Kartographische Darstellungen für die visuelle Verkehrsanalyse auf Basis von Floating Car Data (FCD)

Abstract

In dieser Arbeit werden Floating Car Data (FCD) von Taxis in Shanghai visuell untersucht. Der Datensatz basiert auf Taxipositionen von etwa 8.000 Taxis, die innerhalb eines Tags (30.06.2010) beobachtet wurden. Grundlegende Eigenschaften vergleichbarer Datensätze werden allgemein in Bezug auf Erfassung und erreichbare Positionierungsgenauigkeit erklärt. Hierfür werden Konstellationen und Auswertemöglichkeiten von FCD genauer betrachtet. Aufgrund der Datenmenge werden bereits bekannte Verfahrensarten der FCD-Analyse vorgestellt, die sich für eine effiziente Verarbeitung eignen können. Hierzu gehören vor allem die unterschiedlichen Methoden des Map Matchings, was die Verknüpfung von FCD und Straßennetzwerkelementen beschreibt. In Bezug auf die Visualisierung von FCD mit Kartendarstellungen werden unterschiedliche Möglichkeiten vorgestellt. Dazu gehören neben Punktstreuungskarten auch interaktive Verkehrskarten für Verkehrslagedienste sowie dreidimensionale Kartendarstellungen von Verkehr. Ausgehend von der elementaren Darstellung einer erfassten Taxiposition wird als erstes eine Punktstreuungskarte erzeugt. Da hier Überlappung (Cluttering) oft eine eingehende visuelle Analyse verhindert, wird ein digitalisiertes Straßennetz in die visuelle Untersuchung mit eingebracht. Mit der einfachsten und rechenextensivsten Methode des Map Matchings werden für jedes Straßensegment die Fahrzeugpositionen innerhalb bestimmter räumlicher und zeitlicher Intervalle gezählt. Anschließend können absolute oder durchschnittliche Werte aus den Positionen für jedes untersuchte Straßensegment berechnet werden. Hieraus entstehen Kartendarstellungen, die zum einen die Durchschnittsgeschwindigkeiten und zum anderen das Ausmaß der Verkehrsbelastung (Einführung einer „Staudetektionsgröße“) für jedes erzeugte Straßenpolygon beschreiben können. Die dritte Art der Visualisierung beruht auf der Extrusion von Straßenflächen in einer dreidimensionalen Kartenansicht, wobei das Maß für die Extrusion auf der Fahrzeugdichte beruht. Die drei verschiedenen Darstellungsarten werden am Ende gegenübergestellt und in Bezug auf ihre Nutzerfreundlichkeit hin verglichen.

Full text

gis.SCIENCE 2 (2015) 51-61
gis.SCIENCE 2/2015 I
51
Universität Augsburg, Institut für Geographie
KARTOGRAPHISCHE DARSTELLUNGEN FÜR DIE VISUELLE VER-
KEHRSANALYSE AUF BASIS VON FLOATING CAR DATA (FCD)
VON TAXIS
Andreas Keler
Zusammenfassung: In dieser Arbeit werden Floating Car Data (FCD) von Taxis in Shanghai visuell untersucht. Der Datensatz basiert
auf Taxipositionen von etwa 8.000 Taxis, die innerhalb eines Tags (30.06.2010) beobachtet wurden. Grundlegende Eigenschaften
vergleichbarer Datensätze werden allgemein in Bezug auf Erfassung und erreichbare Positionierungsgenauigkeit erklärt. Hierfür wer-
den Konstellationen und Auswertemöglichkeiten von FCD genauer betrachtet. Aufgrund der Datenmenge werden bereits bekannte
Verfahrensarten der FCD-Analyse vorgestellt, die sich für eine effiziente Verarbeitung eignen können. Hierzu gehören vor allem die
unterschiedlichen Methoden des Map Matchings, was die Verknüpfung von FCD und Straßennetzwerkelementen beschreibt. In Bezug
auf die Visualisierung von FCD mit Kartendarstellungen werden unterschiedliche Möglichkeiten vorgestellt. Dazu gehören neben
Punktstreuungskarten auch interaktive Verkehrskarten für Verkehrslagedienste sowie dreidimensionale Kartendarstellungen von Verkehr.
Ausgehend von der elementaren Darstellung einer erfassten Taxiposition wird als erstes eine Punktstreuungskarte erzeugt. Da hier
Überlappung (Cluttering) oft eine eingehende visuelle Analyse verhindert, wird ein digitalisiertes Straßennetz in die visuelle Untersu-
chung mit eingebracht. Mit der einfachsten und rechenextensivsten Methode des Map Matchings werden für jedes Straßensegment
die Fahrzeugpositionen innerhalb bestimmter räumlicher und zeitlicher Intervalle gezählt. Anschließend können absolute oder durch-
schnittliche Werte aus den Positionen für jedes untersuchte Straßensegment berechnet werden. Hieraus entstehen Kartendarstellungen,
die zum einen die Durchschnittsgeschwindigkeiten und zum anderen das Ausmaß der Verkehrsbelastung (Einführung einer „Staudetek-
tionsgröße“) für jedes erzeugte Straßenpolygon beschreiben können. Die dritte Art der Visualisierung beruht auf der Extrusion von
Straßenflächen in einer dreidimensionalen Kartenansicht, wobei das Maß für die Extrusion auf der Fahrzeugdichte beruht. Die drei
verschiedenen Darstellungsarten werden am Ende gegenübergestellt und in Bezug auf ihre Nutzerfreundlichkeit hin verglichen.
Schlüsselwörter: Floating Car Data, Vorverarbeitung, Verkehrsvisualisierung, Verkehrsfluss, Big Data, Punktstreuungskarten
CARTOGRAPHIC REPRESENTATIONS FOR VISUAL TRAFFIC ANALYSIS BASED ON
FLOATING CAR DATA (FCD) OF TAXIS
Abstract: In this work, Floating Car Data (FCD) of taxis in Shanghai is examined visually. The data set is based on observed taxi
positions of about 8000 taxis operating within one day (30.06.2010). Basic properties of comparable datasets are explained in
terms of acquisition and achievable accuracy. Therefore constellations and evaluation possibilities of FCD are considered more
detailed. Due to the amount of this data type the known methods for FCD analysis are presented, which may be suitable for efficient
processing. These include in particular the different methods of map matching, which describes the link between FCD and road
network elements. Afterwards different possibilities for the visualization of FCD with maps are presented. In addition to dot maps
there are as well interactive traffic maps for traffic services and three-dimensional traffic map displays. Based on the elementary
representation of a taxi position a dot map is generated first. Since this goes ahead with overlapping points (cluttering) an efficient
visual analysis is not possible. Therefore a digitized road network is introduced. The simplest and computationally most extensive
method of map matching consists of simple counting of the vehicle positions within a generated road polygon. This is provided for
certain spatial and temporal intervals of the inspected FCD set. Subsequently absolute or average values can be calculated from the
taxi positions for each inspected road segment. This aspect results in map displays that can describe the average velocity. Another
description may be the extent of the traffic congestion (introduction of a “congestion value”) for each generated polygon street. The
third type of visualization is based on the extrusion of road surfaces in a three-dimensional map, where the extrusion value is based
on the vehicle density. Finally the three different types of representation are compared in terms of their ease of use.
Keywords: Floating car data, preprocessing, traffic visualization, traffic flow, big data, dot maps
KARTOGRAPHISCHE DARSTELLUNGEN FÜR DIE VISUELLE VERKEHRSANALYSE

KARTOGRAPHISCHE DARSTELLUNGEN FÜR DIE VISUELLE VERKEHRSANALYSE
gis.SCIENCE 2/201552 I
1 EINLEITUNG
In den vergangenen Jahren hat sich der Be-
griff Floating Car Data (FCD) für Datensät-
ze von Fahrzeugen etabliert, die mit
GNSS-Technologie erfasst werden. Aufge-
zeichnet werden dabei nicht nur die Positi-
on, sondern auch weitere Bewegungsda-
ten des Fahrzeugs, wie etwa Momentan-
geschwindigkeit, Beschleunigung oder
Fahrtrichtung. Dies geschieht über ein so-
genanntes Floating-Car-Device, was die
Kombination von GNSS-Empfänger und
Sensoren für die Erfassung der Fahrzeug-
elektronik (u. a. Tachometer, Drehzahlmes-
ser, Taxameter) darstellt. Optional können
je nach Ausführung des Floating-Car-De-
vice auch Zustände von ABS, Außenther-
mometer, Regensensor, Warnblinker und
anderen Sensoren erfasst werden (Breiten-
berger et al. 2004). Der letztendlich er-
zeugte Datensatz kann sowohl aus den er-
fassten Positionen eines Fahrzeugs oder
auch einer Fahrzeugflotte (mehrere Fahr-
zeuge) bestehen, jeweils ergänzt mit den
erwähnten zusätzlichen Angaben. Die er-
weiterten Datensätze werden mit dem Be-
griff Extended Floating Car Data (XFCD)
umschrieben (Krampe et al. 2013, Huber
et al. 1999). Die Antwort auf die Frage,
warum vermehrt Taxiflotten diese Art von
Massendaten liefern, resultiert aus einer
Tatsache, die Lorkowski et al. (2003) als
bereits verfügbare Kommunikationsinfra-
struktur beschreiben. Die Aussendung von
Trackingdaten geschieht oft über Mobil-
funk. Dies bedeutet jedoch, dass Kosten je
beobachtetes Objekt anfallen. Die Höhe
dieser Kosten ist abhängig von der Anzahl
der Teilnehmer an der Beobachtung. Im
Falle einer Taxiflotte wird die Information
mit einem „Dispatchersystem“ ermittelt, was
bedeutet, dass eine bereits verfügbare
Kommunikationsinfrastruktur genutzt wird,
ohne jegliche Zusatzkosten. Heutzutage
gibt es eine Reihe von unterschiedlichen
Anwendungsgebieten für FCD. Bei der
Analyse solcher Daten gibt es unterschiedli-
che Betrachtungsweisen der untersuchten
Aufzeichnung. In Fall der Modellierung ei-
ner makroskopischen Sicht auf die Ver-
kehrslage werden beispielsweise die Fahr-
zeugpositionen mit bestimmten Straßenele-
menten assoziiert. Wenn es um die Unter-
suchung des Fahrverhaltens geht (Li et al.
