أكثر

الرجوع إلى مجموعة بيانات المعالم في قاعدة البيانات الجغرافية للملف باستخدام ArcPy؟

الرجوع إلى مجموعة بيانات المعالم في قاعدة البيانات الجغرافية للملف باستخدام ArcPy؟


أحاول تطوير برنامج نصي Arcpy والذي سيتكرر في النهاية عبر عدد من فئات البيانات النقطية والميزات المخزنة في قاعدة البيانات الجغرافية للملف. أرغب في تصدير الإسناد المكاني لهذه السمات مع أسمائها إلى ملف csv. تمكنت من القيام بذلك لمجموعات البيانات النقطية ، لكنني أعاني من فئات الميزات.

يتم تخزين جميع البيانات النقطية مباشرة في قاعدة البيانات الجغرافية ، لذلك ليس لدي مشكلة في الرجوع إليها. يتم تخزين جميع فئات الميزات في 3 مجموعات بيانات مميزة. للإشارة إلى هذه FCs ، قمت بتعيين env.workspace للإشارة إلى مجموعة بيانات الميزة ذات الصلة ، والتي تعمل بشكل جيد. أرغب في العثور على طريقة للإشارة إلى جميع Fcs الخاصة بي مرة واحدة ، شيء مثل:

arcpy.env.workspace = "…  Name.gdb" fcList = arcpy.ListFeatureClasses ("*"، "polygon"، *** InFeatureDatasets ***) outFilePTH = r '…  output.csv'

يمكنك الحصول على قائمة بالمجموعات المميزة باستخدام امتداد ListDatasets وظيفة ، ثم قم بالتكرار خلال تلك القائمة للوصول إلى الفئات المميزة داخل كل مجموعة مميزة. من المستندات:

datasetList = arcpy.ListDatasets ("C *"، "Feature") لمجموعة البيانات في datasetList: print dataset

الرجوع إلى مجموعة بيانات المعالم في قاعدة البيانات الجغرافية للملف باستخدام ArcPy؟ - نظم المعلومات الجغرافية

يسعى برنامجنا البحثي إلى فهم سلوك القيادة بين كبار السن ، لا سيما أنه يحدث على أساس يومي عندما يسافر الناس في بيئاتهم الخاصة. ومع ذلك ، فإن تقييم سلوك القيادة لدى كبار السن يحدث إلى حد كبير من خلال المنهجيات التي تستخدم ظروفًا خاضعة للرقابة مثل الاختبارات على الطريق وأجهزة محاكاة القيادة ، وبدرجة أقل ، التقرير الذاتي واليوميات 1 & ​​# x2013 4. لتلبية احتياجاتنا البحثية بشكل أفضل ، استكشفنا منهجيات أحدث لدراسة سلوك القيادة الطبيعي طوليًا ، بطريقة فعالة من حيث التكلفة وغير مزعجة 5.

تتيح التطورات التكنولوجية الحديثة في أنظمة تحديد المواقع العالمية (GPS) وتقنيات أنظمة المعلومات الجغرافية (GIS) تقييم سلوك القيادة في البيئات الفعلية التي يقود فيها الأفراد 6. تعد أجهزة GPS الحديثة داخل السيارة غير مزعجة وتوفر عادةً بيانات عن التاريخ والوقت والسرعة وخط الطول وخط العرض فيما يتعلق بمكان قيادة السيارة 7 ، 8. تعد أجهزة GPS / GIS داخل السيارة منهجية ناشئة تستخدم لفهم القيادة في الموقع بشكل أفضل ومقارنة الاختلافات بين التقرير الذاتي للسائق وبيانات GPS التي تم الحصول عليها من السيارة 9. نتيجة لذلك ، تسعى أبحاث القيادة الطبيعية التي تستخدم هذه المنهجية إلى فهم سلوك القيادة من خلال تحليل البيانات المستمرة والموضوعية التي يتم جمعها بواسطة الأجهزة الموجودة داخل السيارة لتحديد أنماط وتأثير العوامل الشخصية والزمنية والبيئية 7 ، 10.

أدى تطور مجال القيادة الطبيعية وانتشار الأجهزة المخصصة والتجارية على الرف (COTS) داخل السيارة إلى العديد من النتائج المختلفة وتقنيات تحليل نظم المعلومات الجغرافية 8 ، 11. ومع ذلك ، فإن بعض التحديات تصاحب استخدام بيانات GPS ، بما في ذلك المعالجة اللاحقة المكثفة لأحجام كبيرة من البيانات ، والتباين مع الجوانب الزمنية والمكانية للبيانات ، والتكلفة العالية المرتبطة بالتكنولوجيا وجمع البيانات. وبالتالي ، فإن فترات المراقبة في العديد من الدراسات الحديثة تقتصر على التقاط البيانات للتحليل من فترة زمنية تتراوح من أسابيع إلى شهرين 9 ، 11. ومع ذلك ، قد تكون هذه الفترات القصيرة أقصر من أن يتم التقاط سلوكيات القيادة ذات الصلة.

لرصد سلوكيات القيادة الطبيعية الرئيسية بشكل أكثر دقة ، قمنا بتجربة منهجية جديدة تتكيف مع جهاز COTS داخل السيارة لدراسة سلوك القيادة الطبيعي طوليًا ، بطريقة فعالة من حيث التكلفة وغير مزعجة. هدفنا لهذا الطيار هو وصف التحديات المنهجية المرتبطة بتكييف جهاز COTS داخل السيارة الذي يلتقط ويجمع بيانات GPS للمعالجة والتحليل باستخدام تقنيات نظم المعلومات الجغرافية. نقوم أيضًا بتحديد الأنماط المكانية والزمانية المرتبطة بسلوك القيادة لإنشاء ملفات تعريف للسائق لتقييم كيفية تغير سلوك القيادة طوليًا.

