Mehr

Referenzieren von Feature-Datasets in File-Geodatabase mit ArcPy?

Referenzieren von Feature-Datasets in File-Geodatabase mit ArcPy?


Ich versuche, ein Arcpy-Skript zu entwickeln, das schließlich eine Reihe von Rastern und Feature-Classes durchläuft, die in der File-Geodatabase gespeichert sind. Ich möchte den Raumbezug für diese Attribute zusammen mit ihrem Namen in CSV exportieren. Ich habe das für Raster-Datasets geschafft, habe jedoch Probleme mit Feature-Classes.

Alle Raster werden direkt in der Geodatabase gespeichert, sodass ich kein Problem damit habe, auf diese zu verweisen. Alle Feature-Classes werden in 3 Feature-Datasets gespeichert. Um auf diese FCs zu verweisen, habe ich env.workspace so eingestellt, dass es auf das relevante Feature-Dataset zeigt, was gut funktioniert. Ich würde gerne einen Weg finden, alle meine Fcs auf einmal zu referenzieren, etwa wie:

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

Sie können eine Liste der Feature-Datasets mit dem ListenDatensätze -Funktion und durchlaufen Sie dann diese Liste, um die Feature-Classes in jedem Feature-Dataset abzurufen. Aus den Dokumenten:

datasetList = arcpy.ListDatasets("C*", "Feature") für Datensatz in datasetList: Datensatz drucken

Referenzieren von Feature-Datasets in File-Geodatabase mit ArcPy? - Geografisches Informationssystem

Unser Forschungsprogramm zielt darauf ab, das Fahrverhalten älterer Erwachsener zu verstehen, insbesondere im Alltag, wenn Menschen in ihrer eigenen Umgebung reisen. Die Bewertung des Fahrverhaltens älterer Erwachsener erfolgt jedoch größtenteils mit Methoden, die kontrollierte Bedingungen wie Fahrversuche und Fahrsimulatoren und in geringerem Maße Selbstberichte und Tagebücher verwenden 1 – 4 . Um unseren Forschungsbedarf besser zu decken, haben wir neuere Methoden untersucht, um naturalistisches Fahrverhalten auf kostengünstige und unauffällige Weise längs zu untersuchen 5 .

Jüngste technologische Fortschritte bei globalen Positionsbestimmungssystemen (GPS) und geographischen Informationssystemen (GIS) ermöglichen die Bewertung des Fahrverhaltens in der tatsächlichen Umgebung, in der Individuen fahren 6 . Neuere fahrzeuginterne GPS-Geräte sind unauffällig und liefern typischerweise Daten zu Datum, Uhrzeit, Geschwindigkeit, Längen- und Breitengrad in Bezug darauf, wo ein Fahrzeug gefahren wird 7 , 8 . Fahrzeuginterne GPS/GIS-Geräte sind eine aufkommende Methodik, die verwendet wird, um das Fahren vor Ort besser zu verstehen und Unterschiede zwischen den Selbstberichten des Fahrers und den von einem Fahrzeug erhaltenen GPS-Daten zu vergleichen 9 . Infolgedessen versucht die naturalistische Fahrforschung, die diese Methodik verwendet, das Fahrverhalten zu verstehen, indem kontinuierliche, objektive Daten analysiert werden, die von fahrzeuginternen Geräten gesammelt werden, um Muster und den Einfluss von persönlichen, zeitlichen und Umweltfaktoren zu bestimmen 7 , 10 .

Das sich entwickelnde Gebiet des naturalistischen Fahrens und die Verbreitung von kundenspezifischen und kommerziellen Off-the-Shelf-Geräten (COTS) im Fahrzeug haben zu zahlreichen unterschiedlichen Ergebnissen und GIS-Analysetechniken geführt 8 , 11 . Die Nutzung von GPS-Daten ist jedoch mit einigen Herausforderungen verbunden, darunter umfangreiche Nachbearbeitung großer Datenmengen, Variabilität mit zeitlichen und räumlichen Aspekten der Daten und höhere Kosten im Zusammenhang mit der Technologie und Datenerfassung. Folglich beschränken sich die Überwachungszeiträume in vielen neueren Studien auf die Erfassung von Daten zur Analyse über einen Zeitraum von Wochen bis zu 2 Monaten 9 , 11 . Diese kurzen Zeiträume können jedoch zu kurz sein, um relevantes Fahrverhalten zu erfassen.

Um das wichtige natürliche Fahrverhalten beim Fahren genauer zu überwachen, haben wir eine neue Methodik getestet, bei der ein COTS-Fahrzeuggerät angepasst wird, um auf kosteneffektive und unauffällige Weise naturalistisches Fahrverhalten längs zu untersuchen. Unser Ziel für dieses Pilotprojekt ist es, methodische Herausforderungen im Zusammenhang mit der Anpassung eines COTS-Fahrzeuggeräts zu beschreiben, das GPS-Daten zur Verarbeitung und Analyse mit GIS-Techniken erfasst und synthetisiert. Wir quantifizieren auch räumliche und zeitliche Muster im Zusammenhang mit dem Fahrverhalten, um Fahrerprofile zu erstellen, um zu bewerten, wie sich das Fahrverhalten in Längsrichtung ändert.

