Applying Human-scale Understanding to Sensor-based Data : Generating Passive Feedback to Understand Urban Space Use

The aim of this thesis is to investigate how parametrization of large-scale person movement data can contribute to describing the use of urban space. Given anonymous coordinate and timestamp data from a sensor observing an open-air mall, movement-based parameters are selected according to public life studies, behavioral mapping, and space syntax tools. The thesis aim is operationalized by answering how well the parametrizations perform in capturing urban space use, as well as investigating how the use is described when applying the parameterized data in selected urban space use tools. Also, the parameterized data are evaluated as time series to investigate possible further understanding of urban space use. The parametrization performance is evaluated by accuracy and F1-score and time series forecasts are evaluated by root mean square error (RMSE) and mean absolute error (MAE). The results indicate a parametrization accuracy of 93% or higher, while a high yet fluctuating F1 -score indicates that the parameterizations might be sensitive to imbalanced data, and that accuracy alone might not be sufficient when evaluating urban data. The parameterized data applied in the selected urban space use tools highlights the granularity achieved from sensor-based data. In the time series analysis, a Facebook Prophet forecast model is implemented, with an MAE of 8.6% and RMSE of 11.7%, outperforming a seasonal naïve forecast implementation with an MAE of 14.1% and RMSE of 18.8%. The thesis finds that time series modelling adds to understanding patterns and changes of use over time and that the approach could be developed further in future studies. In answering how the urban space is used, the thesis develops a new methodology. This methodology combines human-scale understanding of urban space use with large-scale data, generating citizen passive feedback. Vikten av att förstå hur en plats, eller ett stadsrum, faktiskt används härstammar ur det faktum att användningen ofta avviker från vad som var planerat. Genom en utökad förståelse för användningen av en plats går det exempelvis att anpassa platsens utformning efter faktisk användning. För att uppnå denna djupare förståelse finns flera olika tillvägagångssätt. Ett sätt är att använda de analoga teorier och verktyg som under lång tid har utvecklats av arkitekter och stadsplanerare, med avsikt att förstå sig på människors beteenden i olika stadsrum. Dessa urbana analysverktyg innefattar exempelvis ramverk för att kartlägga människors aktivitet. Ett annat sätt är att analysera stora datamängder för att utvinna generella rörelsemönster eller detaljerade trender. I denna uppsats presenteras en metod som kombinerar dessa två tillvägagångssätt i syfte att väva in de analoga teoriernas mänskliga utgångspunkt med de möjligheter som uppstår vid analys av stora datamängder. Genom att utveckla algoritmer kan rörelse-baserad information utvinnas, eller parametriseras, ur data från människors rörelse. Metoden innebär i kontexten av denna studie således en parametrisering av rörelse-data från en sensor uppsatt på shoppinggatan Kompassen i Göteborg. Urvalet av parametriseringar har baserats på de urbana analysverktygen. Detta sammanfattas i studiens övergripande syfte: att undersöka hur parametrisering av storskalig rörelsedata kan bidra till att förklara användningen av stadsrum. För att uppnå detta syfte besvaras tre frågeställningar. Först utvärderas hur väl det parametriserade rörelsedatat kan fånga upp användningen av stadsrum. Sedan undersöks hur användningen gestaltas genom att det parametriserade datat appliceras i utvalda urbana analysverktyg. Till sist analyseras datat som tidsserier i syfte att undersöka hur en förståelse över tid kan öka förståelsen för användningen av stadsrum. Genom att utgå från rörelsedata utvanns personers hastighet, startpunkt, och destination. Vidare parametriserades klasserna butiksinteraktion, grupptillhörighet, och stillastående i enlighet med de urbana analysverktygen. Vid utvärdering av dessa tre klasser visar studiens resultat att användningen av stadsrummet fångas upp till hög grad och uppnår åtminstone 93% i precision. Dock visar resultaten även att träffsäkerheten minskar ju mer obalanserat datat är. Detta innebär att ju lägre frekvent en klass är i datat desto svårare är den att fånga upp. När det parametriserade datat används i de urbana analysverktygen, visar resultaten att det utvunna datat bidrar med en högre upplösning som kan bana väg för ny förståelse för hur stadsrum används. Den högre upplösningen möjliggör även för tidsserieanalys av det parametriserade datat. Resultaten pekar på en mer detaljerad förståelse för trender och användningen av stadsrummet över tid. Till exempel implementeras verktyget Facebook Prophet som i detta fall prognostiserar andelen med grupptillhörighet. För en prognos på två veckor uppnås ett genomsnittligt absolutfel på 8.6%, vilket anses vara ett träffsäkert resultat. På så sätt medför möjligheten att prognostisera användning och identifiera avvikelser från trender ett ytterligare bidrag till förståelsen för hur platsen används. Tidsserieanalysen uppvisar stor potential och tolkningar från såväl tidsserierna som prognosmodeller har utrymme att vidareutvecklas. I framtida studier bör även algoritmer för fler aktivitetsbaserade parametrar, till exempel sittande eller samtalande, utvecklas. Uppsatsens fokus kretsar kring att skapa förståelse för hur ett stadsrum används och lämnar således frågan varför åt framtida studier, där resultat från denna studie kan fungera som viktigt underlag. Studiens metod tillför ett mänskligt perspektiv till stora datamängder och bidrar på så sätt till ett bredare underlag för hur stadsrum används. Med utgångspunkt i urbana analysverktyg har insamlad sensordata parametriserats till viktiga rörelse-baserade klasser. Detta underlag motsvarar en passiv återkoppling från användarna av stadsrummet som därigenom förklarar hur en plats faktiskt används