FACULTEIT WETENSCHAPPEN

Opleiding Geografie en Geomatica Master in de Geomatica en Landmeetkunde

Een methodologische studie naar het verplaatsingsgedrag van studenten met behulp

van GPS

Ward Van Hal

Aantal woorden in tekst:15589

Promotor: Prof. Dr. Philippe De Maeyer, vakgroep Geografie

Academiejaar 2009 – 2010

Masterproef ingediend tot het behalen van de graad van

Master in de Geomatica en Landmeetkunde

2

WOORD VOORAF

Graag wil ik mijn oprechte dank betuigen aan de mensen die geholpen hebben bij het

verwezenlijken van deze studie. Vanzelfsprekend dank ik in de eerste plaats mijn promotor

Philippe De Maeyer, die me de kans en het vertouwen gaf dit project tot een goed einde te

brengen. Zijn deskundigheid vormde samen met de constructieve hulp van Bart De Wit een

uiterst goede combinatie die tot dit resultaat geleid heeft.

Mijn dank gaat ook uit naar al de andere personen die op één of andere manier meegewerkt

hebben aan dit project. Ik denk daarbij aan alle studenten, vrienden en familie, die gedurende

een zekere periode data verzameld hebben, maar ook aan alle assistenten die steeds klaar

stonden om praktisch advies te geven. Zonder hen was deze studie onmogelijk.

Ook kan ik mijn ouders en familie niet vergeten te bedanken. Ze steunde me op elke

mogelijke wijze, waarbij ze me toch zonder enige beperkingen mijn eigen weg lieten gaan.

Tenslotte bedank ik mijn vriendin en mijn vrienden. Zij zorgden voor de talrijke

ontspanningsmomenten.

Ward Van Hal

3

INHOUDSTABEL

INHOUDSTABEL .................................................................................................................... 3

LIJST VAN FIGUREN EN TABELLEN .............................................................................. 5

1. INLEIDING .......................................................................................................................... 6

2. REGISTRATIETECHNIEKEN ......................................................................................... 9

2.1 Evolutie van de technieken voor het registreren van verplaatsingsgedrag ................. 9

2.2 Verschillende toepassingsgebieden van de techniek ..................................................... 11

3. GPS-APPARAAT ............................................................................................................... 13

3.1 Sterkte van GPS ten opzichte van andere sensors of technieken ................................. 13

3.2 Algemene zwakten van GPS als sensorsysteem ............................................................. 14

3.2.1 Beperkingen ..................................................................................................................... 14

3.2.2 Nauwkeurigheden ............................................................................................................ 16

4. DATA-AQUISITIE ............................................................................................................ 19

4.1 Voorbereidingen ............................................................................................................... 19

4.1.1 Keuze van GPS-apparaat ................................................................................................ 19

4.1.2 Potentiële deelnemers ..................................................................................................... 21

4.2 Instructies .......................................................................................................................... 21

4.3 Datacollectie ...................................................................................................................... 22

5. DATAVERWERKING ...................................................................................................... 23

5.1 Filteren en smoothing ....................................................................................................... 25

5.2 Coördinatentransformatie ............................................................................................... 29

5.3 Detectie van trips .............................................................................................................. 33

5.4 Detectie van de modus ...................................................................................................... 34

5.5 Splitsen van samengestelde trips ..................................................................................... 37

5.6 Map-matching ................................................................................................................... 41

4

6. RESULTATEN ................................................................................................................... 42

6.1 Analyse van de techniek ................................................................................................... 42

6.1.1 Bijkomend onderzoek ...................................................................................................... 42

6.1.1.1 Methodiek ..................................................................................................................... 42

6.1.1.2 Resultaten ..................................................................................................................... 44

6.1.1.3 Besluit ........................................................................................................................... 47

6.1.2 Visuele interpretatie ........................................................................................................ 48

6.2 Analyse van de resultaten ................................................................................................ 52

6.1.1 Tijdstippen van de verplaatsingen ................................................................................... 53

6.1.1 Vervoersmiddelen van de verplaatsingen ....................................................................... 55

6.1.1 Belangrijkste toegangswegen van en naar campus de Sterre ......................................... 57

7. BESLUIT ............................................................................................................................. 59

REFERENTIELIJST ............................................................................................................. 60

BIJLAGE ................................................................................................................................ 65

5

LIJST VAN FIGUREN EN TABELLEN

Figuur 1: GPS-ontvangers van respectievelijk (a) 2002, (b) 2005 en (c) 2010 ....................... 15

Figuur 2: Multipath-effect of meerwegsinterferentie. ............................................................. 18

Figuur 3: (a) Igot-U 120, (b) Garmin forerunner 405 ............................................................. 20

Tabel 1: GPS-records in beweging .......................................................................................... 27

Figuur 4: gevolgen van het multipath-effect ........................................................................... 28

Figuur 5: Resultaat van het toepassen van de twee filtermethoden ........................................ 29

Figuur 6: Extraheren van trips uit de gefilterde data. (a) ruwe data, (b) twee geëxtraheerde

trips .......................................................................................................................................... 34

Figuur 7: Linken van een trip aan een spoornetwerk. (a) twee voorwaarden, (b) meer dan 75%

van de punten valt samen ........................................................................................................ 37

Tabel 2: Splitsen van samengestelde trips ............................................................................... 39

Tabel 3: Voorbeeld van een uittreksel van het vergelijkingsprogramma ................................ 43

Tabel 4: Resultaten van dataverwerking groep 1 .................................................................... 45

Tabel 5: Resultaten van dataverwerking groep 2 .................................................................... 46

Tabel 6: Uittreksel van GPS-records van de trip afgebeeld in figuur 8 ................................. 49

Figuur 8: Verschil van de ruwe data en de geëxtraheerde data ............................................... 49

Figuur 9: Verschil tussen de gemeten koers en de werkelijke koers ...................................... 50

Figuur 10: Verschil in aantal spikes afhankelijk van de modus .............................................. 51

Figuur 11: Gevolg van het niet splitsen van een samengestelde trip ...................................... 52

Figuur 12: Verschil tussen de tijdstippen van de verplaatsingen afgelegd door de studenten en

door de algemene bevolking ................................................................................................... 53

Figuur 13: Locaties waarlangs de student zich na 22u hoofdzakelijk verplaatst .................... 54

Figuur 14: Frequentiegrafiek van al de verplaatsingen met de auto of bus t.o.v. een zekere

afstand ..................................................................................................................................... 55

Figuur 15: Frequentiegrafieken van de verplaatsingen van respectievelijk (a) fiets en (b) voet

t.o.v. een zekere afstand .......................................................................................................... 56

BIJLAGE

1. Verplaatsingsgedrag van de Gentse studenten ..................................................................... 65

2. Verplaatsingsstroom van en naar de campus S8 .................................................................. 66

3. Volledig vergelijkingsrapport .............................................................................................. 67

4. Programma dataverwerking ................................................................................................. 67

6

1. INLEIDING

Onderzoek naar verplaatsingsgedrag vormt een belangrijk hulpmiddel voor de

mobiliteitsspecialisten, zoals ruimtelijke planners en verkeerskundigen. Dit slag van

onderzoek stelt hen immers in staat een bepaald transportsysteem te plannen, te ontwerpen, te

evalueren en te onderhouden. Over de jaren heen werden verscheidene procedures ontwikkeld

om dit soort van onderzoek te realiseren. De procedures kunnen grofweg opgedeeld worden in

volgende fasen: datacollectie, data-analyse, eventueel een visualisatie en ten slotte een

interpretatie. Vandaag zijn de traditionele technieken zoals de dagboeken en de

telefooninterviews vooralsnog de meest frequent gebruikte. Aangezien deze

registratiemethoden een relatief actieve participatie van de deelnemers vergen, sluipen

onnauwkeurigheden in het onderzoek. Vandaar werd een zoektocht opgestart ter ontwikkeling

van een moderne procedure, die de tekortkomingen van de traditionele methoden teniet doet

of tenminste significant reduceert (Schuessler & Axhausen, 2009).

Een mogelijkheid voor het wegwerken van deze tekortkomingen bestaat uit de toepassing van

de zogenaamde geopositioneringssystemen, zoals GPS. GPS (Global Positioning System) is

een op satellieten gebaseerd radionavigatiesysteem dat in 1973 ontwikkeld werd door het

Amerikaanse Department of Defence (DoD) (Eissfeller et al., 2007). GPS bestaat uit

vierentwintig satellieten, die om de aarde cirkelen en signalen uitzenden naar de GPS-

ontvangers. Op die manier wordt het mogelijk informatie te verkrijgen over de locatie van de

ontvanger. (Duncan et al., 2008)

De positie van de ontvanger wordt berekend aan de hand van een afstandsmeting tussen de

ontvanger zelf en tenminste vier of meer GPS-satellieten. Elke satelliet is uitgerust met een

atoomklok. Voor het gebruik dient het GPS-apparaat eerst een initialisatieperiode te

doorlopen. Tijdens deze tijdsspanne worden de signalen van de satellieten ontvangen en wordt

de GPS-klok gesynchroniseerd met die van de satellieten. De GPS-apparaten ontvangen en

analyseren de radiosignalen onafgebroken en berekenen daaruit de afstand tot elke zichtbare

satelliet. Aan de hand van trilateratie kan men vervolgens de correcte locatie, snelheid en

richting bekomen (Maddison & Ni Mhurchu,, 2009). GPS is in vergelijking met het Russische

GLONASS en zeker met het Europese Galileo het enige volledig opereerbare satellietsysteem

(Eissfeller et al., 2007).

7

De toegang tot systemen zoals GPS kende de laatste tien jaar een enorme groei en expandeert

nog steeds. De toenemende behoefte aan zulke systemen werkte bovendien een drastische

prijsdaling in de hand en maakte van de GPS in vele mobiele telefoons of andere

communicatieapparaten een standaardfunctie. Waar het systeem door de modale gebruiker

vooralsnog hoofdzakelijk toegepast werd voor autonavigatie, duikt het gebruik van GPS

steeds frequenter op in het recreatieve leven, zoals tijdens het fietsen, lopen of het

zogenaamde geocaching1. Naast deze navigatie- en oriëntatiefunctie kan het apparaat ook nog

gebruikt worden voor tracking, waardoor het mogelijk wordt een afgelegde route in de vorm

van coördinaten en tijdstippen in een logfile bij te houden. Op deze manier wordt het

eenvoudig spatio-temporele data te verzamelen en zo menselijke activiteit te registeren (van

der Spek et al., 2009).

De verplaatsing van auto‟s vormde al het voorwerp van meerdere onderzoeksprojecten,

waarbij een procedure ontwikkeld werd waarin de verplaatsingen van de voertuigen tijdens

een bepaalde tijd aan de hand van een GPS-apparaat geregistreerd werden. Toch zou een

accuraat onderzoek naar verplaatsingsgedrag ook alle andere transportmodi in de analyse

moeten betrekken. Verplaatsingen te voet, met de fiets, of met het openbaar vervoer mogen

dus niet verwaarloosd worden. Bovendien registreert autogebonden onderzoek enkel

verplaatsingen gerelateerd aan de auto en niet noodzakelijk aan de gebruiker (Shoval &

Isaacson, 2005). Een persoonsgebonden GPS-studie dringt zich op.

Hoewel de procedure recent ook in andere takken van de wetenschappen wordt gebruikt, blijft

het echte onderzoek naar de techniek met de noodzakelijke dataverwerking eerder schaars.

Deze studie tracht dan ook een methodologische bijdrage te leveren tot het onderzoek naar

verplaatsingsgedrag met behulp van een persoonsgebonden GPS. Meer concreet wordt er

nagegaan welke waarde er aan de GPS kan worden toegekend als sensortechniek voor het

waarnemen van het verplaatsingsgedrag van mensen, met bijzondere aandacht voor

verplaatsingen in steden.

Om dit te achterhalen werd een project opgericht waarbij 123 studenten van de Gentse

faculteit wetenschappen gedurende twee weken met behulp van een GPS-logger werden

getrackt, wat resulteerde in ongeveer 1700 geregistreerde dagen met ongeveer 1000000 GPS-

1 Geocaching is de recreatieve bezigheid waarbij personen voorwerpen verstoppen op locaties waarvan de

precieze coördinaten op internet is terug te vinden. (http://www.geocaching.be, 10 augustus 2010)

8

records in totaal. Om de omslachtigheid van de procedure voor de deelnemers zo laag

mogelijk te houden, werd van hen slechts een minimale actieve bijdrage in het

registratieproces vereist. Zij dienden geen bijkomende informatie over de afgelegde

verplaatsingen te leveren. Een geavanceerde verwerking van de verzamelde data blijkt

bijgevolg onontbeerlijk om enige zinvolle informatie, zoals vervoersmodus en begin- en

eindpunt van een verplaatsing, uit deze grote hoeveelheid van GPS-records te extraheren.

Hiervoor wordt een applicatie in JAVA ontwikkeld.

De resultaten van het onderzoek zouden uiteindelijk een antwoord moeten kunnen bieden op

de belangrijkste mobiliteitsvragen. Hoe en waarmee verplaatsen studenten zich hoofdzakelijk

in de stad Gent? Zijn er grote verplaatsingspatronen waar te nemen? Welke weg neemt men

om van de ene naar de andere locatie te gaan? Nemen studenten die nog niet vertrouwd zijn

met de stad Gent andere wegen? Wat zijn de drukst bezette wegen op een bepaald ogenblik?

Welke vervoersmiddelen worden er gebruikt om een zekere afstand te overbruggen? …

In het eerste deel van dit onderzoek worden de globale technieken voor het bepalen van

verplaatsingsgedrag besproken. Er wordt dieper ingegaan op de evolutie van deze technieken

en de verschillende toepassingen die gebruik maken van deze technieken. In het tweede deel

wordt er naar het meest geschikte sensorapparaat gezocht voor de uitvoering van zulk

onderzoek. De verschillende zwakten van GPS als sensorsysteem worden geanalyseerd,

alsook de voordelen van het gebruik van GPS ten opzicht van andere technieken.

In de volgende twee delen worden achtereenvolgens de twee hoofdfasen waarin het

onderzoek grofweg kan opgedeeld worden, besproken. De eerste fase omvat het veldwerk met

de noodzakelijke datacollectie. Hierbij worden alle voorzorgsmaatregelen besproken die

nodig zijn om tot bruikbare data te komen. In de volgende fase, de dataverwerking, worden de

verschillende methoden overlopen die noodzakelijk zijn om zinvolle informatie uit de data te

extraheren.

In het vijfde deel worden vervolgens de resultaten besproken. Hierbij wordt eerst de gebruikte

techniek geëvalueerd aan de hand van een bijkomend onderzoek en een visuele interpretatie.

Hieraan wordt een bespreking van de globale verplaatsingspatronen geknoopt. Ten slotte

wordt er in de conclusie geëvalueerd of de vooropgestelde techniek de vragen van de

mobiliteitsanalyst voldoende kan beantwoorden.

9

2. REGISTRATIETECHNIEKEN

2.1 Evolutie van de technieken voor het registreren van verplaatsingsgedrag

Het onderzoek naar het menselijke verplaatsingsgedrag nam een hoge vlucht sinds de jaren

„70. Toenmalige geografen, onder anderen Hägerstrand en Anderson, bestudeerden dit soort

van gedrag aan de hand van ver doorgedreven empirische testen wat tot aanzienlijke

theoretische ontwikkelingen leidde (van der Spek et al., 2009). De laatste twintig jaar merkt

men een duidelijke stijging in publicaties omtrent het verplaatsingsgedrag bij mensen, een

onderwerp dat binnen de sociale wetenschappen steeds belangrijker werd. Daarenboven kreeg

het onderwerp begin jaren „90 nog meer aandacht in het kader van de nog recente

ontwikkelingen van de geografische informatiesystemen. Toch blijven twee belangrijke

uitdagingen op gebied van menselijke verplaatsingsgedrag bestaan (Shoval & Isaacson,

2006): (1) hoe kan men ruimtelijke activiteit zo correct mogelijk registreren en (2) hoe kan

men de plaats van een bepaalde activiteit lokaliseren op een gegeven tijdstip?