Teilnehmerdaten. Die Daten wurden von Teilnehmern einer Längsschnittstudie zur Bewertung der präklinischen Alzheimer-Krankheit und der Fahrleistung (R01 AG043434) an der Washington University School of Medicine in St. Louis gesammelt. Die Teilnehmer hatten eine normale Kognition, waren 65 Jahre oder älter, besaßen einen gültigen Führerschein, fuhren mindestens einmal pro Woche in einem nicht angepassten Fahrzeug, erfüllten die minimale Sehschärfe für staatliche Anforderungen und hatten Alzheimer-Biomarker (Liquor). oder Bildgebung des Gehirns) objektiv gemessen und innerhalb der letzten 2 Jahre verfügbar. Alle Studienprotokolle, Einwilligungsdokumente und Fragebögen wurden vom Human Research Protection Office der Washington University genehmigt.

Datenerhebung und -verarbeitung. Wir haben das COTS Azuga G2 Tracking Device TM (Modell 850: Azuga Inc, San Jose, Kalifornien) verwendet, das wir als Global Positioning Data Acquisition System (GPDAS) bezeichnen. Das GPDAS wird an den Anschluss für das On-Board-Diagnosesystem (OBDII) angeschlossen und von der Fahrzeugbatterie mit Strom versorgt. Die Installationsanforderungen beschränken die Fahrzeuge auf Fahrzeuge, die 1996 oder später hergestellt wurden, da frühere Jahre nicht mit einem OBDII-Anschluss ausgestattet waren. Die Daten (Fahrzeuggeschwindigkeit, Breitengrad, Längengrad) wurden vom Zeitpunkt des Einschaltens der Zündung bis zum Ausschalten gesammelt, wobei ein Erfassungsintervall alle 30 Sekunden festgelegt wurde. Einzelne 30-Sekunden-Beobachtungen werden als 𠇋readcrumb” bezeichnet. Bei ausgeschalteter Zündung wurden auch alle 3 Stunden Standortdaten erfasst. Darüber hinaus wurden aggressive Fahrvorfälle wie starkes Bremsen, Geschwindigkeitsüberschreitungen und plötzliche Beschleunigung im Fahrtenbuch aufgezeichnet. Die Daten wurden gesammelt und gleichzeitig über Bluetooth Low Energy an gesicherte Server übertragen. Täglich wurden die Daten von Azuga aggregiert und über gesicherte Server zum Download bereitgestellt.

In unserer Analyse wurden zwei verschiedene Dateitypen von Azuga verwendet: Breadcrumb-Dateien und Aktivitätsdateien. In der täglichen Datei Breadcrumb Comma Separated Values ​​(csv) bestand jede Zeile aus einer Beobachtung ("Breadcrumb"), typischerweise in einem 30-Sekunden-Intervall für ein bestimmtes Fahrzeug zu einem bestimmten Zeitpunkt. Jeder Breadcrumb identifiziert das Fahrzeug durch einen 10-stelligen Code und meldet zusätzlich Breitengrad, Längengrad, Fahrzeuggeschwindigkeit, nächste Adresse (umgekehrt geokodiert von Azuga), koordinierte Weltzeit (UTC) und Datum, Kilometerstand und Ereignistyp. Das Feld Ereignistyp identifizierte, ob der gegebene Breadcrumb mit einer regelmäßigen Beobachtung oder einem besonderen Ereignis wie Zündung ein/aus oder aggressives Fahren verbunden war. Das Ereignistypfeld könnte auch Codes enthalten, die auf bestimmte Probleme hinweisen, wie beispielsweise einen niedrigen Batteriestand im Fahrzeug, eine Verbindung oder Trennung des Geräts oder eine Fehlfunktion der Gerätehardware. Zusätzliche Felder lieferten Daten über die Spitzengeschwindigkeit und die Durchschnittsgeschwindigkeit eines Überhitzungsereignisses sowie die Anfangs- und Endgeschwindigkeiten von Brems- oder Beschleunigungsereignissen, die durch eine schnelle Änderung der Fahrzeuggeschwindigkeit gekennzeichnet sind.

Der zweite von Azuga erhaltene Dateityp war die tägliche Aktivitäts-csv-Datei. Jede Zeile in der Aktivitätsdatei repräsentiert eine Fahrt eines einzelnen Fahrzeugs. Zu den verfügbaren Beobachtungen zu jeder Fahrt gehörten Datum und Startzeit (in UTC), der Start- und Endort (Breitengrad, Längengrad und umgekehrt geokodierte Adresse), die Dauer/Länge der Fahrt in Sekunden und Entfernung (auf den nächsten Wert gerundet) Zehntelkilometer, dann in Meilen angegeben), die durchschnittliche und maximale Fahrzeuggeschwindigkeit und die Anzahl/Dauer aggressiver Fahrereignisse wie plötzliches Beschleunigen, starkes Bremsen und Übergeschwindigkeit. Die vorläufige Datenverarbeitung verwendete ein Powershell-Skript, um Header aus den eingehenden Breadcrumb- und Activity-Dateien zu vergleichen, um sicherzustellen, dass die Struktur konsistent war, und kombinierte dann die täglichen Dateien aus dem interessierenden Zeitraum in zwei große umfassende CSV-Dateien (je eine für Breadcrumbs und für Trip .). -Level-Aktivität). Diese beiden großen csv-Dateien wurden als Datentabellen für weitere Analysen in das statistische Analyseprogramm R eingelesen. Für den Rest des Manuskripts bezieht sich der Begriff Breadcrumb auf eine einzelne Beobachtung eines Fahrzeugs an einem bestimmten Ort und zu einem bestimmten Zeitpunkt, während eine Fahrt eine Reihe von Orten (Breadcrumbs) darstellt, die zwischen dem Einschalten der Zündung und dem Ausschalten eines bestimmten Fahrzeugs auftreten Fahrzeug. In den ersten 5 Monaten wurden für die 20 Fahrzeuge über 400.000 Breadcrumbs gesammelt, die etwa 12.000 Fahrten entsprechen.

