🔬 physics

Modeling Accessibility-Constrained Networks with Time-Weighted Graphs

Dit artikel stelt een pijplijn voor die universiteitscampussen modelleert als tijdgewogen grafen met behulp van Strava-gegevens en een aangepast Least Resistance-algoritme om optimale rolstoeltoegankelijke paden te identificeren en kritieke toegankelijkheidsbeperkingen te benadrukken in vergelijking met standaardalgoritmen zoals Dijkstra's.

Oorspronkelijke auteurs: Marc Walden, Jason Liu, Ryan Liu, Hamza Khan

Gepubliceerd 2026-01-22

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Marc Walden, Jason Liu, Ryan Liu, Hamza Khan

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je de campus van UCLA voor als een gigantisch, heuvelachtig doolhof. Voor de meeste mensen is het een leuk avontuur vol sluiproutes en steile klimmen. Maar voor studenten in een rolstoel is dit doolhof vol doodlopende wegen, gesloten deuren (trappen) en paden die zo steil zijn dat ze onmogelijk te beklimmen zijn.

Dit artikel is als een team van detectives die proberen dat doolhof in kaart te brengen om de makkelijkste routes voor iedereen te vinden, vooral voor degenen die geen trappen kunnen gebruiken. Hier is hoe ze het deden, eenvoudig uitgelegd:

1. Het Probleem: Het "Heuvelachtige Doolhof"

De campus van UCLA is gebouwd op een zeer steile heuvel. Om zich voort te bewegen, hebben ontwerpers veel trappen en steile hellingen gebouwd. Hoewel dit er gaaf uitziet voor wandelaars, is het een nachtmerrie voor rolstoelgebruikers. Sommige belangrijke gebouwen zijn volledig onbereikbaar, en voor andere moet men een enorme, kronkelende omweg nemen die twee keer zo lang duurt als een normale wandeling.

2. Het Maken van de Kaart: Twee Manieren om de Lijnen te Tekenen

Het team moest de fysieke campus omzetten in een digitale kaart (een netwerk) waarbij elke kruising een "punt" is en elk pad een "lijn". Ze probeerden twee manieren om deze kaart te bouwen:

De "Menselijke Wandeling" Methode (Prototype): Eerst liepen ze simpelweg zelf de routes. Vier teamleden liepen elke route één keer normaal en één keer terwijl ze deden alsof ze een zware rolstoel voortduwden. Ze hielden de tijd bij.
- Het Nadeel: Mensen worden moe, lopen op verschillende snelheden en maken fouten. Het is alsof je een marathon probeert te meten door één persoon de tijd te laten raden. Het is oké voor een kleine test, maar niet voor de hele school.
De "Digitale Detective" Methode (Productie): Voor de echte kaart gebruikten ze een slimme tool genaamd de Strava API. Denk aan dit als een gigantisch, publiek GPS-logboek waarin miljoenen mensen hun wandelingen, hardlopen en ritten hebben vastgelegd.
- Ze brachten deze gegevens in een computerprogramma dat automatisch lijnen tekende voor elk pad, zelfs de kleine, onofficiële sluiproutes die mensen gebruiken.
- De "Gebogen Weg" Truc: Een simpele kaart zou een pad als een rechte lijn tekenen. Maar in werkelijkheid buigen paden over heuvels heen. Om dit op te lossen, gebruikte het team een "Depth-First Search" (een computermethode die elk hoekje en gaatje verkent) om elk pad op te delen in kleine segmenten van 5 meter. Hierdoor konden ze de kleine bultjes en bochten zien die een rechte lijn zou missen.