2011, Liu et al. 2009), sind die einzelnen
Trajektorien wichtiger, die auch als Polylini-
enelemente zwischen Anfangs- und End-
punkt dargestellt werden können. Die vier
grundlegenden Elemente, die aus FCD ab-
geleitet werden können, werden in der Ta-
belle1 mit ihrer jeweiligen Bedeutung und
Beispieldarstellung gezeigt.
Je nach Nutzung der in Tabelle1 auf-
gelisteten Elemente kann sich auch die Art
der Modellierung ändern (Andrienko & An-
drienko 2013). Wichtig ist in diesem Zu-
sammenhang das Element Trajektorie.
Durch die Assoziierung bestimmter Fahr-
zeugpositionen können einzelne Fahrten
mit bestimmten Start- und Zielpunkten als
einzelne Elemente betrachtet werden.
Durch die Anbindung an eine Trajektorien-
datenbank lassen sich raumzeitliche Analy-
sen mit Online Analytical Processing(OLAP)-
Methoden effizienter vornehmen, da inter-
aktiv eine globale und lokale Sicht auf die
Daten ermöglicht wird (Orlando et al.
2007, Leonardi et al. 2010). Die Untersu-
chung eines Trajektorienbündels erlaubt
des Weiteren die Analyse von Interaktio-
nen zwischen den bewegten Objekten
(Long & Nelson 2012). Es ist auch zu be-
Tabelle 1: Möglichkeiten der FCD-Konstellationen nach Körner (2011)
Autor
M. Sc. Andreas Keler
Universität Augsburg
Institut für Geographie
Professur für Angewandte Geoinformatik
Alter Postweg 118
D-86159 Augsburg
E: andreas.keler@geo.uni-augsburg.de
Element Bedeutung Beispieldarstellung
Punkt Einzelner Positionsdatensatz
Professur für Angewandte Geoinformatik
Alter Postweg 118
D-86159 Augsburg
E: andreas.keler@geo.uni-augsburg.de
1 Einleitung
In den vergangenen Jahren hat sich der Begriff Floating Car Data (FCD) für Datensätze von Fahrzeugen etabliert, die
mit GNSS-Technologie erfasst werden. Aufgezeichnet werden dabei nicht nur die Position, sondern auch weitere
Bewegungsdaten des Fahrzeugs, wie etwa Momentangeschwindigkeit, Beschleunigung oder Fahrtrichtung. Dies
geschieht über ein sogenanntes Floating-Car-Device, was die Kombination von GNSS-Empfänger und Sensoren für die
Erfassung der Fahrzeugelektronik (u. a. Tachometer, Drehzahlmesser, Taxameter)darstellt. Optional können je nach
Ausführung des Floating-Car-Device auch Zustände von ABS, Außenthermometer, Regensensor, Warnblinker und
anderen Sensoren erfasst werden (Breitenberger et al. 2004).Der letztendlich erzeugte Datensatz kann sowohl aus den
erfassten Positionen eines Fahrzeugs oder auch einer Fahrzeugflotte (mehrere Fahrzeuge)bestehen, jeweils ergänzt mit
den erwähnten zusätzlichen Angaben. Die erweiterten Datensätze werden mit dem Begriff Extended Floating Car Data
(XFCD) umschrieben (Krampe et al. 2013,Huber et al. 1999). Die Antwort auf die Frage,warum vermehrt Taxiflotten
diese Art von Massendaten liefern,resultiert aus einer Tatsache, die Lorkowski et al. (2003) als bereits verfügbare
Kommunikationsinfrastruktur beschreiben. Die Aussendung von Trackingdaten geschieht oft über Mobilfunk. Dies
bedeutet jedoch, dass Kosten je beobachtetes Objekt anfallen.Die Höhe dieser Kosten ist abhängig von der Anzahl der
Teilnehmer an der Beobachtung. Im Falle einer Taxiflotte wird die Information mit einem „Dispatchersystem“ ermittelt,
was bedeutet, dass eine bereits verfügbare Kommunikationsinfrastruktur genutzt wird, ohne jegliche Zusatzkosten.
Heutzutage gibt es eine Reihe von unterschiedlichen Anwendungsgebieten für FCD. Bei der Analyse solcher Daten gibt
es unterschiedliche Betrachtungsweisen der untersuchten Aufzeichnung. In Falle der Modellierung einer
makroskopischen Sicht auf die Verkehrslage werden beispielsweise die Fahrzeugpositionen mit bestimmten
Straßenelementen assoziiert. Wenn es um die Untersuchung des Fahrverhaltens geht (Li et al. 2011,Liu et al. 2009),
sind die einzelnen Trajektorien wichtiger, die auch als Polylinienelementezwischen Anfangs-und Endpunkt dargestellt
werden können. Die vier grundlegenden Elemente, die aus FCD abgeleitet werden können, werden in der Tabelle 1 mit
ihrer jeweiligen Bedeutung und Beispieldarstellung gezeigt.
Tabelle 1: Möglichkeiten der FCD-Konstellationen nach Körner (2011)
Je nach Nutzung der in Tabelle 1 aufgelisteten Elemente kann sich auch die Art der Modellierung ändern (Andrienko &
Andrienko 2013). Wichtig ist in diesem Zusammenhang das Element Trajektorie. Durch die Assoziierung bestimmter
Fahrzeugpositionen können einzelne Fahrten mit bestimmten Start-und Zielpunkten als einzelne Elemente betrachtet
werden. Durch die Anbindung an eine Trajektoriendatenbank lassen sich raumzeitliche Analysen mit Online Analytical
Processing(OLAP)-Methoden (effizienter vornehmen, da interaktiv eine globale und lokale Sicht auf die Daten
ermöglicht wird (Orlando et al. 2007, Leonardi et al. 2010).Die Untersuchung eines Trajektorienbündels erlaubt des
Weiteren die Analyse von Interaktionen zwischen den bewegten Objekten (Long &Nelson 2012). Es ist auch zu
beachten, dass eine Reihe von Arbeiten sich mit der interaktiven visuellen Darstellung von Trajektorien
Element
Bedeutung
Beispieldarstellung
Punkt Einzelner Positionsdatensatz
Vektor
Zwei vom gleichen Fahrzeug in
direkter zeitlicher Abfolge detektierte
Positionen
Trajektorie
Mehrere vom gleichen Fahrzeug in
direkter zeitlicher Abfolge detektierte
Positionen
Trajektorienbündel
Überlagerung mehrerer
Einzeltrajektorien auf gleichem
Netzelement
Vektor Zwei vom gleichen Fahrzeug in direkter zeitlicher
Abfolge detektierte Positionen
Professur für Angewandte Geoinformatik
Alter Postweg 118
D-86159 Augsburg
E: andreas.keler@geo.uni-augsburg.de
1 Einleitung
In den vergangenen Jahren hat sich der Begriff Floating Car Data (FCD) für Datensätze von Fahrzeugen etabliert, die
mit GNSS-Technologie erfasst werden. Aufgezeichnet werden dabei nicht nur die Position, sondern auch weitere
Bewegungsdaten des Fahrzeugs, wie etwa Momentangeschwindigkeit, Beschleunigung oder Fahrtrichtung. Dies
geschieht über ein sogenanntes Floating-Car-Device, was die Kombination von GNSS-Empfänger und Sensoren für die
Erfassung der Fahrzeugelektronik (u. a. Tachometer, Drehzahlmesser, Taxameter)darstellt. Optional können je nach
Ausführung des Floating-Car-Device auch Zustände von ABS, Außenthermometer, Regensensor, Warnblinker und
anderen Sensoren erfasst werden (Breitenberger et al. 2004).Der letztendlich erzeugte Datensatz kann sowohl aus den
erfassten Positionen eines Fahrzeugs oder auch einer Fahrzeugflotte (mehrere Fahrzeuge)bestehen, jeweils ergänzt mit
den erwähnten zusätzlichen Angaben. Die erweiterten Datensätze werden mit dem Begriff Extended Floating Car Data
(XFCD) umschrieben (Krampe et al. 2013,Huber et al. 1999). Die Antwort auf die Frage,warum vermehrt Taxiflotten
diese Art von Massendaten liefern,resultiert aus einer Tatsache, die Lorkowski et al. (2003) als bereits verfügbare
Kommunikationsinfrastruktur beschreiben. Die Aussendung von Trackingdaten geschieht oft über Mobilfunk. Dies
bedeutet jedoch, dass Kosten je beobachtetes Objekt anfallen.Die Höhe dieser Kosten ist abhängig von der Anzahl der
Teilnehmer an der Beobachtung. Im Falle einer Taxiflotte wird die Information mit einem „Dispatchersystem“ ermittelt,
was bedeutet, dass eine bereits verfügbare Kommunikationsinfrastruktur genutzt wird, ohne jegliche Zusatzkosten.
Heutzutage gibt es eine Reihe von unterschiedlichen Anwendungsgebieten für FCD. Bei der Analyse solcher Daten gibt
es unterschiedliche Betrachtungsweisen der untersuchten Aufzeichnung. In Falle der Modellierung einer
makroskopischen Sicht auf die Verkehrslage werden beispielsweise die Fahrzeugpositionen mit bestimmten
Straßenelementen assoziiert. Wenn es um die Untersuchung des Fahrverhaltens geht (Li et al. 2011,Liu et al. 2009),
sind die einzelnen Trajektorien wichtiger, die auch als Polylinienelementezwischen Anfangs-und Endpunkt dargestellt
werden können. Die vier grundlegenden Elemente, die aus FCD abgeleitet werden können, werden in der Tabelle 1 mit
ihrer jeweiligen Bedeutung und Beispieldarstellung gezeigt.