Erste Verarbeitungsschritte in R untersuchten den Zustand der eingehenden Daten auf Fehler und Anomalien und erstellten dann zusätzliche Felder für die Aggregation der Daten sowie die räumlichen Verarbeitungsstufen. Da alle Zeiten in UTC angegeben wurden und sich unsere Teilnehmer in den kontinentalen Vereinigten Staaten befanden, wurden Zeitzonenberechnungen durchgeführt, um den eingehenden Zeitstempel genau in die Ortszeit umzuwandeln. Viele Punkte in der Central Standard Time Zone wurden als solche innerhalb von R klassifiziert, indem ein umgrenzendes Rechteck mit maximaler/minimaler Breite und Länge verwendet wurde, das den Großteil der Central Standard Time Zone einschließt. Für Punkte nahe der Grenze von Zeitzonen wurde GIS verwendet, um die geeignete Zone zu bestimmen. Dazu wurde der Breadcrumb-Standort mit einer Reihe von Polygonen verglichen, die die Ausdehnung jeder Zeitzone darstellen, um zu bestimmen, in welches Zeitzonenpolygon der Breadcrumb-Standort fiel. Die Ortszeit wurde benötigt, um die Fahraktivität oder das Ausweichen zu bestimmten Tageszeiten zu verstehen (Rush Stunde, Tageslicht usw.). Das R-Paket lubridate wurde verwendet, um die UTC-Zeit in die lokale Zeit umzuwandeln, während das R-Paket RAtmosphere Berechnungen von Sonnenauf- und -untergang auf einem bestimmten Breiten-/Längengrad ermöglichte. Diese Berechnungen wurden als zusätzliche Spalten in die Datentabellen eingefügt. Eine Zusammenfassung des Arbeitsablaufs ist in Abbildung 1 dargestellt.

Abbildung 1. Erforderlicher Datenworkflow zum Generieren von treibenden Metriken über verschiedene Zeitskalen.

Um die eingehenden Daten zu bereinigen und für die räumliche Verarbeitung vorzubereiten, wurden die Daten überprüft, um sicherzustellen, dass zwei Kriterien erfüllt waren: (1) jede Beobachtung fand innerhalb der kontinentalen Vereinigten Staaten statt und (2) keine zwei Beobachtungen für dasselbe Fahrzeug hatten identische Zeitstempel. Bestimmte Geräteaktionen (Anschließen, Trennen oder Anschließen an ein anderes Fahrzeug) führten dazu, dass das GPDAS Breiten- und Längengrade von 0 oder in einem Fall die eines Standorts in Ägypten meldete. Darüber hinaus führte bei einigen Fahrzeugen, die eine Fahrt unmittelbar nach dem Einstecken des GPDAS begannen, die Zeitverzögerung, die erforderlich ist, um eine ausreichende Anzahl von GPS-Satelliten zu verbinden, um Standortdaten zu registrieren, zu einer Folge von Beobachtungen mit Breiten- und Längengrad gleich 0. Aufgrund der Unsicherheit über den Standort des Fahrzeugs zu Zeiten, in denen der Breiten- oder Längengrad außerhalb der kontinentalen Vereinigten Staaten gemeldet wurde, wurden diese Fahrten, einschließlich der zugehörigen Brotkrumen, aus den Analysen entfernt. Die Anzahl der betroffenen Breadcrumbs betrug weniger als 1,6 % aller eingehenden Breadcrumbs, wobei die überwiegende Mehrheit von Abbildung 1 (6392 von 6529) ein Fahrzeug darstellt, dessen GPDAS eine Fehlfunktion hatte, die dazu führte, dass über mehrere Wochen keine Standortdaten erfasst wurden. Das Entfernen des Fahrzeugs mit einem fehlerhaften GPDAS aus der Berechnung reduzierte die Anzahl der nach den ersten Kriterien entfernten Brotkrümel auf 137, weniger als 0,04 % der Gesamtzahl der gesammelten Brotkrümel. Das zweite Kriterium entfernte 12 Brotkrümel, die exakte Duplikate anderer Brotkrümel waren.