بيانات المشارك. تم جمع البيانات من المشاركين المسجلين في دراسة طولية لتقييم مرض الزهايمر قبل السريري وأداء القيادة (R01 AG043434) في كلية الطب بجامعة واشنطن في سانت لويس. كان لدى المشاركين إدراك طبيعي ، وكان عمرهم 65 عامًا أو أكبر ، وكان لديهم رخصة قيادة سارية المفعول & # x2019s ، وقادوا السيارة مرة واحدة على الأقل في الأسبوع في مركبة غير متكيفة ، وتوافقوا مع الحد الأدنى من حدة البصر لمتطلبات الحالة ، وكان لديهم مؤشرات حيوية لمرض الزهايمر و # x2019s (السائل الدماغي النخاعي) أو تصوير الدماغ) تم قياسه بشكل موضوعي وإتاحته خلال العامين الماضيين. تمت الموافقة على جميع بروتوكولات الدراسة ووثائق الموافقة والاستبيانات من قبل مكتب حماية البحوث البشرية بجامعة واشنطن.

جمع البيانات ومعالجتها. استخدمنا COTS Azuga G2 Tracking Device TM (موديل 850: Azuga Inc ، سان خوسيه ، كاليفورنيا) ، والذي نشير إليه كنظام عالمي للحصول على بيانات تحديد المواقع (GPDAS). يتم توصيل GPDAS بمنفذ أنظمة التشخيص الموجود على متن الطائرة (OBDII) ويتم تشغيله بواسطة بطارية السيارة & # x2019s. تقصر متطلبات التثبيت المركبات على تلك المصنعة في عام 1996 أو في وقت لاحق لأن السنوات السابقة لم تكن مجهزة بمنفذ OBDII. تم جمع البيانات (سرعة السيارة وخط العرض وخط الطول) من لحظة تشغيل الإشعال وحتى إيقاف تشغيله ، مع ضبط فاصل زمني للتجميع كل 30 ثانية. يشار إلى الملاحظات الفردية التي تبلغ مدتها 30 ثانية باسم & # x201cbreadcrumb & # x201d. تم أيضًا جمع بيانات الموقع كل 3 ساعات عند إيقاف تشغيل الإشعال. بالإضافة إلى ذلك ، تم تسجيل حوادث القيادة العدوانية مثل الفرملة الشديدة والسرعة والتسارع المفاجئ في سجل الرحلة. تم جمع البيانات ونقلها في وقت واحد عبر Bluetooth Low Energy إلى خوادم مؤمنة. على أساس يومي ، تم تجميع البيانات بواسطة Azuga وإتاحتها للتنزيل عبر خوادم آمنة.

تم استخدام نوعين متميزين من الملفات المتوفرة من Azuga في تحليلنا & # x2013 ملفات Breadcrumb وملفات النشاط. ضمن ملف Breadcrumb اليومي المفصولة بفواصل القيم (csv) ، يتألف كل صف من ملاحظة واحدة ("مسار التنقل") ، عادةً بفاصل 30 ثانية لمركبة معينة في لحظة زمنية. حدد كل مسار تنقل السيارة برمز مكون من 10 أرقام ويبلغ بالإضافة إلى ذلك خطوط الطول والعرض وسرعة السيارة وأقرب عنوان (تم ترميزه جغرافيًا عكسيًا بواسطة Azuga) والتوقيت العالمي المنسق (UTC) والتاريخ وقراءة عداد المسافات ونوع الحدث. حدد حقل نوع الحدث ما إذا كان مسار التنقل المحدد مرتبطًا بملاحظة منتظمة أو حدث خاص مثل تشغيل / إيقاف تشغيل الإشعال أو القيادة العدوانية. يمكن أن يحتوي حقل نوع الحدث أيضًا على أكواد تشير إلى مشكلات معينة مثل انخفاض مستوى البطارية في السيارة ، أو اتصال الجهاز أو فصله ، أو عطل في مكونات الجهاز. أعطت الحقول الإضافية بيانات حول السرعة القصوى ومتوسط ​​السرعة لحدث تجاوز السرعة ، بالإضافة إلى السرعات الأولية والنهائية للفرملة أو أحداث التسارع التي تتميز بالتغير السريع في سرعة السيارة & # x2019s.