Momenteel is de meest gebruikte methode om data te verzamelen over menselijke activiteit de

“tijdruimte-budgettechniek” (Shoval & Isaacson, 2006). Deze techniek registreert menselijke

activiteit in tijd en ruimte gedurende een bepaalde tijd, meestal tussen een dag en een week.

De techniek maakt tot nu toe gebruik van enkele gekende procedures: telefooninterviews en

de zogenaamde tijdruimtelijke dagboeken. De dagboeken hebben het voordeel dat ze zeer

gedetailleerde en accurate informatie kunnen bevatten, aangezien men met behulp van een

dagboek in tegenstelling tot de telefooninterviews op elk moment van de dag activiteiten kan

bijhouden.

De dagboekmethode wordt ondermeer toegepast door het departement van mobiliteit en

openbare werken van de Vlaamse regering. Gedurende twee dagen worden ongeveer 2000

personen per provincie belast met het invullen van zulk dagboek

(http://www.mobielvlaanderen.be/ovg, 1 augustus 2010). Ook de vakgroep civiele techniek

van de Universiteit Gent deed eerder al onderzoek naar het verplaatsingsgedrag van studenten

aan de hand van enquêtes (De Mol, 1999). Het onderzoek moest meer informatie bieden

omtrent de vervoersmiddelen en het aantal verplaatsingen van een student.

10

Hoewel deze methodes vandaag de dag nog vaak worden gebruikt, verschaffen ze inaccurate

data, aangezien ze methodologische gebreken vertonen. Ze eisen immers dat het subject zelf

zijn acties actief registreert gedurende een bepaalde tijd, en maken zich hierdoor volledig

afhankelijk van de betrouwbaarheid en nauwgezetheid van het subject. Dit heeft zonder

twijfel een weerslag op de kwaliteit van de verzamelde data. Er is daarom ook al heel wat

onderzoek verricht naar de problematiek van het vinden van geschikte deelnemers en naar het

falen van de uiteindelijke deelnemers om hun activiteiten getrouw te registeren (Szalai, 1972).

Toch zijn er al voorbeelden waarbij het gebruik van deze methodologie toch op een succes

uitdraaide (Goodchild and Klinkenberg 2000).

Tegenwoordig verlangt de mobiliteitsanalyst steeds meer accurate reisgegevens op

verschillende tijdstippen van de dag en op verschillende locaties. Ook informatie over de

precies afgelegde weg op een gegeven netwerk wordt steeds belangrijker. Zonder GPS-

apparaat is het vergaren van zo‟n informatie zeer moeilijk tot onmogelijk. GPS biedt zeker in

combinatie met een geschikt Geografisch Informatie Systeem (GIS) de mogelijkheid om zeer

nauwkeurige data te verkrijgen over de locatie van een persoon, voertuig of ander object op

een bepaald tijdstip, welke route wordt afgelegd, snelheid van het object en begin- en

eindpunt van de verplaatsing (Schuessler & Axhausen, 2009).

Oorspronkelijk werd de nieuwe techniek met behulp van GPS slechts gebruikt om

gemotoriseerde voertuigen te traceren. Het gebruik van de GPS als registratietechniek om

informatie te verzamelen omtrent het verplaatsingsgedrag van voetvangers bleef de laatste

jaren beperkt tot een tool dat men kan gebruiken in verschillende toepassingen van de

gezondheidssector en ruimtelijke planning. Maar het echte onderzoek naar de kwaliteit van de

nieuwe registratietechnologie is eerder beperkt. Eén van de redenen waarom het gebruik ervan

voorlopig zo goed als onbestaande bleef, is het feit dat het verzamelen van zulke gegevens

meer inspanning vergt dan het verzamelen van ruimtelijke gegevens van gemotoriseerde

voertuigen (Stopher et al., 2003). Een geavanceerd trackingsysteem in een auto is slechts één

van de vele accessoires die men kan installeren. Het wordt bovendien steeds voorzien van

stroom wanneer het systeem in werking moet treden waardoor de data geen hiaten vertonen.

Een trackingsysteem voor voetgangers moet zowel klein als passief zijn, twee voorwaarden

die vroeger zeker niet verenigbaar waren. De GPS-apparaten kenden de laatste jaren een grote

evolutie waardoor tracking voor voetgangers wel mogelijk werd (cf. infra).

11

2.2 Verschillende toepassingsgebieden van de techniek

Met het toenemende gebruik en de recente ontwikkelingen van de GPS en andere

registratietechnologieën stijgen ook de wetenschappelijke publicaties over deze technologieën

en de toepassingen ervan. Het ligt voor de hand dat deze technologieën zich hoofdzakelijk

ontwikkeld hebben in het gebied van de transportwetenschappen. In dit vakgebied wordt de

mogelijkheid tot tracking aanzien als één van de grootste concepten om nieuwe technologieën

te ontwikkelen en om de huidige commerciële markt en de algemene samenleving beter te

begrijpen (Stopher et al., 2008).

Toch wordt de technologie ook steeds meer in andere vakgebieden ingezet. Zo onderzochten

van der Spek et al. (2009) of de techniek geschikt is in de stedenbouw en ruimtelijke

planning. Aan de hand van de vergaarde data werd bepaald welke straten van een bepaalde

stad een opknapbeurt verdienden. Op dezelfde manier werd de techniek door Bradley &

Dunlop (2005) gebruikt om de speciale maatregelen die getroffen werden voor slechtzienden

te evalueren en te verbeteren.

De techniek kent bijzonder veel toepassingen in verschillende takken van de

gezondheidswereld. Zo maakten Elgethun k. et al (2007) een vergelijking tussen GPS-data

van kinderen en een dagboek opgemaakt door de betrokken ouders. Het onderzoek wilde

aantonen dat kinderen zich vaker in de omgeving van pesticiden ophouden dan hun ouders

beweerden. In meer dan 50% van de gevallen bleek er een verschil te bestaan tussen de

respectieve registratiemethoden. Landau et al. (2010) onderzochten dan weer of de techniek

gebruikt kon worden om een zeker stadium van dementie vast te stellen. Als patiënten steeds

een verschillende weg nemen om toch eenzelfde eindpunt te bereiken en wanneer er veel

doelloze verplaatsingen worden geregistreerd, vormden dit indicaties tot dementie.

Op het gebied van de sportwetenschappen wordt dan weer onderzocht of de GPS een beter

alternatief vormt dan de pedometer en acceleratiemeter om fysieke activiteit te meten (Le

Faucher et al., 2007). De technologie wordt dan ook meer en meer gebruikt in het recreatieve

leven. De meeste sporthorloges zijn uitgerust met een GPS-ontvanger die alle bewegingen

registreert, wat uiteindelijk resulteert in een mooi rapport van de afgelegde prestatie. Ook

12

andere activiteiten zoals het geocaching en geotagging, waarbij foto‟s gekoppeld kunnen

worden aan een bepaalde locatie en omgekeerd, zijn in trek. (De Maeyer, 2010)

13

3. GPS-APPARAAT

Het registeren van menselijke activiteit is niet beperkt tot het gebruik van uitsluitend een GPS.

De zogenaamde land-based detectiesystemen, zoals mobiele telefonie, RFID2 en bluetooth

vormen naast de satellietsystemen de tweede groep van trackingsystemen (Shoval & Isaacson,

2006). Maar omwille van de omvang van deze studie en de vooropgestelde nauwkeurigheid,

hebben deze systemen afzonderlijk te veel beperkingen. De combinatie van één van deze

sensorsystemen samen met GPS kan dan weer wel voor een meerwaarde zorgen (Himpe,

2010). In deze studie wordt er enkel gebruik gemaakt van GPS. Eerst worden de voordelen

van het gebruik van GPS ten opzichte van de andere sensors of besproken. Vervolgens

worden de algemene zwakheden van GPS als sensorsysteem overlopen.

3.1 Sterkte van GPS ten opzichte van andere sensors of technieken

Ten eerste bieden GPS-records meer gedetailleerde informatie zowel met betrekking tot de

ruimtelijke als tot de temporele resolutie: zeker in tegenstelling tot de dagboeken en de

telefooninterviews, waar er nauwelijks of zelfs helemaal geen ruimtelijke component

aanwezig is, biedt een GPS-apparaat meer accurate data. De ruimtelijke en temporele

resolutie bij het gebruik van RFID of bluetooth hangt af van de densiteit van de

sensorontvangers (Shoval & Isaacson, 2006). Hoe hoger de densiteit, hoe hoger de resolutie.

Ook bij mobile phone tracking is de nauwkeurigheid van de plaatsbepaling afhankelijk van de

concentratie van de GSM-antennes, wat in een stedelijke omgeving overeenkomt met

ongeveer 50 meter. In landelijke omgeving, waar de concentratie van de antennes veel minder

hoog is, degradeert de nauwkeurigheid snel. De ruimtelijke nauwkeurigheid van een GPS-

logger ligt tussen de 10 en 20 meter, terwijl de temporele resolutie net zoals bij mobile Phone

tracking naar eigen noden kan aangepast worden.

Ten tweede voorkomt het gebruik van GPS een tekort aan registratie van verplaatsingen, wat

een typische beperking is van de dagboeken en zeker van de telefooninterviews (Du &

Aultman-Hall, 2007). Aangezien deze laatste zich louter baseren op de herinneringen van de

deelnemers, kan de lijst met de verschillende reizen onvolledigheden bevatten. Hoofdzakelijk

RFID (Radio Frequency Identification) is een technologie die door middel van radiosignalen de unieke

identificatie van producten, dieren en personen op afstand mogelijk maakt. (http://www.rfidnederland.nl, 10

augustus 2010)

14

de kleine verplaatsingen worden hierdoor vaak niet opgenomen. Zolang er bij de land-based

detectiesystemen voldoende ontvangstsystemen of zendsignalen zijn, zullen alle

verplaatsingen worden geregistreerd. GPS-signalen kunnen over heel de wereld worden

ontvangen en zijn dus onafhankelijk van enige apparatuur aanwezig op de grond. Toch zijn er

enkele situaties die de ontvangst van zulke signalen hypothekeren (cf. infra).

Ten slotte wordt bij het gebruik van GPS de last van de deelnemers tot een minimum beperkt,

zolang het gebruik niet gecombineerd wordt met een uitgebreide vragenlijst om zo

aanvullende informatie te vergaren zoals vervoerswijze, reisdoelen, …. De last bij

telefooninterviews en dagboeken ligt beduidend hoger, wat tot inaccurate data leidt

(Schuessler & Anhausen, 2009). Er wordt bijgevolg naar een zo passief mogelijk systeem

gezocht, waarbij de activiteitengraad van de deelnemers tot een minimum wordt herleid. Een

goed voorbeeld van een passief systemen is het registreren van voertuigen met behulp van

GPS. Wanneer een voertuig start, treedt ook de GPS-functie in werking. Vanaf dat moment

wordt er zo goed als altijd geregistreerd, aangezien de GPS-ontvanger op een optimale plaats

bevestigd kan worden. Als de opgeslagen records nu ook automatisch naar een centrale

databank worden verzonden, kan men spreken van een volledig passief systeem.

3.2 Algemene zwakten van GPS als sensorsysteem

3.2.1 Beperkingen

Het onderzoek naar het verplaatsingsgedrag van mensen aan de hand van een GPS-apparaat

staat nog in de kinderschoenen. De vele beperkingen van de vroegere GPS toestellen,

opgesomd door Stopher et al. (2008), maakten zulk onderzoek onmogelijk. Pas in 1997 werd

een eerste onderzoek met een GPS verricht, die werd gekoppeld aan een PDA. De toenmalige

GPS-apparaten beschikten niet over een eigen batterij en over eigen opslagruimte. Bovendien

moest men data invoeren vooraleer een reis verder te zetten. Daarvoor waren bekwame

deelnemers met voldoende kennis van software en hardware noodzakelijk. Zulke systemen

worden dan ook actieve GPS genoemd.

Snel zag men in dat zo‟n actieve participatie tot onvolledige en inaccurate data leidde en dat

men moest overschakelen naar volledig passieve systemen. Zo deed men in 1999 een

15

onderzoek waarbij men een „draagbaar‟ GPS-apparaat met een zelfstandige batterij gebruikte.

Maar met zijn twee kilogram bleek deze toch niet zo draagbaar te zijn. Met de jaren werden

de apparaten steeds lichter en kleiner. In 2002 woog een apparaat nog 300 gram, in 2005 nog

maar 100 gram, wat vergelijkbaar is met een GSM, en de huidige GPS loggers wegen slechts

30 gram (zie figuur 1).

a) b) c)

Figuur 1: GPS-ontvangers van respectievelijk (a) 2002, (b) 2005 en (c) 2010

Bron: (a) en (b) Stopher et al., 2008 en (c) http://www.trackstick.com, 3 augustus 2010

Ook de opslagcapaciteit van de toestellen werd steeds groter. Met de opkomende technologie

van de Flash memory viel de beperking van opslagcapaciteit weg. De huidige loggers

beschikken veelal over een flash geheugen van 4 MB. Dit komt overeen met een

opslagcapaciteit van ongeveer 200000 records. Met een instelbaar trackingsinterval van 6

seconden zou ongeveer 330 uur van verplaatsing geregistreerd kunnen worden. Sommige

loggers slaan de records niet op wanneer geen verplaatsing geregistreerd wordt, wat voor

extra opslagcapaciteit zorgt (Du & Aultman-Hall, 2007). Met een gemiddelde verplaatsing

van een persoon van ongeveer 2 uur per dag, zou er in ideale omstandigheden gedurende 160

dagen getrackt moeten kunnen worden. De nieuwere modellen beschikken ook over

bluetooth, wat uitwisseling van de data mogelijk maakt met elk ander apparaat dat over

bluetooth beschikt.

De prijs van zulke systemen bleef ook dalen, zeker wanneer de loggers op de markt kwamen.

Dit zijn systemen die uitsluitend uitgerust zijn met een GPS-antenne en opslaggeheugen en

kunnen niet gebruikt worden bij navigatie. De goedkoopste loggers zijn nu verkrijgbaar voor

50 euro.

Tot op vandaag blijft de lage levensduur van de batterijen het grootste struikelblok (Michael

et al., 2008). Deze levensduur schommelt bij de meeste huidige loggers rond de 24 uur. Een

hogere levensduur van de batterij zou het hele systeem nog passiever maken, wat de

16

volledigheid van de verkregen data ten goede komt. Bovendien worden de meeste van de

huidige loggers voorzien van een batterij die via een USB-poort kunnen worden opgeladen

(Stopher et al. 2008).