Eine weitere Datenbereinigung war erforderlich, um einen Satz vollständiger Fahrten jedes Fahrers zusammenzustellen. Auf Trip-Level-Daten konnte auf zwei Arten aus dem eingehenden Datenstrom zugegriffen werden. Die Aktivitätsdateien enthielten zusammenfassende Informationen über den Beginn, das Ende und die Länge jeder Fahrt, während die Breadcrumb-Dateien detailliertere Ortsangaben innerhalb der Fahrt boten. Ungefähr 1,6 % (n=203) der eingehenden Aktivitätsaufzeichnungen enthielten NA-Werte als Breiten- und Längengrad des Reiseendes. Typischerweise wurde dies entweder durch einen Verlust des GPS-Signals (z. als sinnvolle Fahrt im Datenstrom. Weitere 1,8 % der gemeldeten Fahrten (n=229) enthielten einen Wert von 0 für den Start-Breiten- oder -Längengrad. Die meisten davon (217) stammten von dem oben erwähnten bekannten defekten Gerät, das eine große Anzahl von Nullen innerhalb der Brotkrumendaten übermittelte. Diese wurden zum Entfernen markiert.

Analyse. Datenanalyse und -verwaltung für räumliche Operationen in GIS, verwendet ArcGIS 10.3.1 und das ArcPy Python-Site-Paket (Environmental Systems Research Institute, Redlands, CA, USA). Räumliche Daten wurden als Feature-Classes im File-Geodatabase-Format gespeichert. Zeitzonenberechnungen wurden aus ArcGIS als CSV-Datei exportiert und für weitere Berechnungen wieder mit der Datentabelle in R zusammengeführt.

Räumliche Analyse. Unter Verwendung des Breiten- und Längengrads für jeden Breadcrumb wurden Point-Feature-Classes für jeden Treiber erstellt, indem die Ergebnisse der Geoverarbeitungsoperation Make XY Event exportiert wurden. Diese Point-Feature-Classes dienten als Grundlage für alle nachfolgenden räumlichen Analysen.

Straßenanalyse. Um die Eigenschaften der Straße zu bestimmen, über die der Teilnehmer zum Zeitpunkt der Breadcrumb-Aufzeichnung fuhr, wurde an jedem Breadcrumb eine Näherungsanalyse relativ zu einem Straßenmittellinien-Datensatz durchgeführt. Die Geoverarbeitungsoperation Near wurde verwendet, um für jeden Breadcrumb das Straßenmittellinien-Feature zu identifizieren, das dem Straßen-Feature am nächsten liegt. Die Ausgabe der Geoverarbeitungsoperation Near ist das Hinzufügen von zwei Attributen zur Breadcrumb-Feature-Class. Diese Attribute sind NEARFID, die eindeutige Kennung des nächstgelegenen Straßen-Features, und NEARDIST, die Entfernung vom Ziel-Breadcrumb zum nächstgelegenen Straßen-Feature. Der NEARFID-Wert wurde verwendet, um Attribute des Straßen-Features abzurufen, das dem Breadcrumb am nächsten liegt, z. B. Straßenname, Census-Feature-Class-Code (CFCC), Straßentyp und Durchschnittsgeschwindigkeit (Proxy für Geschwindigkeitsbegrenzung). Abbildung 2 zeigt ein Beispiel für Breadcrumbs und ihre Nähe zu den Features der Straßenmittellinie. Attributierte Werte aus dem nächstgelegenen Straßen-Feature wurden mit einer Reihe von Cursors auf jeden Breadcrumb angewendet. Cursor sind Iteratorwerkzeuge, die in der ArcPy-Codebibliothek verfügbar sind und Features in vorhandenen Geodatensätzen lesen, aktualisieren und erstellen können (ArcGIS Help 2015).

Abbildung 2. Breadcrumbs- und Straßenmittellinien-Features, die in der Near-Analyse verwendet werden.

Fahrbereiche. Driving Area wurde als das kleinste Polygon definiert, das alle Breadcrumbs für einen Fahrer während eines bestimmten Zeitraums umfasste. Die Geoverarbeitungsoperation Minimum Bounding Geometry wurde verwendet, um konvexe Rumpfpolygone zu erzeugen, die die wöchentlichen und monatlichen Driving Areas für jeden Fahrer darstellen.

Mittlere Mitte. Das mittlere Zentrum wurde als das geografische Zentrum aller Breadcrumbs für einen Fahrer während eines bestimmten Zeitraums definiert. Die Geoverarbeitungsoperation Mean Center wurde verwendet, um Punkte zu erzeugen, die den wöchentlichen und monatlichen Mean Center für jeden Treiber darstellen. Die Operation basierte nur auf der räumlichen Lage der Brotkrumen und wurde nicht nach einem Attribut gewichtet.