كان نوع الملف الثاني الذي تم استلامه من Azuga هو ملف النشاط csv اليومي. يمثل كل صف في ملف النشاط رحلة واحدة تقوم بها مركبة واحدة. تضمنت الملاحظات المتاحة حول كل رحلة التاريخ ووقت البدء (بالتوقيت العالمي المنسق) ، ومواقع البداية والنهاية (خط العرض وخط الطول والعنوان المشفر جغرافيًا عكسيًا) ومدة / طول الرحلة بالثواني والمسافة (مقربًا إلى أقرب عُشر كيلومتر ، ثم يتم الإبلاغ عنه بالأميال) ، ومتوسط ​​السرعة القصوى للمركبة ، وعدد / مدة أحداث القيادة العدوانية مثل التسارع المفاجئ ، والفرملة الشديدة ، والسرعة الزائدة. استخدمت المعالجة الأولية للبيانات نصًا برمجيًا من Powershell لمقارنة الرؤوس من ملفات Breadcrumb و Activity الواردة للتأكد من أن الهيكل كان متسقًا ، ثم دمجت الملفات اليومية من الفترة الزمنية ذات الأهمية في ملفين csv شاملين كبيرين (واحد لكل من Breadcrumbs وللرحلة على مستوى النشاط). تمت قراءة ملفي csv الكبيرين في برنامج التحليل الإحصائي R كجداول بيانات لمزيد من التحليلات. بالنسبة لبقية المخطوطة ، يشير مصطلح مسار التنقل إلى ملاحظة واحدة لمركبة واحدة في موقع محدد ولحظة واحدة في الوقت المناسب ، بينما تمثل الرحلة مجموعة من المواقع (فتات الخبز) التي تحدث بين الإشعال والإشعال من محرك معين مركبة. على مدى الأشهر الخمسة الأولى ، تم جمع أكثر من 400000 من فتات الخبز تمثل ما يقرب من 12000 رحلة لـ 20 مركبة.

فحصت خطوات المعالجة الأولية التي تم اتخاذها في R حالة البيانات الواردة بحثًا عن الأخطاء والحالات الشاذة ، ثم أنشأت حقولًا إضافية لاستخدامها في تجميع البيانات ، بالإضافة إلى مراحل المعالجة المكانية. نظرًا لأن جميع الأوقات تم الإبلاغ عنها بالتوقيت العالمي المنسق وكان المشاركون في الولايات المتحدة القارية ، فقد تم إجراء حسابات المنطقة الزمنية لتحويل الطابع الزمني الوارد بدقة إلى التوقيت المحلي. تم تصنيف العديد من النقاط في المنطقة الزمنية المركزية على هذا النحو داخل R باستخدام مستطيل محيط مع الحد الأقصى / الأدنى لخط العرض وخط الطول الذي يغلف غالبية المنطقة الزمنية المركزية. بالنسبة للنقاط القريبة من حدود المناطق الزمنية ، تم استخدام نظام المعلومات الجغرافية لتحديد المنطقة المناسبة. تم إجراء ذلك من خلال مقارنة موقع مسار التنقل بمجموعة من المضلعات التي تمثل مدى كل منطقة زمنية لتحديد مضلع المنطقة الزمنية الذي يقع فيه موقع مسار التنقل. كان هناك حاجة إلى التوقيت المحلي لفهم نشاط القيادة أو التجنب خلال أوقات محددة من اليوم (الاندفاع ساعة ، وضوء النهار ، وما إلى ذلك). تم استخدام حزمة R lubridate لتحويل التوقيت العالمي المنسق (UTC) إلى التوقيت المحلي ، بينما سمحت حزمة R RAtmosphere بحسابات شروق الشمس وغروبها عند خط عرض / خط طول معين. تمت إضافة هذه الحسابات كأعمدة إضافية في جداول البيانات. ويرد ملخص لسير العمل في الشكل 1.

الشكل 1. سير عمل البيانات المطلوب لتوليد مقاييس القيادة على نطاقات زمنية مختلفة.

لتنظيف البيانات الواردة وتحضيرها للمعالجة المكانية ، تم فحص البيانات للتأكد من استيفاء معيارين: (1) حدثت كل ملاحظة داخل الولايات المتحدة القارية و (2) لم تكن هناك ملاحظتان للمركبة نفسها لها طوابع زمنية متطابقة. تسببت إجراءات معينة للجهاز (متصل أو غير متصل أو موصول بمركبة مختلفة) في قيام GPDAS بالإبلاغ عن قيم خطوط الطول والعرض 0 ، أو في حالة واحدة ، تلك الخاصة بموقع في مصر. بالإضافة إلى ذلك ، بالنسبة لبعض المركبات التي بدأت الرحلة مباشرة بعد توصيل GPDAS ، تسبب التأخير الزمني المطلوب للاتصال بعدد كافٍ من الأقمار الصناعية لنظام تحديد المواقع العالمي (GPS) لتسجيل بيانات الموقع في سلسلة من الملاحظات مع خط العرض وخط الطول يساوي 0. بسبب عدم اليقين بشأن موقع السيارة في الأوقات التي تم فيها الإبلاغ عن خط العرض أو خط الطول خارج الولايات المتحدة القارية ، تمت إزالة تلك الرحلات ، بما في ذلك فتات التنقل المرتبطة بها من التحليلات. كان عدد فتات الخبز المتأثرة أقل من 1.6٪ من جميع فتات الخبز الواردة ، حيث تمثل الغالبية العظمى من الشكل 1 (6392 من أصل 6529) مركبة واحدة بها عطل في GPDAS تسبب في عدم جمع بيانات الموقع لعدة أسابيع. أدت إزالة السيارة التي بها خطأ GPDAS من الحساب إلى تقليل عدد فتات الخبز التي تمت إزالتها وفقًا للمعايير الأولى إلى 137 ، أي أقل من 0.04٪ من إجمالي عدد فتات التنقل التي تم جمعها. أزال المعيار الثاني 12 فتات خبز كانت نسخًا طبق الأصل من فتات الخبز الأخرى.