3.1.1 Nauwkeurigheid

De kwaliteit van een GPS-studie is afhankelijk van de manier waarop de data-analyst

rekening houdt met nauwkeurigheid van de verkregen GPS data. In ideale omstandigheden

ligt de nauwkeurigheid van een absolute plaatsbepaling aan de hand van een goedkope GPS-

ontvanger tussen de vijf en tien meter. In realiteit bekomt men echter veel minder

nauwkeurige resultaten als gevolg van verschillende foutenbronnen. Zo kunnen bijvoorbeeld

in stedelijke gebieden minder dan vier satellieten, nodig voor het bepalen van een drie-

dimensionale positie en een tijdsmeting, zichtbaar zijn. Zelfs als er voldoende satellieten

zichtbaar zijn, kunnen ze te dicht bij elkaar geplaatst zijn wat voor een hoge Position Dilution

of Precision (PDOP) kan zorgen (Rainham et al., 2008). Samen met zogenaamde warme start

/ koude start probleem vormen ze de belangrijkste fouten die men kan plaatsen onder de groep

van systematische fouten bij GPS-metingen.

Wanneer men een GPS-apparaat voor het eerst inschakelt, heeft het apparaat een

initialisatieperiode nodig waarbij de GPS-ontvanger het vereiste aantal satellietsignalen tracht

te registeren. Deze initialisatieperiode is specifiek voor GPS-apparatuur en hun duur hangt af

van de gebruikte merken en modellen. Men maakt een onderscheid tussen een warme start of

koude start tijdens de initialisatieperiode. Men spreekt van een warme start wanneer het GPS-

apparaat nog recent gebruikt is en wanneer het ten opzichte van het vorige gebruik geen

significante verplaatsing heeft ondergaan. Het apparaat onthoudt de UTC tijd, maar niet de

satellieten die voor het laatst gebruikt werden. Een gebouw binnen en buiten gaan kan

bijvoorbeeld aanzien worden als een warme start.

Een koude start daarentegen ondervindt men als het apparaat gedurende een hele tijd niet

meer gebruikt is of het na signaalverlies een grote verplaatsing heeft gemaakt. Het apparaat

verwijdert alle informatie die opgeslagen is bij het vorige gebruik. Bijgevolg duurt een koude

start langer aangezien geen bekende informatie aanwezig is (Duncan et al., 2008). Volgens

17

Stopher et al. (2008) is een typische duur voor een warme start ongeveer 5 seconden, terwijl

men voor een koude start ongeveer 45 seconden moet wachten.

De tweede groep fouten zijn de toevallige fouten. Hieronder moeten de fouten verstaan

worden die veroorzaakt worden door satellietbaanwijzigingen, klok, atmosferische en

ionosferische effecten, multipath en signaalblokkade (Jun et al., 2007). Hierbij wegen de

multipath-fouten, ook wel de meerwegsinterferentie genoemd, en de signaalblokkade zwaar

door op de gemiddelde fout.

De fout ten gevolge van het multipath-effect ontstaat wanneer het satellietsignaal, alvorens de

ontvanger te bereiken, eerst gereflecteerd wordt op een massief voorwerp op het

aardoppervlak (ontvanger-multipath) of in de satelliet zelf (satelliet-multipath). De grootte

van fouten, veroorzaakt door het multipath-effect is afhankelijk van de sterkte van het

gereflecteerde signaal en de vertraging ervan in vergelijking met het rechtstreekse signaal. Als

het padverschil tussen het gereflecteerd signaal en direct signaal groter is dan een chiplengte,

dan zal dit verschijnsel gedetecteerd worden in het correlatieproces en wordt bij de verder

berekeningen enkel rekening gehouden met het eerst binnenkomend signaal. Is het

padverschil kleiner, dan zal er interferentie optreden tussen de twee inkomende signalen.

Deze soort multipath-fouten kunnen slechts gedetecteerd worden bij permanente stations. Dit

heeft als rechtstreeks gevolg dat opeenvolgende punten verspreid lijken te liggen over de

werkelijke positie van de ontvanger. Het wordt op die manier zeer moeilijk de effectief

afgelegde route te detecteren en daarom vormen deze fouten een zeer groot struikelblok bij

routeanalyses.

De tweede belangrijke toevallige fout ontstaat wanneer de ontvanger in de omgeving van

massieve voorwerpen opgesteld staat. In zulke situaties kan er geheel of gedeeltelijk

afscherming van een signaal optreden. In tegenstelling tot laagfrequente signalen, buigt het

hoogfrequente GPS-signaal niet om deze objecten heen. Metingen in de steden of in bossen

worden op die manier zwaar gehinderd. Gedeeltelijke afscherming heeft tot gevolg dat signaal

- ruisverhouding van het betreffende satellietsignaal daalt.

In onderstaande figuur wordt de positie van de auto bepaald aan de hand van een aantal

satellieten waaronder satelliet 2. Het signaal van deze satelliet wordt bij het nemen van de

18

directe weg geblokkeerd of te hard verzwakt. Het signaal bereikt de ontvanger toch

onrechtstreeks via reflectie op een gebouw. Dit heeft als gevolg dat een foute positie van

satelliet 2 berekend wordt op de plaats waar satelliet 3 afgebeeld staat. Deze fout beïnvloedt

de berekeningen van de plaatsbepaling van de auto.

Figuur 2: Multipath-effect of meerwegsinterferentie.

Bron: http://julien.cayzac.name, 9 augustus 2010

19

4. DATA-AQUIQITIE

In een eerste fase van een onderzoek naar menselijk verplaatsingsgedrag moeten zoveel

mogelijk correcte data verzameld worden. Het vergaren van zulke informatie brengt heel wat

potentiële problemen met zich mee. Daarom wordt getracht alle voorzorgsmaatregelen te

nemen die nodig zijn om tot bruikbare data te komen, die voor verdere verwerking vatbaar

zijn. Het veldwerk kan grofweg opgedeeld worden in de volgende vier fasen: (1)

voorbereiding van het project, (2) instructies over de werking van het apparaat, (3) het

gebruik van het apparaat door de deelnemers en (4) het terugbrengen van het apparaat.

4.1 Voorbereiding

De voorbereiding van het project is een essentiële fase waarbij men, afhankelijk van de

verschillende doelstellingen, de meest geschikte GPS-logger en potentiële deelnemers voor

het project kiest.

4.1.1 Keuze van GPS-logger

Het meest geschikte apparaat is er één dat de passiviteit van het systeem ten goede komt en

moet bijgevolg aan een aantal voorwaarden voldoen. Zo moet het apparaat draagbaar zijn,

zodat de deelnemers geen hinder ondervinden van de aanwezigheid. Daarbij komt dat het op

een correcte manier vervoerbaar moet zijn, waarbij telkens connectie wordt gemaakt met

zoveel mogelijk satellieten en risico op blokkade van het signaal zo gering mogelijk blijft. Te

grote GPS-apparaten, zoals de klassieke Garmin eTrex, zijn af te raden. Aangezien de hier te

gebruiken apparaten geen navigatiefunctie nodig hebben, komt men al gauw terecht bij de

zogenaamde loggers. Deze apparaten houden louter spatio-temporele data bij in een logfile.

Bovendien moet de levensduur van de batterij voldoende hoog zijn, zodat de deelnemers niet

extra belast worden met het veelvuldig heropladen van de batterij. De toestellen met

heroplaadbare batterijen verdienen de voorkeur om de prijs van het gebruik te drukken. Veelal

kunnen de klassieke GPS-loggers via een USB-poort van een extern apparaat opgeladen

worden. Ook de opslagcapaciteit moet voldoende groot zijn om extra energie van de

deelnemers bij het uitlezen van het toestel te voorkomen.

20

Ten slotte maakt men een afweging tussen de kost en de kwaliteit. Hoe minder het apparaat

kost, des te meer men er kan kopen en des te meer data er verzameld kunnen worden. Toch

moet men nagaan of de kwaliteit niet lijdt bij de aankoop van goedkope toestellen: op deze

manier kan men wel veel data verzamelen, maar van slechte kwaliteit.

Uiteindelijk werden twee apparaten getest. Enerzijds een typische GPS-logger, de Igot-U 120,

en anderzijds een sporthorloge van Garmin, de forerunner 405. Beide toestellen

onderscheiden zich niet op vlak van opslagcapaciteit of grootte. Het grote voordeel van het

sporthorloge ligt in zijn draagbaarheid. Aangezien men het toestel rond de pols kan dragen,

blijft het contact met het gewenste aantal satellieten zo goed als verzekerd. Om deze reden

geeft de forerunner volledigere data, die a posteriori minder verwerking inhouden.

a) b)

Figuur 3: (a) Igot-U 120, (b) Garmin forerunner 405

Bron: (a) http://www.Igotu.com, 7 augustus 2010, (b) http://www.garmin.be, 7 augustus 2010

Toch zijn er een groot aantal nadelen aan het horloge verbonden, die men niet of in mindere

maten terug vindt bij de GPS-logger. Eén daarvan is de korte levensduur van de batterij.

Terwijl deze duur bij het horloge slechts op 8 uur ligt, kan deze, bij een vergelijkbaar

trackingsinterval van 8 seconde, theoretisch tot 60 uur oplopen. Bij nader onderzoek blijken

de specificaties van de GPS-logger niet te kloppen. Hoewel het trackingsinterval ingesteld

stond op 8 seconden, was de gemiddelde levensduur van de batterij ongeveer 22 uur en werd

het ingestelde trackingsinterval niet gerespecteerd met een variatie van 8 tot 30 seconden.

Hoewel de theoretische specificaties van het horloge de exacte specificaties beter benaderde,

blijft het verschil in levensduur van de batterij toch hoog.

21

Ten slotte speelt de prijs een grote rol bij deze vergelijking. Terwijl men voor de logger 50

euro betaalt, kost zo‟n sporthorloge bijna het vijfvoud. Men is bijgevolg met hetzelfde budget

in staat vijf keer meer mensen te voorzien van een apparaat, wat tot aanzienlijk meer data

leidt. Hoewel de forerunner 405 meer accurate data verzameld, werd omwille van de

hierboven aangehaalde redenen gekozen voor de veel goedkopere Igot-U 120. Een meer ver

doorgevoerde dataverwerking blijkt hierbij dan ook noodzakelijk.

4.1.2 Potentiële deelnemers

Hoofdzakelijk worden studenten gekozen die verbonden zijn aan de vakgroep Geografie.

Deze studenten worden immers geacht vertrouwd te zijn met de werking van GPS en

voldoende gemotiveerd te zijn om zonder enige vergoeding deel te nemen aan het project. Om

verdere potentiële deelnemers niet af te schrikken wordt duidelijk vermeld dat de verzamelde

gegevens niet individueel, maar collectief worden geïnterpreteerd met respect voor de

privacy. Wil men een representatief beeld krijgen van het verplaatsingsgedrag van de Gentse

student, zouden in principe ook studenten van andere faculteiten en of hogeschool bij het

project betrokken moeten worden. Omdat de participatie niet vergoed werd en omwille van

logistieke redenen is men van deze denkpiste afgestapt.

4.2 Instructies

Eens de deelnemers zijn gevonden worden de apparaten uitgedeeld. Hierbij moeten ze een

“contract” tekenen waarbij ze verklaren het gekregen apparaat als een goede huisvader te

beheren en de apparatuur op de opgegeven datum terug te brengen. Tussen het contract en

nummer van het uitgedeelde GPS-toestel bestaat geen verband, om privacyschending te

voorkomen.

Na een korte toelichting van het opzet is het van uiterst belang dat er bijkomende instructies

worden gegeven bij de werking van het project. Eerst en vooral wordt de werking van het

apparaat zelf uitgelegd: aan- en uitzetten, batterij opladen,…. Vervolgens wordt er gewezen

op het feit dat de logger steeds op een zichtbare plaats vervoerd moet worden. Ook de

tijdstippen waarop de logger steeds aan moet staan worden meegedeeld. Er moet uitdrukkelijk

22

veel aandacht aan deze fase van het veldwerk gegeven worden, aangezien bij een verkeerd

gebruik van het toestel geen of onnauwkeurige data verzameld worden.

4.3 Datacollectie

In de derde fase dragen de deelnemers het apparaat twee weken bij zich. Initieel moesten de

deelnemers zelf elke avond hun data uitlezen en uploaden op een server met een bijkomende

samenvatting van de verplaatsingen van die dag. Op deze manier zou men de verkregen data

enigszins kunnen controleren met de effectief afgelegde verplaatsingen en zouden bijkomstig

niet alle toestellen door één persoon uitgelezen moeten worden. Maar dit vroeg te veel

inspanningen van de deelnemers, waardoor het aantal binnenkomende data zeer gering was.

Mede door het feit dat de opslagcapaciteit van het GPS-apparaat om records bij te houden

voldoende groot bleek, werd van dit idee afgestapt en werd het actief gedeelte van de

deelname tot een minimum herleid.

De participanten moeten gedurende de twee weken er enkel op toezien dat de batterij

opgeladen blijft, zeker wanneer een verplaatsing wordt gemaakt en dat ze het op een correcte

manier vervoeren. Wanneer deze voorwaarden nauwgezet worden nageleefd, levert dit veel,

volledige en meestal nauwkeurige data op.

23

5. DATAVERWERKING

Hoewel de huidige GPS-apparaten in staat zijn zeer nauwkeurige spatio-temporele informatie

te verschaffen over menselijk activiteit, blijft de technologie aangewezen op een ver

doorgevoerde dataverwerking. Het verzamelen van GPS records, voor welk doeleinde ook,

lijkt in vele gevallen onbeperkt. De meeste apparaten kunnen meer dan duizenden records op

enkele dagen verzamelen. Hoewel het redelijk eenvoudig is om deze gegevens te importeren

en te visualiseren in de meest standaard GIS-pakketen, blijft het omwille van de grootte van

de dataset een uiterst tijdrovende zaak. Daarenboven is het bijzonder moeilijk om zinvolle

informatie uit de data te distelleren aan de hand van de standaard dataverwerkingsoftware

(Stopher et al. 2008).

De algemene benaming om zinvolle informatie uit een ruwe dataset te halen is datamining of

nog Knowledge Discovery in Databases (KDD). KDD is een strategie om grote volumes data,

opgeslagen in een databank, te analyseren. Het is het proces van identificatie van geldige,

nieuwe, potentieel nuttige en uiteindelijk begrijpelijke patronen in de data. Het doel van KDD

is uiteindelijk om verboren informatie, trends, kenmerken of structuur in de data te zoeken en

kennis te bekomen op basis van de bevindingen van het onderzoek (Van de Weghe, 2010).

In de Geografische Informatie Wetenschap (GIW) worden de technieken van datamining en

knowledge discovery gebruikt om spatiale data te extraheren. Het extraheren van interessante

en nuttige informatie uit een ruimtelijke dataset is veelal moeilijker dan bij de traditionele

numerieke en categorische datasets (Kobayashi, 2010).

Geografische informatie is moeilijk te hanteren gezien haar verschillende dimensies, haar

inherente ruimtelijke autocorrelatie en heterogeniteit, haar complexiteit van tijdruimtelijke

objecten en regels en ten slotte door haar diverse soort gegevens. Ten eerste heeft

geografische informatie een hoge dimensionaliteit aangezien het locatiegebonden informatie

betreft. Dit impliceert dat er minimaal twee dimensies nodig zijn. Daarenboven heeft

geografische informatie in vele gevallen naast een ruimtelijke dimensie ook nog een

temporele dimensie.

24

Ten tweede is geografische data onderheven aan ruimtelijke autocorrelatie, wat er voor zorgt

dat kenmerken op proximale locaties aan elkaar gerelateerd zijn. Aan de andere kant is er

sprake van ruimtelijke heterogeniteit door het unieke karakter van sommige geografische

locaties. Hoewel dit soort kenmerken in vele statistische analyses een hekelpunt vormen,

kunnen ze toch nuttige informatie opleveren bij geografisch onderzoek.