Primärer Standort. Die am häufigsten besuchten Orte der Teilnehmer (Primary Locations) wurden identifiziert, um räumliche Analysen zu Aspekten des Fahrerverhaltens in Bezug auf vertraute Gebiete durchzuführen. Es wurde angenommen, dass der Wohnort und/oder Arbeitsplatz des Teilnehmers der häufigste Start- oder Zielort der meisten vom GPDAS erfassten Reisen ist. Es war entscheidend, dass diese Standorte dynamisch und automatisiert identifiziert werden, um die Skalierbarkeit des Datenverarbeitungsworkflows zu erreichen. Eine visuelle Untersuchung der Daten für eine kleine Stichprobe von Teilnehmern zeigte, dass ein häufig besuchter Ort als dichte Ansammlung von Brotkrumen erscheinen kann. Es wurde angenommen, dass der dichteste Cluster oder der Cluster mit der höchsten Entzündung auf Breadcrumbs der primäre Standort sein würde. Zündcluster auf Brotkrumen wurden mithilfe der Geoverarbeitungsoperation Aggregate Points identifiziert. Der Parameter Aggregate Distance wurde auf 20 Fuß eingestellt, nachdem bei einer kleinen Stichprobe von Teilnehmern die Zündung auf Brotkrumenclustern visuell lokalisiert und gemessen wurde. Die Ausgabe der Operation Punkte aggregieren war eine Polygon-Feature-Class mit Features, die Cluster von drei oder mehr Punkten innerhalb des Parameterwerts Aggregate Distance umfassen. Die Breadcrumbs, die sich innerhalb jedes Polygons befanden, wurden gezählt und mit der Gesamtzahl der Entzündungen auf Breadcrumbs für den Teilnehmer verglichen, um zu bestimmen, ob das Polygon einen primären Standort darstellte. Die Geoverarbeitungsoperation Feature zu Polygon wurde verwendet, um ein Punkt-Feature im Schwerpunkt jedes Polygons des primären Standorts zu erzeugen, wodurch ein einzelner Punkt bereitgestellt wurde, der in weiteren Analysen als primärer Standort verwendet wurde ( Abbildung 3 ).

Abbildung 3. Ein primäres Standortpolygon, das mit der Geoverarbeitungsoperation Aggregatpunkte erstellt wurde, wobei ein primärer Standortpunkt in seinem Schwerpunkt platziert wurde.

Einzigartige Reiseziele. Eindeutige Ziele werden als separate Orte definiert, die von Teilnehmern während eines bestimmten Zeitraums besucht werden. Die Geoverarbeitungsoperation Puffer wurde verwendet, um kreisförmige Polygone mit Radien von 100, 250 und 500 Fuß um jeden Breadcrumb herum zu erstellen, die eine Zündung bei Ereignis anzeigen. Die variierenden Pufferoperationen wurden durchgeführt, um einen Schwellenwert festzulegen, bei dem zwei oder mehr verschiedene Brotkrümel, die innerhalb desselben Zeitraums auftreten, als dasselbe Ziel kombiniert werden würden. Beispielsweise kann ein Teilnehmer, der im selben Monat zweimal ein Einkaufszentrum besucht hat, für jeden einzelnen Besuch an gegenüberliegenden Enden des großen Parkplatzes parken. Dieses Einkaufszentrum sollte jedoch für den Zielzeitraum als einziges Ziel gezählt werden.

Die Geoverarbeitungsoperation Auflösen wurde verwendet, um die kreisförmigen Polygone zusammenzuführen, sodass Breadcrumbs innerhalb der drei Entfernungsschwellen als ein einziges Ziel gezählt wurden. Abbildung 4 zeigt eine Probe der Entzündung von Paniermehl in einem ausgewählten Gebiet während eines einzelnen Monats. Die Brotkrumengruppen in unmittelbarer Nähe zu jedem der Geschäftsgebäude treten an verschiedenen Tagen innerhalb desselben Monats auf. Das 500-Fuß-Pufferpolygon umfasste alle vier separaten kommerziellen Ziele und würde für diesen Monat als ein einziges Ziel gezählt. Der 250-Fuß-Puffer würde das nördlichste Gewerbegebiet mit den beiden Gebieten im Südwesten kombinieren und so ein einziges Ziel aus drei verschiedenen Zielen schaffen. Der 100-Fuß-Puffer trennte die drei separaten Ziele in zwei Ziele, wobei nur die beiden kleinsten Gewerbegebiete zu einem einzigen Ziel zusammengefasst wurden ( Abbildung 4 ).

Abbildung 4. Eindeutiges Zielbeispiel mit mehreren Puffern. Ergebnisse

Umfassende Fahrerprofile. Ein Breadcrumb ist ein Datenpunkt (in 30-Sekunden-Intervallen), der Standort, Uhrzeit, Datum und Geschwindigkeit eines Fahrzeugs enthält. Eine einzelne Fahrt kann Hunderte von Breadcrumbs enthalten, die aggregiert sind und im Laufe der Zeit spezifische Informationen zu Fahrmustern und -verhalten liefern können. Die im Methodikteil besprochenen Schritte führten zur Erstellung eines Fahrprofils für jeden Fahrer, das im Rahmen einer Studie untersucht werden konnte. Fahrerprofile umfassten räumliche, zeitliche und Verhaltenskomponenten. Zu den räumlichen Komponenten gehörten primäre(r) Standort(e), Fahrgebiete, Mittelzentren und einzigartige Ziele. Zeitliche Komponenten umfassten die Anzahl der Fahrten, die zu verschiedenen Tageszeiten unternommen wurden. Zu den Verhaltenskomponenten gehörten eine Reihe von harten Bremsvorgängen, Geschwindigkeitsüberschreitungen und plötzlichen Beschleunigungsereignissen.

