Více

Odkazování na datovou sadu funkcí v geodatabázi souborů pomocí ArcPy?

Odkazování na datovou sadu funkcí v geodatabázi souborů pomocí ArcPy?


Snažím se vyvinout arcpy skript, který bude nakonec procházet řadou rastrů a tříd funkcí uložených v geodatabázi souborů. Chtěl bych exportovat prostorovou referenci pro tyto atributy spolu s jejich názvem do csv. Podařilo se mi to pro rastrové datové sady, ale potýkám se s třídami funkcí.

Všechny rastry jsou uloženy přímo v geodatabázi, takže s jejich odkazováním nemám problém. Všechny třídy funkcí jsou uloženy ve 3 datových sadách funkcí. Aby bylo možné odkazovat na tyto FC, nastavil jsem env.workspace tak, aby ukazoval na příslušnou datovou sadu funkcí, která funguje dobře. Chtěl bych najít způsob, jak odkazovat na všechny mé Fcs najednou, něco jako:

arcpy.env.workspace = "…  Name.gdb" fcList = arcpy.ListFeatureClasses ("*", "polygon", *** InFeatureDatasets ***) outFilePTH = r '…  output.csv'

Seznam doporučených sad můžete získat pomocí souboru Seznam datových sad funkci, poté procházejte seznamem, abyste se dostali na třídy funkcí v každé doporučené sadě. Z dokumentů:

datasetList = arcpy.ListDatasets ("C*", "Feature") pro datovou sadu v datasetList: tisk datové sady

Odkazování na datovou sadu funkcí v geodatabázi souborů pomocí ArcPy? - Geografické informační systémy

Náš výzkumný program se snaží porozumět chování řidičů mezi staršími dospělými, zvláště když k němu dochází každodenně, když lidé cestují ve svém vlastním prostředí. Hodnocení chování při řízení u starších dospělých se však do značné míry objevuje u metodik, které používají kontrolované podmínky, jako jsou testy na silnici a simulátory jízdy, a v menší míře i vlastní zprávy a deníky 1 – 4. Abychom lépe splnili naše potřeby v oblasti výzkumu, prozkoumali jsme novější metodiky pro studium podélně, naturalistického chování jízdy, nákladově efektivním a nenápadným způsobem 5.

Nedávné technologické pokroky v technikách globálních pozičních systémů (GPS) a geografických informačních systémů (GIS) umožňují vyhodnocení chování při řízení ve skutečném prostředí, ve kterém jednotlivci řídí 6. Novější zařízení GPS ve vozidle jsou nenápadná a obvykle poskytují data o datu, čase, rychlosti, zeměpisné délce a šířce, pokud jde o to, kde je vozidlo vedeno 7, 8. Zařízení GPS/GIS ve vozidle jsou rozvíjející se metodikou používanou k lepšímu porozumění řízení na místě a porovnání rozdílů mezi vlastní zprávou řidiče a údaji GPS získanými z vozidla 9. Výsledkem je, že naturalistický výzkum řízení využívající tuto metodologii se snaží porozumět chování při řízení tím, že analyzuje kontinuální, objektivní data shromažďovaná zařízeními ve vozidle za účelem stanovení vzorců a vlivu osobních, časových a environmentálních faktorů 7, 10.

Rozvíjející se pole naturalistického řízení a šíření vlastních a komerčních zařízení ve vozidle mimo regály (COTS) vedlo k mnoha různým výsledkům a analytickým technikám GIS 8, 11. Používání dat GPS však provází některé výzvy, včetně rozsáhlého následného zpracování velkých objemů dat, variability s časovými a prostorovými aspekty dat a vyšších nákladů spojených s technologií a sběrem dat. Období monitorování v mnoha nedávných studiích je proto omezeno na získávání dat pro analýzu z časového období v rozmezí týdnů až 2 měsíců 9, 11. Tato krátká období však mohou být příliš krátká na to, aby zachytila ​​relevantní chování řidiče.

Abychom mohli přesněji sledovat klíčové naturalistické chování při řízení, vyzkoušeli jsme novou metodiku, která přizpůsobuje zařízení COTS ve vozidle, aby podélně studovalo naturalistické chování při řízení, nákladově efektivním a nenápadným způsobem. Naším cílem pro tohoto pilota je popsat metodologické výzvy spojené s přizpůsobením palubního zařízení COTS, které zachycuje a syntetizuje data GPS pro zpracování a analýzu pomocí technik GIS. Rovněž kvantifikujeme prostorové a časové vzorce spojené s jízdním chováním, abychom vytvořili profily řidičů, abychom vyhodnotili, jak se jízdní chování podélně mění.