كان هناك حاجة إلى مزيد من تنظيف البيانات لتجميع مجموعة من الرحلات الكاملة التي يقوم بها كل سائق. يمكن الوصول إلى بيانات مستوى الرحلة بطريقتين من دفق البيانات الواردة. تحتوي ملفات النشاط على معلومات موجزة حول بداية كل رحلة ونهايتها وطولها ، بينما قدمت ملفات Breadcrumb مستوى أدق من تفاصيل الموقع داخل الرحلة. يحتوي ما يقرب من 1.6٪ (n = 203) من سجلات الأنشطة الواردة على قيم NA مثل خطوط الطول والعرض لنهاية الرحلة. يحدث هذا عادةً إما بسبب فقدان إشارة GPS (مثل الوقوف في مبنى تحت الأرض) أو خصوصية تدفق بيانات النشاط الوارد ، حيث حدثت بداية رحلة مسجلة ثانية بعد عدة ثوانٍ من الأولى ، والتي تم "التخلي عنها" بعد ذلك كرحلة ذات مغزى في تدفق البيانات. احتوت 1.8 ٪ إضافية من الرحلات المبلغ عنها (ن = 229) على قيمة 0 لخط العرض أو خط الطول البداية. كان معظم هؤلاء (217) من الجهاز المعيب المعروف المذكور أعلاه والذي نقل أعدادًا كبيرة من الأصفار داخل بيانات مسار التنقل. تم وضع علامة على هذه للإزالة.

التحليلات. تحليل البيانات وإدارتها للعمليات المكانية في GIS ، استخدم ArcGIS 10.3.1 وحزمة موقع ArcPy Python (معهد أبحاث النظم البيئية ، ريدلاندز ، كاليفورنيا ، الولايات المتحدة الأمريكية). تم تخزين البيانات المكانية كفئات معالم في تنسيق ملف قاعدة البيانات الجغرافية. تم تصدير حسابات المنطقة الزمنية من ArcGIS كملف csv ودمجها مرة أخرى مع جدول البيانات في R لمزيد من العمليات الحسابية.

التحليل المكاني. باستخدام خط الطول وخط العرض لكل مسار تنقل ، تم إنشاء فئات ميزات النقطة لكل محرك عن طريق تصدير نتائج عملية المعالجة الجغرافية Make XY Event. كانت فئات ميزة النقاط هذه بمثابة أساس لجميع التحليلات المكانية اللاحقة.

تحليل الطريق. لتحديد خصائص الطريق الذي كان يسافر عبره المشارك في وقت تسجيل مسار التنقل ، تم إجراء تحليل القرب على كل مسار تنقل بالنسبة إلى مجموعة بيانات خط وسط الشارع. تم استخدام عملية المعالجة الجغرافية القريبة لتحديد ميزة خط وسط الشارع الأقرب إلى ميزة الشارع لكل مسار تنقل. ناتج عملية المعالجة الجغرافية القريبة هو إضافة سمتين إلى فئة ميزة مسار التنقل. هذه السمات هي NEARFID ، المعرف الفريد لميزة الشارع الأقرب ، و NEARDIST ، المسافة من مسار التنقل المستهدف إلى أقرب معلم شارع. تم استخدام قيمة NEARFID لاسترداد سمات ميزة الشارع الأقرب إلى مسار التنقل ، مثل اسم الطريق ، ورمز فئة ميزة التعداد (CFCC) ، ونوع الطريق ، ومتوسط ​​السرعة (وكيل حد السرعة). يوضح الشكل 2 عينة من فتات الخبز وقربها من معالم خط وسط الشارع. تم تطبيق القيم المنسوبة من أقرب معلم شارع على كل مسار تنقل باستخدام سلسلة من المؤشرات. المؤشرات هي أدوات مكرر متاحة في مكتبة أكواد ArcPy والتي يمكنها قراءة وتحديث وإنشاء المعالم في مجموعات البيانات المكانية الحالية (ArcGIS Help 2015).

الشكل 2. فتات الخبز وميزات خط وسط الشارع المستخدمة في التحليل القريب.

مناطق القيادة. تم تعريف منطقة القيادة على أنها أصغر مضلع يشمل جميع فتات التنقل للسائق خلال فترة زمنية معينة. تم استخدام عملية المعالجة الجيولوجية لهندسة الحد الأدنى من الحدود لإنتاج مضلعات بدن محدبة تمثل مناطق القيادة الأسبوعية والشهرية لكل سائق.

يعني المركز. تم تعريف مركز المتوسط ​​على أنه المركز الجغرافي لجميع فتات التنقل للسائق خلال فترة زمنية معينة. تم استخدام عملية المعالجة الجيولوجية للمركز المتوسط ​​لإنتاج نقاط تمثل مركز المتوسط ​​الأسبوعي والشهري لكل سائق. استندت العملية إلى الموقع المكاني للفتات فقط ولم يتم ترجيحها بأي سمة.

