Térképi adatbázisok teljességének vizsgálata és javítása neurális hálózatok segítségével / Testing and improving the completeness of map databases using neural networks

Elsődleges fülek

Nyilvántartási szám: 
23/08
Témavezető neve: 
Témavezető e-mail címe:
laky.piroska@emk.bme.hu
A témavezető teljes publikációs listája az MTMT-ben:
A téma rövid leírása, a kidolgozandó feladat részletezése: 
A digitális térképek, térképi adatbázisok a valós világ adott szinten egyszerűsített mását hivatottak modellezni, törekedve arra, hogy bizonyos kiválasztott szempontok alapján minél jobban hasonlítsanak a valós világhoz. Mind a szervezetek, mind az önkéntes közösségek által készített térképek esetén felmerül a teljesség/befejezettség kérdése. Hogyan lehet megbizonyosodni arról, vagy pusztán egy megbízhatósági mérőszámot adni arról, hogy egy adott területen az adott szempontok alapján minden térbeli objektum, és hozzájuk köthető attribútum rögzítésre került? Amennyiben pedig hiányos az adatbázis, hogyan lehet bizonyos természetű adatokat pótolni mesterséges neurális hálózatok segítségével? Az első kérdésre a közösségi térképezés esetén a válasz az adatok időbeli változásában rejlik. Egy adott terület vagy régió véges számú térbeli objektummal, és azok véges számú attribútumával rendelkezik. Korábbi kutatások alapján feltételezhető, hogy egy adott típusú adatot nézve a rekordok száma az idővel egy szigmoid függvényt követve eleinte egyre gyorsabban növekszik, majd a szaturációs pontot, avagy valós világ béli számát közelítve a növekedés üteme egyre csökken. Így különböző adatok időbeli változását vizsgálva az adat teljességére lehet következtetni. Természetesen egyrészt a világ folyamatosan változik ezért nem csak ilyen ideális esetek léteznek; másrészt jó eséllyel sok helyen nem tekinthető teljesnek az adatbázis. A hiányok felfedezése után felmerül az igény azok pótlására. Az objektumok és attribútumaik jó részéhez szükséges a helyi felmérés vagy távérzékelés, de bizonyos attribútumok pótolhatóak/”megjósolhatóak” mesterséges neurális hálózatok segítségével. Egy konkrét példa erre a sebességhatárok jelenléte, avagy hiánya amely napjainkban rendkívül fontos az autóipar számára. A neuronháló tanításához felhasználható a meglévő sebességhatárok egy adott része -, hogy az ellenőrzésre is legyen adat-, illetve rengeteg más befolyásoló tényező. Ilyen lehet az út típusa, sávok száma, görbülete vagy az adott ország alapértelmezett sebességhatárai, melyek mind magának az útnak az attribútumai. Továbbmenve vizsgálható annak térbeli elhelyezkedése és viszonya egyéb elemekkel. Ilyen lehet a lakott területhez
képesti elhelyezkedés, kórházak és iskolák közelsége, kereszteződések típusa, és még sok más elem amire elsőre nem is gondolna az ember. Arra is megvan a potenciál, hogy a különböző mintázatok alapján javaslatot tegyünk egyes útszakaszoknál a sebességhatár csökkentésére a balesetmentes közlekedés érdekében. A sebességhatár mint attribútum persze csak egy a sok közül és erősen autóipar specifikus. A kutatás során egyéb attribútumok vizsgálatára is sor kerül. A térképi objektumokon és azok tulajdonságain túlmenve, de a térképeknél maradva, akár egyéb célokra is használhatók a neurális hálózatok. Ilyen lehet a tömegközlekedésre való igény meghatározása, vagy akár közútbiztonsági mérőszámok meghatározása.
 
