[論文レビュー] Street Sense: Learning from Google Street View

Suriyan Laohaprapanon, Kimberly Ortleb+1 more|arXiv (Cornell University)|Jul 10, 2018

Geographic Information Systems Studies被引用数 3

ひとこと要約

本論文では、Google Street Viewの画像を活用し、道路セグメントのランダムサンプリングとアマゾン・メカニカル・トゥルースによるクラウドソーシングラベリングを組み合わせることで、スケーラブルで低コストな公共インフラ品質の評価手法を提案する。主な発見として、ジャカルタの道路には他の都市と比べてほぼ4倍のパッチが存在し、23%のセグメントが影響を受けており、ミシガン州ウェイン郡では収入水準とインフラ品質の明確な勾配が見られ、高収入地域では著しく少ないパッチが確認された。

ABSTRACT

How good are the public services and the public infrastructure? Does their quality vary by income? These are vital questions---they shed light on how well the government is doing its job, the consequences of disparities in local funding, etc. But there is little good data on many of these questions. We fill this gap by describing a scalable method of getting data on one crucial piece of public infrastructure: roads. We assess the quality of roads and sidewalks by exploiting data from Google Street View. We randomly sample locations on major roads, query Google Street View images for those locations and code the images using Amazon's Mechanical Turk. We apply this method to assess the quality of roads in Bangkok, Jakarta, Lagos, and Wayne County, Michigan. Jakarta's roads have nearly four times the potholes than roads of any other city. Surprisingly, the proportion of road segments with potholes in Bangkok, Lagos, and Wayne is about the same, between .06 and .07. Using the data, we also estimate the relation between the condition of the roads and local income in Wayne, MI. We find that roads in more affluent census tracts have somewhat fewer potholes.

研究の動機と目的

• データが乏しい都市環境における公共インフラ品質を測定する、スケーラブルで費用対効果に優れた手法の開発。
• 特に米国における状況を想定し、道路品質の格差が地域の収入水準と相関するかどうかの調査。
• Google Street Viewとクラウドソーシングが、大規模かつ現実世界のインフラ監視にどのように有用であるかの実証。
• 将来的に自動機械学習システムによる大規模なインフラ監視を可能にする基盤となるラベル付きデータセットの構築。

提案手法

• 主に一次、二次、三次、トランク道路を対象とし、OpenStreetMapデータを用いて0.5 kmのセグメントに分割する。
• 空間的サンプリングを効率的に行うために、オープンソースの地理的サンプリングPythonパッケージを用いてこれらのセグメントからランダムサンプルを選択する。
• 各サンプルセグメントの開始座標に対してGoogle Street View APIを照会し、ストリートレベルの画像を取得する。
• アマゾン・メカニカル・トゥルースを活用したクラウドソーシングによるラベリングを実施し、道路状態（パッチ、亀裂、ごみ、歩道の品質など）をコード化する。
• 各地域や収入グループごとに、各状態が見られるセグメントの割合を算出し、分析する。
• 収入の五分位グループとインフラ品質の関係を評価するため、回帰モデルを適用し、道路種別を調整する。

実験結果

リサーチクエスチョン

• RQ1 グローバルサウスの主要都市と米国の一郡（ウェイン郡）において、道路、歩道、街路の清掃状態はどのように異なるか？
• RQ2 ミシガン州ウェイン郡の道路品質は、地域の世帯収入水準とどの程度相関しているか？
• RQ3 パッチや亀裂の存在割合は、都市ごとに道路種別（例：一次、二次、三次）によってどのように変化するか？
• RQ4 Google Street Viewデータを用いて、スケーラブルで低コストなインフラ監視システムを構築可能か？
• RQ5 インフラ品質と移動快適性やアクセス可能性といった生活の質の指標との関係は何か？

主な発見

• ジャカルタは道路品質が最悪で、サンプルされた道路セグメントの23%がパッチを含んでおり、バンコク、ラゴス、ウェイン郡（ミシガン州）の6–7%と比べて4倍高い。
• ミシガン州ウェイン郡では、高収入の世帯地域ほどパッチの割合が著しく低い。低収入グループと比較して、収入5分位の23k–29kグループでは、パッチを含むセグメントの割合が0.03減少した。
• 亀裂の発生率はウェイン郡が最も高く（全セグメントの62%）、次いでジャカルタ（44%）、バンコク（24%）、ラゴス（20%）の順で、道路種別とは明確な相関がなかった。
• ごみの有無はジャカルタで最も顕著で（全セグメントの21%）、次いでラゴス（15%）、バンコクとウェイン郡ではそれぞれ6–9%のセグメントに目立つごみが確認された。
• 歩道の舗装率はラゴスで最も低く（全セグメントの30%）、バンコク（51%）、ジャカルタ（49%）、ウェイン郡（67%）に比べて著しく低い。
• 道路種別を調整した後でも、パッチおよび亀裂の発生率に都市間の顕著な差が残っており、都市レベルでのインフラ品質格差は道路分類の要因に起因するとは限らないことが示された。