Údaje o účastnících. Data byla shromážděna od účastníků zařazených do longitudinální studie hodnotící preklinickou Alzheimerovu chorobu a řidičský výkon (R01 AG043434) na Lékařské fakultě Washingtonské univerzity v St. Louis. Účastníci měli normální znalosti, bylo jim 65 let nebo více, měli platný řidičský průkaz, řídili alespoň jednou týdně nepřizpůsobeným vozidlem, splňovali minimální zrakovou ostrost podle požadavků státu a měli biomarkery Alzheimerovy choroby (mozkomíšní mok nebo zobrazování mozku) objektivně změřené a dostupné za poslední 2 roky. Všechny protokoly studie, dokumenty o souhlasu a dotazníky byly schváleny Úřadem pro ochranu lidského výzkumu Washingtonské univerzity.

Sběr a zpracování dat. Použili jsme COTS Azuga G2 Tracking Device TM (Model 850: Azuga Inc, San Jose, Kalifornie), který označujeme jako globální systém sběru dat o poloze (GPDAS). GPDAS se zapojuje do portu palubního diagnostického systému (OBDII) a je napájen baterií vozidla. Požadavky na instalaci omezují vozidla na vozidla vyrobená v roce 1996 nebo později, protože v dřívějších letech nebyla vybavena portem OBDII. Data (rychlost vozidla, zeměpisná šířka, zeměpisná délka) byla shromažďována od okamžiku zapnutí zapalování a do jeho vypnutí, přičemž interval shromažďování byl nastaven každých 30 sekund. Jednotlivá 30sekundová pozorování se označují jako 𠇋readcrumb ”. Údaje o poloze byly také shromažďovány každé 3 hodiny, když bylo vypnuté zapalování. Do palubního deníku byly navíc zaznamenány agresivní jízdní události, jako je prudké brzdění, překročení rychlosti a náhlé zrychlení. Data byla sbírána a současně přenášena přes Bluetooth Low Energy na zabezpečené servery. Data byla denně agregována společností Azuga a zpřístupněna ke stažení prostřednictvím zabezpečených serverů.

V naší analýze – soubory strouhanky a soubory aktivit byly použity dva odlišné typy souborů dostupné od společnosti Azuga. V rámci denního souboru hodnot oddělených čárkami (csv) Breadcrumb se každý řádek skládal z jednoho pozorování ("strouhanka"), obvykle v 30sekundovém intervalu pro konkrétní vozidlo v okamžiku. Každá strouhanka identifikovala vozidlo pomocí 10místného kódu a navíc hlásila zeměpisnou šířku, délku, rychlost vozidla, nejbližší adresu (zpětně geokódováno podle Azuga), koordinovaný univerzální čas (UTC) a datum, odometrické údaje a typ události. Pole typu události identifikovalo, zda je daný drobeček spojen s pravidelným pozorováním nebo speciální událostí, jako je zapnutí/vypnutí zapalování nebo agresivní jízda. Pole typu události může také obsahovat kódy označující konkrétní problémy, jako je nízká úroveň nabití baterie ve vozidle, připojení nebo odpojení zařízení nebo porucha hardwaru zařízení. Další pole poskytla údaje o špičkové rychlosti a průměrné rychlosti v případě překročení rychlosti, jakož i počáteční a konečné rychlosti brzdění nebo akcelerace charakterizované rychlou změnou rychlosti vozidla.