3. De Navigatiehulpmiddelen: De Beste Route Vinden

Zodra ze de kaart hadden, hadden ze een manier nodig om de beste route te berekenen. Ze bouwden twee "GPS-motoren":

Dijkstra's Algoritme (De Klassieke GPS): Dit is de standaardmanier waarop computers het kortste pad vinden. Het controleert elke mogelijke route van punt A naar punt B en kiest de route die de minste tijd kost. Het is zeer grondig, maar kan traag zijn als de kaart erg groot is.
Het "Minste Weerstand" Algoritme (De Energievloei): Dit was hun eigen unieke uitvinding. Stel je voor dat elektriciteit door een draad stroomt. De elektriciteit neemt van nature het pad van de minste weerstand. Hun algoritme simuleert dit: het stuurt een "spanning" uit die langzaam sterker wordt en verkent paden totdat het een verbinding tussen twee punten vindt.
- Waarom het cool is: In tegen tegenstelling tot de klassieke GPS, die elk punt op de kaart controleert, kij je met dit algoritme alleen naar het gebied tussen het begin en het eind. Het is alsof je een verkenner stuurt om een specifieke deur te vinden, in plaats van het hele huis in kaart te brengen. Het is veel sneller voor reizen van punt naar punt.

4. De Grote Ontdekking: De "Dubbele Tijd" Straf

Toen ze de cijfers doorliepen, waren de resultaten schokkend:

Het Tijdsverschil: Gemiddeld genomen duurt het voor een rolstoelgebruiker bijna twee keer zo lang om tussen twee punten te komen als voor een niet-gehandicapte persoon.
De "Trappen" Straf: In sommige gevallen is het verschil zelfs nog groter. Bijvoorbeeld: van het ene gebouw naar het andere gaan kan voor een rolstoelgebruiker bijvoorbeeld 2,7 keer langer duren omdat hij een lange, kronkelende helling moet nemen, terwijl een lopende student gewoon een trapje omhoog neemt via een kortere weg.
Het "Doodlopende Weg" Probleem: Sommige gebieden, zoals de Northern Lights Cafe, zijn zo moeilijk te bereiken dat rolstoelgebruikers een enorme U-bocht moeten maken, naar een ander gebouw moeten gaan, een lift moeten nemen en weer terug moeten komen. Het is alsof je de hele stad rond moet rijden om alleen maar naar de volgende straat te gaan.

5. De "Verkeerslichten" van de Campus

Het team keek ook naar welke plekken op de campus de belangrijkste "hubs" zijn. Ze gebruikten een maatstaf genaamd Betweenness Centrality, wat lijkt op het tellen van hoeveel mensen door een specifieke kruising moeten om ergens te komen.

Ze vonden drie "Super-Hubs":

Wilson Plaza
Pauley Walk
Het John Wooden Center

Dit zijn de "hoofdwegen" van de campus. Als een helling hier kapot gaat of een pad geblokkeerd raakt, veroorzaakt dit een enorme verkeersopstopping, vooral voor rolstoelgebruikers die minder alternatieve routes hebben.

6. Wat Ze (Nog) Niet Konden Doen

Het team wilde exacte hoogtegegevens (hoe hoog de heuvel is) toevoegen om de kaart perfect te maken. Ze probeerden online tools te gebruiken om deze gegevens te verkrijgen, maar de tools waren niet nauwkeurig genoeg voor hun behoeften. Dus hoewel ze weten waar de paden zijn, konden ze nog niet perfect berekenen hoe steil elke centimeter precies is.

De Kern van het Verhaal

Het team heeft met succes een digitaal model van de UCLA gebouwd dat precies laat zien hoe moeilijk het voor rolstoelgebruikers is om zich voort te bewegen. Ze hebben bewezen dat de huidige indeling hen dwingt om veel langere, uitputtendere routes af te leggen. Door de "bottlenecks" (de Super-Hubs) en de "doodlopende wegen" (gebieden zonder hellingen) te identificeren, hopen ze de universiteit een duidelijk blauwdruk te geven over waar ze nieuwe hellingen moeten bouwen of borden moeten plaatsen om de campus eerlijk te maken voor iedereen.

Ze zijn ook van plan om dit "kaart-maken" idee naar andere universiteiten te brengen, want heuvelachtige campussen zijn overal een probleem, niet alleen bij UCLA.

