Geographen verwenden big data, um vorherzusagen, wie die Steigung wirkt sich auf die menschliche Reise-Preise

Geographen verwenden big data, um vorherzusagen, wie die Steigung wirkt sich auf die menschliche Reise-Preise

2019-04-05

Haben Sie schon einmal auf einem Bürgersteig machen ziemlich gute Zeit, dann drücken Sie auf einem Hügel und verlangsamt Weg nach unten? Wenn ja, hast du erfahren, wie die Steigung betrifft Reise-Preisen. Für die meisten von uns, zu verstehen, wie slope-Steilheit Auswirkungen auf unsere Geschwindigkeit ist eine Frage der fitness. Für andere, wie die wildland Feuerwehrleute Rückzug von der Feuer-Linie zu einer Sicherheitszone, die Vorhersagen, wie lange es dauert, sich zu bewegen über Gelände kann eine Frage von Leben und Tod.

Löschmannschaften, Stadtplaner und search-and-rescue-teams sind nur einige der vielen Gruppen, kann mit Hilfe von mathematischen Modellen voraussagen, wie sich die Steigung betrifft Reise-Preisen. Die bestehenden Modelle haben zwei große Probleme. Sie sind auf datasets mit sehr kleinen sample-Größen und Sie ignorieren, wie unterschiedlich die Menschen bewegen sich durch Ihre Umgebung gehen und laufen bis die gleiche Steigung ergibt sehr unterschiedliche Reise-Preisen.

Ein team von Geographen entwickelt eine Reihe von Modellen, die stark Vorhersagen, wie Gelände-Gefälle wirkt sich auf die menschliche Reise-Preisen. Über eine massive, Crowdsourcing-fitness-tracking-Datenbank, die Geografen analysiert die GPS-Daten von fast 30.000 Menschen, die rund um Salt Lake City, Utah. Die Personen, gewandert, gejoggt, und lief eine kombinierte 81,000 Meilen, das entspricht mehr als drei Reisen um die Erde den äquator. Die resultierenden Modelle sind die ersten zu Konto Variabilität in der Reise-raten zwischen langsam, Mittel und schnell voran.

„Dies wird unser Verständnis revolutionieren, wie Gelände betrifft Fußgänger-Bewegung“, sagte Michael Campbell, assistant professor am Fort Lewis College und führen Autor der Studie. „Von einem Feuerwehrmann Perspektive, unter normalen Bedingungen ein Feuer-Team und haben ausreichend Zeit für die Wanderung zu einer Sicherheitszone zu erhalten, aber wenn die sh*t trifft den fan, sind Sie gehen zu müssen, sprint, um dorthin zu gelangen. Wir haben versucht, die Einführung von predictive Flexibilität, die imitieren können unter einer Reihe von Bedingungen, die man vielleicht brauchen, um bei der Schätzung der Reisen, Preise und Zeiten.“

Das Papier online veröffentlicht am 3. April 2019, in der Zeitschrift Angewandte Geographie.

Big data

Die Forscher leveraged Crowdsourcing-Daten von Strava, ein social-fitness-Anwendung, die verfolgt, Radfahrer, Läufer, Wanderer und Schwimmer anhand der GPS-Daten über die Nutzer von Mobiltelefonen und anderen GPS-fähigen Geräten. Strava Metro ist ein Programm, welches große Mengen von aggregierten, anonymen GPS-Daten zu Entitäten, wie lokale und regionale Regierungen um Hilfe bei der Transportplanung. Datum, Strava Metro-Kooperationen sind in Erster Linie ging es um Radfahren und laufen Daten im urbanen Umfeld. Die Geographen sind einige der ersten Wander -, Lauf-und jogging-Daten aus Tätigkeiten, die über die Wege, und die ersten sind, die Nutzung von big data zur Schätzung der Beziehung zwischen Hang-und Reise-Preise auf Wanderwegen. Die Geographen bewertet Hang mit lidar, die verwendet Laserpulse zu Messen, Topographie innerhalb von ein paar Zentimeter. Frühere Studien stützten sich auf viel gröbere Schätzungen zu bestimmen, wie Hang Auswirkungen Reise-Preisen.

„Die Berechnung, wie schnell sich die Menschen bewegen sich durch die Umwelt ist ein problem, mehr als ein Jahrhundert alt. Daten von einer so großen Anzahl von Menschen zu bewegen, verschiedene Geschwindigkeiten erlaubt uns, viel mehr fortgeschrittene Modelle, als das, was getan worden ist vor,“ sagte Philip Dennison, ein professor in der Abteilung für Geographie an der University of Utah und ein Autor auf der Studie. „Jede Anwendung, die Schätzungen, wie schnell die Menschen gehen, joggen oder laufen von Punkt A zu Punkt B kann nutzen aus dieser Arbeit.“

Steph Hannon, der chief product officer von Strava, Hinzugefügt, „Dieses ist eine faszinierende Anwendung der Strava Metro-Datensatz, die außerhalb der städtischen Mobilität und Infrastruktur Planung, und wir sind begeistert über die lebensrettenden Auswirkungen dieser Studie. Ich bin froh, dass unsere Daten Erkenntnisse unterstützen die Arbeit, schützt die Feuerwehrleute, während Sie hart arbeiten, um den rest von uns.“

