Tamsin Forbes Abteilung für Transport 2
Eine Herausforderung bei der Analyse der Luftbildfotografie, die im obigen Bild zu sehen ist, kam ins Spiel, als die Baumkronen die künstliche Oberfläche und / oder den Zugang zum Straßenrand verdeckten (C, E). Diese Datenvisualisierung zeigt Beispiele für die Algorithmusergebnisse, die anhand der manuellen Kennzeichnung validiert wurden: True Positives (grün), True Negative (gelb), False Positive (rot), False Negative (lila), Überlappung der Parkrechtecke, sofern vorhanden (cyan), Linestring für den Straßenzugang (Weiß).

DfT untersucht das Potenzial für das Laden von Elektrofahrzeugen in Wohngebieten

Tamsin Forbes Abteilung für TransportTamsin Forbes, Datenwissenschaftlerin am Verkehrsministerium, erklärt, wie sie OS-Daten zur Unterstützung der Infrastrukturplanung für Ladestationen für Elektrofahrzeuge verwendet hat.

 In Zusammenarbeit mit dem Team für Umweltstatistik im Verkehrsministerium bin ich an der Planung der künftigen Bereitstellung von Ladestationen für Elektrofahrzeuge in ganz Großbritannien beteiligt.

In einer Zukunft, in der Fahrzeuge ganz oder teilweise elektrisch sind, benötigen alle Fahrzeugbenutzer einen angemessenen Zugang zu Ladestationen. Die Nachfrage im Stromnetz ist ein wichtiger Gesichtspunkt, und um dies zu mildern, sollte der Großteil der Aufladung nachts außerhalb der Stoßzeiten des Stromverbrauchs erfolgen. Um dies zu erreichen, müssen sich wahrscheinlich viele Ladestationen in unmittelbarer Nähe des Grundstücks des Fahrzeugbesitzers befinden. Daher ist es wichtig, die Verfügbarkeit von Parkplätzen zu verstehen.

Die Herausforderung besteht darin, dass es keinen endgültigen Datensatz gibt, der die Verfügbarkeit von Parkplätzen in Wohngebieten für Großbritannien quantifiziert. Obwohl verschiedene Datensätze existieren, die einige Informationen enthalten, müssen weitere Untersuchungen durchgeführt werden, um den Planungsprozess zu unterstützen.

Projektumfang und Methodik

Im Rahmen des MSc, den ich in Data Science absolviere, suchte ich nach einem komplexen Projekt, das meine Arbeit am DfT unterstützen würde. Ich beschloss, mich darauf zu konzentrieren, wie ich helfen kann, den Anteil der nicht abgedeckten Parkplätze abseits der Straße in einem Kilometer zu quantifizieren2 Testgebiet für Wohngebiete mit dem Potenzial, das Projekt zu einem späteren Zeitpunkt auf das gesamte Land auszudehnen.

Ziel des Projekts war es, den Vorgartenbereich von Wohnimmobilien zu untersuchen, um festzustellen, ob sie zum Parken genutzt werden können, und um eine private Ladestation unterzubringen, die über die Stromversorgung des Haushalts mit Strom versorgt wird.

Es schien der naheliegende Ausgangspunkt zu sein, sich Karten und Luftbilder anzusehen. Ich hatte bereits über das Public Sector Geospatial Agreement (PSGA) Zugriff auf Ordnance Survey-Daten und Luftbildfotografie Großbritannien (APGB). Daher begann ich zu bestimmen, wie ich die Daten verknüpfen und nutzen könnte, um herauszufinden, was ich wissen musste.

Die Ebene "Topografiebereich" von OS Master Maps enthält vektorisierte Polygone jeder Form, die zusammen ein Puzzle des Vereinigten Königreichs bilden, z. B. Gärten, Straßen, Gehwege und Gebäude. Alle OS-Karten verwenden das British National Grid-Koordinatenreferenzsystem. Andere nützliche Felder umfassen die eindeutige Polygonkennung oder die topografische Kennung (TOID) und verschiedene beschreibende Felder, die eine detaillierte Filterung ermöglichen. Die AddressBase Plus von Ordnance Survey enthält außerdem eine eindeutige Eigenschaftsreferenznummer (UPRN) für jede Postanschrift in Großbritannien sowie eine Punktgeometrie für ihren Standort und die Gebäude-TOID, mit der sie in der Ebene Topografiebereich übereinstimmt.

