[Back]

J. Smidek:
"Analysis of Movement Data Using ArcGIS in the Cloud";
Supervisor: G. Navratil; Department für Geodäsie und Geoinformation, FB Geoinformation, 2018; final examination: 2018-06-07.

Spatial data mining is a highly emerging field as a consequence of tremendous growth in spatial data collection. Such growth has been made possible through various applications, such as: remote sensing, GIS, environmental assessment, planning, web-based spatial data sharing, and location-based services. Through advanced spatial data mining methods and analysis, valuable knowledge can be extracted. The gained knowledge is used to support decision making based on spatial data. As data based decision making is becoming more and more important and a large proportion of data includes significant spatial components the use of spatial algorithms is becoming an important part of modern data mining.
For this thesis the used dataset is based on user data of a smartphone application for indoor navigation. This smartphone application was developed and designed for a fashion trade show in Copenhagen. This thesis evaluates, if it is possible to analyse this movement data to gain beneficial knowledge with the provided toolset of commercial GIS software. The functions that were provided by this software were embedded and adjusted in several scripts to automatically process datasets in post-processing. By testing the feasibility of these methods in post-processing the possibility of future real-time analysis can be evaluated as well. Furthermore, a comparison shall be made how processing large amounts of data differ from smaller datasets and if the use of cloud computing can improve possible issues.
In conclusion the study found that it is possible to extract valuable knowledge from the provided movement data despite certain limitations. However, such limitations are primarily related to the aspects of data acquisition rather than the data analysis methods. Firstly, in order to analyse some phenomena, for example detecting movement patterns, large amounts of data are necessary in a dense temporal structure. The weight of this limitation is even more severe for real-time applications. Secondly, a relatively high spatial accuracy is necessary in order to yield high quality results. Lastly, some issues related to pre-processing tasks could be observed, especially concerning coordinate transformations.

Räumliches Data Mining ist ein schnell wachsendes Anwendungsgebiet durch das immense Wachstum in der Verfügbarkeit von räumlichen Daten. Der Grund für dieses Wachstum ist gegeben durch diverse Anwendungen wie: Fernerkundung, GIS, städtische Planungsvorhaben, Social Media und Location Based Services. Durch Anwendung von Methoden des räumlichen Data Minings und Datenanalyse kann wertvolles Wissen extrahiert werden. Dieses Wissen kann dazu verwendet werden um Entscheidungen auf Basis der räumlichen Datengrundlage zu treffen. Diese Datenbasierten Entscheidungen werden immer wichtiger. Da ein Großteil der verfügbaren Daten einen signifikanten räumlichen Anteil hat, ist auch die Anwendung räumlicher Algorithmen ein essenzieller Bestandteil von modernen Data Mining.
Der in dieser Diplomarbeit verwendete Datensatz basiert auf Benutzerdaten einer Smartphone Applikation für Indoor Navigation. Diese Applikation wurde für eine Messe in Kopenhagen entwickelt. In dieser Studie soll evaluiert werden, ob es möglich ist diese Bewegungsdaten mit den Werkzeugen einer kommerziellen GIS Software zu analysieren um wertvolles Wissen zu erlangen. Die von der Software bereitgestellten Funktionen wurden in eigens erstellte Python Skripte implementiert um als Post Processing Datensätze automatisch analysieren zu können. Indem die Möglichkeiten dieser Methoden im Post Processing getestet wurden ist es möglich eine Vorhersage über eine potentielle Anwendung für Echtzeitanwendungen zu treffen. Es wurde außerdem evaluiert welchen Einfluss die Prozessierung der Daten in der Cloud hat.
Die Ergebnisse dieser Studie sind, dass es durchaus möglich ist aus dem vorhandenen Datensatz, wertvolles Wissen zu extrahieren, obwohl gewisse Limitierungen beobachtet werden konnten. Diese Limitierungen, beziehen sich vorwiegend auf Aspekte der Datenakquisition. Erstens, um gewisse Phänomene wie Bewegungsmuster detektieren zu können, sind große Datenmengen in einem dichten Zeitrahmen notwendig. Diese Limitierung trifft umso mehr zu falls Echtzeitanwendungen angedacht werden. Es ist außerdem eine relativ hohe Positionierungsgenauigkeit erforderlich um qualitativ hochwertige Ergebnisse liefern zu können. Es konnten außerdem einige Erschwernisse im Pre-Processing beobachtet werden, welche vor allem auf Schwierigkeiten der Koordinatenübertragung von dem gegebenen lokalen Koordinatensystem auf ein globales Koordinatensystem zurückzuführen sind.

Trajektorien, Analyse, Indoor, GIS

https://publik.tuwien.ac.at/files/publik_270525.pdf