Die am meisten verbreitete Modell zur Schätzung Reise-Preise von Hang ist Tobler ‚ s hiking function. 1993, Geograph Waldo Tobler passt eine mathematische Funktion, um eine Zahl, zusammengefasst empirische Daten gesammelt, die in den 1950er Jahren, vor dem Zeitalter von GPS. Menschen Tobler ‚ s hiking Funktion zur Schätzung der evakuierungszeiten für tsunamis, die vermisste person suchen und retten und wildland firefighter Fluchtwege. Die nächste am häufigsten verwendete Funktion, genannt Naismith Regel gibt es schon seit 1892. Ein schottischer Bergsteiger, ging auf eine Wanderung, dann schreibt ein Eintrag in der Scottish Journal of Mountaineering. Basierend auf seiner persönlichen Erfahrung, die er schrieb, man solle budget von drei Stunden für alle drei horizontalen Meilen gereist, und fügen Sie eine Stunde für alle 2.000 Höhenmeter aufgestiegen.

„Hunderte von Menschen sind mit diesen slope-Reise-rate-Funktionen basierend auf einer zufälligen schottischen Kumpel aus den 1890er Jahren und einigen Daten aus den 1950er-Jahren“, sagte Campbell. „Wir wollten es besser machen.“

Im Jahr 2017, Campbell, Dennison und andere experimentell gemessene Steigung und die Reise-Tarife für 37 Menschen, die die größte experimentelle dataset, bis Irmischer und Clarke aufgenommen Reise-Tarife mit 200 Personen im Jahr 2018. Die neue Studie Daten genutzt, aufgezeichnet zwischen Juli 1, 2016 und 30. Juni 2017 von fast 30.000 Personen auf insgesamt fast 1,1 Millionen Datenpunkte. Die riesige Menge von Daten erlaubt, die Geographen zu entwickeln, die flexible Funktionen in einem Spektrum von Fahrgeschwindigkeiten, aus der langsamste Wanderer in der 1. Perzentile für die schnellsten Läufer in der 99th percentile.

Nach den Ergebnissen der Studie, ein langsamer Spaziergang auf einem Ebenen, 1 Meile (1,6 km) Wanderweg, dauert etwa 33 Minuten, im Durchschnitt, in der Erwägung, dass das gleiche Maß an Anstrengung auf eine steile, 30-Grad-Steigung dauert etwa 97 Minuten. Am anderen Ende des Spektrums, für einen schnellen Lauf auf einer flachen, 1-Meile Strecke dauert etwa sechs Minuten, im Vergleich zu 13 Minuten bis eine 30-Grad-Steigung. Die Menschen bewegen sich am schnellsten auf eine leicht bergab, Steigung und Reisen-Preise wurden schneller bergab als bergauf Bewegung. Zum Beispiel, zu Fuß auf einem steilen Hang von 30 Grad wurde in der gleichen Geschwindigkeit wie zu Fuß bis eine Steigung von 16 Grad.

Tuning big data, um die Feuerwehr

Die Daten haben einige Einschränkungen. Weil es Crowdsourcing, die Daten sind chaotisch. Und durch dessen Anonymität, die Forscher nicht wissen, über das einzelne Läufer. Wenn Sie Informationen über jede person, die fitness-level Sie sich entwickeln könnten differenziertere Funktionen zur Vorhersage von Reisezeiten.

Starrte diesen Monat, die Geographen gelten Ihre neuen Modelle zu wildland Feuerwehrleute. Während Ihres Trainingslagers im Frühling, fast ein Dutzend Feuerwehrleute in Utah, Idaho, Colorado und Kalifornien wird die Nutzung von GPS-Tracker zur Aufzeichnung Ihrer Bewegungen und melden Sie Ihr Reise-Preisen. Dies wird Ihnen erlauben, besser zu verstehen, die Reise-Tarife der einzigartigen Feuerwehr-Bevölkerung, die oft durchqueren unwegsamen Gelände, arbeite lange Stunden, und mit schweren packs.

„Wir müssen herausfinden, wo Feuerwehrleute fit entlang dieses Spektrums von big data“, sagte Campbell. „Und das sagt die Feuerwehr, dass wir voraussagen können, wie lange es dauern wird, sich in Sicherheit zu bringen-Zonen mit Daten aus einer vielfältigen Bevölkerung von Strava-Nutzer ist nicht so überzeugend wie die Daten, die die Feuerwehrleute selbst. Alles, was wir tun können, verbessert die Reise-rate-Schätzungen für die Feuerwehr wird eine zusätzliche Sicherheit durch Rand-und hoffentlich Leben retten.“

Die folgenden Personen zur Verfügung gestellt die Finanzierung für diese Forschung: die USDA Forest Service National Fire Plan durch das Amt der Forschung und der National Wildfire Coordinating Group Feuer Verhalten Unterausschuss, Kooperationen 15CR11221637105, 18JV11221637153, und 18JV11221637154. Diese Arbeit wurde unterstützt von der National Science Foundation, grant number DEB-1714972.