Ten derde is het hanteren van de tijd in ruimtelijke entiteiten een moeilijke zaak. Daarom is

het meer dan noodzakelijk om efficiënte instrumenten te ontwikkelen voor de extractie van

spatio-temporele regels uit geografische informatiesystemen. Ten slotte moet men methodes

ontwikkelen die toelaten om digitale datasets bestaande uit verschillende formaten, zoals

vector en raster gegevens, tegelijkertijd te kunnen verwerken en analyseren.

Wil men de GPS-gegevens op een goede manier beheren, analyseren en manipuleren moet

men zulke dataminingprocessen hanteren en is het ontwikkelen van gespecialiseerde software

bijgevolg noodzakelijk. Veelal wordt deze software ontwikkeld in de bekende

softwarepakketten zoals GIS of CAD (Stopher et al, 2008). Omwille van de grootte van de

dataset, meer als 1000000 GPS-records, wordt in deze studie de dataverwerking niet

uitgevoerd in een GIS- of CAD-omgeving, maar wordt er een eigen procedure ontwikkeld in

JAVA. Op deze manier wordt het mogelijk de grote hoeveelheden data efficiënt te verwerken.

Wat nu juist de meest geschikte procedure is voor een welbepaalde dataset, blijft nog een

lopende vraag. Toch moeten ze alle op de belangrijkste onderzoeksvragen een antwoord

bieden. Hoe wordt het mogelijk individuele reizen of activiteiten te traceren? Hoe kan men de

manier van verplaatsen achterhalen aan de hand van de verkregen dataset? Hoe kan men de

afgelegde route extraheren uit een gekozen netwerk? Een aantal auteurs hebben enkele

pogingen ondernomen om deze problemen te overkomen (Chung & Shalaby, 2005; Flamm &

Kaufmann, 2007; Schuessler & Axhausen, 2009). In feite kunnen hun benaderingen in

individuele modules opgesplitst worden. De volgende modules worden dan ook in het

programma geïmplementeerd (zie bijlage 4) en achtereenvolgens in deze studie besproken:

Filteren en smoothing

Coördinatentransformatie

Detectie van trips

25

Detectie van de modus van de trip

Splitsen van samengestelde trips

Map-matching

Gemakshalve wordt verder in dit onderzoek het woord “trip” gebruikt wanneer men het heeft

over een set van coördinaten die aan de hand van de dataverwerking geëxtraheerd is uit de

ruwe GPS-data en gebruikt men het woord verplaatsing wanneer men doelt op een effectieve

verplaatsing.

5.1 Filteren en smoothing

Er zijn verschillende manieren om problemen, veroorzaakt door een aantal van de hierboven

beschreven GPS-fouten, te overwinnen. Zo kan men enkele filtermethoden en

smoothingtechnieken toepassen om fout geregistreerde records uit de dataset te verwijderen of

aan te passen (Schuessler & Axhausen, 2008). Terwijl de filtermethoden de door de

systematische fouten veroorzaakte problemen aanpakken, trachten de smoothingtechnieken,

zoals de Kalman filter3, de toevallige fouten in de dataset en daarmee de ruis te reduceren.

Welke technieken men moet en kan gebruiken hangt echter af van de beschikbare informatie

tijdens de studie. Zo kan een filter gebruik maken van het aantal zichtbare satellieten en de

PDOP-waarde als een behoorlijk betrouwbare maatstaf voor het bepalen van de systematische

fouten (Stopher et al. 2008). Toch is zulke informatie bij low cost -systemen veelal niet

voorhanden en moet men andere criteria vinden die op een betrouwbare manier onjuiste GPS-

records kan detecteren en verwijderen. Eén van deze maatregelen is bijvoorbeeld al de records

weg te laten met extreme hoogtewaarden. Zo zou men alle punten die in België zijn

geregistreerd en een hoogtewaarde hebben die buiten de reikwijdte van -50 meter tot 700

meter liggen kunnen schrappen.

De meest gebruikte regels bij filtertechnieken kunnen als volgt omschreven worden (Stopher

et al. 2008):

3 De Kalman filter is een rekenmethode, die het mogelijk maakt reeksen van meetgegevens van ruis te ontdoen.

Deze filter wordt vaak gebruikt in de navigatietoepassingen om de meest waarschijnlijke “exacte” positie of

koers te bepalen. (http://calypso.inesc-id.pt, 29 juli 2010)

26

- Alle punten met te weinig (minder dan vier) zichtbare satellieten en/of een te grote

PDOP-waarde, worden verwijderd.

- Alle punten waarvoor geen beweging wordt geregistreerd, worden eveneens uit de

dataset verwijderd.

- Tijdens de conversie naar een werkbaar formaat worden alle velden, zoals

bijvoorbeeld de hoogtewaarde, overlopen en wordt gekeken naar realistische waarden

aan de hand van drempelwaarde. Records waarvan sommige waarden de

drempelwaarde overstijgen, worden verwijderd.

- Alle punten die zich buiten een voorgedefinieerde regio bevinden, worden eveneens

als verdacht aanzien en worden ook verwijderd.

Andere identificatietechnieken voor het bepalen van onjuiste GPS-records maken gebruik van

snelheid en versnelling. Wanneer geen snelheid via een Doppler-meting beschikbaar is, moet

deze samen met de acceleratie bepaald worden uit het temporele verschil tussen de

opeenvolgende GPS-punten. Daarom zijn de berekende snelheid en drie dimensionale

versnelling afhankelijk van de ontwikkelde smoothingtechnieken. Het is om die reden dat de

filtermethode slechts na de smoothingtechnieken toegepast wordt. Zo zullen punten waarvan

de snelheid verspringt als gevolg van toevallige fouten of feitelijke gedrag niet worden

verwijderd (Schuessler & Axhausen, 2009).

In deze studie worden twee verschillende filtermethoden uitgewerkt. In de eerste methode

worden alle records verwijderd waarvoor geen beweging wordt geregistreerd. Hierbij moet

men rekening houden met het fenomeen van de schijnbare bewegingen. Zo kan het

voorkomen dat er een snelheid geregistreerd wordt, hoewel de effectieve snelheid van het

object nul bedraagt. Dat heeft ondermeer te maken met de nauwkeurigheid van plaatsbepaling

van de gebruikte toestellen (Stopher et al. 2008). De meeste real-time GPS-ontvangers halen

in ideale omstandigheden een nauwkeurigheid van +/- 8m, waardoor het mogelijk wordt dat

het object schijnbaar beweegt in een straal van deze nauwkeurigheid.

Om deze reden is het beter dat men de drempelwaarde voor het bewegen van een object niet

vastlegt op nul kilometer per uur, maar eerder op 3 kilometer per uur. Op die manier wordt

een groot deel van die problemen geëlimineerd en blijft het risico op verlies van een te voet

afgelegde verplaatsing eerder laag. Sommige toestellen laten de gebruiker toe deze

27

drempelwaarde in het apparaat zelf vast te leggen, wat er voor zorgt dat een grote hoeveelheid

onnodige records niet wordt geregistreerd (Du & Aultman-Hall, 2007; Stopher et al., 2008).

Een box ter grootte van 10 records overloopt alle records opgenomen in de databank. Hierbij

schuift de box telkens één record verder opschuift. Als de box meer dan 5 records bevat

waarvan de snelheid groter is dan 3 kilometer per uur, worden de 10 records in kwestie in een

nieuwe databank bijgehouden. Zo worden in onderstaande tabel de eerste 10 records in een

nieuwe databank opgenomen. De tweede reeks records haalt de drempelwaarde van minimum

6 records niet en wordt bijgevolg niet opgenomen. Op deze manier wordt enkel record 11

voorlopig niet opgenomen, aangezien de overige negen van de tweede reeks al zijn

opgenomen door de eerste reeks. Dit neemt niet weg dat record 11 niet meer in de databank

kan opgenomen worden. Wanneer de reeks die bestaat uit record 11 tot record 20 meer dan 5

bewegende records bevat, zal record 11 alsnog worden opgenomen in de nieuwe databank.

Door het uitvoeren van deze methode wordt het aantal GPS-records in de databank al tot een

vierde terug gebracht naar 250000.

Tabel 1: GPS-records in beweging (Bron: Eigen onderzoek)

Naast de schijnbare beweging gecreëerd door de onnauwkeurigheid van de GPS-toestellen,

vinden we, zoals afgebeeld in figuur 4, ook veel grotere verplaatsingen waar van het object

Nr Date Time Lat Lon Alt Speed Course Distance

1 10/9/2009 15:07:35 51.05606 3.738691 6.39 5724 159 0

2 10/9/2009 15:07:56 51.05609 3.738988 -3.75 4176 103 21.02 3 10/9/2009 15:08:10 51.05611 3.739427 -3.02 4428 82 30.76 4 10/9/2009 15:08:23 51.0561 3.739609 -6.76 0 85 12.74 5 10/9/2009 15:08:37 51.05609 3.739886 -8.62 3348 86 19.44 6 10/9/2009 15:08:50 51.05612 3.740163 -8.58 6084 61 19.66 7 10/9/2009 15:09:05 51.05607 3.740489 6.14 10836 34 23.35 8 10/9/2009 15:09:24 51.05606 3.740353 -32.72 0 172 9.58 9 10/9/2009 15:09:50 51.05592 3.740526 -32.16 0 256 19.54

10 10/9/2009 15:10:06 51.05581 3.740653 -34.82 0 191 15.84 11 10/9/2009 15:10:20 51.05573 3.740515 18.21 2160 43 12.82 12 10/9/2009 15:10:37 51.05635 3.740518 -37.03 0 21 68.72 13 10/9/2009 15:10:54 51.05654 3.74051 -154.86 0 167 21.25 14 10/9/2009 15:11:13 51.05594 3.740642 -30.3 0 233 66.8 15 10/9/2009 15:11:32 51.05554 3.740504 14.45 7895 206 46.06 16 10/9/2009 15:11:48 51.05559 3.740906 27.11 5076 33 28.64 17 10/9/2009 15:12:05 51.05555 3.740628 15.61 3700 285 19.82

28

dat zich desondanks toch in rust bevindt. Deze grote uitschieters zijn te wijten aan het

multipath-effect. Hoewel de persoon zich in een gebouw bevindt, kan er toch in sommige

gevallen connectie ontstaan met minstens 4 satellieten. De records die op zulke wijze

geregistreerd zijn, zijn dermate onderheven aan het multipath-effect dat ze voor grote

uitschieters zorgen zoals voorgesteld in onderstaande figuur. Hoewel men zich op zulke

momenten niet verplaatst, blijkt de snelheid en de afgelegde afstand niet nul te zijn.

Figuur 4: Gevolgen van multipath effect

Bron: Eigen verwerking

Om reeds zoveel mogelijk van deze uitschieters of spikes uit de dataset te elimineren wordt

een tweede filtermethode opgebouwd. Deze methode gaat ervan uit dat het verschil in koers

van drie opeenvolgende punten de waarde van 180 graden niet mag benaderen. Wanneer dit

wel het geval is, wordt de record in kwestie uit de globale lijst verwijderd. Op deze manier

werd het aantal resterende records teruggebracht tot ongeveer de helft.

Het resultaat van beide filtermethode is goed waarneembaar in onderstaande figuur 5. De

records die niet of nauwelijks bewegen zijn uit de databank verwijderd, zoals waar te nemen

bovenaan de figuur, waarbij de rode lijn de ruwe data voorstelt en de blauwe lijn de gefilterde

29

data. De twee grote sprongen tijdens deze verplaatsing, te wijten aan het multipath-effect,

worden eveneens weggewerkt door de tweede filtermethode.

Figuur 5: Resultaat van het toepassen van de twee filtermethoden

Bron: Eigen verwerking

5.2 Coördinatentransformatie

In een volgende fase worden de overgebleven coördinaten automatisch getransformeerd van

WGS84 naar Lambert 72/50. De transformatie is om verschillende redenen essentieel. Zo zijn

de meeste GIS-data van Vlaanderen in de Lambert 72/50 projectie aangevoerd. GIS-data

kunnen als achtergrondlaag dienen om zo‟n ruimtelijk referentie te vormen. Ze worden ook

gebruikt bij de map-matching en bij het bepalen van de modus. Bovendien is zo‟n

transformatie ook nuttig bij het bepalen van de globale parameters van een trip. Het is daarbij

veel eenvoudiger om met een metrisch stelsel te werken dan met een gradenstelsel.

Het transformeren van de geodetische coördinaten φ, λ, , of cartesische coördinaten x, y, z

van een punt P, gedefinieerd ten opzichte van een bepaalde datum, naar een willekeurige

30

andere coördinatenstelsel gebeurt aan de hand van een 3D-gelijkvormigheidstransformatie

ook wel Bursa-Wolf transformatie genoemd (Drewes, 2006). Deze transformatie die zowel

een translatie, rotatie als schaalaanpassing omvat transformeert de cartesische coördinaten x,

y, z, gedefinieerd ten opzichte van de eerste datum, naar de overeenkomstige cartesische

coördinaten x‟, y‟, z‟ ten opzichte van de tweede datum. De transformatie wordt bepaald door

zeven parameters:

• drie translatieparameters (dX, dY, dZ);

• drie rotatieparameters (εx, εy, εz);

• één schaalparameter (schaalfactor k = 1 + δ).

Om GPS-coördinaten, gedefinieerd ten opzichte van WGS84, om te zetten in Lambert 72/50

is het bijgevolg noodzakelijk om, voorafgaand aan de toepassing van de formules van de

Lambert projectie, de geodetische φ, λ en coördinaten of de geocentrische x, y, z

coördinaten in WGS84 naar de Belgian Datum 72 (BD72) te transformeren. Om dit mogelijk

te maken is het noodzakelijk dat de zeven parameters voor de Bursa-Wolf transformatie of de

drie parameters voor de Molodensky-transformatie, die de relatie tussen de twee datums

beschrijven, zo nauwkeurig mogelijk bepaald worden.

De voorlopige nationaal toepasbare Bursa-Wolf parameters om de transformatie van WGS84

naar BD72 en vice versa uit te voeren zijn beschikbaar op de website van het Agentschap

voor geografische informatie Vlaanderen (www.agiv.be, 24 juli 2010). Ze werden bepaald op

basis van de relatie tussen GPS-coördinaten en BD72-coördinaten voor een beperkte set van

geodetische punten aan de hand van de kleinste kwadraten benadering. De fout, eigen aan de

transformatie, wordt geschat op gemiddeld enkele decimeter tot maximaal 1 meter aan de

landsgrenzen. Voor nauwkeurig topografisch werk is deze benadering echter onvoldoende.

Op de site van het NGI worden ook nationaal toepasbare Molodensky-parameters

gepubliceerd. Deze hebben een vergelijkbare nauwkeurigheid (Canters, 2002).

De Belgische topografische kaartreeksen zijn gebaseerd op een snijdende conforme conische

projectie. Als referentieoppervlak werd geopteerd voor de Internationale ellipsoïde van

Hayford (1924), welke gekenmerkt is door volgende parameters:

a = 6378388 m

f = 1/ 297

31

De standaardparallellen van de projectie zijn als volgt gedefinieerd:

= 49°50‟

= 51°10‟

Het nationaal geodetisch net werd sinds 1945 tweemaal vereffend, nl. in 1950 en in 1972.

