Cluster-based map construction approach for accessibility routes

.The World Health Organization (WHO) states that about 15% of the population presents some type of physical disability or mobility impairment. The Map for Easy Paths (MEP) is an ongoing project that aims to overcome part of the problem creating collaborative urban accessibility routes to address their traveling concerns. Under that context, the area this present work takes part in is the MEP-clustering engine, which aims to cluster different trajectories in order to create an accessibility map. A large number of alternative approaches have been developed over the last few decades, one of them was the Incremental Growing Neural Gas Network algorithm which was applied in the former iteration of the MEP-clustering engine, the particular purpose of this document is to extend this implementation. With this goal in mind, different types of algorithms were explored accounting for the assessment of their advantages and practicability to the MEP-clustering project. In particular, we selected an Incremental Track Insertion algorithm, proposed by Ahmed and Wenk. The results of the implementation perform well, giving good results. This has been evaluated with the addition of a new validation process. Unfortunately, this approach results in problems regarding the selection of the initial parameters, which are not constant throughout the city. This may require running multiples instances of the algorithm on sectors where such parameters differ in order to merge them . The main advantage compared to the previous method is a decrease in the execution time, being able to process ten times the amount of data in the same period. Such improvement increases the scalability of the project.

L’Organizzazione mondiale della sanità (OMS) afferma che circa il 15% della popolazione presenta qualche tipo di disabilità fisica o motoria. Il Map for Easy Paths (MEP) è un progetto in corso che mira a superare parte del problema creando percorsi di accessibilità urbana collaborativi per rispondere alle loro preoccupazioni di viaggio. In tale contesto, l’area a cui partecipa questo lavoro è il motore di raggruppamento MEP, che mira a raggruppare traiettorie diverse al fine di creare una mappa di accessibilità. Negli ultimi decenni sono stati sviluppati numerosi approcci alternativi, uno dei quali è l’algoritmo adaptive incremental growing neural gas network (AIGNGN), che è stato applicato nella precedente iterazione del motore di clustering MEP. Lo scopo particolare di questo documento è di estendere questa implementazione. Con questo obiettivo in mente, sono stati esplorati diversi tipi di algoritmi, prendendo in considerazione la valutazione dei loro vantaggi e praticabilità per il progetto di raggruppamento MEP. In particolare, si è selezionato un algoritmo di inserimento della traccia incrementale proposto da Ahmed e Wenk. I risultati dell’implementazione sono stati soddisfacenti. Questo è stato valutato con l’aggiunta di un nuovo processo di validazione. Sfortunatamente, questo approccio provoca problemi riguardo alla selezione dei parametri iniziali, che non sono costanti in tutta la città. Ciò può richiedere l’esecuzione di istanze multiple dell’algoritmo su settori in cui tali parametri differiscono, per poi unire i suoi risultati. Il vantaggio principale rispetto all’algoritmo AIGNGN è una riduzione dei tempi di esecuzione, essendo in grado di elaborare una quantità di dati dieci volte superiore nello stesso periodo. Tale miglioramento aumenta la scalabilità del progetto.