Tabelle 1: Möglichkeiten der FCD-Konstellationen nach Körner (2011)
Je nach Nutzung der in Tabelle 1 aufgelisteten Elemente kann sich auch die Art der Modellierung ändern (Andrienko &
Andrienko 2013). Wichtig ist in diesem Zusammenhang das Element Trajektorie. Durch die Assoziierung bestimmter
Fahrzeugpositionen können einzelne Fahrten mit bestimmten Start-und Zielpunkten als einzelne Elemente betrachtet
werden. Durch die Anbindung an eine Trajektoriendatenbank lassen sich raumzeitliche Analysen mit Online Analytical
Processing(OLAP)-Methoden (effizienter vornehmen, da interaktiv eine globale und lokale Sicht auf die Daten
ermöglicht wird (Orlando et al. 2007, Leonardi et al. 2010).Die Untersuchung eines Trajektorienbündels erlaubt des
Weiteren die Analyse von Interaktionen zwischen den bewegten Objekten (Long &Nelson 2012). Es ist auch zu
beachten, dass eine Reihe von Arbeiten sich mit der interaktiven visuellen Darstellung von Trajektorien
Element
Bedeutung
Beispieldarstellung
Punkt Einzelner Positionsdatensatz
Vektor
Zwei vom gleichen Fahrzeug in
direkter zeitlicher Abfolge detektierte
Positionen
Trajektorie
Mehrere vom gleichen Fahrzeug in
direkter zeitlicher Abfolge detektierte
Positionen
Trajektorienbündel
Überlagerung mehrerer
Einzeltrajektorien auf gleichem
Netzelement
Trajektorie Mehrere vom gleichen Fahrzeug in direkter zeitlicher
Abfolge detektierte Positionen
Professur für Angewandte Geoinformatik
Alter Postweg 118
D-86159 Augsburg
E: andreas.keler@geo.uni-augsburg.de
1 Einleitung
In den vergangenen Jahren hat sich der Begriff Floating Car Data (FCD) für Datensätze von Fahrzeugen etabliert, die
mit GNSS-Technologie erfasst werden. Aufgezeichnet werden dabei nicht nur die Position, sondern auch weitere
Bewegungsdaten des Fahrzeugs, wie etwa Momentangeschwindigkeit, Beschleunigung oder Fahrtrichtung. Dies
geschieht über ein sogenanntes Floating-Car-Device, was die Kombination von GNSS-Empfänger und Sensoren für die
Erfassung der Fahrzeugelektronik (u. a. Tachometer, Drehzahlmesser, Taxameter)darstellt. Optional können je nach
Ausführung des Floating-Car-Device auch Zustände von ABS, Außenthermometer, Regensensor, Warnblinker und
anderen Sensoren erfasst werden (Breitenberger et al. 2004).Der letztendlich erzeugte Datensatz kann sowohl aus den
erfassten Positionen eines Fahrzeugs oder auch einer Fahrzeugflotte (mehrere Fahrzeuge)bestehen, jeweils ergänzt mit
den erwähnten zusätzlichen Angaben. Die erweiterten Datensätze werden mit dem Begriff Extended Floating Car Data
(XFCD) umschrieben (Krampe et al. 2013,Huber et al. 1999). Die Antwort auf die Frage,warum vermehrt Taxiflotten
diese Art von Massendaten liefern,resultiert aus einer Tatsache, die Lorkowski et al. (2003) als bereits verfügbare
Kommunikationsinfrastruktur beschreiben. Die Aussendung von Trackingdaten geschieht oft über Mobilfunk. Dies
bedeutet jedoch, dass Kosten je beobachtetes Objekt anfallen.Die Höhe dieser Kosten ist abhängig von der Anzahl der
Teilnehmer an der Beobachtung. Im Falle einer Taxiflotte wird die Information mit einem „Dispatchersystem“ ermittelt,
was bedeutet, dass eine bereits verfügbare Kommunikationsinfrastruktur genutzt wird, ohne jegliche Zusatzkosten.
Heutzutage gibt es eine Reihe von unterschiedlichen Anwendungsgebieten für FCD. Bei der Analyse solcher Daten gibt
es unterschiedliche Betrachtungsweisen der untersuchten Aufzeichnung. In Falle der Modellierung einer
makroskopischen Sicht auf die Verkehrslage werden beispielsweise die Fahrzeugpositionen mit bestimmten
Straßenelementen assoziiert. Wenn es um die Untersuchung des Fahrverhaltens geht (Li et al. 2011,Liu et al. 2009),
sind die einzelnen Trajektorien wichtiger, die auch als Polylinienelementezwischen Anfangs-und Endpunkt dargestellt
werden können. Die vier grundlegenden Elemente, die aus FCD abgeleitet werden können, werden in der Tabelle 1 mit
ihrer jeweiligen Bedeutung und Beispieldarstellung gezeigt.
Tabelle 1: Möglichkeiten der FCD-Konstellationen nach Körner (2011)
Je nach Nutzung der in Tabelle 1 aufgelisteten Elemente kann sich auch die Art der Modellierung ändern (Andrienko &
Andrienko 2013). Wichtig ist in diesem Zusammenhang das Element Trajektorie. Durch die Assoziierung bestimmter
Fahrzeugpositionen können einzelne Fahrten mit bestimmten Start-und Zielpunkten als einzelne Elemente betrachtet
werden. Durch die Anbindung an eine Trajektoriendatenbank lassen sich raumzeitliche Analysen mit Online Analytical
Processing(OLAP)-Methoden (effizienter vornehmen, da interaktiv eine globale und lokale Sicht auf die Daten
ermöglicht wird (Orlando et al. 2007, Leonardi et al. 2010).Die Untersuchung eines Trajektorienbündels erlaubt des
Weiteren die Analyse von Interaktionen zwischen den bewegten Objekten (Long &Nelson 2012). Es ist auch zu
beachten, dass eine Reihe von Arbeiten sich mit der interaktiven visuellen Darstellung von Trajektorien
Element
Bedeutung
Beispieldarstellung
Punkt Einzelner Positionsdatensatz
Vektor
Zwei vom gleichen Fahrzeug in
direkter zeitlicher Abfolge detektierte
Positionen
Trajektorie
Mehrere vom gleichen Fahrzeug in
direkter zeitlicher Abfolge detektierte
Positionen
Trajektorienbündel
Überlagerung mehrerer
Einzeltrajektorien auf gleichem
Netzelement
Trajektorienbündel Überlagerung mehrerer Einzeltrajektorien auf gleichem
Netzelement
Professur für Angewandte Geoinformatik
Alter Postweg 118
D-86159 Augsburg
E: andreas.keler@geo.uni-augsburg.de
1 Einleitung
In den vergangenen Jahren hat sich der Begriff Floating Car Data (FCD) für Datensätze von Fahrzeugen etabliert, die
mit GNSS-Technologie erfasst werden. Aufgezeichnet werden dabei nicht nur die Position, sondern auch weitere
Bewegungsdaten des Fahrzeugs, wie etwa Momentangeschwindigkeit, Beschleunigung oder Fahrtrichtung. Dies
geschieht über ein sogenanntes Floating-Car-Device, was die Kombination von GNSS-Empfänger und Sensoren für die
Erfassung der Fahrzeugelektronik (u. a. Tachometer, Drehzahlmesser, Taxameter)darstellt. Optional können je nach
Ausführung des Floating-Car-Device auch Zustände von ABS, Außenthermometer, Regensensor, Warnblinker und
anderen Sensoren erfasst werden (Breitenberger et al. 2004).Der letztendlich erzeugte Datensatz kann sowohl aus den
erfassten Positionen eines Fahrzeugs oder auch einer Fahrzeugflotte (mehrere Fahrzeuge)bestehen, jeweils ergänzt mit
den erwähnten zusätzlichen Angaben. Die erweiterten Datensätze werden mit dem Begriff Extended Floating Car Data
(XFCD) umschrieben (Krampe et al. 2013,Huber et al. 1999). Die Antwort auf die Frage,warum vermehrt Taxiflotten
diese Art von Massendaten liefern,resultiert aus einer Tatsache, die Lorkowski et al. (2003) als bereits verfügbare
Kommunikationsinfrastruktur beschreiben. Die Aussendung von Trackingdaten geschieht oft über Mobilfunk. Dies
bedeutet jedoch, dass Kosten je beobachtetes Objekt anfallen.Die Höhe dieser Kosten ist abhängig von der Anzahl der
Teilnehmer an der Beobachtung. Im Falle einer Taxiflotte wird die Information mit einem „Dispatchersystem“ ermittelt,
was bedeutet, dass eine bereits verfügbare Kommunikationsinfrastruktur genutzt wird, ohne jegliche Zusatzkosten.
Heutzutage gibt es eine Reihe von unterschiedlichen Anwendungsgebieten für FCD. Bei der Analyse solcher Daten gibt
es unterschiedliche Betrachtungsweisen der untersuchten Aufzeichnung. In Falle der Modellierung einer
makroskopischen Sicht auf die Verkehrslage werden beispielsweise die Fahrzeugpositionen mit bestimmten
Straßenelementen assoziiert. Wenn es um die Untersuchung des Fahrverhaltens geht (Li et al. 2011,Liu et al. 2009),
sind die einzelnen Trajektorien wichtiger, die auch als Polylinienelementezwischen Anfangs-und Endpunkt dargestellt
werden können. Die vier grundlegenden Elemente, die aus FCD abgeleitet werden können, werden in der Tabelle 1 mit
ihrer jeweiligen Bedeutung und Beispieldarstellung gezeigt.