الموقع الرئيسي. تم تحديد المشاركين & # x2019 المواقع الأكثر زيارة (المواقع الأساسية) من أجل إجراء تحليل مكاني على جوانب من السائقين وسلوك # x2019 بالنسبة إلى المناطق المألوفة. يفترض أن يكون المشارك في المنزل و / أو مكان العمل هو المصدر أو الوجهة الأكثر شيوعًا لغالبية الرحلات المسجلة بواسطة GPDAS. كان من الضروري تحديد هذه المواقع بطريقة ديناميكية وآلية لتحقيق قابلية التوسع في سير عمل معالجة البيانات. أظهر الفحص البصري للبيانات لعينة صغيرة من المشاركين أن الموقع الذي تتم زيارته كثيرًا يمكن أن يظهر كمجموعة كثيفة من فتات الخبز. كان من المفترض أن تكون الكتلة الأكثر كثافة ، أو الكتلة الأكثر اشتعالًا في فتات الخبز ، هي الموقع الأساسي. تم تحديد مجموعات الاشتعال على فتات الخبز باستخدام عملية المعالجة الجغرافية لنقاط التجميع. تم ضبط معلمة Aggregate Distance على 20 قدمًا بعد تحديد موقع الاشتعال وقياسه بصريًا على مجموعات مسارات التنقل على عينة صغيرة من المشاركين. كان ناتج عملية تجميع النقاط عبارة عن فئة معلم مضلع مع ميزات تشمل مجموعات من ثلاث نقاط أو أكثر ضمن قيمة معلمة تجميع المسافة. تم حساب فتات الخبز الموجودة داخل كل مضلع ومقارنتها مع العدد الإجمالي للاشتعال على فتات الخبز للمشارك لتحديد ما إذا كان المضلع يمثل موقعًا أساسيًا. تم استخدام عملية المعالجة الجغرافية Feature To Polygon لإنتاج ميزة نقطة في النقطه الوسطى لكل مضلع موقع أساسي ، وبالتالي توفير نقطة واحدة تم استخدامها كموقع أساسي في مزيد من التحليلات (الشكل 3).

الشكل 3. تم إنشاء مضلع الموقع الأساسي باستخدام عملية المعالجة الجغرافية لنقاط التجميع مع نقطة موقع أولية موضوعة في مركزها المركزي.

وجهات فريدة. يتم تعريف الوجهات الفريدة على أنها مواقع منفصلة يزورها المشاركون خلال إطار زمني معين. تم استخدام عملية المعالجة الجيولوجية Buffer لإنشاء مضلعات دائرية بنصف قطر 100 و 250 و 500 قدم حول كل مسار تنقل يشير إلى اشتعال في حدث. تم إجراء عمليات المخزن المؤقت المتغيرة لإنشاء عتبة يتم عندها دمج اثنين أو أكثر من فتات الخبز المميزة التي تحدث خلال نفس الفترة الزمنية باعتبارها الوجهة نفسها. على سبيل المثال ، يمكن للمشارك الذي زار مركزًا للتسوق مرتين في نفس الشهر أن يوقف سيارته في طرفي نقيض من منطقة وقوف السيارات الكبيرة لكل زيارة منفصلة. ومع ذلك ، يجب احتساب مركز التسوق هذا كوجهة واحدة للفترة الزمنية المستهدفة.

تم استخدام عملية المعالجة الجغرافية التذويب لدمج المضلعات الدائرية بحيث يتم احتساب فتات الخبز ضمن عتبات المسافة الثلاثة كوجهة واحدة. يوضح الشكل 4 عينة من الاشتعال على فتات الخبز في منطقة محددة خلال شهر واحد. تحدث مجموعات فتات الخبز الموجودة على مقربة من كل مبنى تجاري في أيام مختلفة خلال نفس الشهر. يشمل مضلع المخزن المؤقت الذي يبلغ طوله 500 قدم جميع الوجهات التجارية الأربعة المنفصلة وسيتم احتسابه كوجهة واحدة لذلك الشهر. ستجمع المنطقة العازلة التي يبلغ ارتفاعها 250 قدمًا بين المنطقة التجارية الواقعة في أقصى الشمال والمنطقتين في الجنوب الغربي ، مما يؤدي إلى إنشاء وجهة واحدة من ثلاث وجهات مميزة. فصلت المنطقة العازلة 100 قدم الوجهات الثلاث المنفصلة إلى وجهتين ، وتجمع فقط أصغر منطقتين تجاريتين في وجهة واحدة (الشكل 4).

الشكل 4. عينة وجهة فريدة مع العديد من المخازن المؤقتة. نتائج

ملفات تعريف السائق الشاملة. مسار التنقل هو نقطة بيانات واحدة في الوقت (بفواصل زمنية مدتها 30 ثانية) تحتوي على موقع ووقت وتاريخ وسرعة السيارة. يمكن أن تحتوي رحلة واحدة على مئات من فتات التنقل التي يتم تجميعها ويمكن أن توفر بمرور الوقت معلومات محددة حول أنماط القيادة وسلوكياتها. أدت الخطوات التي تمت مناقشتها في قسم المنهجية إلى إنشاء ملف تعريف قيادة لكل سائق يمكن فحصه على مدار الدراسة. تضمنت ملفات تعريف السائق المكونات المكانية والزمانية والسلوكية. تضمنت المكونات المكانية الموقع (المواقع) الأساسي ، ومناطق القيادة ، والمراكز المتوسطة والوجهات الفريدة. تضمنت المكونات الزمنية عدد الرحلات التي تم إجراؤها خلال أوقات مختلفة من اليوم. تضمنت المكونات السلوكية عددًا من أحداث الفرملة الشديدة والسرعة والتسارع المفاجئ.