Primäre Standorte. Der primäre Standort eines Fahrers wurde als der Standort festgelegt, der mindestens 10 % der Breadcrumbs "Ignition On" des Fahrers umfasste. Da die Teilnehmer über 65 Jahre alt sind, hatten die Teilnehmer in den meisten Fällen einen einzigen primären Standort, der als ihr Wohnort/Wohnsitz angenommen wurde, obwohl einige Teilnehmerergebnisse zwei primäre Standorte zeigten. In den meisten Fällen war die Anzahl für das Cluster-Polygon mit der höchsten Anzahl von Breadcrumbs deutlich höher als die Anzahl für die anderen beiden Polygone. Die Ausnahme bildet Teilnehmer C, bei dem zwei Clusterpolygone eine Breadcrumb-Anzahl von mehr als 10 Prozent der gesamten Breadcrumbs aufweisen ( Abbildung 5 ). Teilnehmer C hat zwei primäre Standorte, basierend auf dem Prozentsatz der Zündung des Fahrers bei Veranstaltungen. Die primären Standorte wurden mit den bekannten Adressen der Teilnehmer verglichen und es wurde bestätigt, dass sie zu 100 Prozent genau sind, einschließlich Teilnehmer C, von dem bekannt ist, dass er zwei Häuser hat.

Abbildung 5. Räumliche Profile.

Driving Area und Mean Center. Die aus der Methodik resultierenden Fahrbereichspolygone variierten je nach Umfang der Brotkrümel für jeden Fahrer im Laufe der Zeit. Die Analyse zeigte, dass die Fahrgebiete eines Teilnehmers von Woche zu Woche oder Monat zu Monat oft große Überschneidungen aufweisen können. Es wurde erwartet, dass die mittleren Zentren um den primären Standort des Teilnehmers gruppiert werden. Dies war jedoch nicht der Fall, wenn die Teilnehmer mehr als einen primären Standort hatten. Siehe Teilnehmer C in Abbildung 5. Teilnehmer C hatte zwei ausgewiesene Primärstandorte und folglich befinden sich die mittleren Zentren für diesen Teilnehmer in der Regel zwischen den beiden Primärstandorten. Die kombinierten Driving Area Polygone, Mean Center und Primary Locations bilden das räumliche Profil für die Studienteilnehmer. Räumliche Profile für eine Stichprobe von Teilnehmern sind in Abbildung 5 dargestellt. Jedes graue Polygon stellt für jeden Teilnehmer den Fahrbereich für einen einzelnen Monat dar. Monatliche Durchschnittszentren werden durch weiße Kästchen dargestellt und rote Sterne zeigen den primären Standort für jeden Teilnehmer an.

Die Fahrgebiete können für einige Teilnehmer von Monat zu Monat stark variieren, während andere Teilnehmer dazu neigen, in ihrem Fahrgebiet nur geringe monatliche Schwankungen zu haben. Die monatlichen Fahrbereichspolygone für die Teilnehmer C und D zeigen große Überschneidungsanteile, während die Teilnehmer A, B und E große Anteile des Fahrbereichs zeigen, die für einen einzelnen Monatszeitraum einzigartig sind. Der gemeinsame Fahrbereich kann quantifiziert werden, indem der Überlappungsbereich von Monat zu Monat und der Gesamtüberlappungsbereich für den 5-monatigen Studienzeitraum berechnet werden. Die Abweichung von Monat zu Monat bei überlappenden Fahrgebieten ist in Abbildung 6 dargestellt und unterstreicht die große Überschneidung von Monat zu Monat für die Teilnehmer C und D.

Abbildung 6. Bereich der Überlappung zwischen den Fahrbereichen von Monat zu Monat. Abbildung 7. Verhältnis der überlappenden Fahrfläche zur gesamten Fahrfläche über den Zeitraum von 5 Monaten.

Das Verhältnis der überlappenden Fahrfläche zur gesamten Fahrfläche untersucht das Verhältnis zwischen gemeinsam gefahrenen Strecken und dem gesamten Fahrraum. In Abbildung 6 zeigt Teilnehmer C während des Studienzeitraums eine geringe Variation des monatlichen Fahrbereichs, wobei über 70 % des gesamten Fahrbereichs auf alle Monate entfallen. Teilnehmer E weist die geringste Überlappungsfläche auf, wobei weniger als 15 % der gesamten Fahrfläche allen Monaten gemeinsam sind.

Einzigartiges Reiseziel. Die Ergebnisse der Durchführung der Unique Destinations-Methodik zeigten je nach Fahrer unterschiedliche Ergebnisse. Während einige Fahrer jeden Monat eine ähnliche Anzahl von Unique Destinations aufwiesen, zeigten andere Fahrer eine von Monat zu Monat stark variierende Anzahl von Unique Destinations (Abbildung 8). In den meisten Monaten variierten für viele Fahrer die Anzahl der Unique Destinations, die durch die Verwendung der 100-, 250- und 500-Fuß-Puffer abgeleitet wurden, je nach Puffergröße. Wenn die Ziele eines Fahrers jedoch besonders verteilt waren, war die Puffergröße weniger ausschlaggebend. Insgesamt zeigen die Ergebnisse, dass der 100-Fuß-Puffer verwendet werden sollte, um die genaueste Zählung einzigartiger Ziele für die Teilnehmer innerhalb jedes Zeitraums zu erhalten.