Tabelle 1: Möglichkeiten der FCD-Konstellationen nach Körner (2011)
Je nach Nutzung der in Tabelle 1 aufgelisteten Elemente kann sich auch die Art der Modellierung ändern (Andrienko &
Andrienko 2013). Wichtig ist in diesem Zusammenhang das Element Trajektorie. Durch die Assoziierung bestimmter
Fahrzeugpositionen können einzelne Fahrten mit bestimmten Start-und Zielpunkten als einzelne Elemente betrachtet
werden. Durch die Anbindung an eine Trajektoriendatenbank lassen sich raumzeitliche Analysen mit Online Analytical
Processing(OLAP)-Methoden (effizienter vornehmen, da interaktiv eine globale und lokale Sicht auf die Daten
ermöglicht wird (Orlando et al. 2007, Leonardi et al. 2010).Die Untersuchung eines Trajektorienbündels erlaubt des
Weiteren die Analyse von Interaktionen zwischen den bewegten Objekten (Long &Nelson 2012). Es ist auch zu
beachten, dass eine Reihe von Arbeiten sich mit der interaktiven visuellen Darstellung von Trajektorien
Element
Bedeutung
Beispieldarstellung
Punkt Einzelner Positionsdatensatz
Vektor
Zwei vom gleichen Fahrzeug in
direkter zeitlicher Abfolge detektierte
Positionen
Trajektorie
Mehrere vom gleichen Fahrzeug in
direkter zeitlicher Abfolge detektierte
Positionen
Trajektorienbündel
Überlagerung mehrerer
Einzeltrajektorien auf gleichem
Netzelement

gis.SCIENCE 2 (2015) 51-61
gis.SCIENCE 2/2015 I
53
achten, dass eine Reihe von Arbeiten sich
mit der interaktiven visuellen Darstellung
von Trajektorien auseinandersetzen. Guo
(2011) erzeugt beispielsweise verknüpfte
Displays der mikroskopischen sowie mak-
roskopischen Sicht auf FCD. Hieraus kann
größerer Informationsgewinn gezogen
werden, da bestimmte Muster des Verkehrs-
geschehens schneller und eindeutiger fest-
stellbar sind. Des Weiteren werden die
Rohdaten, die die Fahrzeugpositionen ent-
halten, in Bezug zu einem digitalen Stra-
ßennetzwerk gesetzt. Dies ist notwendig,
da die Positionierungsgenauigkeit um eini-
ge Meter schwanken kann. Oft findet man
in einer Trajektorie desselben Fahrzeugs
Sprünge in Raum und Zeit. In Bezug auf
die Positionierungsgenauigkeit wird die zu
erreichende Genauigkeit einer Pseudoran-
ge-Lösung von GNSS angenommen mit ei-
ner horizontalen Positionierungsabwei-
chung von kleiner als 13m in 95 % aller
Messungen (Zogg 2007). Zu beachten ist
jedoch der GDOP (Geometric Dilution of
Precision) und die Anzahl der verfügbaren
GNSS-Satelliten innerhalb urbaner Gebie-
te, da hier oft hohe Gebäude eine Positio-
nierung erschweren und es oft zum Signal-
verlust kommt. Dies kann als Messfehler
klassifiziert werden. Die notwendige Ge-
nauigkeit von FCD kann abhängig vom
gewünschten Endprodukt betrachtet wer-
den. Hierfür hat das DLR (Deutsches Zent-
rum für Luft- und Raumfahrt) in Berlin 2010
vier unterschiedliche Kategorien aufgestellt
(Sohr et al. 2010). Eine höhere Positionie-
rungsgenauigkeit im Vergleich zur Pseudo-
range-Messung lässt sich auch im Fall von
FCD mit einer differenziellen GNSS-Lösung
erreichen (Leduc 2008). Eine weitere Art
von Fehler ist der Samplingfehler. Für die
Einhaltung einer höheren Genauigkeit kann
man sagen, dass das zeitliche Messinter-
vall, das oft auch als Samplingintervall be-
zeichnet wird, einen bestimmten Wert nicht
überschreiten soll. Dieses wird von Sohr et
al. (2010) als 60 Sekunden vorgegeben.
Größere Messintervalle können in Bezug
auf die Modellierung des Verkehrsgesche-
hens nicht mehr als genau angenommen
werden. Dies lässt sich anschaulich be-
trachten, wenn zwei konsekutive Fahrzeug-
positionen sich auf zwei unterschiedlichen
Straßenelementen befinden und sich meh-
rere Möglichkeiten für die gefahrene Tra-
jektorie ergeben (Zhao et al. 2012). Inter-
essant ist vor diesem Hintergrund, dass die
Anzahl der beobachteten Fahrzeuge in ei-
nem Untersuchungsgebiet weniger wichtig
ist, da innerhalb großer Beobachtungszeit-
fenster hohe Laufstrecken möglich sind
(Sohr et al. 2010). Dadurch kann selbst
ein komplexes Straßennetzwerk innerhalb
eines Tags recht gut abgefahren werden.
Die eindeutige Verknüpfung von Fahrzeug-
positionen und Straßennetzwerk werden
mit Algorithmen des Map Matchings mo-
delliert (Li et al. 2007). Diese können wie
in Abbildung1 gezeigt in mindestens vier
Gruppen eingeteilt werden. Grundlegende
Arten von Map Matching sind geometri-
sche, topologische und probabilistische
Verfahren. Außerdem kommen auch alter-
native Algorithmen zum Einsatz, die bei-
spielweise auf einer Kalman-Filterung beru-
hen. Nach Zhao et al. (2012) existieren
mittlerweile weit über 35 verschiedene
Verfahren für Map Matching.
Es ist zu erwähnen, dass trotz der
grundlegenden Unterschiede der einzelnen
Verfahren des Map Matchings ein gemein-
sames zusätzliches Ziel definiert werden
kann. Dieses kann als Effizienz bezeichnet
werden, da das gemeinsame Ziel die Ver-
arbeitung großer Datenmengen (FCD) in-
nerhalb einer vernünftigen Rechenzeit ist.
Nach der Durchführung eines Map-Mat-
ching-Algorithmus wäre das optimale Er-
gebnis die eindeutige Zuweisung der Auf-
zeichnungen des FCD-Satzes (Ort und Zeit)
zu bestimmten Straßensegmenten. Dies er-
möglicht die weitere Modellierung des Ver-
kehrsgeschehens, welches anschließend,
ähnlich frei verfügbaren Verkehrskarten, vi-
sualisiert werden kann.
2 METHODISCHER HINTERGRUND
DER VISUALISIERUNG VON
VERKEHRSDATEN
Die Visualisierung von Verkehr kann auf un-
terschiedliche Art und Weise erfolgen.
Grundlegend gibt es aber zwei Varianten,
die in Kombination miteinander eine dritte
Variante ergeben können. Die wohl be-
kanntere Variante ist die kartographische
Darstellung von Verkehr, da diese in täglich
genutzten Online-Verkehrskarten vorkommt.
Oft ist hier die Darstellung von Verkehr auf
drei bis fünf qualitative Klassen beschränkt.
Ein Beispiel dafür wäre der Layer „Live Traf-
fic“ von Google Maps, dessen Daten-
grundlage von Smartphonenutzern gene-
riert wird1. Andere visuelle Darstellungsar-
ten kommen aus dem Bereich der
Verkehrsplanung und sind hauptsächlich
Diagramme, die die Größen der Verkehrs-
flusstheorie zueinander in Beziehung set-
zen. Die wohl bekannteste Art der Darstel-
lung aus diesem Bereich ist das Geschwin-
digkeits-Zeit-Diagramm. Weitere bekannte
Größen sind die Verkehrsdichte oder -rate.
Ähnlich wie in kartographischen Darstel-
lungsvarianten kann auch in der Verkehrs-
flusstheorie zwischen einem mikroskopi-
schen und einem makroskopischen Ver-
kehrsmodell unterschieden werden (Immers
& Logghe 2002). Eine detaillierte kartogra-
phische Ansicht einzelner gefahrener Tra-
jektorien von Fahrzeugen ist eine mikrosko-
pische Ansicht und unterscheidet sich nach
Andrienko & Andrienko (2013) von einer
vogelperspektivischen Sicht auf Bewe-
gung. In dieser Arbeit konzentriert sich die
Visualisierung nicht auf einzelne Trajektori-
en, die das Fahrverhalten beschreiben,
sondern auf eine globale kartographische
Darstellung des Verkehrsgeschehens.
Abbildung 1: Gruppierung der einzelnen Algorithmen für Map Matching und Erklärung ihres gemeinsa-
men zusätzlichen Ziels (nach Zhao et al. 2012)

KARTOGRAPHISCHE DARSTELLUNGEN FÜR DIE VISUELLE VERKEHRSANALYSE
gis.SCIENCE 2/201554 I
2.1 VISUALISIERUNG VON FCD
DURCH PUNKTSTREUUNGS-
KARTEN
Punktstreuungskarten werden traditionell für
räumliche Bevölkerungsverteilungen (Bähr
et al. 1992) und neuerdings auch -ände-
rungen (Turner & Allen 2010) verwendet.
Weitere Beispiele sind die Darstellungen
von Epidemien und Verbreitungsgebiete
bestimmter Spezies. Die Grundlage für die
Form und Anzahl der verwendeten Punk-
tesymbolik in diesen Karten kann anhand
von bestimmten Regeln festgelegt werden.
Die wohl wichtigste Regel ist dabei einzu-
halten, dass keine Überlappung der Punk-
tesymbole erfolgt. Heutzutage können
Punktstreuungskarten auch automatisiert
hergestellt werden (Hey 2013, Aschen-
brenner 1989). Durch die Manipulation
der verwendeten Punktegröße, -verteilung
und -anordnung lassen sich unterschiedli-
che Wirkungen der Kartendarstellungen
erreichen (Hey & Bill 2014). Punktstreu-
ungskarten mit FCD als Grundlage können
erstellt werden, benötigen jedoch eine vor-
herige quantitative Generalisierung (Aggre-
gation) der FCD-Punkte. Eine einfachere Art
der Kartenerstellung ist die Projektion der
Fahrzeugpositionen auf eine Kartenansicht.
Anschließend können die Punkte nach den
Werten eines gewählten Attributs koloriert
werden. Diese Art der Darstellung, die als
Standortkarte bezeichnet werden kann,
wird von Stanica et al. (2013) für einen
FCD-Satz von Köln verwendet, wobei die
Momentangeschwindigkeit für jeden Punkt
mit zwei Farben koloriert wurde (rot und
blau). Dadurch lassen sich auf den ersten
Blick die Verteilung von hohen und niedri-
gen Geschwindigkeiten innerhalb des
Stadtgebiets erkennen. Schwierig ist es je-
doch hier den Übergang zwischen hoher
Geschwindigkeit (blau) und niedriger Ge-
schwindigkeit (rot) festzustellen. In diesem
Beispiel treten vor allem in zentralen Ge-
bieten des Stadtkerns starke Überlappun-
gen der Punkteelemente auf. Dies findet
man auch in Liu & Ban (2013), wo eben-
falls nach der Momentangeschwindigkeit
koloriert wurde. Der Überlappungseffekt
resultiert in diesem Beispiel aber auch aus
der Tatsache, dass 11.000 Taxis innerhalb
eines Tags untersucht wurden.