المواقع الرئيسية. تم تحديد موقع السائق & # x2019s الأساسي باعتباره الموقع الذي يشمل ما لا يقل عن 10 في المائة من برنامج التشغيل & # x2019s الإشعال على فتات التنقل. نظرًا لأن المشاركين تجاوزوا سن 65 عامًا ، في معظم الحالات ، كان للمشاركين موقع رئيسي واحد ، يُفترض أنه منزلهم / سكنهم ، على الرغم من أن بعض نتائج المشاركين أظهرت موقعين رئيسيين. في معظم الحالات ، كان عدد مضلع الكتلة الذي يحتوي على أكبر عدد من فتات الخبز أعلى بكثير من أعداد المضلعين الآخرين. الاستثناء هو المشارك ج ، حيث يحتوي مضلعان عنقوديان على فتات تنقل تزيد عن 10 بالمائة من إجمالي فتات التنقل (الشكل 5). لدى المشارك C موقعان رئيسيان بناءً على النسبة المئوية لإشعال السائق & # x2019s في الأحداث. تمت مقارنة المواقع الأولية بالعناوين المعروفة من المشاركين وتأكدت أنها دقيقة بنسبة 100٪ ، بما في ذلك المشارك C المعروف بامتلاكه منزلين.

الشكل 5. ملامح مكانية.

منطقة القيادة ومركز الوسط. اختلفت مضلعات منطقة القيادة الناتجة عن المنهجية بناءً على مدى فتات الخبز لكل سائق بمرور الوقت. أظهر التحليل أن مناطق القيادة الخاصة بالمشاركين يمكن أن تحتوي في كثير من الأحيان على أجزاء كبيرة من التداخل من أسبوع لآخر أو من شهر لآخر. كان من المتوقع أن يتم تجميع المراكز المتوسطة حول الموقع الأساسي للمشارك و # x2019. ومع ذلك ، لم يكن هذا هو الحال عندما كان لدى المشاركين أكثر من موقع أساسي واحد. انظر المشارك ج في الشكل 5. كان لدى المشارك C موقعان أساسيان محددان ونتيجة لذلك ، تميل المراكز المتوسطة لهذا المشارك إلى أن تكون موجودة بين الموقعين الأساسيين. تشكل مضلعات منطقة القيادة المجمعة والمراكز المتوسطة والمواقع الأولية الملف الشخصي المكاني للمشاركين في الدراسة. يتم تصور الملامح المكانية لعينة من المشاركين في الشكل 5. يمثل كل مضلع رمادي منطقة القيادة لمدة شهر واحد لكل مشارك. يتم تمثيل المراكز المتوسطة الشهرية بمربعات بيضاء وتشير النجوم الحمراء إلى الموقع الأساسي لكل مشارك.

يمكن أن تختلف مناطق القيادة بشكل كبير من شهر لآخر بالنسبة لبعض المشاركين ، بينما يميل المشاركون الآخرون إلى اختلاف شهري بسيط في منطقة القيادة الخاصة بهم. تُظهر مضلعات منطقة القيادة الشهرية للمشاركين C و D أجزاء كبيرة من التداخل ، بينما يُظهر المشاركون A و B و E أجزاء كبيرة من منطقة القيادة الفريدة في إطار زمني لشهر واحد. يمكن تحديد مساحة القيادة المشتركة من خلال حساب المنطقة المتداخلة من شهر إلى شهر ومنطقة التداخل الإجمالية لفترة الدراسة التي تبلغ 5 أشهر. يظهر التباين من شهر لآخر في منطقة القيادة المتداخلة في الشكل 6 ويعزز مقدار التداخل الكبير من شهر لآخر للمشاركين C و D.

الشكل 6. مساحة التداخل بين مناطق القيادة من شهر لآخر. الشكل 7. نسبة منطقة القيادة المتداخلة إلى إجمالي مساحة القيادة خلال فترة 5 أشهر.

تدرس نسبة مساحة القيادة المتداخلة على إجمالي مساحة القيادة العلاقة بين الطرق الشائعة ومساحة القيادة الإجمالية. في الشكل 6 ، يُظهر المشارك C تباينًا طفيفًا في منطقة القيادة الشهرية خلال الإطار الزمني للدراسة حيث تكون أكثر من 70 ٪ من إجمالي مساحة القيادة مشتركة في جميع الأشهر. يُظهر المشارك E أقل قدر من المساحة المتداخلة مع كون أقل من 15٪ من إجمالي مساحة القيادة مشتركة لجميع الأشهر.

وجهة فريدة. أظهرت نتائج تنفيذ منهجية الوجهات الفريدة نتائج متفاوتة حسب السائق. بينما أظهر بعض السائقين أعدادًا متشابهة من الوجهات الفريدة كل شهر ، أظهر السائقون الآخرون عددًا من الوجهات الفريدة التي تختلف اختلافًا كبيرًا من شهر لآخر (الشكل 8). في معظم الأشهر بالنسبة للعديد من السائقين ، تباينت أعداد الوجهات الفريدة المشتقة باستخدام المخازن المؤقتة 100 و 250 و 500 قدم حسب حجم المخزن المؤقت. ومع ذلك ، إذا كانت وجهات السائق & # x2019s منتشرة بشكل خاص ، فإن حجم المخزن المؤقت كان أقل أهمية. بشكل عام ، تُظهر النتائج أنه يجب استخدام المخزن المؤقت البالغ 100 قدم للحصول على العدد الأكثر دقة للوجهات الفريدة للمشاركين خلال كل فترة زمنية.

الشكل 8. عدد الوجهات الفريدة لـ 5 مشاركين.