Technische Samenvatting: Modellering van Toegankelijkheidsbeperkte Netwerken met Tijdgewogen Grafen

Probleemstelling

De University of California, Los Angeles (UCLA), gelegen in het heuvelachtige gebied van Westwood, presenteert aanzienlijke uitdagingen op het gebied van toegankelijkheid voor fysiek beperkte individuen. Het campusontwerp, gekenmerkt door talrijke trappen en steile hellingen om het terrein aan te passen, maakt veel essentiële hallen en centra ontoegankelijk voor rolstoelgebruikers of dwingt hen tot langdurige omwegen. Gezien het feit dat fysiek beperkte studenten 2,1% van de studentenpopulatie uitmaken en een groeiend aantal gebruikers afhankelijk is van wieltransport (bijv. elektrische steps), is de behoefte aan data-gestuurde toegankelijkheidsanalyse cruciaal. Het kernprobleem dat wordt aangepakt, is het gebrek aan een systematisch netwerkmodel om de verschillen in reistijd tussen gehandicapte en niet-gehandicapte individuen te kwantificeren en om infrastructurele knelpunten te identificeren die de mobiliteit belemmeren.

Methodologie

Dataverzameling en Netwerkconstructie

De auteurs hebben een tweeledige modelleringsaanpak ontwikkeld:

Prototype Model: Een handmatig proces bestaande uit 21 handmatig geselecteerde knooppunten (belangrijke kruispunten) en 43 potentiële paden. Toegankelijkheid werd bepaald door visuele inspectie op trappen of hellingen die de 30 graden overschreden. Verwerkingstijden werden geregistreerd via fysieke wandelingen en rolstoelsimulaties door teamleden.
Productiemodel: Een schaalbare, geautomatiseerde pijplijn gebruikmakend van de Strava Global Heatmap API en OpenStreetMap.
- Grafengeneratie: GPS-data werd geïmporteerd in QGIS (WGS84 projectie) om vectorlijngeometrieën te creëren. Knooppunten werden gegenereerd op alle lijnintersecties, en vertices werden toegevoegd langs paden om kromming te volgen.
- Integratie van Tussenliggende Knooppunten: Om hoogteverschillen en krommingen te vangen die rechtlijnige benaderingen missen, werd een Depth-First Search (DFS) algoritme gebruikt om tussenliggende knooppunten langs paden in te voegen. Een instelbare parameter $c$ (gesteld op $\approx 4,5 \times 10^{-5}$ geodetische graden, of ~5 meter) controleerde de tussenruimte van deze knooppunten om de balans tussen nauwkeurigheid en computationele kosten te bewaken.
- Randweging (Edge Weighting): Randen representeren voetpaden en knooppunten representeren kruispunten. Gewichten worden afgeleid van verwerkingstijden, berekend op basis van afstand, snelheid en hoogte.

Algoritmen

Twee algoritmen werden geïmplementeerd om optimale paden te berekenen:

Dijkstra's Algoritme: Een standaard implementatie met behulp van een min-heap om het kortste pad te vinden in een gewogen graaf met niet-negatieve randen. Het berekent de kortste tijd tussen een bron en alle andere knooppunten, wat resulteert in een $N \times N$ tijdsmatrix met een complexiteit van $O(E \log N)$ .
Least Resistance Algoritme: Een aangepast algoritme geïnspireerd door elektrische stroomdoorstroming (spanning). Het simuleert energie-instroom tussen een specifiek start- en eindpaar, waarbij de "spanning" stapsgewijs wordt verhoogd om paden te verkennen totdat een verbinding wordt gevonden. In tegen tegenstelling tot Dijkstra's berekent dit geen afstanden naar alle knooppunten, wat het computationeel goedkoper maakt voor punt-naar-punt queries.

Toegankelijkheidsbeperkingen en Metrieken

Definitie van Toegankelijkheid: Paden worden als ontoegankelijk beschouwd als ze trappen of hellingen bevatten die steiler zijn dan 8% (1:12 ratio), de wettelijke standaard voor rolstoeltoegankelijkheid.
Hoogtedata: Het team probeerde elevatie-API's (Open Maps en Open Topo) te integreren om hellingsberekeningen te verfijnen, maar stuitte op discrepanties in nauwkeurigheid op hun operationele schaal. Bijgevolg vertrouwt het uiteindelijke model op de structurele netwerkgegevens en tijdgewichten, waarbij de integratie van hoogte als een toekomstige verbetering wordt genoteerd.
Centraliteitsanalyse: De auteurs maakten gebruik van Betweenness Centrality (berekend via NetworkX) om knooppunten te identificeren die het meest frequent voorkomen op de kortste paden. Deze metriek brengt kritieke knelpunten en hoog-verkeer hubs in kaart die essentieel zijn voor de netwerkconnectiviteit.