Druhým typem souboru přijatým od Azugy byl denní soubor csv Activity. Každý řádek v souboru aktivity představoval jednu jízdu provedenou jedním vozidlem. Dostupná pozorování každé cesty zahrnovala datum a čas začátku (v UTC), počáteční a koncové polohy (zeměpisná šířka, zeměpisná délka a zpětně geokódovaná adresa), trvání/délku cesty v sekundách a vzdálenosti (zaokrouhleno na nejbližší desetinu kilometru, poté se uvádí v mílích), průměrná a maximální rychlost vozidla a počet/doba trvání agresivních jízdních událostí, jako je náhlá akcelerace, prudké brzdění a překročení rychlosti. Předběžné zpracování dat používalo skript Powershell ke srovnání záhlaví z příchozích souborů Breadcrumb a Activity, aby byla zajištěna konzistence struktury, a poté kombinovaly denní soubory z časového období zájmu do dvou velkých komplexních souborů csv (každý pro Breadcrumbs a pro výlet -úrovňová aktivita). Tyto dva velké soubory CSV byly načteny do programu statistické analýzy R jako datové tabulky pro další analýzy. Ve zbývající části rukopisu se termín strouhanka vztahuje na jediné pozorování jednoho vozidla na konkrétním místě a v jediném časovém okamžiku, zatímco cesta představuje soubor míst (strouhanka), ke kterým dochází mezi zapnutím zapalování a vypnutím konkrétního vozidlo. Za prvních 5 měsíců bylo pro 20 vozidel nasbíráno přes 400 000 strouhanek představujících přibližně 12 000 cest.

Počáteční kroky zpracování provedené v R zkoumaly stav příchozích dat na chyby a anomálie, poté vytvořily další pole pro použití při agregaci dat, stejně jako fáze prostorového zpracování. Protože všechny časy byly hlášeny v UTC a naši účastníci byli v kontinentálních Spojených státech, byly provedeny výpočty časových pásem pro přesnou transformaci příchozího časového razítka na místní čas. Mnoho bodů v centrálním standardním časovém pásmu bylo klasifikováno jako takové v R pomocí ohraničujícího obdélníku s maximální/minimální šířkou a délkou zapouzdřujícím většinu centrálního standardního časového pásma. Pro body blízko hranice časových pásem byl k určení příslušné zóny použit GIS. To bylo provedeno porovnáním polohy strouhanky se sadou polygonů představujících rozsah každého časového pásma, aby se určilo, do kterého polygonu časového pásma umístění strouhanky spadlo. Místní čas byl nutný k pochopení řidičské aktivity nebo vyhýbání se v určitých denních dobách (spěch) hodina, denní světlo atd.). Lubridát balíčku R byl použit k převodu času UTC na místní čas, zatímco balíček R R RAmosféra umožňoval výpočty východu a západu slunce na dané zeměpisné šířce/délce. Tyto výpočty byly přidány jako další sloupce do datových tabulek. Souhrn pracovního postupu je uveden na obrázku 1.

Obrázek 1. Pracovní tok dat potřebný ke generování metrik řízení v různých časových měřítcích.

K vyčištění příchozích dat a jejich přípravě na prostorové zpracování byla zkontrolována data, aby bylo zajištěno splnění dvou kritérií: (1) každé pozorování proběhlo v kontinentálních Spojených státech a (2) žádná dvě pozorování pro stejné vozidlo neměla identická časová razítka. Některé akce zařízení (připojení, odpojení nebo zapojení do jiného vozidla) způsobily, že GPDAS hlásil hodnoty zeměpisné šířky a délky 0 nebo v jednom případě hodnoty z místa v Egyptě. Navíc u některých vozidel, která zahájila cestu bezprostředně po zapojení GPDAS, způsobila časová prodleva potřebná k připojení k dostatečnému počtu satelitů GPS k registraci polohových dat sled pozorování se zeměpisnou šířkou a délkou rovnou 0. Kvůli nejistotě ohledně umístění vozidla v dobách, kdy byla zeměpisná šířka nebo délka hlášena mimo kontinentální Spojené státy, byly tyto cesty, včetně související strouhanky, z analýz odstraněny. Počet zasažených strouhanek byl menší než 1,6% všech příchozích strouhanek, přičemž drtivá většina obrázku 1 (6392 z 6529) představovala jedno vozidlo, jehož GPDAS měl poruchu, což způsobilo, že po několik týdnů nebyly shromažďovány žádné údaje o poloze. Odebrání vozidla s vadným GPDAS z výpočtu snížilo počet strouhanky odstraněné podle prvních kritérií na 137, což je méně než 0,04% z celkového počtu shromážděných strouhanek. Druhé kritérium odstranilo 12 strouhanek, které byly přesnými duplikáty jiných strouhanek.

