Klassificering av refuger baserat på spatiala vektorpolygoner i vägnät : En fallstudie om utmaningar och lösningar till att klassificera företeelser till det norska vägnätet

Sammanfattning: Geografiska informationssystems användning blir allt viktigare i dagens samhälle där spatiala data kan lagras, hämtas, analyseras och visualiseras. Genom att sammanställa spatiala data kan en bild av verkligheten abstraheras. Detaljerad information om vägnat och företeelser (refuger, bullerplank, skyltar etcetera) för analys leder till ett effektivare drift- och underhållsarbete. Vilket i sin tur ger en ökad framkomlighet för trafikanter. Teknikföretaget Triona har en kartapplikation där utmaningar har uppstått gällande algoritmisk knytning av inmätta refuger (benämnd Norge-datasamlingen) till det norska vägnatet. En refug ar en upphöjning i gatan som avgränsar körfalt och påminner om en trottoar i utseendet. Denna fallstudie behandlade ett delproblem där klassificering av refuger skulle kunna underlätta knytningen och förutsättningarna for analys. Syftet med studien kan sammanfattas till att presentera förslag på metoder for att klassificera refugerna med övervakad maskininlärning. Med algoritmerna K-nearest neighbors (KNN) och Decision tree studerades möjligheten att automatiskt klassificera refugerna. En refug bestod av en vektorpolygon vilket är en lista med koordinater. Polygonens hörn bestod av koordinatparen latitud och longitud. Norge-datasamlingen var inte i forväg kategoriserad till sina elva typer och kunde därfor inte anvandas. En datasamling med 2157 refuger med sju typer från Portland, USA tillämpades i stället. De spatiala vektorpolygonerna transformerades med Elliptical Fourier Descriptors (EFD). Maskinlärningsmodellerna tränades på att klassificera refugerna baserat på matematiska approximationer av dess konturer från EFD. Slutsatser kunde dras genom att refugtypernas konturer analyserades och prestationer observerades. Prestationer utvärderades utifrån traffsäkerhet med kompletterande mätvarden som precision och återkallelse på Portland-datasamlingen. Traffsäkerhet är andelen rätta klassificeringar av refugerna. KNN uppnådde 64 % och Decisiontree 69 % traffsäkerhet. Då båda datasamlingarna var verkliga exempel på refuger i vägnat kunde ett antagande göras att det inte skulle bli en mycket högre traffsäkerhet om studiens metod appliceras på Norge-datasamlingen. Modellernas prestationer bedömdes därmed inte vara tillrackligt bra for en rekommendation.