Voor de definitie van de Lambert 72 coördinaten, welke gebaseerd zijn op de resultaten van

de laatste vereffening, loopt de centrale meridiaan van de projectie door het fundamenteel

punt van het geodetisch net (binnen het Koninklijk Observatorium van België). De lengte van

deze centrale meridiaan, welke samenvalt met de y-as van het coördinaatsysteem is:

= 4°21‟24”983E

Om ervoor te zorgen dat de Lambert-coördinaten voor heel België positieve waarden hebben,

wordt gebruik gemaakt van een valse oorsprong die respectievelijk 150km ten westen en

5400km ten zuiden van de werkelijke oorsprong (top van de kegel) gelegen is. De Lambert 72

coördinaten worden dus uiteindelijk als volgt gedefinieerd:

= 150000m + rsin

= 5400000m – rcos

Met r en als transformatieparameters van een kegelprojectie.

r = C(

= n

In deze formules zijn n de kegelconstante en C de integratieconstante. De theoretisch correcte

waarden van deze parameters kunnen bepaald worden op basis van de standaardparallelen van

de conforme conische Lambert 72/50 projectie.

n = 0.7716421928

C = 11565915.812935

In de formules van de transformatieparameters geldt:

= met = (90° - )

32

Waarbij e de excentriciteitsfactor is en als volgt bepaald kan worden:

e = met b = ( 1-f )a

De Belgische topografische kaartreeksen zijn echter niet rechtstreeks op de Lambert 72

coördinaten gebaseerd. Om een zo goed mogelijke aansluiting te bekomen met de eerdere

Lambert 50 coördinaten, die gebaseerd waren op de (minder nauwkeurige) vereffening van

1950, en op een Lambert projectie met een andere keuze voor de centrale meridiaan, wordt op

het Lambert 72 coördinaatstelsel een bijkomende translatie en rotatie toegepast. Het resultaat

hiervan zijn de zogenaamde Lambert 72/50 coördinaten, die we op de kaart terugvinden.

De overgang van Lambert 72 naar Lambert 72/50 coördinaten is als volgt gedefinieerd:

= 149256.456m + X‟cos + Y‟sin

= 165373.012m – X‟sin + Y‟cos

waarbij:

X‟ = - 150000m

Y‟ = - 165284.52m

= 29”.2984

De transformatie zorgt ervoor dat het fundamenteel punt van Ukkel na uitvoering van de

transformatie zijn oorspronkelijke Lambert 50 coördinaten bekomt, en dat de oriëntatie van

het gradennet identiek is aan de oriëntatie van het Lambert 50 referentiestelsel, waarbij de

centrale meridiaan (y-as van de projectie) door de oude sterrenwacht van Brussel liep ( =

4°22‟04‟‟71) (De Maeyer et al., 2004).

Om de globale berekeningstijd van het programma zo klein mogelijk te houden, wordt de

transformatie pas in tweede instantie uitgevoerd, nadat het grootste deel van de GPS-records

reeds door de filters uit de databank is verwijderd.

33

5.3 Detectie van trips en activiteiten

Vervolgens moet de databank met de gefilterde en getransformeerde GPS-punten opgedeeld

worden in trips. Aangezien het GPS-punten betreft die persoonsgebonden en dus op een

continue wijze verzameld zijn, zal het GPS-apparaat heel de dag registreren zolang er contact

gemaakt kan worden met het vereiste aantal satellieten. Daarom moet er een gepast criterium

gevonden worden waarbij men telkens een trip kan onderscheiden. Het meest aanvaarde

criterium is dat van de dwelltime. Wanneer tussen twee opeenvolgende trips een voldoende

groot tijdsverschil aanwezig is, kan men deze als twee afzonderlijke trips beschouwen. In de

literatuur worden verschillende waarden aan dat tijdsverschil gekoppeld, lopend tussen de 45

en 300 seconden, hoewel de meeste studies spreken van 120 seconden (Stopher et al., 2003;

Du & Aultman-Hall, 2007; Schuessler & Axhausen, 2009).

In deze studie wordt er voor een tijdsverschil van 180 seconden gekozen. Dat is een grotere

waarde dan het meest gebruikte, maar op die manier wordt de kans kleiner dat effectieve

verplaatsingen door bijvoorbeeld een tijdelijk verlies van signaal in meerdere trips worden

opgedeeld, wat tot verkeerde begin- en eindpunten van de activiteiten kan leiden. Vanaf dit

moment wordt de data niet meer per record bijgehouden, maar per trip.

Onderstaande figuren illustreren hoe opeenvolgende GPS-records opgesplitst worden in twee

afzonderlijke trips, een blauwe en een rode.

34

a) b)

Figuur 6: Extraheren van trips uit de gefilterde data. (a) ruwe data, (b) twee

geëxtraheerde trips

Bron: Eigen verwerking

Om het systeem zo passief mogelijk te houden worden zoveel mogelijk parameters van de

trips bepaald uit de ruwe GPS-data en wordt er zo weinig mogelijk beroep gedaan op de input

van de deelnemers zelf. Vanaf nu worden telkens de verschillende parameters waaruit een trip

bestaat berekend en aangepast. Een trip bestaat uit een tripnummer, een lijst van GPS-records,

een maximale snelheid, een gemiddelde snelheid, de afstand, de duur, de persoon die de trip

aflegde en de transportmodus.

5.4 Modus van een trip

Het bepalen van de modus van de verschillende trips blijft nog één van de belangrijkste

onderwerpen bij persoonsgebonden GPS-studies. Deze cruciale stap maakt zulke studies

geschikt voor grootschalige toepassingen. Toch zijn er de laatste jaren eerder weinig

publicaties verschenen omtrent dit thema (Schuessler & Axhausen, 2009).

De meest gebruikte en de eenvoudigste manier voor het bepalen van de modus maken gebruik

van de traditionele attributen van de trips zoals maximale snelheid, gemiddelde snelheid en

35

versnelling (Upadhyay et al. 2008). Aangezien het interval tussen opeenvolgende records rond

de dertig seconde bedraagt, is het vrijwel onmogelijk om zinvolle informatie te putten uit de

versnelling. Hiervoor zou het tijdsinterval naar minimaal twee seconden moeten worden

teruggebracht (Troped et al. 2008).

Toch ondervindt men tal van problemen bij een automatische modusdetectie. In sommige

gevallen is het moeilijk een fietser te onderscheiden van iemand die de bus neemt, aangezien

de geregistreerde data gelijkaardige attributen vertoont. Een bus in een stad behaalt niet al te

hoge maximale snelheden en zijn gemiddelde snelheid kan in sommige gevallen, bijvoorbeeld

in volle spits, zelfs lager liggen dan die van een fietser. Ook auto‟s die zich op de snelweg

bevinden en treinen hebben gelijkaardige attributen en zijn dus moeilijk van elkaar te

onderscheiden. Wandeltrips daarentegen zijn wel eenvoudig te onderscheiden van andere

modi.

Gezien de grote gelijkenissen tussen de attributen van sommige modi, betrekt men in vele

gevallen GIS-data. Op die manier wordt het mogelijk de trips aan de hand van een matching-

algoritme aan de GIS-data te koppelen en zo de gepaste modus van een trip te bepalen. Zo

wordt in dit onderzoek gebruik gemaakt van het Belgische spoornetwerk om treinritten van

autoritten te onderscheiden. Op dezelfde manier zouden de verschillende bushaltes ook voor

een onderscheid tussen bussen en auto‟s kunnen zorgen. Toch moet men bij deze

detectietechnieken gebaseerd op specifieke GIS-data rekening houden met de ouderdom van

de gegevens en de dikwijls grote kost van de gegevens. Vandaar bepalen vele onderzoekers

andere technieken bepalen die onafhankelijk zijn van GIS.

Upadhay et al. (2008) maken gebruik van een probabiliteitsmatrix waarbij het gewicht afhangt

van volgende factoren: twee gemiddelde snelheden van de trip (berekend door de afgelegde

afstand te delen door de verstreken tijd en het gemiddelde van alle snelheden), de maximum

snelheid behaald tijdens een trip, de meest geregistreerde snelheid tijdens de trip, de afstand

van de trip en de nabijheid van bepaalde netwerkelementen zoals busstops en treinstations. Zo

zal een wandeltrip een hoge wegingsfactor bekomen als zijn gemiddelde snelheid lager is dan

zes kilometer per uur en met een maximumsnelheid die de grens van tien kilometer per uur

niet overschrijdt. Op die manier krijgen alle verschillende trips een bepaald gewicht

toegewezen.

36

Een andere frequente techniek voor het bepalen van de modus maakt gebruik van

acceleratiegegevens. Troped et al. (2008) bestuderen de meerwaarde van de toevoeging van

GPS-gegevens bij de acceleratiegegevens. Volgens de studie levert een combinatie van een

GPS samen met een accelerometer bevredigende resultaten op, waarbij de modus van meer

dan 93% van de activiteiten correct voorspeld wordt.

In deze studie wordt er enkel gebruik gemaakt van ruwe GPS-data en wordt er bijgevolg in

eerste instantie gekozen voor een equivalent van de probabiliteitsmatrix. Deze techniek laat

toe de wandeltrips en de fietstrips van alle andere trips te onderscheiden. Hierbij wordt er

geen gebruik gemaakt van de afstand afgelegd tijdens een trip. In vele gevallen verschillen de

afstand afgelegd te voet of met te fiets niet fundamenteel. Daarom wordt er slechts met de

overige traditionele parameters rekening gehouden:

- Voet: beide gemiddelde snelheden liggen rond 5 kilometer per uur, met een deviatie

van 2 kilometer per. Het aantal snelheden dat 10 kilometer per uur overschrijdt mag

bovendien niet groter zijn dan een tiende van alle snelheden.

- Fiets: beide gemiddelde snelheden liggen rond de 17 kilometer per uur, met een

deviatie van 5 kilometer per. Het aantal snelheden dat de 35 kilometer per uur

overschrijdt mag bovendien niet groter zijn dan een tiende van alle snelheden.

- Alle andere modi (auto, bus en trein)

In tweede instantie wordt er een onderscheid gemaakt tussen auto/bus en trein en dit aan de

hand van een matching met sporennetwerk. Er wordt hierbij gebruik gemaakt van de

NAVTEQ-data (Navstreets native vector, 2007). Voor elk punt van een trip, waarvan de

modus niet gelijk is aan voet of fiets, wordt de loodrechte afstand tot een lijnsegment van het

sporennetwerk bepaald. Twee voorwaarden moeten voldaan zijn vooraleer een punt van een

trip samenvalt met het sporennetwerk. Ten eerste moet het punt gelegen zijn tussen de uiterste

lengtewaarden of breedtewaarden van een bepaald lijnsegment van het sporennetwerk. Ten

tweede moet de loodrechte afstand tot het lijnsegment in kwestie minder dan 250 meter

bedragen.

In onderstaande figuur bevindt het punt van de trip zich tussen de uiterste breedtewaarden van

een spoorsegment, aangegeven door de grijze stippellijn. Als bovendien de loodrechte afstand

tot dat spoorsegment, gekenmerkt door de groene lijn, kleiner is dan 250 meter, dan valt het

37

punt van de trip samen met het spoorsegment. Wanneer bovendien meer dan 75 % van alle

punten samenvallen met het sporennetwerk, spreekt men van een treinrit, zoals voorgesteld in

onderstaande figuur. Op die manier sluit men andere trips die slechts gedeeltelijk langs het

sporennetwerk lopen uit .

a) b)

Figuur 7: Linken van een trip aan een spoornetwerk. (a) twee voorwaarden, (b) meer

dan 75% van de punten valt samen

Bron: Eigen onderzoek

5.5 Splitsen van samengestelde trips

In deze studie wordt rekening gehouden met het feit dat een trip uit verschillende modi kan

bestaan, een zogenaamde samengestelde trip. Er wordt getracht zulke trips te splitsen tot

afzonderlijke trips met een eigen kenmerkende modus. De verschillende modi worden

geëxtraheerd door gebruik te maken van het criterium dat tussen de verschillende trips een

voldoende grote periode moet zitten waarbij de snelheid nul kilometer per uur benadert of er

bij elke modusverandering een wandeltrip noodzakelijk is, zoals bij Schuessler & Axhausen

(2009). Op die manier wordt elke trip in verschillende stages gesegmenteerd aan de hand van

punten waarbij de modus verandert van wandelen naar een andere modus, of omgekeerd, de

zogenaamde modusveranderingspunten.

38

Zo kan het bijvoorbeeld voorkomen dat je van de trein bent afgestapt en na 5 minuten

wandelen meteen een bus neemt. Men is met andere woorden in constante beweging, zonder

een pauze te nemen die groter is dan de vooropgestelde dwelltime van 3 minuten. Deze

situatie wordt weergegeven in onderstaande tabel, waar de grijze periode een deel van een

treintrip voorstelt, de blauwe een wandeltrip en de rode een deel van een bustrip.

39

Tabel 2: Splitsen van samengestelde trips (Bron: Eigen onderzoek)

NR Datum Tijd Breedte Lengte Snelheid Koers Afstand

… … … … … … … … 1674 5/7/2010 13:47:34 51.1985 4.38874 91584 125 2046.34 1675 5/7/2010 13:47:49 51.19661 4.393061 87120 125 367.37 1676 5/7/2010 13:48:06 51.19474 4.397287 67176 129 360.42 1677 5/7/2010 13:48:20 51.19306 4.400285 49176 118 280.11 1678 5/7/2010 13:48:33 51.19257 4.402261 34020 118 148.17 1679 5/7/2010 13:48:48 51.19223 4.404023 36396 108 128.61 1680 5/7/2010 13:49:04 51.19214 4.406251 41112 93 155.59 1681 5/7/2010 13:49:27 51.19196 4.410259 34812 82 280.01 1682 5/7/2010 13:49:50 51.19186 4.413763 34956 94 244.44 1683 5/7/2010 13:50:06 51.19181 4.415487 31788 103 120.26 1684 5/7/2010 13:50:21 51.19166 4.41722 28620 110 121.9 1685 5/7/2010 13:50:37 51.19159 4.418033 0 152 57.17

1686 5/7/2010 13:50:52 51.21803 4.420257 2664 32 1501.88

1687 5/7/2010 13:51:06 51.21779 4.420662 0 294 39.14 1688 5/7/2010 13:51:20 51.21803 4.420424 6516 288 32.17 1689 5/7/2010 13:51:43 51.21797 4.419796 10440 319 44.33 1690 5/7/2010 13:52:00 51.21788 4.41976 11376 314 10.1 1691 5/7/2010 13:52:14 51.21809 4.419111 6948 299 50.88 1692 5/7/2010 13:52:32 51.218 4.419009 12924 319 12.09 1693 5/7/2010 13:52:47 51.21823 4.418789 9036 302 29.72 1694 5/7/2010 13:53:02 51.21826 4.418237 10584 310 38.56 1695 5/7/2010 13:53:17 51.21851 4.417533 7524 352 56.64 1696 5/7/2010 13:53:31 51.21904 4.417239 5940 22 62.07 1697 5/7/2010 13:53:47 51.21937 4.417598 9072 99 44.59 1698 5/7/2010 13:54:02 51.21927 4.41829 6346 307 49.64 1699 5/7/2010 13:54:16 51.21953 4.417423 5433 71 67.29 1700 5/7/2010 13:54:46 51.2302 4.413504 6588 325 8.01

1701 5/7/2010 13:55:21 51.23128 4.412991 2345 12 125.61

1702 5/7/2010 13:55:37 51.23171 4.414114 29844 62 91.54 1703 5/7/2010 13:55:52 51.23129 4.419959 59112 112 409.69 1704 5/7/2010 13:56:06 51.23139 4.420893 1908 83 66.03 1705 5/7/2010 13:56:20 51.23123 4.421325 828 54 34.95 1706 5/7/2010 13:56:43 51.23132 4.421414 15768 104 11.58 1707 5/7/2010 13:57:00 51.2331 4.421891 47916 356 200.8 1708 5/7/2010 13:57:14 51.2341 4.422626 13752 15 122.41 1709 5/7/2010 13:57:32 51.23449 4.422432 54684 322 45.31 1710 5/7/2010 13:57:47 51.23483 4.423403 38232 74 77.62 1711 5/7/2010 13:58:02 51.23474 4.423528 60804 318 13.1 … … … … … … … …

Sommige auteurs overwegen een bijkomend criteria waarbij trips gesplitst kunnen worden aan

de hand van koersveranderingen van ongeveer 180 graden (Du & Aultman-Hall, 2007).