Bylo nutné další čištění dat, aby se sestavil soubor úplných jízd, které každý řidič absolvoval. Data na úrovni cesty byla přístupná dvěma způsoby z příchozího datového proudu. Soubory aktivit obsahovaly souhrnné informace o začátku, konci a délce každé cesty, zatímco soubory Breadcrumb nabízely jemnější úroveň podrobností o poloze v rámci cesty. Přibližně 1,6% (n = 203) záznamů příchozích aktivit obsahovalo hodnoty NA jako zeměpisnou šířku a délku konce cesty. Typicky to bylo způsobeno buď ztrátou signálu GPS (jako je parkování v podzemní struktuře), nebo zvláštností datového toku příchozí aktivity, ve kterém došlo k druhému zaznamenanému spuštění cesty několik sekund po prvním, který byl poté „opuštěn“ jako smysluplný výlet do datového proudu. Dalších 1,8% hlášených jízd (n = 229) obsahovalo hodnotu 0 pro počáteční zeměpisnou šířku nebo délku. Většina z nich (217) pocházela ze zmíněného známého vadného zařízení, které přenášelo velké množství nul v rámci dat strouhanky. Ty byly označeny k odstranění.

Analýza. Analýza a správa dat pro prostorové operace v GIS, použitý ArcGIS 10.3.1 a balíček stránek ArcPy Python (Environmental Systems Research Institute, Redlands, CA, USA). Prostorová data byla uložena jako třídy funkcí ve formátu geodatabáze souborů. Výpočty časových pásem byly exportovány z ArcGIS jako soubor csv a sloučeny zpět do datové tabulky v R pro další výpočty.

Prostorová analýza. Pomocí zeměpisné šířky a délky pro každou strouhanku byly pro každý ovladač vytvořeny třídy bodových funkcí exportem výsledků operace geoprocesu Make XY Event. Tyto třídy bodových funkcí sloužily jako základ pro všechny následné prostorové analýzy.

Silniční analýza. Aby se určily charakteristiky silnice, po které účastník cestoval v době záznamu strouhanky, byla u každé strouhanky provedena analýza blízkosti vzhledem k datové sadě středové osy ulice. Operace Near geoprocessing byla použita pro identifikaci prvku osy ulice, který je nejblíže prvku ulice pro každou strouhanku. Výstupem operace Near geoprocessing je přidání dvou atributů do třídy prvků strouhanky. Tyto atributy jsou NEARFID, jedinečný identifikátor nejbližší funkce ulice, a NEARDIST, vzdálenost od cílové strouhanky k nejbližší funkci ulice. Hodnota NEARFID byla použita k načtení atributů funkce ulice, která je nejblíže k drobečkové navigaci, jako je název silnice, kód třídy funkcí sčítání (CFCC), typ silnice a průměrná rychlost (proxy pro omezení rychlosti). Obrázek 2 ukazuje vzorek strouhanky a jejich blízkost k rysům osy ulice. Přiřazené hodnoty z nejbližšího pouličního prvku byly aplikovány na každou strouhanku pomocí řady kurzorů. Kurzory jsou nástroje iterátoru dostupné v knihovně kódů ArcPy, které dokážou číst, aktualizovat a vytvářet funkce ve stávajících sadách prostorových dat (ArcGIS Help 2015).

Obrázek 2. Drobečková navigace a funkce středové osy ulice používané v analýze Near.

Řidičské oblasti. Řidičská oblast byla definována jako nejmenší polygon, který zahrnoval všechny strouhanky pro řidiče v daném časovém období. Geoprocesní operace Minimum Bounding Geometry byla použita k výrobě konvexních polygonů trupu představujících týdenní a měsíční oblasti řízení pro každého řidiče.

Střední centrum. Střední střed byl definován jako geografické centrum všech strouhanek pro řidiče v daném časovém období. Operace geoprocesu Mean Center byla použita k vytvoření bodů představujících týdenní a měsíční průměrné centrum pro každého řidiče. Operace byla založena pouze na prostorovém umístění strouhanky a nebyla vážena žádným atributem.