Abbildung 8. Anzahl einzigartiger Reiseziele für 5 Teilnehmer.

Fahrten bei Tageslicht vs. Nacht. Die Ergebnisse der Anzahl der tagsüber gefahrenen Fahrten im Vergleich zur Nacht zeigten Unterschiede zwischen den einzelnen Personen und intraindividuelle Veränderungen in den verschiedenen Monaten. Abbildung 9 zeigt die Anzahl der Fahrten bei Tag und Nacht für fünf Teilnehmer von Juli (7) bis November (11). Nachtfahrten sind mit einem dreimal höheren Verkehrstotenrisiko, erhöhter Müdigkeit und wahrgenommener Gefahr verbunden 12, 13 . Die meisten Fahrten von 4/5 Teilnehmern wurden tagsüber gefahren. Bei den Teilnehmern B und D ging die Zahl der Fahrten im Allgemeinen von Monat 1 auf Monat 5 zurück, ohne dass sich die Zahl der Nachtfahrten signifikant veränderte. Teilnehmer C hatte jedoch in den Monaten 4𠄵 eine höhere Gesamtzahl an Fahrten und mehr Nachtfahrten im Vergleich zu den Monaten 5𠄷. Teilnehmer A reduzierte seine Nachtfahrten und die Gesamtzahl der Fahrten vom 3. bis zum 5. Monat, während Teilnehmer B nur eine geringe Änderung des Nachtfahrverhaltens zeigte. Angesichts der Tatsache, dass das Zeitfenster unserer Studie Monate darstellt, in denen die verfügbaren Tageslichtstunden stetig abnehmen, könnte der Rückgang der Gesamtzahl der Fahrten in Kombination mit dem Fehlen einer entsprechenden Zunahme der Nachtfahrten darauf hindeuten, dass der Fahrer A in unserer Studie gezielte Anpassungen, um Nachtfahrten zu vermeiden. Schließlich wurden mehr Fahrten in der Abenddämmerung als in der Morgendämmerung gestartet.

Abbildung 9. Anzahl der Fahrten bei Tag und Nacht.

Unerwünschtes Fahrverhalten. Die drei vom GPDAS identifizierten Warnungen (Geschwindigkeit, starkes Bremsen und starke Beschleunigung) spiegeln ein ungünstiges Fahrverhalten wider, unabhängig vom Umgebungsfahrkontext. Das GPDAS erfasst keine Daten über Verkehrsfluss oder Verkehrsstaus, Wettermuster, schlechte Bedingungen oder andere Faktoren (z. B. veränderter mentaler Zustand), die das Fahrerverhalten beeinflussen können. Abbildung 10 zeigt Daten über starkes Bremsen, plötzliche Beschleunigung und Geschwindigkeitsüberschreitung für 5 Teilnehmer über die 5 Monate. Ähnlich wie bei den räumlichen und zeitlichen Analysen gab es eine große Streuung unter den Teilnehmern. Der Unterschied zwischen den hier gezeigten am wenigsten und den aggressivsten Fahrern ist dramatisch: Teilnehmer B verzeichnete insgesamt 25 Warnungen, während Teilnehmer C 400 registrierte. Teilnehmer B und D hatten keine Geschwindigkeitswarnungen, während Teilnehmer C alle drei Arten von aggressiven Fahrmustern in allen 5 Monaten aufzeichnete . Teilnehmer D verzeichnete dreimal so viele Bremsereignisse wie Geschwindigkeitsüberschreitungen und plötzliche Beschleunigungsereignisse zusammen. In den Monaten 10 und 11 zeigen die Teilnehmer D und E eine deutliche Zunahme aggressiver Gewohnheiten, während die Teilnehmer A und C die Aggression abzunehmen scheinen. Die interindividuelle Variation der Fahrwarnungen über die 5 Monate kann die Präferenz oder den Fahrstil des Fahrers, die Fahrumgebung oder die Interaktion zwischen beiden widerspiegeln. Während die in Abbildung 10 dargestellten Daten eine Gesamtzahl von Warnungen darstellen, ist es möglich, die Häufigkeit von Fahrten mit einer oder mehreren Warnungen zu untersuchen. Es ist unwahrscheinlich, dass die hohe Anzahl von Warnungen bei einigen Teilnehmern (z. B. C, E) ausschließlich auf die Fahrumgebung zurückzuführen ist.

Abbildung 10. Gesamtzahl der Warnungen in den 5 Monaten.