***
 
Digital maps and spatial databases are designed to model a simplified version of the real world at a given level of detail, striving to resemble the real world as closely as possible based on certain selected criteria. In the case crowdsourced maps, using the concept of Volunteered Geographic Information the question of completeness presents itself. What are the reliability measures at hand that can ensure that all the necessary spatial objects and their associated attributes are recorded in a given area, based on a certain criterion? In the case of the database being incomplete, how can we fill the gaps using artificial neural networks? In the case of volunteered mapping, the answer to the first question might be the temporal changes of the data. A given area or region has a finite number of spatial objects and a finite number of the associated attributes. Based on existing and ongoing research it can be assumed that investigating a certain type of data, the number of records increases over time, following a sigmoid function. After a slow start it grows faster, and then it slows down as it approaches the saturation point, converging to the real-world number. By examining the temporal variations, the completeness of various data can be inferred. As always there are exceptions and restrictions. On one hand the world is constantly changing so no ideal case exist. On the other hand, the database is likely to be incomplete in many places. Once all the gaps are discovered there is a need to fill them. For most of the objects and their attributes, field surveys or remote sensing is necessary, but certain attributes can be filled in, or predicted using artificial neural networks. A specific example is the presence or absence of speed limits in maps, which is getting more and more important to the automotive industry nowadays. To train the neural network a large part of the existing speed limits can be used (not all to have data for later validation). Other influencing factors can be used as well, such as the road class, number of lanes, curvature or default speed limits in a given country. All of these are the attributes of the road itself. Further investigation can cover the roads’ spatial location relative to other entities, like residential area, hospital or school and many more. The type of the intersections can affect speed limits as well. This part of the research can also be used to suggest speed limits in certain road sections based on different patterns to avoid accidents. The speed limit attribute is highly automotive industry specific, but it is just one of the many possibilities. Other attributes are planned to be examined during the research. Going beyond mapping objects and filling gaps in properties, these neural networks can also be used for other map related topics. Such as the demand for public transport or road safety.
A téma meghatározó irodalma: 
1) Barrington-Leigh C, Millard-Ball A (2017) The world’s user-generated road map is more than 80% complete. PLoS ONE 12(8): e0180698. https://doi.org/10.1371/journal.pone.0180698
2) Hansi Senaratne, Amin Mobasheri, Ahmed Loai Ali, Cristina Capineri & Mordechai (Muki) Haklay (2017) A review of volunteered geographic information quality assessment methods, International Journal of Geographical Information Science, 31:1, 139-167, DOI:10.1080/13658816.2016.1189556
3) Qi Zhou, Yuheng Zhang, Ke Chang & Maria Antonia Brovelli (2022) Assessing OSM building completeness for almost 13,000 cities globally, International Journal of Digital Earth, 15:1, 2400-2421, DOI: 10.1080/17538947.2022.2159550
4) Can R, Kocaman S, Gokceoglu C. A Convolutional Neural Network Architecture for Auto-Detection of Landslide Photographs to Assess Citizen Science and Volunteered Geographic Information Data Quality. ISPRS International Journal of Geo-Information. 2019; 8(7):300. https://doi.org/10.3390/ijgi8070300
5) Jiaoyan Chen and Alexander Zipf. 2017. DeepVGI: Deep Learning with Volunteered Geographic Information. In Proceedings of the 26th International Conference on World Wide Web Companion (WWW '17 Companion). International World Wide Web Conferences Steering Committee, Republic and Canton of Geneva, CHE, 771–772. https://doi.org/10.1145/3041021.3054250
A téma hazai és nemzetközi folyóiratai: 
1. Journal of Geodesy (2022 Q1)
2. Earth, Planets and Space (2022, Q2)
3. Journal of Applied Geodesy (2022 Q3)
4. The International Archives of the Photogrammetry, Remote Sensing
5. Geodézia és kartográfia (2022 Q4)
6. Periodica Polytechnica: Civil Engineering (2022 Q3)
7. Geomatikai közlemények
A témavezető utóbbi tíz évben megjelent 5 legfontosabb publikációja: 
1. Béla Paláncz, Joseph L Awange, Piroska Zaletnyik, Robert H Lewis: Linear homotopy solution of nonlinear systems of equations in geodesy, JOURNAL OF GEODESY 84: (1) pp. 79-95., 2010 (D1), DOI: 10.1007/s00190-009-0346-x
2. Piroska Zaletnyik, Sandor Laky, Charles Toth (2010): LiDAR Waveform Classification Using Self Organizing Map, In: ASPRS 2010 Annual conference, pp. 1-12.,
3. Joseph L Awange, Erik W Grafarend, Béla Paláncz, Piroska Zaletnyik (2010): Algebraic Geodesy and Geoinformatics, Springer-Verlag, DOI: 10.1007/978-3-642-12124-1, (könyv)
4. Laky Sándor, Zaletnyik Piroska, C Toth, Bence Molnar (2012): Sparse Representation of Full Waveform LiDAR Data, In: Irena, Hajnsek (szerk.) 2012 IEEE International Geoscience and Remote Sensing Symposium, IEEE (2012) pp. 7496-7499., DOI: 10.1109/IGARSS.2012.6351898
5. Juni Ildikó, Rózsa Szabolcs, , Laky Piroska (2022): A légkör fizikai állapotához illesztett leképezési függvények számítása a GNSS-mérések troposzférikus hatásainak csökkentésére, GEODÉZIA ÉS KARTOGRÁFIA 74: (2) pp. 4-11., 2022
A témavezető fenti folyóiratokban megjelent 5 közleménye: 
1. Laky S, Zaletnyik P, Toth C (2010): Land classification of wavelet-compressed full-waveform LiDAR data, INTERNATIONAL ARCHIVES OF PHOTOGRAMMETRY AND REMOTE SENSING (2002-) 38: (3A) pp. 115-119.,
2. Paláncz B., Zaletnyik P., Awange J.L., Grafarend E.W.(2008): Dixon resultant's solution of systems of geodetic polynomial equations, JOURNAL OF GEODESY 82:(8) pp. 505-511., DOI: 10.1007/s00190-007-0199-0
3. Zaletnyik, P ; Laky, S ; C, Toth (2011): Csúcskeresési eljárások teljes hullámalakos lézerszkenner adatok feldolgozásához GEOMATIKAI KÖZLEMÉNYEK / PUBLICATIONS IN GEOMATICS 14 : 1 pp. 129-138. , 10 p. (2011)
4. Zaletnyik P, Völgyesi L, Paláncz B (2008): Modelling local GPS/levelling geoid undulations using Support Vector Machines, PERIODICA POLYTECHNICA-CIVIL ENGINEERING 52: (1) pp. 39-43.
5. Juni Ildikó, Rózsa Szabolcs, , Laky Piroska (2022): A légkör fizikai állapotához illesztett leképezési függvények számítása a GNSS-mérések troposzférikus hatásainak csökkentésére, GEODÉZIA ÉS KARTOGRÁFIA 74: (2) pp. 4-11., 2022
Státusz: 
elfogadott