Geografer bruger big data til at forudsige, hvordan hældning påvirker menneskelige rejsehastigheder

Har du nogensinde løbet på et fortov og gjort dig ret god tid, så ramte en bakke og bremsede langt ned? Hvis så, du har oplevet, hvordan hældning påvirker rejsepriserne. For de fleste af os, at forstå, hvordan skråningers stejlhed påvirker vores hastighed, er et spørgsmål om kondition. For andre, såsom vilde brandmænd, der trækker sig tilbage fra brandlinjen til en sikkerhedszone, at forudsige, hvor lang tid det tager at bevæge sig over terræn, kan være et spørgsmål om liv og død.

Brandmandskab, byplanlæggere og eftersøgnings- og redningshold er blot nogle af de mange grupper, der kan bruge matematiske modeller til at forudsige, hvordan hældning påvirker rejsehastigheden. Eksisterende modeller har to store problemer. De er baseret på datasæt med meget små stikprøvestørrelser, og de ignorerer, hvor forskelligt folk bevæger sig gennem deres miljø – at gå og løbe op ad den samme skråning vil give meget forskellige rejsehastigheder.

Et team af geografer udviklede en række modeller, der stærkt forudsiger, hvordan terrænhældningen påvirker menneskelige rejsehastigheder. Ved hjælp af en massiv, crowdsourcet fitness-tracking database, geograferne analyserede GPS-data fra næsten 30, 000 mennesker omkring Salt Lake City, Utah. Individerne vandrede, joggede, og løb tilsammen 81, 000 miles, svarende til mere end tre ture rundt om Jordens ækvator. De resulterende modeller er de første, der tager højde for variationer i rejsehastigheder mellem langsomme, medium og hurtige bevægelser.

"Dette vil revolutionere vores forståelse af, hvordan terræn påvirker fodgængeres bevægelser, " sagde Michael Campbell, assisterende professor ved Fort Lewis College og hovedforfatter af undersøgelsen. "Fra et brandmandsperspektiv, under normale forhold kan et brandmandskab have rigelig tid til at vandre til en sikkerhedszone, men hvis lortet rammer blæseren, de bliver nødt til at spurte for at nå dertil. Vi forsøgte at indføre forudsigelig fleksibilitet, der kan efterligne rækken af ​​forhold, som man måske skal overveje, når man estimerer rejsepriser og -tider."

Avisen blev offentliggjort den 3. april, 2019, i journalen Anvendt geografi .

Big data

Forskerne udnyttede crowdsourcede data fra Strava, en social fitness -applikation, der sporer cyklister, løbere, vandrere, og svømmere, der bruger GPS-data via brugernes mobiltelefoner og andre GPS-aktiverede enheder. Strava Metro er et program, der distribuerer store mængder aggregeret, anonyme GPS-data til enheder såsom lokale og regionale myndigheder for at hjælpe med transportplanlægning. Til dato, Strava Metros samarbejder har primært drejet sig om cykel- og løbedata i bymiljøer. Geograferne er nogle af de første til at bruge sine vandreture, løb og jogging data fra aktiviteter på stier, og er de første til at bruge big data til at estimere forholdet mellem hældning og rejsehastigheder på vandrestier. Geograferne vurderede hældning med lidar, som bruger laserimpulser til at måle topografi inden for få centimeter. Tidligere undersøgelser var baseret på meget grovere estimater for at bestemme, hvordan hældning påvirker rejsehastigheden.

"At beregne, hvor hurtigt folk bevæger sig gennem miljøet, er et mere end et århundrede gammelt problem. At have data fra et så stort antal mennesker, der bevæger sig med alle forskellige hastigheder, gjorde det muligt for os at skabe meget mere avancerede modeller, end hvad der er blevet gjort før, " sagde Philip Dennison, en professor i Institut for Geografi ved University of Utah og en forfatter om undersøgelsen. "Enhver applikation, der estimerer, hvor hurtigt folk går, jogge, eller løbe fra punkt A til punkt B kan drage fordel af dette arbejde."