Zusammenfassend konnte mit dem COTS GPDAS-Gerät ein objektives Fahrverhalten erfasst werden. Die erhaltenen Daten bildeten eine Grundlage für die Erstellung eines naturalistischen Fahrprofils, das räumliche, zeitliche und verhaltensbezogene Komponenten umfasste. Diese Methodik ermöglicht es uns, eine Reihe von Variablen zu verfolgen, die das Fahrverhalten und die Muster der Teilnehmer im Laufe der Zeit beschreiben. Die Richtigkeit der Methodik bei der Ermittlung der Primärstandorte konnten wir durch den Vergleich der Ergebnisse mit den von den Teilnehmern gemeldeten tatsächlichen Adressen bestätigen. Anhand der Standorte der Breadcrumbs konnten wir erfolgreich häufig besuchte Orte und allgemeine Reisemuster identifizieren. Basierend auf der von den Breadcrumbs gemeldeten Zeit konnten wir die Anzahl der Fahrten bei Tageslicht im Vergleich zur Nachtzeit bewerten. Durch die Datenerfassung von Sonderereignissen konnten wir die Anzahl der Warnmeldungen zu ungünstigen Fahrbedingungen über den Zeitraum von 5 Monaten berechnen.

Diese Pilotstudie präsentierte die Möglichkeit, ein COTS-GPS-Gerät anzupassen, um das tägliche Fahrverhalten und die damit verbundenen Veränderungen in einer Kohorte kognitiv normaler älterer Erwachsener zu untersuchen. Die Fähigkeit, Veränderungen des Fahrverhaltens in der realen Umgebung zu verstehen, in der Menschen fahren, war bis vor kurzem nicht verfügbar.

Das GPDAS lieferte kontinuierliche Fahrdaten, die verwendet wurden, um ein einzigartiges naturalistisches Fahrprofil zu entwickeln, das räumliche, zeitliche und Verhaltensaspekte des Fahrens kombiniert. Konkret konnten wir Datum, Uhrzeit, Ort und eine Reihe von Metriken erhalten, die die Fähigkeit zur Messung von Konsistenz und Änderung des Fahrverhaltens ausbalancieren, ohne zu viel Daten zu sammeln oder Forschungsteilnehmer zu überfordern. Die Komplexität und Hindernisse bei der Arbeit mit großen Datensätzen sind gut dokumentiert 14 . Zu den wichtigsten methodischen Herausforderungen in dieser Forschung gehörten: 1) die Synchronisierung der Datenerfassung von GPDAS und den Servern der Anbieter, 2) effiziente Verarbeitung und tägliche Fehlerprüfung der 𠆋ig data’ 3) Entwicklung von Verfahren zur Datenbereinigung für häufig auftretende Fehler ( zB Geräteentfernung oder Signalverlust) und ungewöhnliche Fehler (zB Geräteausfall) und 4) Synthetisieren der Daten für Verwaltung und Analysen in R und ArcGIS.

Diese naturalistische Fahrmethodik bietet gegenüber herkömmlichen Methodiken mehrere Vorteile beim Verständnis des Fahrverhaltens. Das GPDAS kann verwendet werden, um das Fahrverhalten in Echtzeit in einer großen Kohorte in den kontinentalen Vereinigten Staaten gleichzeitig zu überwachen. Die große Stärke von GPDAS liegt darin, Individuen beobachten und intraindividuelle Veränderungen über einen langen Zeitraum vergleichen zu können. Darüber hinaus verstärken die einfache Installation (weniger als 1 Minute), keine Fahrzeugmodifikation, minimaler Aufwand der Teilnehmer und die nahtlose Datenerfassung und -übertragung seinen Nutzen.

Es gibt jedoch einige Einschränkungen bei der Verwendung dieses Geräts und dieser Methodik. Aufgrund verschiedener Störfaktoren wie Verkehr, Änderungen der Baugeschwindigkeit und der Granularität der Breadcrumbs konnten wir Geschwindigkeitsunterschreitungen nicht so zuverlässig erkennen, wie wir es erhofft hatten. Zum Zeitpunkt dieser Analyse war die Fahreridentifikation auf die Selbstauskunft der Teilnehmer beschränkt. Der Anbieter bietet jetzt einen Bluetooth Low Energy (BLE) Beacon in der Größe und dem Gewicht einer Kreditkarte an, der in eine Brieftasche oder Handtasche gesteckt werden kann. Das BLE-Beacon verbindet sich automatisch mit dem GPDAS, wenn der Teilnehmer auf dem Fahrersitz sitzt, um den Fahrer zu identifizieren. Diese einfache Lösung ist automatisch, erfordert keinen Teilnehmeraufwand, synchronisiert sich bequem mit dem Datenstrom des Geräts und wird mit den Daten des Geräts heruntergeladen. Die unbekannte Produktlebensdauer von GPDAS-Geräten stellt eine besondere Herausforderung für longitudinale naturalistische Fahrstudien dar. Wir haben mehrere potenzielle Warnzeichen für Gerätefehler erkannt und konnten proaktiv Maßnahmen ergreifen, um Ersatzgeräte zu bestellen, wenn Fehler erkannt wurden. Für einige Studienteilnehmer ist ein solcher Austausch jedoch nicht einfach, da er wegen eines neuen Geräts in unsere Einrichtung reisen muss und ihre Bereitschaft, an der Studie zu bleiben, verringern kann. Schließlich ist es wichtig, bei der Auswahl einer Methodik für Längsschnittstudien zur Bewertung der Fahrleistung und des Fahrverhaltens die Ziele, Ergebnisse und die Höhe der Teilnehmerbelastung zu berücksichtigen.

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


Schau das Video: How to create Geodatabase and feature dataset in ArcGIS