Movement in Cities - spåra rörelser i en citykärna

 

 

 

Hitta affärsvärde i tillgängliga stadsdata

Tillsammans med Gävle Citysamverkan driver FPX ett projekt där vi på olika sätt kombinerar och modellerar öppna data om staden. Genom att använda öppna data från flera olika källor kan vi bättre förstå vilka faktorer som påverkar liv och rörelse i en stadskärna för att skapa affärsvärden genom datan. 

Ambitionen med projektet är att hitta ett tydligt affärsvärde i den data som finns tillgänglig, och göra modellen tillgänglig för affärsidkare och andra som kan ha nytta av att veta var folk befinner sig vid en speciell tidpunkt. har valt att angripa frågan genom att anta det fiktiva scenariot att vi ska starta en foodtruck. Genom modellen ska vi kunna hitta den mest optimala placeringen i en stadskärna.

Öppna data som används
Vi använder oss av flera olika typer av öppna data för att skapa vår modell:

  • Sensordata
    Gävle Citysamverkan har sedan 2016 via ett tiotal sensorer mätt in- och utpasseringar av fotgängare i stadskärnan. Varje gång en person passerar in eller ut från city vid en mätpunkt uppdateras ett räkneverk.
  • Väder och temperaturdata
    Vi använder oss av historiska temperaturvärden från SMHI för att hjälpa vår maskininlärningsmodell att förstå skillnaden mellan årstider. SMHI bistår även med väderprognoser som vi använder för att förse modellen med information om vilken temperatur och eventuell nederbörd som väntas.
  • Fastighetsdata
    Gävle kommun erbjuder öppna data med information om samtliga fastigheter i staden som vi använder för att markera byggnader och bilvägar där fotgängare inte kan gå.

Implementering av öppna data i modellen
Det är därmed dags för en djupdykning i dessa tillgängliga data för att se vad vi kan lära oss om Gävle och dess potential för vår tänkta affärsverksamhet.

Tidsseriedata som beskriver mätvärden under en vecka från en sensor

I bilden ovan med data från en sensor utplacerad i staden visar den övre grafen fotgängares rörelser in mot stadskärnan medan den nedre grafen visar personer som rört sig utåt, i riktning mot tågstationen. Vi kan nå en hel del insikter bara utifrån denna korta serie:

  • Helgerna följer inte samma mönster som vardagarna då antalet personer som passerar sensorn sjunker markant från både fredag till lördag och lördag till söndag.
  • Vardagarna innehåller två toppar som tycks infalla samma tid varje dag. En rimlig förklaring är att det sker jobbpendling till och från Gävle vid dessa tidpunkter.
  • Det finns en tydlig skillnad mellan morgonen och eftermiddagen, där topparna och dalarna är spetsigare i början av dagen. Pendlingen sker generellt mer koncentrerat under morgontimmarna än senare på eftermiddagen. Sannolikt börjar de flesta jobba ungefär samtidigt, men återvänder hem mer utspritt under eftermiddagen och kvällen.

 

Aggregat data för samtliga sensorer, under hela 2019

Om vi adderar data från samtliga tio sensorer och tittar på helårsbasis kan vi konstatera att mängden personer som rör sig i Gävle city är lägre under sommarveckorna. De två tydliga avvikelserna under sommaren, en tydlig nedgång och senare en rejäl topp, beror på midsommarhelgen respektive en stadsfest i början på augusti.

 

SMHI:s temperaturdata för 2019 projicerat över aggregat sensordata.

Med hjälp av väderdata kan vi beskriva hur vädret påverkar hur många som väljer att röra sig i centrum. På bilden ovan visas SMHI:s temperaturdata över hela 2019 (orange grafen) tillsammans med data från våra sensorer (den övre gråa grafen). Det finns en tydlig korrelation där rörelsesensorerna ger lägre mätvärden under perioder då temperaturen stiger. Det går även att se ett samband mellan kalla/varma avvikelser under året och förändrad aktivitet i stadskärnan.

Maskininlärning
Genom att vi nu matar vår modell med alla dessa data, och kombinerar det med framtida data i form av SMHI-prognoser för kommande temperatur, så kan modellen börja träna med hjälp av maskininlärning.

Prediktionsdata från träningsprocessen. 

Här ser vi en ögonblicksbild från när modellen tränar på att förutspå en sensors data. De två mjukare kurvorna är en “gissning” på hur de närmsta dagarna kommer att se ut och de kantigare kurvorna är det faktiska utfallet. Algoritmen utvärderas genom att det genereras prediktioner för dagar som redan har passerat (men som modellen inte har fått se) och sedan jämförs dessa prediktioner med det hur dessa dagar faktiskt såg ut i verkligheten.

Slutligen kan vi även konstruera en enkel modell som simulerar fotgängare och deras rörelsemönster, där varje simulerad person alltid startar vid en sensor och rör sig i riktning mot centrum på möjliga vägar att gå. Även om varje enskild fotgängare i vår simulering agerar efter väldigt enkla regler så ger mönstret som framkommer en tydlig bild:

Flödesprediktion baserad på sensordata och en enkel policy för rörelsemönster.

Genom att analysera vilka områden som har flest passerande fotgängare kan vi därmed välja en lämplig plats för vår hypotetiska foodtruck. Eftersom simuleringen baseras på tidsseriedata får vi också olika resultat beroende på vilken dag och tidpunkt vi utgår ifrån.
Vi kan enkelt besvara frågor som till exempel:

  • Kommer det att vara mycket folk i Gävle City ikväll?
  • Var rör sig mest människor imorgon förmiddag?
  • Hur många färre människor kommer vi att se i centrum imorgon när väderprognosen förutspår dåligt väder?

Vår modell är klar
Slutligen kan vi även konstruera en enkel modell som simulerar fotgängare och deras rörelsemönster, där varje simulerad person alltid startar vid en sensor och rör sig i riktning mot centrum på möjliga vägar att gå. Även om varje enskild fotgängare i vår simulering agerar efter väldigt enkla regler så ger mönstret som framkommer en tydlig bild:

 

AI hjälper oss att förstå
Ambitionen med projektet är naturligtvis inte att vi ska starta näringsverksamhet i form av en foodtruck. Genom att använda AI i form av maskininlärning på öppna data kan vi modellera och presentera data på ett sätt som gör att kommunen, eller enskilda näringsidkare inte själva behöver ha resurser och kompetens för att göra detta djupa analysarbete. Projektet kommer liksom vår teoretiska foodtruck att rulla vidare, bland annat genom ett mer lättillgängligt gränssnitt för användare. Vi vill också addera mer data, som till exempel parkeringsbeläggning, kollektivtrafik och aggregat data över enheter uppkopplade mot wifi-hotspots.

 

Vill du veta mer? 

Detta är en sammanfattning av vad projektet har åstadkommits hittills. FPX CTO Magnus Engström har i ett blogginlägg beskrivit maskininlärningsprocessen betydligt djupare. Klicka nedan för att få hela historien.

Pin It on Pinterest