Primární umístění. Účastníci a#nejčastěji navštěvovaná místa (primární umístění) byli identifikováni za účelem provedení prostorové analýzy aspektů chování řidičů ’ ve vztahu ke známým oblastem. Předpokládalo se, že domov a/nebo pracoviště účastníka je nejčastějším původem nebo cílem většiny cest zaznamenaných GPDAS. Bylo klíčové, aby tato místa byla identifikována dynamickým a automatizovaným způsobem, aby se dosáhlo škálovatelnosti pracovního postupu zpracování dat. Vizuální zkoumání dat pro malý vzorek účastníků ukázalo, že často navštěvované místo by se mohlo jevit jako hustý shluk strouhanky. Předpokládalo se, že nejhustší kupa nebo shluk s největším vzplanutím na strouhance bude primárním místem. Klastry vznícení na strouhance byly identifikovány pomocí operace geoprocesu Agregátní body. Parametr Aggregate Distance byl nastaven na 20 stop po vizuálním umístění a měření zapalování na klastrech strouhanky na malém vzorku účastníků. Výstupem operace Agregované body byla třída polygonových prvků s funkcemi zahrnujícími klastry tří nebo více bodů v hodnotě parametru Agregovaná vzdálenost. Strouhanka umístěná v každém polygonu byla spočítána a porovnána s celkovým počtem zapálení na strouhance, aby účastník určil, zda polygon představuje primární umístění. Operace geoprocesu Feature To Polygon byla použita k vytvoření bodového prvku na těžiště každého polygonu primárního umístění, čímž byl poskytnut jediný bod, který byl použit jako primární umístění v dalších analýzách (obrázek 3).

Obrázek 3. Polygon primárního umístění vytvořený pomocí operace geoprocesu agregačních bodů s bodem primárního umístění umístěným na jeho těžiště.

Jedinečné destinace. Jedinečné destinace jsou definovány jako samostatná místa navštívená účastníky v daném časovém rámci. Geoprocesní operace Buffer byla použita k vytvoření kruhových polygonů s poloměry 100, 250 a 500 stop kolem každé strouhanky indikující zapálení při události. Byly provedeny různé operace s vyrovnávací pamětí, aby se stanovil práh, při kterém by byly dvě nebo více odlišných strouhanek vyskytujících se ve stejném časovém období kombinovány jako stejné místo určení. Například účastník, který ve stejném měsíci dvakrát navštívil nákupní centrum, může při každé samostatné návštěvě zaparkovat na opačných koncích velké parkovací plochy. Toto nákupní centrum by však mělo být pro cílové časové období započítáno jako jeden cíl.

Ke sloučení kruhových polygonů byla použita operace geoprocesu Dissolve, takže strouhanka v rámci tří prahů vzdálenosti by se počítala jako jedno místo určení. Obrázek 4 ukazuje vzorek vznícení na strouhance ve vybrané oblasti během jednoho měsíce. Skupiny strouhanky v těsné blízkosti každé z komerčních budov se vyskytují v různé dny ve stejném měsíci. Polygon vyrovnávací paměti o délce 500 stop zahrnoval všechny čtyři samostatné komerční destinace a byl by pro tento měsíc započítán jako jediné místo určení. Nárazník 250 stop by spojil nejsevernější komerční oblast se dvěma oblastmi na jihozápad, čímž by se vytvořil jediný cíl ze tří odlišných destinací. Vyrovnávací paměť 100 stop rozdělila tři oddělené destinace do dvou destinací a spojila pouze dvě nejmenší komerční oblasti do jednoho cíle (obrázek 4).

Obrázek 4. Unikátní cílový vzorek s více nárazníky. Výsledek

Komplexní profily řidičů. Drobečková navigace je jeden datový bod v čase (v 30sekundových intervalech), který obsahuje polohu, čas, datum a rychlost vozidla. Jedna cesta by mohla mít stovky strouhanek, které jsou agregovány a v průběhu času mohou poskytnout konkrétní informace o způsobech řízení a chování. Kroky diskutované v části metodiky vedly k vytvoření profilu řízení pro každého řidiče, který by bylo možné prozkoumat v průběhu studie. Profily řidičů zahrnovaly prostorové, časové a behaviorální komponenty. Prostorové komponenty zahrnovaly primární umístění, řidičské oblasti, střední centra a jedinečná místa určení. Časové složky zahrnovaly počet cest provedených v různých denních dobách. Behaviorální komponenty zahrnovaly počet prudkých brzdění, překročení rychlosti a náhlé zrychlení.

Primární umístění. Primární umístění ovladače bylo označeno jako místo, které zahrnovalo alespoň 10 procent zapalování řidiče ve strouhance. Vzhledem k tomu, že účastníci jsou starší 65 let, měli účastníci ve většině případů jediné primární umístění, které bylo považováno za jejich domov/bydliště, ačkoli některé výsledky účastníků ukázaly dvě primární umístění. Ve většině případů byl počet pro klastrový polygon s nejvyšším počtem strouhanky výrazně vyšší než pro ostatní dva polygony. Výjimkou je účastník C, kde dva klastrové polygony mají strouhanku více než 10 procent z celkové strouhanky (obrázek 5). Účastník C má dvě primární umístění na základě procenta zapálení řidiče při událostech. Primární umístění byla porovnána se známými adresami účastníků a byla potvrzena stoprocentní přesnost, včetně účastníka C, o kterém je známo, že má dva domovy.