40

Wanneer een persoon louter iemand komt ophalen of afzetten, zal dit met de vooropgestelde

methode niet resulteren in twee afzonderlijke trips. Het criteria van de koersveranderingen

maakt het segmenteren van deze trips wel mogelijk. Toch is deze denkpiste nog in geen enkel

data processing algoritme geïmplementeerd. Een implementatie in het hier vooropgestelde

algoritme zou onmogelijk zijn, aangezien opeenvolgende punten met een koerswijziging die

de 180 graden benaderen uit de databank verwijderd worden om multipath-effecten te

elimineren.

Nadat de samengestelde trips gesplitst zijn worden de begin- en eindpunten van de trip

bepaald. Er wordt een methode opgesteld die bepaalt of de trip in het begin of op het einde

geen overbodige record bevat. Records waarbij de snelheid onder de drempelwaarde liggen

van drie kilometer per uur worden om die reden uit de lijst van een trip geweerd.

De laatste twee methodes gaan respectievelijk de bruikbaarheid en de geldigheid van de

geëxtraheerde trips na. De eerste methode bekijkt of de trips in kwestie voldoende records

bevatten. Wanneer de lijst minder dan 7 records bevat, wordt de trip uit de databank

verwijderd. In deze studie worden immers enkel de trips die langer duren dan de

vooropgestelde dwelltime van 3 minuten opgenomen in de databank, om op deze manier de

schijnbare bewegingen zoveel mogelijk buiten beschouwing te laten. Als een trip minder dan

7 records bevat en toch een grotere duur heeft van 3 minuten wil dit zeggen dat het

trackingsinterval hoger ligt dan 30 seconden. Hoe hoger de duur van de trip is, des te hoger

het interval des te minder nauwkeurig de afgelegde route in beeld wordt gebracht. Zeker voor

kleine trips wordt de interpretatie in deze situatie uiterst moeilijk tot onmogelijk.

De laatste methode bekijkt of de geëxtraheerde trips wel effectief een verplaatsing inhouden.

Als een te groot aantal records van de trip zich situeren rond de gemiddelde x- en y-waarde

van de trip, wordt zulke trip als een schijnbare beweging beschouwd en wordt bijgevolg uit de

databank verwijderd. De trip die afgebeeld wordt in figuur X, zou op aan de hand van deze

methode niet meer in rekening worden gebracht.

41

5.6 Mapmatching

Map-matching kan omschreven worden als het proces dat een correspondentie tracht te

vinden tussen een ruimtelijk gerelateerd punt of een sequentie van zulke punten, bijvoorbeeld

verkregen door een GPS-apparaat, en een bepaald digitaal netwerk (Stopher et al., 2008). Op

deze manier wordt het mogelijk de verschillende attributen van het digitale netwerk te linken

met de eigen inputdata, wat voor vele toepassingen, zoals deze, voor een zeer beduidende

meerwaarde kan zorgen. Omwille van de onnauwkeurige en “noisy” inputdata, zoals

hierboven aangehaald, maar ook door de onnauwkeurige en onvolledige digitale netwerken,

blijft map-matching een moeilijke en delicate zaak met verregaande gevolgen voor bepaalde

toepassingen. Daarom is een correct werkend map-matching algoritme onontbeerlijk.

In het kader van deze studie wordt er gezocht naar een offline map-matchingalgoritme. Een

offline algoritme onderscheidt zich van een online algoritme door het feit dat deze eerst

kennis heeft over zowel de gepasseerde als de „toekomstige‟ punten, terwijl een online

algoritme zich enkel kan baseren op de punten die reeds gepasseerd zijn. Hoewel men zou

denken dat een online-algoritme veel meer functionaliteit bevat, geeft zo‟n algoritme

gebaseerd op een offline dataset een zwak resultaat (Schuessler &Axhausen, 2009).

Aangezien er momenteel geen kant en klaar map-matchingalgoritme ter beschikking is en het

maken van zo‟n algoritme een uiterst complexe zaak is, wordt deze essentiële stap

overgeslagen. Op deze manier wordt het bepalen van de ruimtelijke resultaten een zaak van

visuele interpretatie in plaats van een loutere bevraging. Toch wordt er in deze studie een

vereenvoudigd map-matchingalgoritme gebruikt om de modus van treinritten te

onderscheiden van de autoritten. Het algoritme onderscheidt zich van de normale algoritmes

door gebruik te maken van een zeer beperkt netwerk, waardoor het gebruik van eenvoudige

voorwaarden om trips te matchen mogelijk wordt.

42

6. RESULTATEN

In dit deel worden eerst de resultaten van de dataverwerving en de dataverwerking besproken.

Vervolgens worden de globale resultaten in het kader van verplaatsingsgedrag uiteengezet.

6.1 Analyse van de techniek

Om de kwaliteit van de trips, geëxtraheerd door de automatische dataverwerking, te testen

aan de in de realiteit effectief afgelegde verplaatsingen en dus de waarde van GPS als

registratietechniek van menselijk verplaatsingsgedrag te evalueren, werd een bijkomend

onderzoek opgestart. Het onderzoek moet meer informatie bieden omtrent de kwaliteit van de

dataverwerking, de bekwaamheid van de deelnemers en over de mogelijkheden van een GPS-

logger als sensorapparaat. Daar waar een analyse via het vooropgestelde onderzoek

onmogelijk blijkt, worden de verdere resultaten visueel geïnterpreteerd en besproken.

6.1.1 Bijkomend Onderzoek

De deelnemers worden gedurende een bepaalde tijd getrackt. Daarbij worden ze belast met

het registeren van elke verplaatsing van minimaal drie minuten door het begin- en eindtijdstip,

datum en de modus te noteren. Vervolgens worden de geëxtraheerde trips vergeleken met de

genoteerde verplaatsingen.

6.1.1.1 Methodiek

De vergelijking tussen de trips en genoteerde verplaatsing gebeurt aan de hand van een

bijkomend programmaatje. Het resultatenrapport van het programmaatje geeft informatie over

het aantal trips die overeenkomen met de verplaatsingen. Men spreekt over een

overeenkomstige trip wanneer datum en deelnemer van zowel de trip als de verplaatsing

identiek zijn en het verschil in uur kleiner is dan de lengte van de verplaatsing. Zoals in

onderstaand uittreksel kan het voorkomen dat voor één verplaatsing verschillende trips

overeenkomen. Door bijvoorbeeld een tijdelijk verlies van het signaal kan een deel van de

verplaatsing niet getrackt worden en wordt de verplaatsing opgedeeld in twee verschillende

trips.

43

De duur van deze overeenkomstige trips wordt vervolgens vergeleken met de duur van de

verplaatsing. Deze verhouding geeft informatie over percentage van een verplaatsing dat

effectief geregistreerd wordt. Vervolgens wordt er een gemiddelde van de verhoudingen per

modus berekend. De grootte van deze verhoudingen hangt af van drie factoren. Ten eerste kan

het voorkomen dat de initialisatieperiode te weinig gerespecteerd wordt, waardoor het begin

van een verplaatsing niet geregistreerd wordt. Dit heeft bij kleine verplaatsingen een groot

effect. Een tweede oorzaak ligt bij het signaalverlies. De verhoudingen op het platteland

zouden om die reden hoger moeten liggen dan in de steden. Ten derde kan het voorkomen dat

de deelnemers hun logger op een verkeerde manier met zich mee vervoeren waardoor slechts

een gedeelte of geen data wordt verzameld. Ten slotte kan een verkeerd begin- en of

eindtijdstip bepaald worden tijdens de automatische dataverwerking.

Verder wordt de modus van de overeenkomstige trips vergeleken met het effectieve

vervoersmiddel.

Tabel 3: Voorbeeld van een rapport van het vergelijkingsprogramma (Bron: Eigen

onderzoek)

22 NR Datum Uur Modus Dn Lengte Trip

Verplaatsing 22 2010/04/23 15u31 (15.516) trein 1 0.9000000000000021

Trip 6 2010/04/23 15:30:26 (15.507) trein 1 0.0633333333335031 …

=>verhouding: 0.07037037037055884

Trip 7 2010/04/23 15:51:43 (15.862) trein 1 0.4013888888889596 …

=>verhouding: 0.4459876543210652

107 NR Datum Uur Modus Dn Lengte Trip

Verplaatsing 107 2010/05/13 11u47 (11.78) fiets 1 0.13333333333333286

no match

Het resultatenrapport biedt verder ook informatie over het aantal verplaatsingen waarvoor

geen overeenkomstige trip bestaat. Hier liggen hoofdzakelijk drie oorzaken aan de basis. Ten

eerste kunnen er geen of veel te weinig records worden geregistreerd. Deelnemers kunnen

bijvoorbeeld het GPS-apparaat vergeten tijdens het verplaatsen. Het toestel kan niet

opgeladen zijn of per ongeluk uitgeschakeld worden door een verkeerde beweging. Wanneer

ze toch een werkend toestel toch bij zich dragen kunnen ze het op een verkeerde wijze

vervoeren waardoor slechts een gedeelte of helemaal niets geregistreerd wordt. Een tweede

44

oorzaak ligt bij de dataverwerking. Hoewel een verplaatsing voor een groot deel geregistreerd

wordt, is het mogelijk dat deze toch niet herkend kan worden tijdens de dataverwerking en

wordt er bijgevolg verkeerdelijk geen trip geëxtraheerd. Ten slotte kan de verplaatsing wel

geregistreerd zijn, maar wordt deze tijdens de dataverwerking samen bij een andere trip

gevoegd. De methode die instaat voor het splitsen van samengestelde trips werkt niet naar

behoren. Deze drie verschillende oorzaken worden telkens onderzocht.

Ten slotte geeft het rapport ook nog de trips mee die met geen enkele verplaatsing

overeenkomen. Hiervoor zijn slechts twee verklaringen mogelijk. Hoewel men een

verplaatsing maakt, kan het voorkomen dat de verplaatsing niet genoteerd wordt. De andere

verklaring ligt in het verkeerdelijk registeren van een trip door de dataverwerking, hoewel er

helemaal geen sprake is van een verplaatsing. Om deze fouten uit elkaar te halen, worden de

trips in kwestie gevisualiseerd. Aan de hand van een visuele interpretatie wordt bepaald of de

trip al dan niet verkeerdelijk door de dataverwerking geregistreerd is.

6.1.1.2 Resultaten

Aangezien dit onderzoek behoorlijk wat medewerking vraagt, werden de deelnemers

zorgvuldig uitgekozen. Twee verschillende soorten deelnemers werden voor deze opdracht

aangesteld. De eerste groep bestaat uitsluitend uit de uitvoerder van dit werk en werd

gedurende anderhalve maand getrackt. De tweede groep bestaat. uit acht verschillende

mensen en werd gedurende één week getrackt. De eerste groep onderscheidt zich van de

tweede door de vertrouwdheid met, en kennis omtrent de mogelijkheden van de GPS-logger.

Op deze manier kon het GPS-apparaat telkens op een zo optimale wijze worden vervoerd. De

resultaten van de twee groepen worden afzonderlijk besproken.

Groep 1

Een deel van het resultatenrapport van groep 1 wordt in onderstaande tabel voorgesteld. Het

volledig rapport kan men raadplegen in bijlage 3

45

Tabel 4: Resultaten van de dataverwerking van groep 1 (Bron: Eigen onderzoek)

Aantal verplaatsingen: 174

Aantal verplaatsingen waarvoor wel een match bestaat: 123 (71%)

Verplaatsingen waarvoor geen match bestaat 51

0 2010/04/14 19u12 (19.200) voet 1 0.10000000000000142

0 2010/04/14 20u55 (20.917) fiets 1 0.06666666666666643

…

0 2010/05/18 21u29 (21.483) fiets 1 0.05000000000000071

Aantal trips: 146

Aantal gematchte trips: 134

Niet gematchte trips : 11

4 2010/04/15 10:03:00 (10.050) fiets 1 0.12388888888835937 …

22 2010/04/25 20:49:32 (20.825) voet 1 0.0749999999998181 …

…

140 2010/05/16 21:08:43 (21.145) fiets 1 0.26611111111105856 …

verhouding voet: 0.7715009582330505 1 op 24 foute modus

verhouding fiets: 0.7800935732714801 3 op 78 foute modus

verhouding trein: 0.8022480147871489 0 op 6 foute modus

verhouding Auto/bus: 0.8318211315974152 0 op 10 foute modus

Er zijn 51 verplaatsingen waarvoor geen match bestaat. Na controle in de ruwe GPS-data

blijkt dat voor 32 verplaatsingen geen of nauwelijks data geregistreerd is, voor 4

verplaatsingen een “splitsingsfout” optreedt en dat voor 15 verplaatsingen, hoewel de data

aanwezig is, verkeerdelijk geen trip wordt geregistreerd. Uit deze gegevens blijkt dat 9% van

de verplaatsingen niet wordt herkend tijdens de automatische dataverwerking en dat 2% wel

wordt herkend, maar niet als afzonderlijke trip. Men kan bijgevolg besluiten dat de

dataverwerking voor 89% voldoet in het herkennen van trips in ruwe GPS-data. Aangezien er

bijkomend 32 verplaatsingen niet worden geregistreerd door een verkeerd gebruik van de

GPS-logger, is er in werkelijkheid slechts voor 71% van alle verplaatsingen een

overeenkomstige trip.

Deze verplaatsingen worden voor gemiddeld 80% geregistreerd, waarbij er geen significant

verschil is qua modus. Het is zeer moeilijk te achterhalen welke van de drie factoren hier in

dit geval het zwaarste doorwegen. Vermoedelijk speelt de factor van signaalverlies en die van

de initialisatieperiode de grootste rol. Bijgevolg kan men zeggen dan 57% van alle

verplaatsingen geregistreerd werd tijdens de anderhalve maand. Als men uitgaat van een

volledig passief systeem, zou men, als men veronderstelt dat deze groep geen fouten maakt

46

tegen het verkeerdelijk dragen van de logger, aan de hand van de vooropgestelde

dataverwerking een resultaat kunnen behalen tussen 71% en 75%. Verder blijkt uit de

resultaten dat er slechts voor 5% van de overeenkomstige trips een foute modus gegeneerd

wordt.

Er zijn 11 trips die niet overeenkomen met één of andere verplaatsing. Na visualisatie van

deze trips bleken slechts 2 verkeerdelijk als trip geëxtraheerd te zijn. De overige trips bleken

allen verplaatsingen te zijn die men vergeten te noteren was, wat ongeveer overeenkomt met

6% van alle trips.

