheid en andere parameters van trajectgegevens, kunnen worden vastgelegd. Op dezelfde manier zijn er onbewaakte clusteralgoritmen op het gebied van machinaal leren die datapunten in clusters kunnen groeperen op basis van hun inherente overeenkomsten zonder gebruik te maken van gelabelde gegevens. Algoritmen zoals GMM, DBSCAN en HDBSCAN kunnen patronen en structuren in de datasets identificeren om natuurlijke groeperingen mogelijk te maken. Om UAV-gegevens voor dat doel te gebruiken, samen met deze clustermethoden, probeert dit artikel een methodologie te ontwikkelen die zowel effectief als efficiënt genoeg is om de extractie van herkomst-bestemmingsstromen (OD) uit verschillende soorten kruispunten te automatiseren. Bovendien introduceert dit artikel een nieuwe op maat gemaakte automatiseringsmethode voor kruispunt-OD-stromen, genaamd IODF, samen met DBSCAN-, HDBSCAN- en GMM-algoritmen voor het clusteren van kruispunttrajecten om automatisch OD-stromen te extraheren. De bevindingen gaven aan dat alle vier de gebruikte methoden effectief de HB-stromen over verschillende soorten kruispunten konden extraheren.