Obrázek 5. Prostorové profily.

Řidičský prostor a střední střed. Polygony Driving Area vyplývající z metodiky se lišily v závislosti na rozsahu strouhanky pro každého řidiče v průběhu času. Analýza ukázala, že oblasti řízení účastníka se často mohou velmi často překrývat z týdne na týden nebo z měsíce na měsíc. Očekávalo se, že střední centra budou seskupena kolem primárního umístění účastníka. To však nebyl případ, kdy účastníci měli více než jedno primární umístění. Viz Účastník C na obrázku 5. Účastník C měl dvě určená primární umístění a v důsledku toho se střední centra pro tohoto účastníka obvykle nacházejí mezi dvěma primárními místy. Kombinované polygony Driving Area, Mean Centers a Primary Locations tvoří prostorový profil pro účastníky studie. Prostorové profily pro vzorek účastníků jsou zobrazeny na obrázku 5. Každý šedý mnohoúhelník představuje oblast řízení po dobu jednoho měsíce pro každého účastníka. Střediska měsíčních průměrů jsou znázorněna bílými rámečky a červené hvězdičky označují primární umístění pro každého účastníka.

Řidičské oblasti se u některých účastníků mohou měsíc od měsíce velmi lišit, zatímco jiní účastníci mají ve své oblasti řízení malé měsíční rozdíly. Měsíční polygony oblasti řízení pro účastníky C a D ukazují velké části překrývání, zatímco účastníci A, B a E ukazují velké části oblasti řízení jedinečné pro časové období jednoho měsíce. Společnou řidičskou oblast lze kvantifikovat výpočtem překrývající se oblasti z měsíce na měsíc a celkové překrývající se oblasti pro 5měsíční studijní období. Variace měsíce v měsíci v překrývající se oblasti řízení je znázorněna na obrázku 6 a posiluje velké množství překrývání z měsíce na měsíc u účastníků C a D.

Obrázek 6. Oblast překrytí mezi oblastmi řízení z měsíce na měsíc. Obrázek 7. Poměr překrývající se oblasti řízení k celkové oblasti řízení za období 5 měsíců.

Poměr překrývající se oblasti řízení k celkové ploše řízení zkoumá vztah mezi běžně vedenými trasami a celkovým prostorem pro řízení. Na obrázku 6 ukazuje účastník C malé rozdíly v měsíční oblasti řízení během časového rámce studie, přičemž více než 70% celkové oblasti řízení je společné pro všechny měsíce. Účastník E ukazuje nejmenší množství překrývajících se oblastí, přičemž pro všechny měsíce je společné méně než 15% celkové oblasti řízení.

Unikátní destinace. Výsledky provádění metodiky Unique Destinations ukázaly různé výsledky podle řidiče. Zatímco někteří řidiči vykazovali každý měsíc podobné počty unikátních destinací, jiní řidiči vykazovali počty unikátních destinací, které se měsíc od měsíce velmi lišily (obrázek 8). Ve většině měsíců se pro mnoho řidičů počty Unique Destinations odvozené pomocí 100, 250 a 500 stop vyrovnávacích pamětí lišily podle velikosti vyrovnávací paměti. Pokud však byly cíle řidiče zvlášť rozloženy, velikost vyrovnávací paměti byla méně důsledná. Výsledky celkově ukazují, že k získání co nejpřesnějšího počtu unikátních destinací pro účastníky v každém časovém období by měl být použit 100 stopový nárazník.

Obrázek 8. Počty unikátních destinací pro 5 účastníků.