Groep 2

Een deel van het resultatenrapport van groep 2 wordt in onderstaande tabel voorgesteld

Tabel 5: Resultaten van groep 2 (Bron: Eigen onderzoek)

Aantal verplaatsingen: 155

Aantal verplaatsingen waarvoor wel een match bestaat: 77 (50%)

Verplaatsingen waarvoor geen match bestaat 78

0 2010/05/04 11u25 (11.417) auto 1 0.10000000000000142

0 2010/05/04 15u55 (20.917) voet 1 0.40000000000000036

…

0 2010/05/31 11u29 (11.483) fiets 1 0. 12388888888835937

Aantal trips: 81

Aantal gematchte trips: 73

Niet gematchte trips : 8

8 2010/05/8 21:55:06 (21.918) fiets 1 0.04194444444465262 …

33 2010/05/11 08:43:04 (8.718) fiets 1 0.030833333332793703 …

…

54 2010/05/18 11:50:23 (11.840) voet 1 0.05277777777746451 …

Verhoudingen

verhouding voet: 0.6551791515793137

verhouding fiets: 0.6590344269031252

verhouding trein: 0.7022480147871489

verhouding Auto/bus: 0.6118211315974152

47

Van de 155 afgelegde verplaatsingen, zijn er slechts 77 die aan een trip gelinkt kunnen

worden. In de ruwe data ziet men dat er voor maar liefst 62 verplaatsingen geen of nauwelijks

data kan terug gevonden worden. Van de overblijvende verplaatsingen zijn er 13 die ten

onrechte als geen trip worden aanzien en 3 waarvoor een “splitsingsfout” optreedt. Dat komt

neer op respectievelijk 8% en 2% van alle verplaatsingen. Toch werd het grootste deel van de

verplaatsingen, ongeveer 40%, niet geregistreerd omwille van het verkeerd gebruik van de

logger. Bijgevolg wordt er globaal genomen slechts voor 50% van de verplaatsingen een

passende trip voorzien.

Deze overgebleven verplaatsingen worden voor ongeveer 65% geregistreerd, waarbij er ook

hier geen significant verschil is qua modus. De zwaarst doorwegende factor is

hoogstwaarschijnlijk het verkeerd dragen van de logger. Alles in acht genomen kan men

concluderen dat de verplaatsingen van de tweede groep voor slechts 33% geregistreerd zijn.

Er zijn 8 trips die niet overeenkomen met één of andere verplaatsing. Na visualisatie van deze

trips bleek er slechts één verkeerdelijk als trip geëxtraheerd te zijn. De overige zeven trips

bleken allen verplaatsingen te zijn die men vergeten te noteren was, wat ongeveer

overeenkomt met 5% van alle trips.

6.1.1.3 Besluit

Er bestaat een groot verschil tussen de resultaten van de twee groepen. De totale registratie

van de verplaatsingen is bijna de helft minder in groep 2. De vertrouwdheid met het toestel

speelt hierbij een grote rol. Hoewel de deelnemers van groep 2 hun verplaatsingen noteren,

zijn ze op stap met geen logger of een logger waarvan de batterij leeg is. Dit heeft als gevolg

dat niets geregistreerd wordt. In een andere situatie kunnen ze het toestel wel bij zich hebben,

maar stoppen ze het te diep weg waardoor slechts flarden van de verplaatsing geregistreerd

wordt. Hierdoor kan er geen trip of een trip met een kleine verhouding ontstaan. Bij een

volledig passief systeem speelt de vertrouwdheid met het apparaat geen rol meer en zou men

niet over zulke verschillen tussen beide groepen kunnen spreken.

De dataverwerking zelf voldoet in beide gevallen voor ongeveer 90% in het bepalen van een

trip voor een zekere verplaatsing. Ongeveer 8% van alle trips wordt door de data processing

48

niet herkent als trip. 2% wordt verkeerdelijk als trip aanzien. Verder kan de automatische

dataverwerking nog een fout maken tegen een verkeerde begin- of eindpunt bepaling. Omdat

men de grootte van deze fout eerder laag inschat, komt men op een slagingspercentage van

ruim 85%. Als men bijgevolg over een volledige dataset zou beschikken, kunnen meer dan 85

van de 100 trips geëxtraheerd worden.

Het resultaat van de correcte modusdetectie is in beide groepen ongeveer gelijk. Men kan

stellen dat de modusdetectie in 95% van de gevallen een correct resultaat geeft.

6.1.2 Visuele interpretatie

De evaluatietechniek, zoals hierboven uiteengezet, laat een vergelijking van de ruimtelijke

component van de verplaatsing en overeenkomstige trip niet toe. Men kan bijvoorbeeld niet

controleren of de trips net dezelfde weg inhouden als de overeenkomstige verplaatsingen.

Deze controle wordt in deze studie louter visueel getoetst. De trips worden gevisualiseerd in

ArcMAP. Alle gefilterde GPS-records en de informatie over de trips worden geïmporteerd.

Aan de hand van de ET Geowizard 9.9, een set van zeer krachtige functies, kunnen de punten

geconverteerd worden naar de overeenkomstige trips in een nieuwe polyline shapefile. Aan

deze shapefile kan de informatie van de trips geassocieerd worden, waardoor de visualisatie

van de vier verschillende vervoerswijzen mogelijk wordt.

In onderstaande figuur 8 wordt een activiteit afgebeeld die van het zuiden naar het noorden

gaat. Enerzijds worden de GPS-records van de ruwe data in het rood gevisualiseerd en

anderzijds de gefilterde data in het blauw.

49

Tabel 6: Uittreksel van GPS-records van de trip

afgebeeld infiguur 8 (Bron: Eigen onderzoek)

Figuur 8: Verschil van de ruwe data en de geëxtraheerde data

Bron: Eigen verwerking

Zo is via de figuur duidelijk te zien dat tijdens de dataverwerking niet alle punten worden

opgenomen in de nieuwe databank. Toch zou men na een visuele interpretatie van de ruwe

data moeten concluderen dat de punten wel moeten worden opgenomen, aangezien de

dataverwerking geen methode bevat die de punten uit de nieuwe databank zou weren. Het

probleem ligt hier bij de tweede filtermethode die gebruik maakt van de koers van de

verschillende punten.

NR LON LAT COURSE KOERS DIST 1 193428.3 105553.2 57 45 320.83 2 193482.1 105566.6 333 20 55.46 3 193535.2 105560.8 27 355 53.41 4 193570.7 105572.1 1 25 37.26

5 193610.3 105560.8 170 345 41.14 6 193661.4 105551.8 168 350 51.79

7 193710.5 105552 345 1 49.15 8 193760.3 105538.1 335 344 51.62 9 193816 105522.6 348 343 57.82

10 193841.6 105506.8 344 343 30.08

11 193858.1 105516.5 12 29 19.1 12 193903.3 105490.4 353 341 52.08 13 193945.3 105491.5 339 8 42.04 14 193984.5 105474.6 350 339 42.62

15 194005 105456.8 297 320 27.1

16 194084.5 105444.8 119 351 80.3

17 194173.3 105434.3 329 352 89.44 18 194210.7 105423.5 337 347 38.85 19 194249.9 105403.3 68 104 44.08 20 194243 105473.8 55 45 70.6

50

De koers die gemaakt wordt tussen twee opeenvolgende punten, wordt bepaald aan de hand

van het doppler-meting waarmee ook de snelheid tussen opeenvolgende punten wordt

berekend. De koers, bepaald via een doppler-meting, verschilt in verscheidene situaties

fundamenteel met een zelf berekende koers tussen twee opeenvolgende punten, zoals

weergegeven in omcirkelde cellen van de bijhorende tabel 6. Het gaat om een verschil van

ongeveer 180 graden, wat net het criterium is waarvan de tweede filtermethode gebruikt

maakt om de multipath-effecten te elimineren.

In figuur 9 wordt een trip afgebeeld waarbij men op de aangegeven positie een koerswijziging

van ongeveer 180 graden verwacht. Toch vindt men deze wijziging niet terug in de bijhorende

tabel. Een doppler-meting is immers gebaseerd op frequentiewijzigingen en houdt geen

rekening met absolute plaats van de GPS-punten. Het is om die reden dat de aangevoerde

koers en de zelf berekende koers in sommige gevallen, zoals hier afgebeeld, kunnen

verschillen.

Figuur 9: Verschil tussen de gemeten koers en de werkelijke koers

Bron: Eigen verwerking

Dankzij deze bevindingen is het beter dat men naast de koers, berekend via het doppler-effect,

ook rekening houdt met de zelf bepaalde koers tussen opeenvolgende punten. Op deze manier

zal de filtermethode beter presteren.

51

Het is om deze reden dat vele trips, hoofdzakelijk de verplaatsingen te voet, ondanks het

toepassen van de tweede filtermethode, nog ontzettend veel “spikes” bevatten. Zoals te zien in

onderstaande figuur 10 kan men besluiten dat hoe lager de snelheid van een trip is, des te

meer deze onderheven is aan “spikes”. Deze sprongen zijn de gevolgen van het multipath-

effect en/of een wijziging van de ontvangen satellieten in positie of aantal.

Figuur 10: Verschil in aantal “spikes” afhankelijk van de modus

Bron: Eigen verwerking

In de figuur is duidelijk te zien dat de spikes bij de wandeltrip niet groter zijn dan 30 meter.

Als men daarbij nog bedenkt dat tijdens het wandelen, in tegenstelling tot andere activiteiten,

de grootste kans bestaat om zichzelf te draaien en te keren, kan men concluderen dat spikes

grotendeels een gevolg zijn van een wijziging in de satellietenconstellatie. Bij een lage

snelheid worden er meer punten geregistreerd en is de kans op zo‟n verspringing groter. Bij

alle andere trips kunnen er ook spikes voorkomen, maar deze zijn hoofdzakelijk de oorzaak

van het multipath-effect.

Verder valt er ook op te merken dat er weinig treinritten tussen de activiteiten zitten, slechts

42 van de 2802. Bij een nadere kijk blijken sommige treinritten, ongeveer een tiental, ten

onrechte als autoritten geklasseerd te zijn. Treinritten bevinden zich a priori in een

samengestelde trip. Zo moet je bijvoorbeeld bij het verlaten van het station in de meeste

gevallen nog enige afstand overbruggen vooraleer je een eindhalte bereikt. Aangezien de hier

52

vooropgestelde methode ervan uitgaat dat er tussen zulke activiteiten een verplaatsing te voet

aanwezig moet zijn, zullen samengestelde trips, die bestaan uit enkel een treinrit en een

autorit niet van elkaar worden gescheiden. Zo kan het bijvoorbeeld voorkomen dat je wordt

opgepikt aan het station, of je meteen na het uitstappen een taxi neemt. Een voorbeeld wordt

in onderstaande figuur 11 afgebeeld.

Figuur 11: Gevolg van het niet splitsen van een samengestelde trip

Bron: Eigen verwerking

In het voorbeeld wordt de lichtblauwe trip samengesteld uit een treinrit, een trip te voet en een

fietstrip. Aangezien de duur van de te voet afgelegde verplaatsing te klein is, wordt de

samengestelde trip niet gesplitst. Bij het bepalen van de modus wordt er vervolgens bekeken

of het al dan niet om een treinrit gaat. Minder dan 75 % van de punten valt samen met het

Belgische spoornetwerk, waardoor de trip als een auto/busrit wordt beschouwd. Merk hierbij

op dat het criterium geldt voor 75% van de punten in plaats van de afgelegde weg. In het

laatste geval zou de trip wel, maar toch ook gedeeltelijk verkeerd, als een treinrit aanzien

worden.

6.2 Analyse van de globale resultaten

Dit deel tracht voorbeelden te geven van enkele analysemogelijkheden van de bekomen data.

Aangezien er geen map-matching kon plaatsvinden, is een analyse met betrekking tot de

ruimtelijke component eerder moeilijk. Voor zulke analyse moet men zich beperken tot een

53

visuele interpretatie. Merk hierbij op dat de hieronder uitgewerkte voorbeelden slechts

exemplarisch zijn. Er kan immers nog veel meer informatie uit de gegevens gehaald worden,

maar dat is niet de essentie van dit onderzoek.

6.2.1 Tijdstippen van de verplaatsingen

In onderstaande frequentiegrafiek worden de begintijdstippen van de verschillende trips

afgebeeld. Het percentage van alle 2802 afgelegde trips wordt per uur weergegeven. Naast de

trips van de studenten worden ook de algemene gegevens van de dienst mobiliteit Vlaanderen

gebruikt om zo enige vergelijking te maken (http://www.mobielvlaanderen.be/ovg, 10

augustus 2010). Deze bron geeft geen gegevens weer van activiteiten die plaats vinden voor 8

uur ‟s morgens. Aan de hand van de opgestelde grafiek wordt het mogelijk te achterhalen

wanneer de studenten juist hun verplaatsingen maken en wat hen onderscheidt van de

algemene bevolking.

Zo kan men aflezen dat er tijdens de spitsuren, 8 uur ‟s morgens en 16-17 uur ‟s avonds,

ontzettend veel verplaatsingen worden geregistreerd, hoewel de avondspits van de studenten

toch eerder een uur later ligt dan de algemene avondspits die overigens meer aanwezig is.

Verder merken we op dat het grootst aantal verplaatsingen van de studenten tijdens de

middaguren 13u en 14u gebeuren. Vermoedelijk speelt hier, net zoals bij de latere

“avondspits”, het eind- en beginuur van de verschillende lessenblokken een grote rol. De

ochtendlessen beginnen veelal om 8u30 en eindigen om 12u45, om vervolgens om 14u30 de

lessen terug aan te vatten en te stoppen om 17u15 of 18u45.

54

Figuur 12: Verschil tussen de tijdstippen van de verplaatsingen afgelegd door de

studenten en door de algemene bevolking. Hierbij wordt het aantal verplaatsingen

procentueel afgebeeld

Bron: Eigen onderzoek, http://www.mobielvlaanderen.be/ovg, 10 augustus 2010

Verder valt het relatief grote aantal verplaatsingen van de studenten in de avond en zelfs in de

nacht op. Men kan zeggen dat de studenten na 21 uur dubbel zo actief zijn als de globale

Vlaming. Na een visuele interpretatie aan de hand van onderstaande figuren is te zien dat de

studenten vanaf 22u tot diep in de nacht zich hoofdzakelijk verplaatsen in de Overpoortstraat

en St-Pietersnieuwsstraat. Hierbij vormen de rode lijnen de trips die na 22 uur plaatsvinden.

55

Figuur 13: Locaties waarlangs de student zich na 22u hoofdzakelijk verplaatst

Bron: Eigen verwerking

Een laatste opmerking in verband met de tijd heeft te maken met de dagen waarop de trein

genomen wordt. Hoewel men zou denken dat studenten de trein hoofdzakelijk op vrijdag en

zondag nemen, blijkt uit de resultaten dat dit aandeel slechts uit 33% bestaat. Hieruit kan men

besluiten dat er veel niet-kotstudenten dagelijks hun verplaatsingen maken met de trein.

6.2.2 Vervoersmiddelen van de verplaatsingen

Uit de resultaten blijkt dat de fiets nog steeds het meest aantrekkelijke voertuig is bij de

studenten. Maar liefst 51% van alle verplaatsingen werd gedaan met de fiets. Daarnaast

werden respectievelijk 27% en 20% van de verplaatsingen gedaan te voet en met de auto of

bus. Tenslotte zijn de overige 2% goed voor de verplaatsingen per trein.

Verder wordt nagegaan welk vervoersmiddel de studenten gebruiken om een bepaalde afstand

te overbruggen. Uit de resultaten blijkt de gemiddelde afgelegde afstand met de auto of bus

12.1 km te bedragen. Toch kan men uit onderstaande grafiek concluderen dat de auto heel

vaak gebruikt wordt om kortere afstanden af te leggen. Deze bevinding wordt overigens

bevestigd aan de hand van het 25ste

en 50ste

percentiel wat respectievelijk een afstand van 4.1

56

en 7.7 km oplevert. Een mogelijke verklaring voor dit fenomeen is het veelvuldig gebruik van

het openbaar vervoer in de stad. Zulke verplaatsingen houden veelal geen grote afstanden in.