الرحلات التي تتم في وضح النهار مقابل الليل. أظهرت نتائج عدد الرحلات التي تم إجراؤها خلال النهار مقابل الليل تباينًا بين الأفراد وتغيرًا داخليًا على مدار الأشهر المختلفة. يوضح الشكل 9 عدد الرحلات التي يتم قيادتها خلال النهار والليل لخمسة مشاركين من يوليو (7) إلى نوفمبر (11). ترتبط القيادة الليلية بخطر أكبر بثلاث مرات من الوفاة المرورية وزيادة الإرهاق والخطر المتصور 12 ، 13. تمت قيادة غالبية الرحلات بواسطة 4/5 مشاركين خلال اليوم. بالنسبة للمشاركين B و D ، انخفض عدد الرحلات بشكل عام من شهر واحد إلى شهر 5 دون تغيير كبير في عدد الرحلات التي يتم قيادتها ليلاً. ومع ذلك ، كان لدى المشارك C عددًا إجماليًا أكبر من الرحلات للأشهر 4 & # x20135 وزيادة القيادة الليلية مقارنة بالأشهر 5 & # x20137. قام المشارك "أ" بتخفيض قيادته الليلية وإجمالي عدد الرحلات التي تم إجراؤها من الشهر الثالث إلى الشهر الخامس بينما أظهر المشارك "ب" تغيرًا طفيفًا في سلوك القيادة الليلية. بالنظر إلى أن الإطار الزمني لدراستنا يمثل شهورًا عندما تتناقص ساعات النهار المتاحة بشكل مطرد ، فإن الانخفاض في إجمالي عدد الرحلات جنبًا إلى جنب مع عدم وجود زيادة مقابلة في الرحلات التي يتم إجراؤها في الليل قد يشير إلى أن السائق أ في دراستنا قد قام تعديلات متعمدة لتجنب القيادة ليلاً. أخيرًا ، بدأ المزيد من الرحلات أثناء الغسق مقارنة بالفجر.

الشكل 9. عدد الرحلات التي يتم قيادتها أثناء النهار والليل.

سلوك القيادة المعاكس. إن التنبيهات الثلاثة (السرعة ، الكبح الشديد ، والتسارع الشديد) التي حددها GPDAS هي انعكاس لسلوك القيادة المعاكس بغض النظر عن سياق القيادة البيئية. لا يلتقط GPDAS بيانات عن تدفق حركة المرور أو الازدحام أو أنماط الطقس أو الظروف القاسية أو عوامل أخرى (مثل الحالة العقلية المتغيرة) التي قد تؤثر على سلوك السائق. يقدم الشكل 10 بيانات عن الكبح الشديد والتسارع المفاجئ والسرعة لـ 5 مشاركين على مدار الخمسة أشهر. على غرار التحليلات المكانية والزمانية ، كان هناك تباين كبير بين المشاركين. الفرق بين السائقين الأقل والأكثر عدوانية الموضح هنا كبير: سجل المشارك B 25 تنبيهًا إجماليًا بينما سجل المشارك C 400. لم يكن لدى المشاركين B و D أي تنبيهات بالسرعة ، بينما سجل المشارك C جميع الأنواع الثلاثة لأنماط القيادة العدوانية في جميع الأشهر الخمسة . سجل المشارك D ثلاثة أضعاف عدد أحداث الكبح مقارنة بأحداث السرعة والتسارع المفاجئ مجتمعين. في الشهرين 10 و 11 ، أظهر المشاركون D و E زيادة ملحوظة في العادات العدوانية ، بينما يبدو أن المشاركين A و C يتراجعون في العدوانية. قد يكون الاختلاف بين الأفراد في تنبيهات القيادة على مدى الأشهر الخمسة انعكاسًا لتفضيل السائق أو أسلوبه ، أو بيئة القيادة أو التفاعل بين كليهما. في حين أن البيانات الواردة في الشكل 10 عبارة عن عدد إجمالي للتنبيهات ، فمن الممكن فحص تكرار الرحلات التي تحتوي على تنبيه واحد أو أكثر. من غير المحتمل أن يُعزى العدد الكبير من التنبيهات بين بعض المشاركين (على سبيل المثال ، C ، E) إلى بيئة القيادة فقط.

الشكل 10. إجمالي عدد التنبيهات على مدار الخمسة أشهر.

باختصار ، كان جهاز COTS GPDAS قادرًا على التقاط سلوك القيادة الموضوعي. قدمت البيانات التي تم الحصول عليها أساسًا لإنشاء ملف تعريف قيادة طبيعي يتضمن مكونات مكانية وزمنية وسلوكية. تسمح لنا هذه المنهجية بتتبع عدد من المتغيرات التي تصف سلوكيات القيادة وأنماط المشاركين بمرور الوقت. تمكنا من تأكيد دقة المنهجية في تحديد المواقع الرئيسية من خلال مقارنة النتائج بالعناوين الفعلية التي أبلغ عنها المشاركون. استنادًا إلى مواقع فتات الخبز ، تمكنا من تحديد المواقع التي تتم زيارتها بشكل متكرر وأنماط السفر العامة بنجاح. استنادًا إلى الوقت المُبلغ عنه من فتات الخبز ، يمكننا تقييم عدد الرحلات المدفوعة في ضوء النهار مقابل الليل. سمحت لنا بيانات تسجيل الأحداث الخاصة بحساب عدد تنبيهات القيادة المعاكسة خلال فترة 5 أشهر.

