Es wird ein neuer Algorithmus zur Erkennung von Verweil- und Bewegungsphasen vorgestellt. Dieser basiert auf geometrischen Analysen von GPS-Ortspunkten.
Über zwei Monate hinweg wurde ein GPS-Testdatensatz mit Bewegungstagebuch aufgezeichnet. Hier erreicht das vorgestellte Verfahren etwa 95% Klassifikationsleistung und erkennt Stopps zuverlässig ab 90 Sekunden Dauer.
Verweil- und Bewegungsphasen aus GPS-Daten zu abzuleiten ist eine typische Vorverarbeitungsaufgabe in vielen Mobilitätsanalysen. Üblicherweise werden sie mithilfe von Zeit- und Entfernungsschwellwerten identifiziert. Dieses Standardverfahren, das z.B. von Ashbrook & Starner (2002) beschrieben wurde, wird in Abwandlung bis heute in Projekten wie beispielsweise MovingPandas, scikit-mobility oder ArcGIS Pro eingesetzt. Für stark streuende oder driftende Signale führt dies jedoch zu häufigen Unterbrechungen der erkannten Phasen oder einer mangelnden Auflösung aufgrund zu hoher Schwellwerte.
In diesem Vortrag wird ein neuer Algorithmus vorgestellt, der Signalstreuungen geometrisch analysiert. Streuungen entstehen durch ein ungenaues GPS-Signal, gerade längere Stopps zeigen dadurch ein sternförmiges Muster um den eigentlichen Verweilort. Diese Muster lassen sich sehr gut geometrisch untersuchen und zur Klassifikation einsetzen. Das Verfahren ist nicht auf einen festen Radius oder eine Mindestverweildauer beschränkt. Stattdessen integriert es verschiedene geometrische Ansätze, die sich gegenseitig ausgleichen können. Auch Beschleunigungsdaten können zur Analyse einbezogen werden, wodurch sich das Verfahren insbesondere für die Vorverarbeitung von Smartphone-Aufzeichnungen eignet.
Um das System zu testen wurden über zwei Monate hinweg GPS-Daten aufgezeichnet und ein genaues Bewegungstagebuch geführt. Der vorgestellte Algorithmus erkennt Stopps und Trips mit etwa 95% Genauigkeit (bezogen auf die Gesamtheit aller Samples).