Figuur 14: Frequentiegrafiek van al de verplaatsingen met de auto of bus t.o.v. een

zekere afstand

Bron: Eigen onderzoek

De gemiddelde afstand, afgelegd per fiets, bedraagt ongeveer 2,1 km. Ook hier kan men uit

onderstaande grafiek aflezen dat de ritten tot 1,5 km de grote meerderheid vormen. Het 25ste

percentiel bedraagt 0,9 km, het 50ste

percentiel bedraagt 1,4 km en het 75ste

percentiel

bedraagt 3,5 km.

De gemiddelde afstand te voet is 800 meter, hoewel men uit de grafiek kan interpreteren dat

de meeste verplaatsingen slechts voor minder dan 600 meter zijn. Het 25ste

percentiel bedraagt

320 m, het 50ste

percentiel bedraagt 530 m en het 75ste

percentiel bedraagt 1000 m.

57

a) b)

Figuur 15: Frequentiegrafieken van de verplaatsingen van respectievelijk (a) fiets en (b)

voet t.o.v. een zekere afstand

Bron: Eigen onderzoek

Hieruit kan men besluiten dat een student in de meeste gevallen een verplaatsing te voet

overweegt als de afstand ervan niet groter is dan 1,0 km. Hij zal eerder voor de fiets kiezen als

de af te leggen afstand groter is dan deze kilometer, maar de 3,5 km niet overschrijdt.

Wanneer de afstand meer dan 4 km bedraagt, kiest de student voor een gemotoriseerde

verplaatsing. Merk hierbij op dat de conclusies enkel gebaseerd zijn op de afstand.

Vermoedelijk spelen er nog meer factoren mee, waaronder tijd.

6.2.3 Belangrijkste toegangswegen van en naar campus de Sterre

Om toch enige analyse te voeren in verband met de ruimtelijke component van de verzamelde

data, wordt onderzocht wat de belangrijkste toegangswegen zijn om de campus de Sterre, en

in het bijzonder de S8, te bereiken. Zoals hierboven aangehaald, kan men hiervoor slechts

beroep doen op een visuele interpretatie. Alle trips die een begin- of eindpunt hebben in een

zekere straal rond de campus worden geselecteerd, wat resulteert in 693 trips. Vervolgens

worden alle trips geselecteerd die langs een bepaalde toegangsweg lopen. Op deze manier

wordt het mogelijk de verplaatsingsstromen in kaart te brengen zoals wordt voorgesteld in

bijlage 2.

58

Het is niet te verwonderlijk dat zowel de Voskeslaan als de Krijgslaan de belangrijkste

toegangswegen vormen. Het aantal studenten dat de school bereikt via het zuiden en het

westen is behoorlijk klein, aangezien het station en de meeste studentenwoningen zich in het

noorden bevinden. Toch vindt men een vreemde situatie terug voor diegene die in de richting

van Overpoortstraat moeten. Het aantal studenten die heel de Krijgslaan afrijden is ongeveer

even groot als het aantal dat de Zwijnaardsesteenweg neemt. Enkele onder hen veranderen in

het midden van toegangsweg. Vermoedelijk maken de studenten in het heengaan meer

gebruik van de Zwijnaardsesteenweg omdat op dat ogenblik de verkeersituatie ter hoogte van

de Overpoortstraat gunstiger is dan bij het terugkomen. Van de studenten die de

Zwijnaardsesteenweg nemen is er slechts een kleine minderheid die vroegtijdig afslaat

richting Kortrijksesteenweg via Lucas de Heerestraat.

59

7. BESLUIT

Deze studie tracht het verplaatsingsgedrag van de Gentse studenten in kaart te brengen aan de

hand van een nieuw opgestelde registratiemethode die gebruik maakt van GPS. Hierbij wordt

GPS aanzien als een sensorapparaat dat in staat is menselijke activiteit te registreren in de

vorm van spatio-temporele data. Tevens wordt onderzocht wat de waarde is van GPS als

sensortechniek voor het registeren van die menselijke activiteit. De opbouw van deze studie

weerspiegelt de verscheidene fases waarin het onderzoek verliep.

Tijdens de data-aquisitie werden 123 Gentse studenten aan de faculteit Wetenschappen

gedurende twee weken geregistreerd aan de hand van deze methode. Dit resulteerde in

1000000 GPS-records. Mede omdat een deelname niet vergoed werd, verliep de zoektocht

naar geschikte kandidaten soms moeizaam. Van de geselecteerde studenten varieerde de

participatiegraad erg sterk. Al in de eerste fase werd duidelijk dat de hinderpalen bij een

eventuele deelname tot een minimum beperkt moesten worden door de methode zo passief

mogelijk te houden. Om deze reden is er snel van het idee afgestapt om de deelnemers het

toestel zelf te laten uitlezen en de data te uploaden. Dankzij deze ingreep in de procedure

steeg het aantal binnenkomende gegevens fundamenteel.

De actieve bijdrage van de kandidaten tot de procedure bestaat enkel nog uit het dagelijks

opladen van de batterij, het vervoeren van de GPS op een zichtbare plaats en het terugbrengen

van de GPS. Een langere levensduur van de batterij en de ontwikkeling van een systeem

waarbij de medewerkers de loggers als een horloge rond de pols dragen, kunnen de

performantie en de participatiegraad van eventuele toekomstige experimenten aanzienlijk

optimaliseren.

Gezien de verzamelde data sterk onderhevig zijn aan talrijke externe fenomenen, zoals het

multipath-effect, blokkade van het satellietsignaal, een tekort aan satellieten tijdens de

initialisatieperiode,…, is een ver doorgevoerde dataverwerking noodzakelijk om enige

waardevolle informatie uit de ruwe dataset te halen. Een voor dit onderzoek ontwikkelde

JAVA-applicatie extraheerde ongeveer 85% van de geregistreerde verplaatsingen, waarbij in

95% van de gevallen de correcte modus bepaald werd. Daarbij liet de methode die instaat

voor het splitsen van samengestelde trips niet geheel foutloos te werken.

60

Hoewel dit resultaat in eerste instantie bevredigend is, blijkt de ruimtelijke component van de

trips ten opzichte van die van de verplaatsingen grote afwijkingen te vertonen. Tijdens de

verwerking werden vele toevallige fouten te wijten aan het multipath-effect genegeerd, wat tot

grote “spikes” leidt. Hierbij speelden de aangevoerde koers en de snelheid van de GPS-

records een grote rol. Deze attributen worden immers bepaald via een doppler-meting, die

tijdens de berekeningen geen rekening houdt met de absolute plaats van de GPS-punten. De

aangevoerde koers en snelheid kunnen bijgevolg verschillen van de zelf berekende attributen.

Daarom lijkt een methode, die rekening houdt met beide waarden in combinatie met een

passend smoothingalgoritme aangewezen.

Uit de verwerkte gegevens werd het verplaatsingsgedrag van de Gentse studenten afgeleid.

Hierbij springen enkele zaken in het oog. Zo is de fiets nog steeds het populairste

vervoersmiddel bij de student. Meer dan 50% van de verplaatsingen wordt met de fiets

afgelegd. Hoewel deze verplaatsingen hoofdzakelijk overdag plaatsvinden, zijn de studenten

na 21 uur dubbel zo actief als de globale Vlaming. Men kan ze op die momenten

hoofdzakelijk terug vinden in de Overpoortstraat en St-Pietersnieuwstraat. Verder blijken de

Krijgslaan en de Voskeslaan de belangrijkste toegangswegen om de campus Sterre te

bereiken.

Men kan besluiten dat GPS als sensorsysteem in combinatie met een ver doorgevoerde

dataverwerking uiterst geschikt is voor het registreren van menselijk verplaatsingsgedrag.

Hoewel men erg veel informatie kan puren uit de verwerkte gegevens, is een zeer grondige

ruimtelijke analyse onmogelijk zonder de toepassing van een map-matchingalgoritme. Met

het oog op toekomstig onderzoek is het gebruik van zo‟n algoritme samen met een nog

passievere registratiemethode dan ook aanbevolen.

61

8. REFERENTIE

Artikels

Bradley, N.A., Dunlop, M.D. (2005) “An experimental investigation into wayfinding

directions for visually impaired people”. Personal and Ubiquitous Computing. 9(6), 395-403.

Canters, F. (2002) “Kaartprojecties en kaartafbeeldingen”

Chung, E.H., Shalaby, A. (2005) “A trip bases reconstruction tool for GPS-based personal

travel surveys”. Transportation Planning and Technology. 28 (5) 381–401.

De Maeyer, P., De Vliegher,B. M., Brondeel, M. (2004) De spiegel van de wereld.

Fundamenten van de cartografie. Gent: Academia Press.

De Maeyer, P. (2010) GI-Management: management van en met geografische informatie.

Gent: Academia Press.

De Mol, J. (1991) “Hoe doen ze het ? En hoe dikwijls ? Enquête verplaatsingsgedrag Gentse

studenten”. Verkeersspecialist, Diegem, Kluwer Editorial. 58, 16-21.

Drewes, H. (2006) Geodetic reference frames. Munich: Springer.

Du, J., Aultman-Hall, L. (2007) “Increasing the accuracy of trip rate information from passive

multi-day GPS travel datasets: Automatic trip end identification issues”. Transportation

Research. Part A 41, 220-232.

Duncan, M. J., Mummery, W.K., Dascombe, B. J. (2007) “Utility of global positioning

system to measure active transport in urban areas”. Medicine & Science in Sports &Exercise.

39(9), 1851-1857.

Duncan, M.J., Badland, H.M., & Mummery, W.K. (2008) “Aplying GPS to enhance of

transport-related physical activity”. Journal of Sciense and Medicine in Sport. 12, 549-556.

Eissfeller, B., Ameres, G., Kropp, V., Sanroma, D. (2007) “Performance of GPS, GLONASS

and Galileo”. In: Dieter Fritsch (Ed.) Photogrammetric Week ’07. Heidelberg: Wichmann,

pp.185-199.

Elgethun, K., Yost, M.G., Fitzpatrick, C.T.E., Nyerges, T.L., Fenske, R.A. (2007)

“Comparison of global positioning system (GPS) tracking and parent-report diaries to

characterize childeren‟s time-locations patterns”. Journal of Exposure Science and

Environmental Epidemiology. 17, 196-206.

Flamm, M., Kaufmann, V. (2007) “Combining person based GPS tracking and prompted

recall interviews for a comprehensive investigation of travel behaviour adaptation processes

62

during life course transitions” paper voorgesteld op the 11th World Conference on

Transportation Research, Berkeley.

Goodchild, M.F., Anselin, L., Appelbaum, P., Herr-Harthorn, B. (2000) “Towards spatially

integrated social science”. International Regional Science Review. 23(2), 139-159.

Himpe, W. (Te Verschijnen) “Combining heterogeneous sensor information for the activity

tracking of smart phone users”.

Jun, J., Guensler, R., Ogle, J. (2007) “Smoothing methods to minimize impact of Global

Positioning System random error on travel distance, speed, and acceleration profile

estimates”. Transportation Research Record. 1972, 141–150.

Kobayashi, T. (Te Verschijnen) “An Interactive Visualization Tool for Mobile Objects”.

Landau, R., Auslander, G.K., Werner, S., Shoval, N., & Heinik, J. (2010) “Families‟ and

Professional Caregivers‟ Views of using advanced technology to track people with dementia”.

Qualitive Health Research. 20(3), 409-419.

Le Faucher, A., Abraham, P., Jaquinandi, V., Bouye, P., Saumet, J. L., Noury-Desvaux, B.

(2007) “Study of human outdoor walking with low-cost GPS and simple spreadsheet

analysis”. Medicine & Science in Sport & Exercise. 39(9), 1570-1578.

Maddison, R., Ni Mhurchu, C., (2009) “Global positioning system: a new opportunity in

physical activity measurement”. International Journal of Behavioral Nutrition and Physical

Activity. 6(73), 1479-1494.

Michael, Y., McGregor, E.M., Allen, J., Fickas, S. (2008) “Observing outdour activity using

global positioning system-enabled cell phones” Lecture Notes in Computer Science. 5120,

177-184.

Rainham, D., Krewski, D., McDowell, I., Sawanda, M., Liekens, B. (2008) “Development of

a wearable global positioning system for place and health research”. International Journal of

Health Geographics. 7(59).

Schuessler, N., Axhausen, K.W. (2009) “Processing raw data from global positioning systems

without additional information”. Transportation Research Record: Journal of the

Transportation Research Board. 2015, 28-36.

Shoval, N., Isaacson, M. (2006) “Application of tracking technologies to the study of

pedestrian spatial behavior”. The professional Geographer. 58(2), 172-183.

Stopher, P., Bulluck, P., Jiang, Q. (2003) “Visualizing trips and travel characteristics from

GPS data”. Road & Transportation Research. 12, 3-14.

Stopher, P., FitzGerald, C., Zhung, J. (2008) “Search for a global positiong system device to

measure person travel”. Transportation Research. Part C 16, 350-369.

63

Szalai, A. (1972) The use of time: Daily activities of urban and suburban populations in

twelve countries. The Hague and Paris: Mouton.

Troped, P.J., Oliveire, M.S., Matthews, C.E., Cromley, E.K., Melly, S.J., Craig, B.A. (2008)

“Prediction of activity mode whith global positioning system and accelerometer data”.

Medicine & Science in Sport & Exercise.40(5), 972-978.

Upadhyay, D., Schuessler, N., Axhausen, K.W., Flamm, M., Kaufmann, V. (Te Verschijnen)

“Optimal parameter values for GPS post-processing: An experiment”.

Van de Weghe, N. (2010) “Samengestelde cursus Geografische Informatie Wetenschap

(GIW)”

Van der Spek, S., van Schaick, J., de Bois, P., de Haan, R. (2009) “Sensing human activity:

GPS tracking”. Sensors. 9, 3033-3055.

Websites

http://www.agiv.be/gis/downloads/flepos/trfset32.pdf, 24 juli 2010

http://calypso.inesc-id.pt/FCUL/psm/docs/kalman-dan-simon.pdf, 29 juli 2010

http://www.mobielvlaanderen.be/ovg, 1 augustus 2010

http://www.trackstick.com, 3 augustus 2010

http://www.garmin.be/nl/prod.asp?refNR=GPIREC0100065821, 7 augustus 2010

http://www.i-gotu.com/, 7 augustus 2010

http://julien.cayzac.name/code/gps/pictures/gps-multipath-nightmare.png, 9 augustus 2010

http://www.geocaching.be, 10 augustus 2010

http://www.rfidnederland.nl, 10 augustus 2010

Software

Microsoft Office Word 2007

Microsoft Office Excel 2007

Microsoft Office Access 2007

64

ArcGIS 9.3.1

ET Geowizard 9.9

65

BIJLAGE

Bijlage 1: Verplaatsingsgedrag van de Gentse studenten

66

Bijlage 2: Verplaatsingsstromen van en naar campus S8

67

Bijlage 3: Rapport van vergelijkingsprogramma

Zie hiervoor naar het bestand, gesitueerd op volgende plaats:

Thesis_WardVanHal\Vergelijkingsrapport groep1.docx

Bijlage 4: Programma dataverwerking

Zie hiervoor naar de map, gesitueerd op volgende plaats:

Thesis_WardVanHal\Programma_dataverwerking