Traffic usage analysis of road intersections using floating car data

Abstract

Økningen i urbanisering og behovet for effektive veinett har økt etterspørselen etter innovative løsninger innen landbruksutnyttelse og trafikkanalyse. Presis identifisering av veikryss og klassifisering av veikrysstyper er avgjørende for disse problemstillingene. I denne masteroppgaven foreslår vi en ny tilnærming for å detektere posisjoner for veikryss, evaluere trafikkbruk og bruke Floating Car Data (FCD) for å klassifisere trafikkmønstre på disse kryssene.

Metoden består av to hoveddeler: deteksjon av kryss og den påfølgende analysen av de oppdagede kryssene. I deteksjonsfasen undersøker metoden mindre segmenter av veien for å identifisere kryss ved å vurdere om et gitt punkt i veibanen har mer enn to tilknyttede veier. Deretter korreleres GPS-data med de identifiserte kryssene, og benyttes til å beregne parametere for analyse av trafikkbruk på veikryss. Avhandlingen foreslår også et klassifiseringsskjema for å kategorisere veikryss basert på trafikkvolumfordelingen.

Avhandlingen bruker den foreslåtte metoden ved hjelp av vei-nettverksdata fra OpenStreetMap (OSM) og Shanghai Taxi data for et studieområde i Shanghai. Den foreslåtte metoden for deteksjon av kryss viste høy effektivitet på valgt studieområde, med en F1-score på 0.95 for deteksjon og en F1 på 0.93 for klassifisering av veikryss. Metoden identifiserer og kategoriserer vellykket forskjellige typer kryss i et variert studieområde. Metoden bruker FCD for å gi verdifull innsikt i trafikkvolumfordelingen over klassifiserte kryss. Avhandlingen foreslår et klassifiseringsskjema for å kategorisere veikryss basert på deres trafikkvolumfordeling. Oppgaven viser at bare en liten mengde av veikryssene i studieområdet har en jevnt fordelt trafikkflyt. Avhandlingen analyserer også nøkkelparametere for hvert oppdaget kryss, som trafikkvolum, hastighet, og tidsbruk ved kryssene.

Funnene understreker potensialet til de foreslåtte metodene for å forbedre trafikkflyteffektiviteten og byplanleggingsstrategiene betydelig, noe som bidrar til mer bærekraftige og beboelige byer. Resultatene kan brukes til å informere beslutningsprosesser angående bilfrie veier eller alternative bruksområder for mindre trafikkerte veier.

The surge in urbanization and the need for efficient road networks have created a demand for innovative solutions in land use utilization and traffic analysis. Accurately identifying intersections and classifying intersection types is crucial for these applications. In this thesis, we propose a novel approach to extract road intersection positions, evaluate traffic usage, and use floating car data to classify traffic patterns at these intersections.

The proposed method consists of two main parts: intersection detection and the subsequent analysis of the detected intersections. In the detection phase, the method examines smaller segments of the road to identify intersections by assessing whether any given point connects to more than two branching roads. Then floating car data is correlated with the identified intersections, and utilized to calculate parameters for analysis of traffic usage at road intersections. The thesis also proposes a classification scheme to categorize road intersections based on their traffic volume distribution.

The thesis applies the proposed method using road network data from OpenStreetMap (OSM) and Shanghai Taxi data for a study area in central Shanghai. The proposed intersection detection method showed a high efficiency, with an F1 score of 0.95 for detection and an F1 of 0.93 for the classification of road intersections. Successfully identifying and categorizing various intersection types in a diverse study area. The method uses FCD to provide valuable insights into traffic volume distribution across classified intersections. Finding that only a small amount of the road intersections in the study area have an even distribution. Analyzing key parameters for every detected intersection, such as traffic volume, velocity, and time usage at the intersections.

The findings underscore the potential of the proposed methods to significantly improve traffic flow efficiency and urban planning strategies, contributing to more sustainable and livable cities. The results can be used to inform decision-making processes regarding car-free roads or alternative uses of less trafficked roads.