Výlety vedené za denního světla vs. v noci. Výsledky počtu ujetých jízd během dne vs. noci ukázaly rozdíly mezi jednotlivci a změny uvnitř jednotlivce v různých měsících. Obrázek 9 zobrazuje počet ujetých jízd ve dne v noci pro pět účastníků od července (7) do listopadu (11). Noční řízení je spojeno s třikrát větším rizikem úmrtí na silnicích a zvýšené únavy a vnímaného nebezpečí 12, 13. Většina výletů řízených 4/5 účastníky byla vedena během dne. U účastníků B a D se počet cest obecně snížil z měsíce 1 na měsíc 5, aniž by došlo k výrazné změně v počtu cest vedených v noci. Účastník C však měl vyšší celkový počet cest za měsíce 4 𠄵 a zvýšil noční jízdu ve srovnání s měsíci 5 𠄷. Účastník A snížil jejich noční řízení a celkový počet výletů provedených od 3. do 5. měsíce, zatímco účastník B vykazoval malé změny v chování při noční jízdě. Vzhledem k tomu, že časové okno naší studie představuje měsíce, kdy se dostupné hodiny denního světla neustále snižují, může pokles celkového počtu jízd v kombinaci s nedostatkem odpovídajících nárůstů výletů prováděných v noci naznačovat, že řidič A v naší studii provedl záměrné úpravy, aby se zabránilo řízení v noci. Nakonec bylo za soumraku zahájeno více výletů ve srovnání s úsvitem.

Obrázek 9. Počet ujetých jízd ve dne i v noci.

Nepříznivé chování při řízení. Tři výstrahy (nepřiměřená rychlost, prudké brzdění a prudká akcelerace) identifikované systémem GPDAS jsou odrazem nepříznivého chování při řízení nezávisle na kontextu řízení v oblasti životního prostředí. Služba GPDAS nezachycuje data o dopravním proudu nebo dopravní zácpě, povětrnostních podmínkách, nepříznivých podmínkách nebo jiných faktorech (např. Změněném duševním stavu), které mohou ovlivnit chování řidiče. Obrázek 10 uvádí údaje o prudkém brzdění, náhlém zrychlení a překročení rychlosti za 5 účastníků za 5 měsíců. Podobně jako u prostorových a časových analýz došlo mezi účastníky k velkým rozdílům. Rozdíl mezi nejméně a nejagresivnějšími řidiči, který je zde uveden, je dramatický: Účastník B zaznamenal celkem 25 výstrah, zatímco účastník C zaznamenal 400. Účastníci B a D neměli žádná upozornění na překročení rychlosti, zatímco účastník C zaznamenal všechny tři typy agresivních způsobů řízení za všech 5 měsíců . Účastník D zaznamenal třikrát tolik brzdných událostí než rychlostní a náhlé zrychlení dohromady. V měsících 10 a 11 účastníci D a E vykazují výrazný nárůst agresivních návyků, zatímco účastníci A a C podle všeho agresivitu upadají. Interindividuální rozdíly v upozornění na řízení během 5 měsíců mohou být odrazem preference nebo stylu řidiče, prostředí jízdy nebo interakce mezi oběma. Zatímco data uvedená na obrázku 10 představují celkový počet výstrah, je možné zkoumat frekvenci vypínání obsahujících jedno nebo více výstrah. Je nepravděpodobné, že by vysoký počet výstrah mezi některými účastníky (např. C, E) mohl být přičítán výhradně řidičskému prostředí.

Obrázek 10. Celkový počet výstrah za 5 měsíců.

Souhrnně řečeno, zařízení COTS GPDAS dokázalo zachytit objektivní chování při řízení. Získaná data poskytla základ pro vytvoření profilu naturalistické jízdy, který obsahoval prostorové, časové a behaviorální složky. Tato metodika nám umožňuje sledovat řadu proměnných popisujících chování řidičů a vzorce účastníků v průběhu času. Byli jsme schopni potvrdit přesnost metodiky při identifikaci primárních míst porovnáním výsledků se skutečnými adresami hlášenými účastníky. Na základě umístění strouhanky jsme byli schopni úspěšně identifikovat často navštěvovaná místa a obecné vzorce cestování. Na základě nahlášeného času ze strouhanky jsme mohli posoudit počet jízd ujetých za denního světla vs. Data zachycující zvláštní události nám umožnila vypočítat počet nežádoucích výstrah při řízení za 5 měsíců.

Tato pilotní studie představila proveditelnost přizpůsobení zařízení COTS GPS ke zkoumání každodenního chování při řízení a souvisejících změn v kohortě kognitivně normálních starších dospělých. Schopnost porozumět změnám v chování při řízení ve skutečném prostředí, které lidé řídí, byla až donedávna nedostupná.