2.2 INTERAKTIVE VERKEHRSKARTEN
FÜR VERKEHRSLAGEDIENSTE
Heutzutage sind Informationen von Ver-
kehrslagediensten eine wichtige Quelle für
die Planung von Transportvorhaben. Golds-
berry (2005, 2008) vergleicht in seinen
Studien die visuelle Aussagekraft von Ver-
kehrskarten. Hierfür geht er auf die farbli-
che Darstellung der räumlichen Abbildung
sowie die Legende ein. Eine andere Frage
wäre die darzustellende Größe. Liu et al.
(2012) führen beispielsweise jeweils drei
Klassen der Durchschnittsgeschwindigkeit
für drei unterschiedliche (Gruppen von)
Straßentypen ein. Die Bereiche dieser Klas-
sen unterscheiden sich teilweise recht stark,
abhängig davon, ob es sich um eine Auto-
bahn, eine Bundesstraße oder Landstraße
handelt. Im Fall von Liu et al. (2012) wer-
den für die Verkehrskarte die Durchschnitts-
geschwindigkeiten jeweils für beide Fahrt-
richtungen angegeben. Eine Vorgängerva-
riante dieser Art der Visualisierung ist in Liu
et al. (2008) zu finden, die für einen Ver-
kehrslagedienst für die chinesische Stadt
Shenzhen verwendet wird. In diesem Fall
gibt es ebenfalls drei Durchschnittsge-
schwindigkeitsklassen, die jedoch ohne
Unterscheidung nach Straßentyp und Fahrt-
richtung für alle Netzwerksegmente der
Stadt verwendet werden. Diese Art von
Karte tritt am häufigsten bei der Beschrei-
bung des Verkehrsgeschehens auf und fin-
det sich als Layer oder Dienst in frei verfüg-
baren Online-Karten wie beispielsweise
von Google, Bing oder Yahoo. Häufig er-
folgt hier nicht die Angabe von Durch-
schnittsgeschwindigkeiten, sondern eine
qualitative Angabe zum Verkehrsstatus.
2.3 VERKEHRSBESCHREIBUNG MIT
DREIDIMENSIONALEN
DARSTELLUNGEN DURCH
NUTZUNG VON EXTRUSION
Es existieren in unterschiedlichen Bereichen
der Geographie und Geoinformatik räumli-
che Analysen von statischen Daten, wel-
che die Methode der Extrusion verwen-
den. Grundlegend ist dabei, dass be-
stimmte Features, seien es Punkte, Flächen
oder Linien, in ihrer Z-Komponente be-
Attributname Beispielwert Details
Datum 20100614 Achtstellige (8) Nummer
Fahrzeug ID 11692 Die eindeutige Identifikationsnummer des Fahrzeugs;
in 5 Ziffernstellen
Firmenzeichen QS Initialen des Pinyin des Firmennamens
Längengrad 121.61365 In Grad [°]; bis zur sechsten Dezimalstelle
Breitengrad 31.201005 In Grad [°]; bis zur sechsten Dezimalstelle
Momentangeschwindigkeit 34.9 Auflösung: 0,1 [km/h]
Fahrtrichtung 255 Kurs von 0 bis 359 Grad [°], basierend auf der
Orientierung des Fahrzeugs
Einsatzstatus 0 0 für unbesetzt; 1 für besetzt
GPS-Effektivität 0 1 für effektiv; andernfalls 0
Aufnahmedatum 2010-06-14 In der Form von YYYY-MM-DD
Aufnahmezeit 23:07:17 In der Form von hh:mm:ss
Tabelle 2: Beschreibung der Datenstruktur der untersuchten Taxi-FCD von Shanghai

gis.SCIENCE 2 (2015) 51-61
gis.SCIENCE 2/2015 I
55
stimmte Attributwerte visualisieren. Logi-
scherweise vollzieht sich diese Art der
räumlichen Analyse innerhalb dreidimensi-
onaler Displays. Zu beachten ist dabei,
dass nicht der Raum dreidimensional ab-
gebildet wird wie in 3D-Stadtmodellen,
sondern es wird eine 2,5D-Ansicht er-
zeugt. Der zweidimensionale Raum wird
durch eine Parallelverschiebung seiner Ele-
mente um eine Dimension erhöht und ent-
hält folglich keine Flächen, sondern dreidi-
mensionale Körper. Beispiele für die Nut-
zung der Extrusion für Zwecke der
räumlichen Analyse finden sich in Krisp &
Fronzek (2003). Hier werden Werte zum
Ausmaß von ökologischen Barrieren oder
zur Bevölkerungsdichte in Bezug auf Flä-
chenpolygone extrudiert. Ein weiteres Bei-
spiel zeigt Shepherd (2008) mit der Vertei-
lung von Frauen und Männern innerhalb
ausgewählter Gebäude im Londoner Eas-
tend aus dem Jahre 1881. In diesem Bei-
spiel werden Kreise zu Zylindern extrudiert,
die gleichzeitig anteilig koloriert sind nach
der Verteilung der im Haus lebenden Män-
ner und Frauen.
Bei der Extrusion von dynamischen Da-
ten findet man häufig die Extrusion in Be-
zug auf Straßenpolygone oder -linien. Letz-
teres findet sich in den Streifenkarten von
Tanaksaranond (2010). Die Zeitverzöge-
rung aufgrund von Staus in London wird
klassifiziert und mit einem Farbverlauf von
Grün bis Rot dargestellt. Die Straßenseg-
mente werden nach der Zeit extrudiert und
enthalten für ein bestimmtes Straßenseg-
ment unterschiedlich gefärbte Streifen. Die
Streifen sind übereinander angeordnet und
repräsentieren jeweils fünf Minuten. Daraus
lässt sich der Verkehrsstatus zu unterschied-
lichen Zeiten einsehen. Grant et al. (2011)
beschreiben absolute jährliche Verkehrsver-
zögerungen in Stunden gegenüber durch-
schnittlichen Reisezeiten anhand von extru-
dierten Straßensegmenten. Die Verkehrsver-
zögerungen werden als Differenz der
Fahrtzeiten von 2006 und durchschnittli-
chen Fahrtzeiten für ein und dasselbe Un-
tersuchungsgebiet durch Farbe und Extrusi-
on dargestellt. Tominski et al. (2012) be-
nutzen Extrusion für die Darstellung von
zeitabhängigen Variablen von Trajektorien.
In diesem Fall tritt ein und dieselbe Trajekto-
rie mehrmals auf und bezieht sich auf eine
oft gefahrene Route. Mit der „gestapelten“,
vektorweisen Visualisierung, die im Engli-
schen auch als „Stacked View“ oder „Tra-
jectory Wall“ bezeichnet wird, können be-
stimmte Muster innerhalb jeder gestapelten
Trajektorie detektiert werden. Die Kolorati-
on der Vektoren einer Trajektorie kann auf
unterschiedliche Art erfolgen. Es können
zum Beispiel Trajektorienpartitionen nach
Geschwindigkeitsklassen (Tominski et al.
2012) oder Kursdifferenzen (Andrienko &
Andrienko 2013) eingefärbt werden. Zu-
sätzlich können Richtungen durch Pfeilsym-
bolik beschrieben werden. Diese Betrach-
tungsweise, in der die Bestandteile eines
Trajektorienelements untersucht werden,
wird als eine eigene Kategorie für die Un-
tersuchung von Bewegung mithilfe von Vi-
sual-Analytics-Methoden von Andrienko &
Andrienko (2013) angeführt.
Eine andere dreidimensionale Darstel-
lung des modellierten Verkehrs wird von
Cheng et al. (2013) beschrieben. Hier
werden Verkehrsverzögerungen (Zeitanga-
ben) bestimmter Punkte an Straßenabschnit-
ten interpoliert. Das Zwischenergebnis sind
Isolinien, die den Verlauf der Verzögerun-
gen innerhalb des Untersuchungsgebiets
wiedergeben. Die interpolierten Verkehrs-
verzögerungen in bestimmten Bereichen
des Verkehrsnetzes werden von Tanaksara-
nond (2010) ebenfalls mit Isolinien darge-
stellt. Die Erweiterung davon erfolgt ähn-
lich einer Tomographieaufnahme, in der
die dritte Koordinate die Zeit darstellt.
Schichtenweise wird für Intervalle von fünf
Minuten jeweils eine Isolinienkarte für ein
Untersuchungsgebiet erstellt. Das Endpro-
dukt ist eine dreidimensionale Isoflächen-
ansicht in einem Space-Time-Cube. Eine
andere Variante wird von Liu & Ban (2013)
eingeführt, bei der die Zeitverzögerungen
(aufgrund von Staus) an bestimmten Stra-
ßensegmenten nach ihrer Quantität gleich-
zeitig eingefärbt sowie extrudiert werden.
Dabei kommt Punktextrusion zum Einsatz,
da in diesem Fall das Straßennetzwerk zu
Punkten segmentiert wurde.
3 BESCHREIBUNG DER VERWENDE-
TEN DATENSÄTZE: TAXI FLOATING
CAR DATA UND OPENSTREETMAP
Für die kartographische Darstellung von
FCD werden Rohdaten verarbeitet. Das Er-
gebnis dieser Vorverarbeitung ist letztend-
lich eine Karte, die den aktuellen Verkehr
darstellen kann. Hierfür wird zuerst der
rohe FCD-Satz von Taxis in Shanghai und
anschließend eine digitale Abbildung des
Straßennetzwerks von Shanghai auf Basis
von OSM-Daten vorgestellt.
Abbildung 2: Ablaufdiagram für die Erzeugung von flächenhaften Darstellungen für die aus OMS extra-
hierten Straßensegmente
Abbildung 3: Straßensegmentpuffer in Shanghai

KARTOGRAPHISCHE DARSTELLUNGEN FÜR DIE VISUELLE VERKEHRSANALYSE
gis.SCIENCE 2/201556 I
3.1 TAXI FLOATING CAR DATA
VON SHANGHAI
Im Folgenden wird der untersuchte Floa-
ting-Car-Datensatz nach den verfügbaren
Attributen in der Datenstruktur einer CSV-
Datei vorgestellt. Comma-separated Values
(CSV) kommt in den meisten Fällen von
Floating Car Data von Taxis vor. Tabelle2
zeigt neben dem Attributnamen in der ers-
ten Spalte auch jeweils einen Beispielwert
(zweite Spalte) und Details zur Form der
Angabe (dritte Spalte).
