Gridnberg: A Topography-Aware Pedestrian Routing Dataset for New York City

技術要約：Gridnberg – ニューヨーク市における地形情報を考慮した歩行者ルーティング・データセット

問題提起
都市ネットワーク分析では、街路ネットワークを平面（2D）グラフとして簡略化し、街路セグメントを水平距離のみによって抵抗（インペダンス）が定義される平坦なエッジとして扱うことが頻繁にあります。この抽象化は、歩行速度、代謝エネルギー、およびルート選択に大きな影響を与える標高の変化を考慮できていません。ニューヨークのような都市は平坦であると認識されがちですが、実際には丘、スロープ、階段、橋、および窪地を含む、顕著な地形的変化が存在します。既存のナビゲーションサービスは標高データを組み込んでいることが多いものの、それらはプロプライエタリ（独占的）な性質を持つため、研究者がそのコストモデルを検証したり再現したりすることを妨げています。また、歩道に特化したネットワーク（例：NYCWalks）は空間的な忠実度は向上しているものの、標高データで強化されない限り、依然として平面的なままです。

手法
本論文では、NYCWalks歩行者ネットワークに地形を統合するワークフローであるGridnbergを紹介しています。プロセスは主に以下の3つの段階で構成されます。

1. データ統合:

   • ネットワーク幾何学: ベースとなるデータセットは、歩道、横断歩道、および遊歩道を包含する315,577個のLineStringレコードを含むNYCWalksネットワーク（Sevtsuk et al., 2026）であり、EPSG:6538 (NAD83(2011)) に投影されています。
   • 標高ソース: 標高データは、2022年NYCプラニメトリック・データベース（ELEVATIONクラス）から派生しています。歩行者インフラへの関連性を確保するため、本ワークフローでは道路盤のスポットおよび橋梁のポイント（フィーチャーコード3000）を抽出し、局所的な平均計算の汚染を防ぐために建物の屋上や水域を除外しています。
   • 座標の整合: 元々USサーベイ・フィート（EPSG:2263）であった標高ポイントをメートルに変換しています。

2. 頂点への標高割り当て:

   • 歩行者ネットワークのすべての頂点 $v$ に対して、割り当てられる標高 ($z_v$) は、50メートル半径内にあるすべての標高観測値 ($z_p$) の非加重平均として計算されます。
   • サポート基準: 頂点は、半径内に少なくとも1つの標高観測値が存在する場合にのみ「サポートされている」とみなされます。最終的なデータセットには、その幾何学的な全頂点がサポートされているセグメントのみが保持されます。この厳格な基準により、ソースセグメントの99.24%（315,577個中313,184個）が保持されます。
   • 50メートルの半径は、空間的な特定性とソースの網羅性の間のトレードオフであり、最も近い寄与観測値までの距離の中央値は10.14 mです。

3. メトリック計算とルーティング・コスト:

   • セグメント・メトリック: 保持されたセグメントに対して、水平長 ($L$)、純標高変化量 ($\Delta z$)、および累積上昇量 ($G^+$) と累積下降量 ($G^-$) を計算します。また、極端に短い幾何学的ステップによるノイズを避けるため、1メートルの水平ステップ閾値を適用して、最大絶対局所勾配 ($g_{max}$) を算出します。
   • ルーティング・コスト関数: データセットは3つのコスト・プロファイルを定義しています。
     • 距離のみ ($C_0$): $C_0 = L$。
     • 快適性重視: 累積勾配比 ($q^+$ および $q^-$) に基づいて、上りおよび下りの移動に対して非対称なペナルティを適用します。ブレークポイントとして5% ($g_0$) と8.33% ($g_1$) を使用し、急勾配に対してより高い重みを設定しています。
     • アクセシビリティ重視: モビリティに制限のあるユーザーの労力増大を反映し、特に勾配が8.33%を超えるセグメントに対して、快適性プロファイルよりも高い重みを使用します。
   • コスト関数は区分線形であり、累積勾配が特定の閾値を超えるセグメントにペナルティを課します。これらのプロファイルは「バリアフリー」ではなく「アクセシビリティに敏感」なものであり、累積的な傾斜重み付きコストを最小化しますが、短く急な局所的ステップを含むルートを厳密に排除するものではありません。

主な結果

• データセットの規模: 最終リリースには、187,657個のエンドポイント・ノードと313,184個の物理セグメント（626,368個の有向エッジ）が含まれています。
• 地形分布: ノードの標高は -0.33 m から 121.09 m の範囲に及びます。エンドポイント平均の絶対勾配の中央値は0.58%、最大絶対局所勾配の中央値は0.88%です。
• 急勾配の統計: セグメントの12.79%が少なくとも5%の局所勾配を含み、6.84%が少なくとも8.33%に達しています。しかし、ルーティング・コストのロジックにおいて、少なくとも一方の方向に勾配ペナルティが発生するセグメントはわずか4.76%であり、これは局所的な最大値とセグメント全体の集計コストの違いを示しています。
• ネットワークの連結性: データセットの結果、256個の連結成分が生じました。最大の成分には全ノードの84.25%が含まれています。より小さな成分は、スタテンアイランドやロックアウェイ半島のような地理的に分離されたエリア、または標高のカバー範囲が「完全なサポート」基準を満たすには希薄すぎたエリアに対応しています。
• ケーススタディ: ルート比較により、勾配に敏感なプロファイルは、経路がわずかに長く（例：2.3%から5.5%長い）なる傾向があるものの、累積獲得標高および最大局所勾配を大幅に減少させることが示されました。いくつかの診断事例では、距離最小化ルートが不合理な勾配（例：>100%）を含むエッジを含んでいますが、勾配に敏感なプロファイルはこれらを回避することに成功しています。

意義と主張
本論文は、Gridnbergを「決定的な、エラーのないグラウンドトゥルース（真値）」としてではなく、再現可能な地形認識型分析のためのツールとして位置づけています。その主な貢献は以下の通りです。

1. 透明性: 市政の標高データがどのように歩行者ネットワークにマッピングされるかについて、プロプライエタリなブラックボックス型のルーティングエンジンとは対照的に、公開され、検証可能な実装を提供しています。
2. 方法論の明確化: 頂点標高の割り当て、方向別勾配スコアの計算、およびルーティング・コスト・シナリオの構築に関する具体的なワークフローを文書化しています。
3. 診断的価値: 本データセットは、地形、垂直インフラ（橋など）、およびデータ上のアーティファクトを区別することが困難な未解決のケースを明示的に提示しています。例えば、著者らは、50mウィンドウ内で地上観測値と橋のデッキ観測値が混在することや、幾何学的なアーティファクトから極端な勾配値が生じ得ることを指摘しています。
4. 改善のための基盤: このリリースは、地形がアクセシビリティ、中心性、および歩行者流モデルにどのように影響するかを研究者がテストできるように、歩行者ネットワークにおける標高の表現方法を改善するための具体的な基礎として機能します。

著者らは、割り当てられた標高はサーベイグレードの測定値ではなく、非加重の局所平均であること、およびヒューリスティックなコスト関数が特徴量のセグメンテーションに敏感であることを認め、本データセットの限界に対して謙虚な姿勢を保っています。彼らは、実世界での適用には、特に垂直方向の接続やデータの不一致が発生する場所において、明示的なレビューが必要であることを強調しています。