APGB-Produkte sind Rasterbilder von 1 km2 Gitter, die auch mit dem British National Grid übereinstimmen. Ich habe die Ebene OS Topography Area und AddressBase Plus verwendet, um die Wohnimmobilien und die zugehörigen Vektorpolygone zu identifizieren, und dann die OS-Daten mit den Luftbildern von APGB unter Verwendung der nationalen Gitterkoordinaten abgeglichen. Was schwieriger war, war die Zuordnung von Gärten zu Wohnhäusern. Dazu habe ich Polygone von Land Registry Inspire verwendet, die den gesamten Umfang des Grundstücks anzeigen und sich mit repräsentativen Punkten der Bestandteile des Betriebssystems überschneiden, um sicherzustellen, dass jede Wohnadresse mit dem richtigen Garten verknüpft ist. Schließlich verwendete ich einen fernerkundenden Vegetationsindex, um die Fotografie zu analysieren und Gärten in Vegetation und künstliche Oberfläche zu unterteilen. Von dort aus stellte ich fest, ob die künstliche Fläche neben dem Straßenrand lag und die richtige Größe und Form für ein Fahrzeug hatte. Ich konnte einen Algorithmus entwickeln, der alle Bilder des Vorgartens überprüfte und Wohnhäuser im Testgebiet entweder als "Parken möglich" oder "kein Parken" klassifizierte.

Eine räumliche Dimension

Ich habe Python verwendet, um den Code für das Projekt zu schreiben. Python und die gesamte Domäne der Geodaten waren für mich zu Beginn des Projekts völlig neu. Das Team von OS war sehr hilfreich, beriet bei der optimalen Verwendung der Daten und schlug Bibliotheken vor, die ich für nützlich halten würde, wie Rasterio und Shapely. Das hat mir viel Zeit gespart.

Ich habe auch Zugriff auf GIS-Tools bei DfT - und obwohl ich diese zuvor noch nicht verwendet hatte und sie für die Analyse selbst nicht benötigt wurden, war es hilfreich, QGIS nebenbei zu betrachten, um zu überprüfen, was ich suchte beim. Ich habe es wirklich genossen, mit Geodaten zu arbeiten - es war sehr lohnend, zu sehen, was Sie getan haben, und alles abzubilden. Es bietet eine greifbare Dimension für ein datenwissenschaftliches Projekt.

Ergebnisse und nächste Schritte

Meine Ergebnisse zeigen, dass der Anteil der Wohnhäuser mit Parkmöglichkeiten abseits der Straße innerhalb von 1 km2 Die vorstädtische Testfläche beträgt ca. 46%. Eine manuelle Beschriftung jedes Bildes schätzte den Anteil auf 53%, was darauf hinweist, dass das Modell den tatsächlichen Anteil leicht unterschätzt. Der Algorithmus und die manuelle Kennzeichnung zeigten jedoch eine starke Übereinstimmung (84%), was die Realisierbarkeit dieser Methode zur Identifizierung von Parkplätzen abseits der Straße auf Wohngebieten zeigt.

Der nächste Schritt wäre die Skalierung dieser Methode, um das Parken abseits der Straße für jede Wohnwohnung in Großbritannien zu ermitteln. Ich bin auch daran interessiert, möglicherweise Techniken des maschinellen Lernens in die nächste Phase des Projekts einzubeziehen, aber ich habe noch keine klaren Pläne. Ich freue mich über weitere Beiträge und Ideen des OS-Teams und anderer, wenn wir auf eine sauberere Zukunft hinarbeiten.

|

1 Kommentare

Ihre Kommentare

Lesen Sie unsere Kommentarpolitik hier

Leser Kommentare

Ich hoffe, dass fahrerlose Autos die Notwendigkeit der Implementierung von Millionen von Ladestationen für Privathaushalte im ganzen Land zunichte machen. Das fahrerlose Auto verfügt über ausgewiesene Ladestationen, möglicherweise auf vorhandenen Parkplätzen, an denen es bei Bedarf andocken und aufladen kann. Bürger werden einfach eine Fahrt von einer App anfordern. Damit entfällt die Anforderung, ein Auto zu besitzen.

Natürlich wird dies nicht jedem passen oder für jede Reise praktisch sein, aber es würde den meisten meiner Bedürfnisse entsprechen!

Von Christian Woodhouse