Es ist zu erwähnen, dass nicht alle in
Tabelle 2 gelisteten Attribute auch für den
nachfolgend beschriebenen Ansatz ver-
wendet wurden. Wichtige Attribute für die
visuelle Analyse des Verkehrsgeschehens
sind neben Längen- und Breitengrad, auch
die Momentangeschwindigkeit und die Auf-
nahmezeit. In Bezug auf die Aufnahmezeit
lassen sich FCD-Partitionen gezielt nach
dem chronologischen Ablauf auswählen.
3.2 MODIFIZIERTES STRASSENNETZ
VON SHANGHAI
Die Grundlage, des für diese Arbeit genutz-
ten, digitalisierten Straßenverkehrsnetzes
sind Vektordaten aus dem OpenStreet
Map(OSM)-Projekt. Durch Nutzung soge-
nannter „Data Extracts“2 konnte das Ver-
kehrsnetz von Shanghai als eine bestimmte
Anzahl an Polylinien extrahiert werden. Je-
doch fehlte jegliche Information über die
durchschnittliche Straßenbreite (Durchmes-
ser) der modellierten Straßensegmente. Für
Testzwecke wurde für alle Straßentypen,
die im OSM-Projekt beschrieben werden3,
eine durchschnittliche Breite von 30Metern
eingeführt. Dies bedeutet, dass jeweils links
und rechts der ursprünglichen Polylinienele-
mente Puffer von 15Meter angehängt wer-
den. Demnach entstehen Flächensegmen-
te. Dieser Zusammenhang wird ebenfalls in
der Abbildung 2 mit einem Ablaufdia-
gramm dargestellt.
Abbildung 4: Arbeitsflussdiagramm für die Berechnung von ausgewählten Verkehrsgrößen anhand von Taxi-FCD

gis.SCIENCE 2 (2015) 51-61
gis.SCIENCE 2/2015 I
57
Wie das Diagramm in Abbildung 2
zeigt, werden aus Linienelementen Flä-
chenpolygone erzeugt, die in der Karten-
darstellung die Straßenflächen repräsentie-
ren. Aus Gründen der Übersichtlichkeit
wird jedoch in unserem Fall nicht nach
dem Straßentyp unterschieden und alle
Straßennetzwerksegmente haben dieselbe
Breite. Dies lässt sich in Abbildung3 erken-
nen, wo ein Ausschnitt von Shanghai ge-
zeigt wird. Der Hintergrund dieser Abbil-
dung besteht aus einer Satellitenbildauf-
nahme und im Vordergrund werden die
flächenhaft dargestellten Straßennetzwerk-
elemente gezeigt.
In Abbildung 3 ist zu erkennen, dass
besonders in den Bereichen der Kreuzun-
gen starke Überlappungen der gepufferten
Straßenelemente auftreten. Dies ergibt sich
aus der Tatsache, dass die ursprünglichen
Linienelemente die Position der Mittellinie
wiedergeben und es im Falle von mehreren
Fahrstreifen zu Überlappungen kommt.
4 METHODE FÜR DIE BERECHNUNG
VON VERKEHRSGRÖSSEN FÜR
FLÄCHENHAFTE STRASSEN-
SEGMENTE
Der Arbeitsablauf für die Erstellung von un-
terschiedlichen Karten für die Verkehrsbe-
schreibung anhand von FCD wird in Abbil-
dung4 beschrieben.
In Abbildung4 wird gezeigt, wie aus-
gehend von der Projektion einer jeden Po-
sition der Fahrzeuge Punkte generiert wer-
den, die die Grundlage für Punktstreuungs-
karten sind. Die farbliche Darstellung der
Punkteelemente in der Karte basiert auf der
Klassifikation der Momentangeschwindig-
keit in fünf Klassen. Die Ableitung einer Flä-
chensegmentkarte geht ebenfalls von Punk-
ten aus. Es wird räumliches Verknüpfen
(„Spatial Join“) angewendet, womit der
Schritt beschrieben wird, in dem die FCD-
Punkte innerhalb bestimmter Straßenpoly-
gone gezählt werden. Basierend auf den
in Abschnitt3.2 beschriebenen, gepuffer-
ten Straßennetzwerkelementen, können die
Rechenschritte Summation und Durch-
schnittsbildung aller Punkte durchgeführt
werden. An die Geometrie der Straßenseg-
mente werden fünf Attribute angehängt,
wovon eines durch den Spatial Join (räum-
liches Verknüpfen) und die anderen durch
Berechnung entstehen. Diese Attribute kön-
nen für eine Visualisierung genutzt werden.
Die Straßensegmente können abschlie-
ßend fünf verschiedene Größen beschrei-
ben. Basierend auf dem jeweiligen Flä-
cheninhalt eines Flächensegments kann die
Fahrzeugdichte beschrieben werden. Eine
weitere Größe ist die Durchschnittsge-
schwindigkeit, die als Mittel der Momen-
tangeschwindigkeiten aller gezählten Punk-
te berechnet wird. Außerdem kann eine
Abschätzung des Verkehrsaufkommens im
Untersuchungsgebiet gemacht werden mit
den Werten der Staudetektionsgröße c.
Die Idee hinter dieser eingeführten Größe
ist die Erzeugung einer Ansicht ähnlich ei-
ner gewöhnlichen Online-Verkehrskarte
(siehe Abschnitt2.2). Es werden drei qua-
litative Werte (hoch, mittel, niedrig) für c
eingeführt, die anhand der Häufigkeitsver-
teilung der berechneten Werte ermittelt
werden. Hierfür wird das Histogramm für c
nach natürlichen Brüchen (Grenzen) unter-
sucht. Die Klassifikation kann jedoch auf
unterschiedliche Art und Weise erfolgen
und wird im Folgenden nur auf Grundlage
der Häufigkeitsverteilung der berechneten
Werte der Straßensegmente bestimmt.
Wie in Abbildung4 an den blauen Recht-
Abbildung 5: Punktstreuungskarte der Momentangeschwindigkeiten
Abbildung 6: Karte der Durchschnittsgeschwindigkeiten in Shanghai

KARTOGRAPHISCHE DARSTELLUNGEN FÜR DIE VISUELLE VERKEHRSANALYSE
gis.SCIENCE 2/201558 I
ecken zu erkennen ist, werden im Folgen-
den vier unterschiedliche Kartenansichten
aus dem gegebenen FCD-Satz erzeugt.
5 ERGEBNISSE FÜR DIE VERKEHRS-
VISUALISIERUNG DER FCD VON
SHANGHAI
Im Folgenden werden die Visualisierungser-
gebnisse für bestimmte Ausschnitte des Ta-
xi-FCD-Satzes von Shanghai vorgestellt und
eingehend besprochen. Hierbei richtet sich
der Blick auf die zu erreichende Anschau-
lichkeit und Übersichtlichkeit der Visualisie-
rungsergebnisse und die Benutzerfreund-
lichkeit für einen möglichen Nutzer dieser
Darstellungen.
5.1 DARSTELLUNG DER MOMENTAN-
GESCHWINDIGKEIT VON FCD
DURCH PUNKTE
Die wohl einfachste Form der visuellen Dar-
stellung von Taxi-FCD ist die Einfärbung der
Punktelemente nach definierten Attributklas-
sen. Die Idee dahinter ist es, mögliche
Muster der Punkteverteilung zu erkennen,
ähnlich einer Punktstreuungskarte. Diese Art
der Darstellung kann streng genommen
nicht als Punktstreuungskarte bezeichnet
werden, da keine Aggregation der Punkte
durchgeführt wird. Folglich ist die Darstel-
lungsart eine Standortkarte und für FCD-Vi-
sualisierung eher ungeeignet. Der Grund
dafür ist die visuelle Überlappung der ein-
gefärbten Punkte, da die Bewegung von
Fahrzeugen auf ein Straßennetzwerk be-
schränkt ist. Durch vorhergehende Tests
wurde festgestellt, dass schon ein Aus-
schnitt vom ganzen Untersuchungsgebiet
für ein Zeitfenster von einer Minute große
Überlappungen aufweist, vor allem im Zen-
trum Shanghais. In Abbildung5 wird ein
FCD-Ausschnitt von 10 Minuten dargestellt.
In Abbildung 5 ist zu erkennen, dass
eine große Überlappung der visualisierten
Fahrzeugpositionen auftritt. Dadurch lassen
sich einige Werte nicht erkennen, beson-
ders nicht im Zentrum von Shanghai.
5.2 DARSTELLUNG VON VERKEHRS-
GRÖSSEN MIT FLÄCHENHAFTEN
STRASSENSEGMENTEN
Eine Erweiterung der Punktstreuungskarte
geht aus der räumlichen Verknüpfung (Mat-
ching) von Punkten, die die Taxipositionen
repräsentieren, und Straßennetzwerkseg-
menten hervor. Da eine mehr oder weniger
große Fläche aus je einem Linienelement
erzeugt wird (siehe Abbildung 3), kann
eine bestimmte Anzahl von Taxipositionen
innerhalb dieser Flächen gezählt werden.
Diese absolute Anzahl von Punkten wird als
Attribut n eines neuen Polygonelements ab-
gespeichert. Durch eine Mittelung der Mo-
mentangeschwindigkeiten aller gezählten
Punkte kann das Attribut Durchschnittsge-
schwindigkeit ῡ berechnet werden. Über
eine Einteilung in fünf Klassen der Durch-
schnittsgeschwindigkeit ῡ, können alle unter-
suchten Straßensegmente danach koloriert
werden. Durch die Verwendung von Flä-
chensegmenten mit 30 m Breite soll garan-
tiert werden, dass die Positionierungsgenau-
igkeit (des GNSS-Devices) mitberücksichtigt
wird. Diese wird für unser Untersuchungsge-
biet mit einer Positionierungsabweichung
von etwa 13 m angenommen, wobei Sig-
nalverlust wegen hohen Gebäuden noch
hinzukommt. Das heißt, dass etwa große
Koordinatensprünge automatisch unberück-
sichtigt bleiben. Folglich bleiben die Fahr-
zeugpositionen außerhalb der Segmentflä-
chen unberücksichtigt. Zu beachten ist
auch, dass Fehlzuordnungen an den Rän-
dern der Segmente (vor allem bei großen
Flächenverschneidungen) vorkommen. In
Abbildung 7: Karte der Verkehrsbelastungen in Shanghai
Abbildung 8: Dreidimensionale Kartendarstellung des Verkehrsaufkommens in Shanghai

gis.SCIENCE 2 (2015) 51-61
gis.SCIENCE 2/2015 I
59
Abbildung 6 wird eine FCD-Partition von
10 Minuten für eine Kartendarstellung der
Durchschnittsgeschwindigkeit ῡ verwendet.
