Detailansicht
A cluster-driven and satellite image-based framework for truck activty classification
Alexander Vollstädt
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Geowissenschaften, Geographie und Astronomie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Kartographie und Geoinformation
Betreuer*in
Andreas Riedl
DOI
10.25365/thesis.80414
URN
urn:nbn:at:at-ubw:1-19095.64879.573612-8
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Mit der zunehmenden Komplexität globaler Wertschöpfungsketten ist es für Transportunternehmen essentiell geworden, LKW-Aktivitäten durch GPS-Datenanalyse besser zu verstehen. Diese Arbeit präsentiert einen vierstufigen Ansatz zur LKW-Aktivitätsklassifikation, der auf traditionellen Schwellenwerts- und Clustermethoden beruht. Ein spezieller Datensatz (TACID) mit 1,000 Bildern pro Kategorie wurde durch POI und Satellitenbilddatenextraktion erstellt. Zwei ResNet50 Bilderkennungsmodelle (drei und vier Klassen) wurden trainiert um zwischen Lade-, Pausen-, Verkehrs- und Tankstopps zu unterscheiden und erreichten 82% (drei Klassen) und 69% (vier Klassen) Genauigkeit auf den Testdatensatz. Durch zweistufige Stopperkennung, basierend auf einem Geschwindigkeitslimit und DBSCAN, wurde die Anzahl der zu untersuchenden GNSS Punkten um 99.8% reduziert. Das Beste vortrainierte Modell machte bei der Klassifizierung der Stopps starke Ähnlichkeiten zwischen Klassen offensichtlich, die eine eindeutige Zuordnung schwierig machten. Die zeitliche Analyse der LKW-Aufenthalte zeigte, dass unregelmäßige Übertragungsraten und lange zeitliche Unterbrechungen bei der GPS-Signalübertragung, die genaue Berechnung von Stoppzeiten stark erschweren. Alles in Allem hat diese Masterarbeit bewiesen, dass Satellitenbild-gestützte Aktivitätserkennung auf große Datensätze, die mehrere Fahrzeuge abdecken, anwendbar ist, und somit eine skalierbare Methodik für Mobilitätsanalysen präsentiert, welche sowohl Einschränkungen, aber auch potenzielle Ansätze für zukünftige Studien hervorgehoben hat.
Abstract
(Englisch)
As global supply chains grow more complex, understanding truck activity patterns through GPS data analysis has become indispensable for freight operation planning and optimization. This thesis introduces a four-step truck activity classification framework combining traditional threshold and clustering methods with novel satellite image-based classifications techniques across diverse geographical settings. A Truck Activity Classification Image Dataset (TACID) containing 1,000 satellite images per class was constructed using POI and image extraction. Two ResNet50 image classification models (three and four-class) were trained to distinguish loading/unloading, rest, traffic, and fuel stops, achieving 82% (three-class) and 69% accuracy (four-class) on the test data. A two-stage stop identification pipeline based on speed thresholding and DBSCAN clustering reduced the number of GNSS points requiring classification by 99.8%, enabling efficient handling of large datasets. The best pretrained model categorized the detected stop locations into the predefined classes, revealing important challenges due to strong inter-class similarities. Temporal analysis demonstrated that irregular transmission frequencies and large temporal gaps limit precise dwell-time calculation. Overall, the framework extends satellite image-based truck activity recognition to multi-vehicle datasets, offering a scalable methodology for freight mobility analysis while highlighting key limitations and directions for future research.
Schlagwörter
Schlagwörter
(Deutsch)
GPS-Daten Bilderkennung
Autor*innen
Alexander Vollstädt
Haupttitel (Englisch)
A cluster-driven and satellite image-based framework for truck activty classification
Publikationsjahr
2025
Umfangsangabe
viii, 112 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Andreas Riedl
Klassifikation
55 Verkehrswesen > 55.21 Kraftfahrzeuge
AC Nummer
AC17784659
Utheses ID
79168
Studienkennzahl
UA | 066 | 856 | |