Vejen til frie Floating Car Data

(1)

Vejen til frie Floating Car Data

P e l l e R o s e n b e c k G ø e g

V i d e n s k a b e l i g A s s i s t e n t v e d Tr a f i k f o r s k n i n g s g r u p p e n , A A U

(2)

Agenda

Forudsætninger Resultaterne Metoden

Anonymiseringen

Afrunding

(3)

Forudsætninger

GDPR

ITSplatform Nord, 3 årigt projekt 2012-14 ~450 biler, 389 inkluderet i dette paper

Backend server Ombord enhed Applikationer:

Kørselslog

Automatisk betaling for parkering Trafikinformationer

Trafikstatistik til vejmyndigheder

(4)

Agenda

Forudsætninger for dette arbejde Resultaterne

Metoden

Anonymiseringen

Afrunding

(5)

Resultater

(6)

Resultater

(7)

Agenda

Metoden

Opsamling af data Anonymiseringen

Afrunding

(8)

Opsamling af data

ITSplatform Nord, 3 årigt projekt 2012-14

Indsamling af data via en enhed ombord ~ 450 biler

Lagret i en central Postgres/Postgisdatabase

(9)

Tilfældige punkter

(10)

Algoritmen

1. GPS punkter med under 2 minutters afstand tilknyttes samme tur.

1. Turene laves til ”linestrings zm”, hvor punkt_id gemmes som Z og M er tidsstempel

2. Udtræk endepunkter af turene.

3. Klyngernes minimumcirkelomkreds øges pr 10 meter indtil ≥ 50 hustande (adresser) findes.

4. Klip turene (1.1) med bufferne (5)

5. Fjern de fra klippede punkter fra datasættet.

6. Fjern attributer til indentificering af OBU

(11)

1. GPS punkters gruppering

(12)

Algoritmen

1. Samles i klynger af afstande ≤ 50m

(13)

2. Udtræk endepunkter

(14)

Algoritmen

1. Findes der ikke 50 adresser inden for 800meter, bruges r=2000

2. En tilfældig adresse i (4) bruges som centrum for en ny buffer, med radius fra buffer (4) plus max afstanden fra adressen til bufferen (4)

3. Endepunkterne tilføres nu informationen om deres klynge.

(15)

Én klynges minimums omkreds ved AAU

(16)

Nyt centrum for buffer ved AAU

(17)

Ture ved AAU

(18)

Algoritmen

1. Fjern de fraklippede punkter fra datasættet.

(19)

4. Klippede ture

(20)

Algoritmen

5. Fjern attributter til identificering af OBU

(21)

Algoritmen

5. Fjern attributter til identificering af OBU

1. Reset tidstempel

(22)

5. Attributter fjernet

Original data point_id

box_id group_id

Geometry (epsg: 32632) timestamp (YYYY-MM-DD HH:MM.SS)

speed direction

accelerometer

Anonymised point_id

trip_id

geometry (epsg: 32632) timestamp (YYYY-MM-DD HH:MM.SS)

speed direction

(23)

5. Reset tidstempel

Tidstemplet modificeres ud fra følgende

1. Turens tid resettes til at starte fra minut 0 i første time af perioden:

1. Myldretid:

1. 7-9 2. 14-17

2. Mellem

1. 9-14

3. Aften

1. 17-22

4. Nat (Freeflow periode)

1. 22-7

2. Dato flyttes til først kommende dag i måneden, opdelt i hverdag og weekend

(24)

Algoritmen

1. Turene laves til ”linestrings zm”, hvor Z er punkt_id og M er tidsstempel 2. Udtræk endepunkter af turene.

1. Samles i klynger af afstande ≤ 50m

1. Findes der ikke 50 adresser inden for 800meter, bruges r=2000

2. En tilfældig adresse i (4) bruges som centrum for en ny buffer, med radius fra buffer (4) plus max afstanden fra adressen til bufferen (4)

3. Endepunkterne tilføres nu informationen om deres klynge.

(25)

Agenda

Metoden

Indsamling af data Anonymiseringen

Afrunding

(26)

Resultater

(27)

Openstreetmap sammenligning

Column1 Før Fjernet Efter Beholdt %

motorway 100.405.851 760.985 99.644.866 99,24

trunk 8.623.743 63.105 8.560.638 99,26

primary 38.171.343 1.181.298 36.990.045 96,90

secondary 123.684.443 15.169.195 108.515.248 87,73

tertiary 13.327 6.197 7.130 53,50

residential 21.041 15.297 5.744 27,30

service 2.006 1.027 979 48,80

track 7 0 7 100

unclassified 298.300.404 122.729.895 175.570.509 58,86

(28)

Vejen til frie Floating Car Data