Die Einführung einer Staudetektionsgrö-
ße ergibt sich, wie schon erwähnt, aus be-
reits etablierten interaktiven Online-Ver-
kehrskarten. Hier wird oft nicht nur die Ver-
kehrsgeschwindigkeit (Liu et al. 2012)
genutzt, sondern auch qualitative Angaben
(Liu et al. 2008, Goldsberry 2008). Für
Sun et al. (2009) gehören Geschwindig-
keit, Volumen und Dichte zu den klassi-
schen Parametern für die Beschreibung von
Verkehrsbelastung. Diese Parameter kön-
nen den multidimensionalen Charakter von
Stau nicht gänzlich wiedergeben. Deshalb
führen Sun et al. (2009) fünf Maße ein, die
Stauaufkommen noch genauer definieren.
Hierzu gehören Stauintensität, räumliche
und zeitliche Verteilung, Frequenz der Stau-
bildung und Staubeständigkeit. Es ergeben
sich jedoch verschiedene Möglichkeiten,
Stau zu detektieren.
In unserem Fall wird nun anhand der in
Abbildung 4 beschriebenen Verkehrsgrö-
ßen (k, ῡ) eine weitere Größe definiert, die
das abgebildete Verkehrsgeschehen quali-
tativ abbilden sollte. Im Diagramm in Abbil-
dung4 wird die Berechnung dieser Größe
anhand einer Formel beschrieben. Für die
Definition der drei resultierenden qualitati-
ven Werte von c, wird die jeweilige Häu-
figkeitsverteilung des berechneten Werts
aller untersuchten Straßensegmente be-
trachtet und in drei Klassen eingeteilt. An-
hand der Verteilung dieser Werte werden
charakteristische Wertegrenzen gesetzt.
Da in unserem Falle Datenpartitionen von
ungefähr zehn Minuten genutzt werden,
sollte man bei einem Vergleich der Größe
c zwischen zwei Zeitfenstern die gleichen
Wertegrenzen festlegen. Abbildung 7
zeigt ein Beispiel für die Darstellung der
Staudetektionsgröße c mit drei qualitativen
Größen.
In Abbildung 7 ist zu erkennen, dass
die Autobahnelemente außerhalb des
Stadtkerns recht wenig von Stau belastet
sind. In den zentralen Bereichen der Stadt
ist der Einfluss von Stau feststellbar. Hohes
Stauaufkommen findet man an verschiede-
nen Anschlussstraßen zu Autobahnen und
hauptsächlich im Stadtzentrum. Die Kombi-
nation von Fahrzeugdichte und Durch-
schnittsgeschwindigkeit zu einer Staudetek-
tionsgröße ist eine Möglichkeit, eventuelle
Stauvorkommen zu detektieren. Um die
Proportion dieser zwei Größen zueinander
einzusehen, eignet sich eher eine dreidi-
mensionale Kartenansicht.
5.3 DARSTELLUNG DER DURCH-
SCHNITTSGESCHWINDIGKEIT
UND DER FAHRZEUGDICHTE MIT
EXTRUDIERTEN FLÄCHENHAFTEN
STRASSENSEGMENTEN
Für die Darstellung von mehreren Attributen
innerhalb zweidimensionaler Karten sind
die Möglichkeiten limitiert. Beispiele für sol-
che Möglichkeiten wären nach Geschwin-
digkeitsklassen eingefärbte Straßenseg-
mente (Flächen) mit der Kombination von
klassifizierter Fahrzeugdichte, die als vari-
ierende Punktstreuung über den Straßen-
segmenten dargestellt wird. Eine andere
Variante der Darstellung von zwei Attribu-
ten ist die Nutzung von extrudierten Flä-
chenelementen, wie schon im Abschnitt2.3
beschrieben. In unserem Fall wird neben
der farblichen Darstellung der Geschwin-
digkeit für jedes Straßensegment auch die
Fahrzeugdichte dargestellt. Die Z-Kompo-
nente wird dabei mit der berechneten Fahr-
zeugdichte assoziiert und anschließend in
der Kartendarstellung entsprechend ange-
passt.
Wie in Abbildung 8 zu erkennen ist,
handelt es sich um eine interaktive Karten-
ansicht, die nach Belieben verändert wer-
den kann. Bei übermäßiger Überlappung
kann eine isometrische Normalprojektion
Abhilfe schaffen, die es erlaubt, die Extrusi-
on nach der Fahrzeugdichte k noch genau-
er abzuschätzen.
6 DISKUSSION
Für den Vergleich zwischen den drei Visua-
lisierungsmöglichkeiten Punktstreuung, flä-
chenhafte Straßensegmente und extrudierte
flächenhafte Straßensegmente wird Tabel-
le3 eingeführt.
Eine Einsicht in gemessene Geschwin-
digkeitswerte hat man mit der Punktedar-
stellung in der zweiten Spalte in Tabelle3.
In dieser Darstellungsvariante ist es mög-
lich, die Momentangeschwindigkeit abzu-
bilden, wie es schon in den Abschnit-
ten2.1 und 5.1 erklärt wurde. Gleichzei-
Darstellung Punkte Flächenhafte
Straßensegmente Extrudierte flächenhafte
Straßensegmente
Geschwindigkeit v und
Fahrzeugdichte k
gleichzeitig darstellbar
Nein Nein Ja
Überlappung/
Clutter-Effekt Ja Ja Ja
Darstellung von momenta-
nen Messwerten möglich Ja Nein Nein
Beispieldarstellung
Tabelle 3: Vergleich zwischen den drei Visualisierungsmöglichkeiten Originalpunkte, flächenhafte Straßensegmente und extrudierte flächenhafte Straßensegmente

KARTOGRAPHISCHE DARSTELLUNGEN FÜR DIE VISUELLE VERKEHRSANALYSE
gis.SCIENCE 2/201560 I
tig ergeben sich hier die größten
Überlappungen von allen drei vorgestellten
Visualisierungsmöglichkeiten. Die gleich-
zeitige Darstellung von Geschwindigkeit
und Fahrzeugdichte ist bei der Punktstreu-
ungskarte sowie bei der zweidimensiona-
len Flächensegmentkarte nicht möglich.
Wie die drei Karten in Kapitel 5 ge-
zeigt haben, gibt es mehrere Vor- und
Nachteile der statischen Darstellung von
FCD. Die Variante aus Abschnitt5.2, die
nur die Durchschnittsgeschwindigkeit in
fünf Klassen wiedergibt, enthält beispiels-
weise viele sich überlappende Elemente. In
Tabelle 3 sieht man eine Beispieldarstel-
lung von flächenhaften Straßensegmenten
in der dritten Spalte. Diese überlappen sich
in einer Weise, dass ein Teilelement mit un-
gewöhnlich niedrigen Geschwindigkeiten
nicht zu sehen ist. Das wird mit der Visuali-
sierungsvariante aus Abschnitt5.3 gelöst,
da zusätzlich die Fahrzeugdichte als Extru-
sion dargestellt wird. Das kleine rot gefärb-
te Straßensegment ist nun wieder sichtbar.
7 AUSBLICK
Es hat sich durch zahlreiche vorhergehen-
de Arbeiten gezeigt, dass sich die Visuali-
sierung von FCD als schwierig erweist. Die
in diesem Beitrag beschriebene Variante
der Aggregation von FCD-Informationen
kann als die am häufigsten vorkommende
Methode für die Verarbeitung dieser Art
von Daten gesehen werden. Wie schon in
Andrienko & Andrienko (2013) beschrie-
ben, handelt es sich um eine makroskopi-
sche Untersuchung von Bewegung („Bird’s
eye on movement“), da gleichzeitig tausen-
de sich bewegende Fahrzeuge untersucht
werden. Mit dem Wechsel der Modellie-
rungsvariante zu einer mikroskopischen
könnte das Fahrverhalten einzelner Taxifah-
rer untersucht werden, wie es vereinzelt
schon gemacht wurde (Li et al. 2011). In
Bezug auf die Art der Visualisierung wäre
eine Evaluierung unterschiedlicher Karten-
darstellungen ein und desselben FCD-Sat-
zes sinnvoll. Die Qualität der Ergebnisse
könnte durch die Abschätzung der Nutzer-
freundlichkeit erfolgen. Hierfür ist es wich-
tig zu erfahren, wie stark die Assoziation
von Verkehrsgeschehen in bestimmten Kar-
tendarstellungen bei einzelnen Nutzern ist.
Nach dieser Art von Evaluierung könnte
eine Aussage getroffen werden, welche
Kartendarstellungsarten für die Visualisie-
rung von FCD geeignet und welche nicht
sinnvoll sind. Eine weitere zu untersuchen-
de Möglichkeit für die Visualisierung von
FCD wäre der Space-Time-Cube (STC).
Raumzeitliches Clustering von FCD (Krisp et
al. 2012) könnte die Grundlage für die
Ableitung spezieller Verkehrsinformationen
sein, die gezielt visuell dargestellt werden
können. Ein Beispiel dafür wäre die Detek-
tion von raumzeitlichen Hotspots.
1 http://googleblog.blogspot.de/2009/08/
bright-side-of-sitting-in-traffic.html
2 http://download.geofabrik.de/asia/china.
html
3 http://wiki.openstreetmap.org/wiki/
Key:highway
Literatur
Andrienko, N.; Andrienko, G. (2013): Visual
analytics of movement: an overview of methods,
tools, and procedures. In: Information Visualiza-
tion, 12 (1), S. 3-24.
Aschenbrenner, J. (1989): Die EDV-unterstützte
Herstellung von Punktstreuungskarten auf der Ba-
sis kleinster Bezugseinheiten. Berichte und Infor-
mationen, 16. Institut für Kartographie, Wien.