قدمت هذه الدراسة التجريبية جدوى تكييف جهاز COTS GPS لفحص سلوك القيادة اليومي والتغيرات المرتبطة به في مجموعة من كبار السن الطبيعيين من الناحية الإدراكية. لم تكن القدرة على فهم التغييرات في سلوك القيادة في البيئات الفعلية التي يقودها الأشخاص متوفرة حتى وقت قريب.

قدم GPDAS بيانات القيادة المستمرة التي تم استخدامها لتطوير ملف تعريف قيادة طبيعي فريد يجمع بين الجوانب المكانية والزمانية والسلوكية للقيادة. على وجه التحديد ، تمكنا من الحصول على التاريخ والوقت والموقع ومجموعة من المقاييس التي توازن بين القدرة على قياس الاتساق والتغيير في سلوك القيادة ، دون الإفراط في جمع البيانات أو إثقال كاهل المشاركين في البحث. تم توثيق تعقيدات وعقبات العمل مع مجموعات البيانات الكبيرة جيدًا 14. تضمنت التحديات المنهجية الرئيسية في هذا البحث ما يلي: 1) مزامنة جمع البيانات من GPDAS وخوادم البائعين ، 2) المعالجة الفعالة والتحقق من الأخطاء & # x2018big data & # x2019 على أساس يومي 3) تطوير إجراءات تنظيف البيانات للأخطاء الشائعة ( على سبيل المثال إزالة الجهاز أو فقدان الإشارة) والأخطاء غير الشائعة (مثل فشل الجهاز) و 4) تجميع البيانات للإدارة والتحليلات في R و ArcGIS.

توفر منهجية القيادة الطبيعية هذه مزايا عديدة لفهم سلوك القيادة مقارنة بالمنهجيات التقليدية. يمكن استخدام GPDAS لمراقبة سلوك القيادة في الوقت الفعلي في وقت واحد في مجموعة كبيرة عبر الولايات المتحدة القارية. تأتي القوة العظيمة لـ GPDAS & # x2019 في القدرة على مراقبة الأفراد ومقارنة التغيير داخل الفرد على مدى فترة طويلة من الزمن. بالإضافة إلى ذلك ، فإن سهولة التثبيت (أقل من دقيقة واحدة) ، وعدم وجود تعديل في السيارة ، والجهد الضئيل من المشاركين والحصول على البيانات ونقلها بشكل سلس ، يعزز من فائدتها.

ومع ذلك ، هناك بعض القيود في استخدام هذا الجهاز والمنهجية. لم نتمكن من اكتشاف السرعة المنخفضة بقوة كما كنا نأمل ، بسبب مجموعة متنوعة من العوامل المربكة مثل حركة المرور وتغييرات حدود سرعة البناء وتفاصيل فتات الخبز. في وقت إجراء هذا التحليل ، كان تحديد هوية السائق مقصورًا على التقرير الذاتي للمشارك. يقدم البائع الآن منارة Bluetooth منخفضة الطاقة (BLE) بحجم ووزن بطاقة الائتمان التي يمكن وضعها في المحفظة أو المحفظة. تقترن منارة BLE تلقائيًا مع GPDAS عندما يكون المشارك في مقعد السائق لتحديد السائق. هذا الحل البسيط تلقائي ، ولا يتطلب أي جهد من المشاركين ، ويتزامن بسهولة مع دفق بيانات الأجهزة ويتم تنزيله مع بيانات الجهاز & # x2019s. يمثل عمر المنتج غير المعروف لأجهزة GPDAS تحديًا خاصًا لدراسات القيادة الطبيعية الطولية. اكتشفنا العديد من علامات التحذير المحتملة لفشل الجهاز ، وتمكنا من اتخاذ خطوات استباقية لطلب أجهزة بديلة عند اكتشاف حالات فشل. ومع ذلك ، فإن هذا الاستبدال ليس بالأمر السهل بالنسبة لبعض المشاركين في الدراسة لأنه يتطلب السفر إلى منشأتنا للحصول على جهاز جديد وقد يقلل من رغبتهم في البقاء في الدراسة. أخيرًا ، من المهم مراعاة الأهداف والنتائج ومقدار عبء المشاركين عند اختيار منهجية للدراسات الطولية التي تقيم أداء القيادة وسلوكها.

Ethical approval and consent to participate: All participants were recruited and tested at Washington University School of Medicine. Written informed consent to use and publish clinical details was obtained from all participants. All aspects of the study were approved by the Washington University Institutional Review Board.

Creating a driving profile for older adults using GPS devices and naturalistic driving methodology

Dataset legend: id: Participant ID numofdays: Number of days driven numtripsover5mo: Number of trips driven over 5 months trips_at_night5mo: Number of trips driven at night over 5 months trips_w_HB5mo: Number of trips driven with hard braking events over 5 months trips_w_SA5mo: Number of trips driven sudden acceleration events over 5 months trips_speeding5mo: Number of trips driven with speeding events over 5 months hours_speeding5mo: Number of hours speeding over 5 months tot_dist_driven5mo: Total distance (miles) driven over 5 months tot_drv_hrs5mo: Total number of hours driven over 5 months avg_trip_miles5mo: Average trip miles over 5 months avg_trip_mins5mo: Average trips minutes over 5 months trips_at_night: Number of trips at night over 5 months.

F1000Research: Dataset 1. Dataset: Creating a driving profile for older adults using GPS devices and naturalistic driving methodology, 10.5256/f1000research.9608.d135843 15


شاهد الفيديو: مجموعة مقالب السلايم في إيمان وأنس وبابا!