Belangrijkste Resultaten

Netwerkschaal en Validatie

Het model slaagde erin om te schalen van het prototype met 21 knooppunten naar een productienetwerk van 1.290 knooppunten die de gehele UCLA-campus beslaat. De nauwkeurigheid van de Dijkstra-implementatie werd geverifieerd door 100 willekeurige knoop-paren te kruisverwijzen met het Least Resistance-algoritme, wat identieke resultaten opleverde.

Verschillen in Reistijd

Analyse van de tijdgewogen graaf onthulde significante inefficiënties voor rolstoelgebruikers:

Gemiddelde Tijd: De gemiddelde verwerkingstijd voor gehandicapte individuen is bijna het dubbele van die van niet-gehandicapte individuen.
Specifieke Casestudy's:
- Kerckhoff Hall naar Mathematical Sciences Building: Rolstoelgebruikers hebben een factor 2,7x langere reistijd vanwege kronkelende hellingbanen, terwijl niet-gehandicapte gebruikers de trappen kunnen gebruiken.
- Fowler Museum naar Northern Lights Cafe: Gebruikers worden geconfronteerd met aanzienlijke omwegen en U-bochten door een gebrek aan toegankelijke hellingen, wat vaak het gebruik van liften binnen gebouwen of lange terugkeerroutes vereist.

Bevindingen Centraliteit

De betweenness centrality analyse identificeerde drie kritieke hubs: Wilson Plaza, Pauley Walk en de John Wooden Center. Deze locaties dienen als essentiële tussenstations tussen woongebieden (The Hill) en de academische kern. De distributie van centraliteitswaarden toonde aan dat een klein aantal knooppunten een hoge centraliteit bezit (tot ~0,175), terwijl de meerderheid van de campusknooppunten een lage centraliteit heeft, wat aangeeft dat zij perifeer zijn aan de hoofdroutes.

Betekenis en Bijdragen

Het artikel stelt dat de primaire bijdrage een schaalbare pijplijn is die een universiteitscampus modelleert als een toegankelijkheidsbeperkt netwerk om kwantitatieve inzichten in mobiliteitsverschillen te verkrijgen. Door de combinatie van Strava-data, DFS en aangepaste padvindende algoritmen, demonstreren de auteurs:

Kwantificeerbare ontoegankelijkheid: Het model levert empirisch bewijs voor de extra tijd en inspanning die nodig is voor gehandicapte personen, waarbij specifieke infrastructurele tekortkomingen (bijv. gebrek aan hellingbanen, afhankelijkheid van liften) worden benadrukt.
Identificatie van Knelpunten: Centraliteitsmaten wijzen effectief knooppunten aan waar infrastructurele verbeteringen (bijv. nieuwe hellingbanen, bewegwijzering) de grootste reductie in reistijd en verstoring van de mobiliteit zouden opleveren.
Engineering Framework: De pijplijn is ontworpen om toekomstige expansie te ondersteunen, specifelijk de integratie van nauwkeurige hoogtedata om strikte ADA-hellingsnormen af te dwingen en de ontwikkeling van algoritmen om specifieke technische oplossingen voor te stellen.

De auteurs hanteren een bescheiden standpunt door de huidige beperkingen in de nauwkeurigheid van de hoogtedata en de afwezigheid van een geautomatiseerd algoritme voor het voorstellen van nieuwe infrastructuur te erkennen. Zij positioneren dit werk als een fundamentele stap naar het creëren van uitgebreide instrumenten voor inclusieve campusplanning, met de potentie om op andere universiteiten in het hele land te worden toegepast.