Služba GPDAS poskytovala data o nepřetržité jízdě, která byla použita k vývoji jedinečného profilu naturalistické jízdy kombinujícího prostorové, časové a behaviorální aspekty řízení. Konkrétně se nám podařilo získat datum, čas, místo a sadu metrik, které vyvažovaly schopnost měřit konzistenci a změnu chování při řízení, bez nadměrného shromažďování údajů nebo nadměrného zatěžování účastníků výzkumu. Složitosti a překážky práce s velkými datovými soubory byly dobře zdokumentovány 14. Mezi klíčové metodologické výzvy tohoto výzkumu patřily: 1) synchronizace sběru dat z GPDAS a serverů prodejců, 2) efektivní zpracování a kontrola chyb 𠆋ig data ’ na denní bázi 3) vývoj postupů čištění dat pro běžné chyby ( např. odebrání zařízení nebo ztráta signálu) a neobvyklé chyby (např. selhání zařízení) a 4) syntéza dat pro správu a analýzy v R a ArcGIS.

Tato naturalistická metodika řízení poskytuje oproti konvenčním metodikám několik výhod pro porozumění chování při jízdě. Systém GPDAS lze použít k současnému monitorování chování řidiče v reálném čase ve velké kohortě napříč kontinentálními Spojenými státy. Velká síla GPDAS ’ spočívá v schopnosti pozorovat jednotlivce a porovnávat intraindividuální změny po dlouhou dobu. Snadnost instalace (méně než 1 minuta), žádná úprava vozidla, minimální úsilí účastníků a bezproblémové získávání a přenos dat posiluje jeho užitečnost.

Při používání tohoto zařízení a metodologie však existují určitá omezení. Nebyli jsme schopni detekovat poddimenzování tak robustně, jak jsme doufali, kvůli řadě zmatených faktorů, jako je provoz, změny rychlostních limitů stavby a zrnitost strouhanky. V době této analýzy byla identifikace řidiče omezena na vlastní hlášení účastníka. Prodejce nyní nabízí maják Bluetooth Low Energy (BLE) o velikosti a hmotnosti kreditní karty, kterou lze umístit do peněženky nebo kabelky. Maják BLE se automaticky spáruje s GPDAS, když je účastník na sedadle řidiče, aby identifikoval řidiče. Toto jednoduché řešení je automatické, nevyžaduje žádné úsilí účastníků, pohodlně se synchronizuje s datovým proudem zařízení a je staženo s daty zařízení. Neznámá životnost produktů zařízení GPDAS představuje zvláštní výzvu pro studie longitudinálního naturalistického řízení. Zjistili jsme několik potenciálních varovných signálů selhání zařízení a byli jsme schopni podniknout proaktivní kroky k objednání náhradních zařízení, když byly zjištěny chyby. Taková náhrada však není pro některé účastníky studie jednoduchá, protože vyžaduje cestu do našeho zařízení za nové zařízení a může snížit jejich ochotu zůstat ve studii. Nakonec je důležité při výběru metodiky pro longitudinální studie hodnotící jízdní vlastnosti a chování zohlednit cíle, výsledky a množství zátěže účastníků.

Ethical approval and consent to participate: All participants were recruited and tested at Washington University School of Medicine. Written informed consent to use and publish clinical details was obtained from all participants. All aspects of the study were approved by the Washington University Institutional Review Board.

Creating a driving profile for older adults using GPS devices and naturalistic driving methodology

Dataset legend: id: Participant ID numofdays: Number of days driven numtripsover5mo: Number of trips driven over 5 months trips_at_night5mo: Number of trips driven at night over 5 months trips_w_HB5mo: Number of trips driven with hard braking events over 5 months trips_w_SA5mo: Number of trips driven sudden acceleration events over 5 months trips_speeding5mo: Number of trips driven with speeding events over 5 months hours_speeding5mo: Number of hours speeding over 5 months tot_dist_driven5mo: Total distance (miles) driven over 5 months tot_drv_hrs5mo: Total number of hours driven over 5 months avg_trip_miles5mo: Average trip miles over 5 months avg_trip_mins5mo: Average trips minutes over 5 months trips_at_night: Number of trips at night over 5 months.

F1000Research: Dataset 1. Dataset: Creating a driving profile for older adults using GPS devices and naturalistic driving methodology, 10.5256/f1000research.9608.d135843 15


Podívejte se na video: Informatika 3. r SŠ - Algoritam za slijedno pretraživanje