Direkt zum Inhalt

Raum-zeitliche Big Data Analysen

Die Speicherung, Verwaltung und Analyse von großen Mengen räumlich-zeitlicher Mobilitätsdatensätze sind eine Herausforderung bei der Entwicklung fundierter und effizienter Lösungen im Mobilitätsbereich. Neben adäquaten Methoden für rasant wachsende Datenmengen sind vor allem robuste Ansätze zur Gewinnung nützlicher Mobilitätsinformationen aus unvollständigen und teilweise fehlerhaften Sensor- und Verkehrsnetzdaten notwendig. Das AIT verfügt über fundierte Kompetenzen in den Bereichen Big Data und Geodatenbankmanagement, statistischem Lernen und explorativer Datenanalyse und erarbeitet innovative Lösungen für unsere Industriepartner und neue Beiträge für die wissenschaftlichen Communities.

blauer Hintergrund mit weißem netzartigen Muster daüber vertikale Reihen an Einsern und Nullern

Publikationen

P. Widhalm, M. Leodolter, N. Brändle: "Top In The Lab, Flop In The Field? Evaluation Of A Sensor-based Travel Activity Classifier With The SHL Dataset"; In: Proceedings 6th International Workshop on Human Activity Sensing Corpus and Application (HASCA2018) (in conjuction with UbiComp2018), Singapore; 2018;

A. Graser and P. Widhalm: “Modelling massive AIS streams with quad trees and Gaussian Mixtures”, 21st AGILE Conference on Geographic Information Science June 12-15, 2018 Lund, Sweden

A. Graser, J. Schmidt, F. Roth, N. Brändle:  "Untangling Origin-Destination Flows in Geographic Information Systems";  Information Visualization, SAGE (2017).

R. Fritze, A. Graser, M. Sinnl:  "Combining spatial information and optimization for locating emergency medical service stations: A case study for Lower Austria"; International Journal Of Medical Informatics, 111 (2018), S. 24 - 36.

P. Widhalm, Y. Yang, M. Ulm, M. Gonzalez:  "Discovering Urban Activity Patterns in Cell Phone Data";  Transportation, 42 (2015), 4; 597 - 623.

M. Ulm, P. Widhalm, N. Brändle:  "Characterization of mobile phone localization errors with OpenCellID data"; in:"4th International Conference on Advanced Logistics and Transport (ICALT2015)", IEEE, (2015).

P. Widhalm, P. Nitsche, N. Brändle:  "Transport Mode Detection with Realistic Smartphone Sensor Data";  in: "Proceedings of the 21st International Conference on Pattern Recognition (ICPR2012)", (2012).

M. Leodolter, P. Widhalm, C. Plant, N. Brändle:  "Semi-supervised segmentation of accelerometer time series for transport mode classification"; 
in: "Proceedings 5th IEEE International Conference on Models and Technologies for Intelligent Transportation Systems (MT-ITS)", (2017), 663 - 668.

A. Graser, M. Leodolter, H. Koller:  "Towards Better Urban Travel Time Estimates Using Street Network Centrality";  in: "Proceedings of the 1st ICA European Symposium on Cartography.", Towards Better Urban Travel Time Estimates Using Street Network Centrality, (2015), ISBN: 978-1-907075-03-2.

A. Graser, V. Olaya Ferrero: "Processing: A Python Framework for the Seamless Integration of Geoprocessing Tools in QGIS";  ISPRS International Journal of Geo-Information, 4 (2015), 4; S. 2219 - 2245.