Steph Hannon, produktchef i Strava, tilføjet, "Dette er en fascinerende anvendelse af Strava Metros datasæt uden for bymobilitet og infrastrukturplanlægning, og vi er begejstrede for de livreddende konsekvenser af denne undersøgelse. Jeg er glad for, at vores dataindsigt kan understøtte arbejde, der beskytter brandmænd, mens de arbejder hårdt for at beskytte os andre."

Den mest udbredte model til at estimere rejserater efter hældning er Toblers vandrefunktion. I 1993, geograf Waldo Tobler tilpassede en matematisk funktion til en figur, der opsummerede empiriske data indsamlet i 1950'erne, før GPS-alderen. Folk har brugt Toblers vandrefunktion til at estimere evakueringstider for tsunamier, savnede persons eftersøgnings- og rednings- og flugtveje til brandmænd. Den næst mest udbredte funktion, kaldet Naismiths regel, har eksisteret siden 1892. En skotsk bjergbestiger tog på vandretur, skrev derefter et indlæg i Scottish Journal of Mountaineering. Baseret på hans personlige erfaringer, han skrev, at man skulle budgettere tre timer for hver tre vandrede miles, og tilføj en time for hver 2, 000 lodrette fødder steget.

"Hundredevis af mennesker bruger disse skråningsrejsehastighedsfunktioner baseret på en tilfældig skotsk fyr fra 1890'erne og nogle data fra 1950'erne, " sagde Campbell. "Vi ville gøre det bedre."

I 2017 Campbell, Dennison og andre målte eksperimentelt hældning og rejsehastigheder for 37 personer, som var det største eksperimentelle datasæt, indtil Irmischer og Clarke registrerede rejserater med 200 personer i 2018. Den nye undersøgelse brugte data registreret mellem 1. juli, 2016, og 30 juni 2017 fra næsten 30, 000 personer, i alt næsten 1,1 millioner datapunkter. Den enorme mængde data gjorde det muligt for geograferne at udvikle fleksible funktioner på et spektrum af rejsehastigheder, fra de langsomste vandrere i 1. percentil til de hurtigste løbere i 99. percentil.

Ifølge resultaterne af undersøgelsen, en langsom gåtur på en lejlighed, 1-mile (1,6 km) sti tager cirka 33 minutter i gennemsnit, der henviser til, at det samme niveau af anstrengelse på en stejl, 30 graders hældning vil tage omkring 97 minutter. I den anden ende af spektret, et hurtigt løb på en flad, 1-mile sti tager cirka seks minutter, sammenlignet med 13 minutter op ad en 30 graders hældning. Folk bevæger sig hurtigst på en let ned ad bakke, og rejsehastigheden var hurtigere for ned ad bakke end op ad bakke. For eksempel, at gå ned ad en stejl skråning på 30 grader foregik med samme hastighed som at gå op ad en skråning på 16 grader.

Tuning big data til brandmænd

Dataene har nogle begrænsninger. Fordi det er crowdsourcet, dataene er rodede. Og på grund af sin anonymitet, forskerne kender ikke til de enkelte løbere. Hvis de havde oplysninger om hver persons fitnessniveau, de kunne udvikle mere nuancerede funktioner til at forudsige rejsetider.

Stirrer denne måned, geograferne vil anvende deres nye modeller på vilde brandmænd. Under deres forårstræning, næsten et dusin brandfolk i Utah, Idaho, Colorado og Californien vil bruge GPS-trackere til at registrere deres bevægelser og logge deres rejsepriser. Dette vil give dem mulighed for bedre at forstå rejsehastigheden for den unikke brandmandspopulation, som ofte krydser ulendt terræn, arbejder lange timer, og bære tunge pakker.

"Vi er nødt til at finde ud af, hvor brandmænd passer langs dette spektrum ud fra de store data, " sagde Campbell. "At fortælle brandmændene, at vi kan forudsige, hvor lang tid det vil tage at komme til sikkerhedszoner ved hjælp af data fra en mangfoldig population af Strava-brugere, vil ikke være lige så overbevisende som data, som brandmandskabet selv leverer. Alt, hvad vi kan gøre, der forbedrer rejsehastighedsestimaterne for brandmænd, vil give en ekstra sikkerhedsmargin og forhåbentlig redde liv."