Bähr, J.; Jentsch, C.; Kuls, W. (1992): Bevölke-
rungsgeographie. Lehrbuch der Allgemeinen
Geographie, 9. De Gruyter, Berlin.
Breitenberger, S.; Grüber, B.; Neuherz, M.
(2004): Extended Floating Car Data − Potenzia-
le für die Verkehrsinformation und notwendige
Durchdringungsraten. In: Straßenverkehrstechnik,
10, S. 522-531.
Cheng, T.; Tanaksaranond, G.; Brunsdon, C.;
Haworth, J. (2013): Exploratory visualisation of
congestion evolutions on urban transport net-
works. In: Transportation Research Part C: Emerg-
ing Technologies, 36, S. 296-306.
Goldsberry, K. (2005): Limitations And Potentials
Of Real-Time Traffic Visualization For Wayfind-
ing. Proceedings of the 22nd ICA/ACI Interna-
tional Cartographic Conference, A Coruna,
Spain, July 9-16, 2005.
Goldsberry, K. (2008): GeoVisualization of Au-
tomobile Congestion. Proceedings of the AGILE
2008 Conference: GeoVisualization of Dynam-
ics, Movement and Change, Girona, Spain,
May 5, 2008.
Grant, M.; Day, M.; Winick, R.; Chavis, A.;
Trainor, S.; Bauer, J. (2011): Showcasing Visuali-
zation Tools in Congestion Management. Federal
Highway Administration (FHWA), U.S. Depart-
ment of Transportation (its.dot.gov).
Guo, H.; Wang, Z.; Yu, B.; Zhao, H.; Yuan, X.
(2011): TripVista: Triple Perspective Visual Trajec-
tory Analytics and its application on microscopic
traffic data at a road intersection. In: Di Battista,
G.; Fekete, J-D.; Qu, H. (Eds.): Proceedings of
the Pacific Visualization Symposium 2011 (Pa-
cificVis 2011), IEEE, Session 5: Space and Time,
S. 163-170.
Hey, A. (2013): Gestaltungsspielraum bei der
automatischen Generierung von Punktkarten. In:
gis.SCIENCE, 1/2013, S. 15-25.
Hey, A.; Bill, R. (2014): Placing dots in dot
maps. In: International Journal of Geographical
Information Science, 28 (12), S. 1-19.

gis.SCIENCE 2 (2015) 51-61
gis.SCIENCE 2/2015 I
61
Huber, W.; Lädke, M.; Ogger, R. (1999):
Extended Floating-Car-Data for the Acquisition
of Traffic Information. Proceedings of 6th World
Congress on Intelligent Transport Systems (ITS),
Toronto, Canada, November 8-12, 1999.
Immers, L. H.; Logghe, S. (2002): Traffic Flow
Theory. Course H 111, Verkeerskunde Basis,
Faculty of Engineering, Department of Civil Engi-
neering, Section Traffic and Infrastructure, Katho-
lieke Universiteit Leuven.
Körner, M. (2011): Nutzungsmöglichkeiten von
Floating Car Data zur Verkehrsflussoptimierung.
In: Strobl, J.; Blaschke, T.; Griesebner, G. (Eds.):
Angewandte Geoinformatik 2011. Beiträge
zum 23. AGIT-Symposium Salzburg. Wichmann,
Berlin/Offenbach, S. 381-386.
Krampe, S.; Leitinger, S.; Pucher, G.; Rehrl, K.
(2013): FCD Modellregion Salzburg: Einsatz
und Nutzen von Extended Floating Car Data im
Bundesland Salzburg. In: Strobl, J.; Blaschke, T.;
Griesebner, G.; Zagel, B. (Eds.): Angewandte
Geoinformatik 2013. Beiträge zum 25. AGIT-
Symposium Salzburg. Wichmann, Berlin/Offen-
bach, S. 450-455.
Krisp, J. M.; Fronzek, S. (2003): Visualising the-
matical spatial data by using the third dimension.
Proceedings of ScanGIS'2003 − The 9th Scan-
dinavian Research Conference on Geographical
Information Science.
Krisp, J. M.; Polous, K.; Peters, S.; Fan, H.;
Meng, L. (2012): Getting in and out of a taxi:
spatio-temporal hotspot analysis for floating taxi
data in Shanghai. Conceptual paper − 6th Inter-
national Symposium “Networks for Mobility”,
September 27/28, 2012.
Leduc, G. (2008): Road Traffic Data: Collection
Methods and Applications. Working Papers on
Energy, Transport and Climate Change N. 1,
JRC Technical Notes, European Commission,
Joint Research Centre (JRC), Institute for Prospec-
tive Technological Studies (IPTS), EUR Number:
Technical Note: JRC 47967.
Leonardi, L.; Marketos, G.; Frentzos, E.; Giatra-
kos, N.; Orlando, S.; Pelekis, N.; Raffaetà, A.;
Roncato, A.; Silvestri, C.; Theodoridis, Y.
(2010): T-Warehouse: Visual OLAP Analysis on
Trajectory Data. In: Proceedings of the 26th IEEE
International Conference on Data Engineering
(ICDE), S. 1141-1144.
Li, B.; Zhang, D.; Sun, L.; Chen, C.; Li, S.; Qi,
G.; Yang, Q. (2011): Hunting or Waiting? Dis-
covering Passenger-Finding Strategies from a
Large-scale Real-world Taxi Dataset. In: 2011
IEEE International Conference on Pervasive Com-
puting and Communications Workshops (PER-
COM Workshops), MUCS 2011; 8th IEEE Inter-
national Workshop on Managing Ubiquitous
Communications and Services, Managing Con-
texts, S. 63-68.
Li, X.; Li, M.; Shu, W.; Wu, M. (2007): A practi-
cal map-matching algorithm for GPS-based ve-
hicular networks in Shanghai urban area. In:
Proceedings of the IET Conference on Wireless,
Mobile and Sensor Networks, (CCWMSN07),
S. 454-457.
Liu, C.; Li, N.; Huang, M.; Wu, H. (2012): City
Routing Velocity Estimation Model under the Envi-
ronment of Lack of Floating Car Data. In: Journal of
Geographic Information System, 4 (1), S. 55-61.
Liu, C.; Meng, X.; Fan, Y. (2008): Determination
of Routing Velocity with GPS Floating Car Data
and WebGIS-Based Instantaneous Traffic Infor-
mation Dissemination. In: The Journal of Naviga-
tion, 61 (2), S. 337-353.
Liu, L.; Andris, C.; Biderman, A.; Ratti C. (2009):
Uncovering Taxi Driver’s Mobility Intelligence
through His Trace. IEEE Pervasive Computing.
Liu, X.; Ban, Y. (2013): Uncovering Spatio-Tem-
poral Cluster Patterns Using Massive Floating Car
Data. In: ISPRS International Journal of Geo-Infor-
mation, 2, S. 371-384.
Long, J. A.; Nelson, T. A. (2012): A review of
quantitative methods for movement data. In: Inter-
national Journal of Geographical Information Sci-
ence, 27 (2), S. 292-318.
Lorkowski, S.; Brockfeld, E.; Mieth, P.; Passfeld,
B.; Thiessenhusen, K-U.; Schäfer, R-P. (2003): Ers-
te Mobilitätsdienste auf Basis von „Floating Car
Data“. In: Beckmann, K. J. (Ed.): Tagungsband
zum 4. Aachener Kolloquium „Mobilität und
Stadt“, 75, S. 93-100.
Orlando, S.; Orsini, R.; Raffaetà, A.; Roncato, A.
(2007): Trajectory Data Warehouses: Design
and Implementation Issues. In: Journal of Comput-
ing Science and Engineering (JCSE), 1 (2),
S. 211-232.
Shepherd, I. D. H. (2008): Travails in the Third
Dimension: a critical evaluation of 3D geograph-
ical visualization. In: Dodge, M.; McDerby, M.;
Turner, M. (Eds.): Geographic visualization: con-
cepts, tools and applications. John Wiley &
Sons, Chichester, S. 199-222.
Sohr, A.; Brockfeld, E.; Krieg, S. (2010): Quality
of Floating Car Data. In: Conference Proceed-
ings, paper nr 02392, www.digitalpapers.org.
12th World Conference on Transport Research
(WCTR), 11.-15.07.2010, Lissabon, Portugal.
Stanica, R.; Fiore, M.; Malandrino, F. (2013):
Offloading Floating Car Data. Proceedings of
the 2013 IEEE 14th International Symposium and
Workshops on a World of Wireless, Mobile and
Multimedia Networks (WoWMoM), S. 1-9.
Sun, J.; Wen, H.; Gao, Y.; Hu, Z. (2009): Metro-
politan Congestion Performance Measures Based
on Mass Floating Car Data. In: Yu, L.; Lai, KK.;
Mishra, S. K. (Eds.): Proceedings of the Second
International Joint Conference on Computational
Sciences and Optimization (CSO 2009), Com-
putational Transportation Science, S. 109-113.
Tanaksaranond, G. (2010): Visualization of Traf-
fic Congestion in Space-Time. In: UCL – STAND-
ARD: Spatio-Temporal Analysis of Network Data
and Route Dynamics. http://standard.cege.ucl.
ac.uk/workshops/garavig.html, Zugriff 1/2014.
Tominski, C.; Schumann, H.; Andrienko, G.; An-
drienko, N. (2012): Stacking-Based Visualiza-
tion of Trajectory Attribute Data. In: IEEE Transac-
tions on Visualization and Computer Graphics
(Proceedings IEEE Information Visualization
2012), 18 (12).
Turner, E.; Allen, J. P. (2010): Issues in Depicting
Population Change with Dot Maps. In: Cartogra-
phy and Geographic Information Science, 37
(3), S. 189-197.
Zhao, Y.; Qin, Q.; Li, J.; Xie, C.; Chen, R.
(2012): Highway map matching algorithm based
on floating car data. In: IGARSS 2012 − IEEE
International Geoscience and Remote Sensing
Symposium, THP-P: Image Information Extraction:
Detection of Man-made Features, S. 5982-5985.
Zogg, J.-M. (2007): Interview: Galileo und GPS,
kritisch betrachtet. In: NAVI-Magazin (www.navi-
magazin.de), 2/2007, S. 94-95.