Budapesti Műszaki és Gazdaságtudományi EgyetemÉpítőmérnöki Kar - építőmérnök képzés 1782 óta

A digitális térképek, térképi adatbázisok a valós világ adott szinten egyszerűsített mását hivatottak modellezni, törekedve arra, hogy bizonyos kiválasztott szempontok alapján minél jobban hasonlítsanak a valós világhoz. Mind a szervezetek, mind az önkéntes közösségek által készített térképek esetén felmerül a teljesség/befejezettség kérdése. Hogyan lehet megbizonyosodni arról, vagy pusztán egy megbízhatósági mérőszámot adni arról, hogy egy adott területen az adott szempontok alapján minden térbeli objektum, és hozzájuk köthető attribútum rögzítésre került? Amennyiben pedig hiányos az adatbázis, hogyan lehet bizonyos természetű adatokat pótolni mesterséges neurális hálózatok segítségével? Az első kérdésre a közösségi térképezés esetén a válasz az adatok időbeli változásában rejlik. Egy adott terület vagy régió véges számú térbeli objektummal, és azok véges számú attribútumával rendelkezik. Korábbi kutatások alapján feltételezhető, hogy egy adott típusú adatot nézve a rekordok száma az idővel egy szigmoid függvényt követve eleinte egyre gyorsabban növekszik, majd a szaturációs pontot, avagy valós világ béli számát közelítve a növekedés üteme egyre csökken. Így különböző adatok időbeli változását vizsgálva az adat teljességére lehet következtetni. Természetesen egyrészt a világ folyamatosan változik ezért nem csak ilyen ideális esetek léteznek; másrészt jó eséllyel sok helyen nem tekinthető teljesnek az adatbázis. A hiányok felfedezése után felmerül az igény azok pótlására. Az objektumok és attribútumaik jó részéhez szükséges a helyi felmérés vagy távérzékelés, de bizonyos attribútumok pótolhatóak/”megjósolhatóak” mesterséges neurális hálózatok segítségével. Egy konkrét példa erre a sebességhatárok jelenléte, avagy hiánya amely napjainkban rendkívül fontos az autóipar számára. A neuronháló tanításához felhasználható a meglévő sebességhatárok egy adott része -, hogy az ellenőrzésre is legyen adat-, illetve rengeteg más befolyásoló tényező. Ilyen lehet az út típusa, sávok száma, görbülete vagy az adott ország alapértelmezett sebességhatárai, melyek mind magának az útnak az attribútumai. Továbbmenve vizsgálható annak térbeli elhelyezkedése és viszonya egyéb elemekkel. Ilyen lehet a lakott területhez

képesti elhelyezkedés, kórházak és iskolák közelsége, kereszteződések típusa, és még sok más elem amire elsőre nem is gondolna az ember. Arra is megvan a potenciál, hogy a különböző mintázatok alapján javaslatot tegyünk egyes útszakaszoknál a sebességhatár csökkentésére a balesetmentes közlekedés érdekében. A sebességhatár mint attribútum persze csak egy a sok közül és erősen autóipar specifikus. A kutatás során egyéb attribútumok vizsgálatára is sor kerül. A térképi objektumokon és azok tulajdonságain túlmenve, de a térképeknél maradva, akár egyéb célokra is használhatók a neurális hálózatok. Ilyen lehet a tömegközlekedésre való igény meghatározása, vagy akár közútbiztonsági mérőszámok meghatározása.

 

***

 

Digital maps and spatial databases are designed to model a simplified version of the real world at a given level of detail, striving to resemble the real world as closely as possible based on certain selected criteria. In the case crowdsourced maps, using the concept of Volunteered Geographic Information the question of completeness presents itself. What are the reliability measures at hand that can ensure that all the necessary spatial objects and their associated attributes are recorded in a given area, based on a certain criterion? In the case of the database being incomplete, how can we fill the gaps using artificial neural networks? In the case of volunteered mapping, the answer to the first question might be the temporal changes of the data. A given area or region has a finite number of spatial objects and a finite number of the associated attributes. Based on existing and ongoing research it can be assumed that investigating a certain type of data, the number of records increases over time, following a sigmoid function. After a slow start it grows faster, and then it slows down as it approaches the saturation point, converging to the real-world number. By examining the temporal variations, the completeness of various data can be inferred. As always there are exceptions and restrictions. On one hand the world is constantly changing so no ideal case exist. On the other hand, the database is likely to be incomplete in many places. Once all the gaps are discovered there is a need to fill them. For most of the objects and their attributes, field surveys or remote sensing is necessary, but certain attributes can be filled in, or predicted using artificial neural networks. A specific example is the presence or absence of speed limits in maps, which is getting more and more important to the automotive industry nowadays. To train the neural network a large part of the existing speed limits can be used (not all to have data for later validation). Other influencing factors can be used as well, such as the road class, number of lanes, curvature or default speed limits in a given country. All of these are the attributes of the road itself. Further investigation can cover the roads’ spatial location relative to other entities, like residential area, hospital or school and many more. The type of the intersections can affect speed limits as well. This part of the research can also be used to suggest speed limits in certain road sections based on different patterns to avoid accidents. The speed limit attribute is highly automotive industry specific, but it is just one of the many possibilities. Other attributes are planned to be examined during the research. Going beyond mapping objects and filling gaps in properties, these neural networks can also be used for other map related topics. Such as the demand for public transport or road safety.