GPS-fähige Geräte werden heutzutage täglich verwendet. Einige Beispiele für diese Geräte sind Smartphones, GPS-Uhren und Navigationsgeräte. Das Vertrauen in die Geräte ist dabei meist sehr hoch. Doch wie genau sind eigentlich die GPS-Verortung von Navigationsgeräten, oder wie exakt kann die Distanz einer Joggingroute mit der Tracking-Funktion einer Fitness-Uhr aufgezeichnet werden? Das fehlende Wissen über solche Genauigkeiten und andere Informationen bezeichnet man als Unsicherheiten in Datensätzen. Dabei existieren Unsicherheiten sowohl in Onroad- als auch in Offroad-Daten. Die vorliegende Arbeit behandelt das Thema der Visualisierung von Unsicherheiten in Onroad- und Offroad-Trajektorien. Dafür werden anhand von zwei Datensätzen (ein Onroad- und ein Offroad-Datensatz) spezifische Fallbeispiele für Unsicherheiten gesucht. Die Onroad-Daten beschreiben Taxifahrten in New York City und die Offroad-Daten enthalten Informationen über die GPS-Flugrouten von Störchen. Aus den beiden Beispielen werden Routen erstellt, die anschließend mit ihren Unsicherheiten in Karten visualisiert werden. Die Unsicherheiten bestehen dabei immer bei der Wegführung zwischen zwei Punkten. Bei den Taxidaten ist es die unbekannte gefahrene Route zwischen zwei Punkten (nur Start- und Endpunkt der Route bekannt) und für die Storchdaten ist es der unsichere Verlauf der Trajektorie in einer GPS-Lücke. Es werden verschiedene Methoden getestet und auf die Eignung für die Unsicherheitsvisualisierung der beiden Datensätzen (Onroad-/Offroad-Datensatz) geprüft. Außerdem wird untersucht, ob signifikante Unterschiede bei der Auswahl und Durchführung der gewählten Designmöglichkeiten für Onroad- und Offroad-Trajektorien bestehen. Die Ergebnisse der Arbeit klären die Frage über die Eignung und die Unterschiede der gewählten Unsicherheitsvisualisierungsmethoden für Onroad- und Offroad-Trajektorien. Ein Unterschied bei der Unsicherheitsvisualisierung von Onroad- und Offroad-Wegführungen ist bei der Methode der Unsicherheitskorridore zu sehen. Für die Offroad-Visualisierung ist diese Methode gut geeignet, da der Korridor einen Bereich abgrenzt in welchem sich der Storch in einer GPS-Lücke mit höchster Wahrscheinlichkeit befindet. Die Unsicherheiten einer gefahrenen Onroad-Route können mit dieser Methode nicht sinnvoll dargestellt werden, da die Unsicherheiten nicht die Route an sich betreffen (Straßenführung ist bekannt), sondern lediglich nicht bekannt ist welche Route tatsächlich gefahren wurde. Eine weitere Erkenntnis ist, dass es keine allgemeingültige Visualisierungmethode für Unsicherheiten gibt.     «

GPS-fähige Geräte werden heutzutage täglich verwendet. Einige Beispiele für diese Geräte sind Smartphones, GPS-Uhren und Navigationsgeräte. Das Vertrauen in die Geräte ist dabei meist sehr hoch. Doch wie genau sind eigentlich die GPS-Verortung von Navigationsgeräten, oder wie exakt kann die Distanz einer Joggingroute mit der Tracking-Funktion einer Fitness-Uhr aufgezeichnet werden? Das fehlende Wissen über solche Genauigkeiten und andere Informationen bezeichnet man als Unsicherheiten in Datensä...     »

Nowadays, GPS-enabled devices are used daily. Some examples are smartphones, GPS watches and navigation systems. The confidence in those devices is usually very high. But how accurate is the GPS-positioning of navigation systems, or how good can the distance of a jogging route be recorded with the tracking function of a fitness watch. The lack of knowledge about those accuracies and other aspects is called uncertainty in datasets. There are uncertainties in onroad data and offroad data. This thesis deals with the topic of visualization of uncertainties in onroad and offroad trajectories. For this purpose, two records (onroad and offroad) are used to find specific cases with uncertainties. The onroad data describes taxi rides in New York City, while the offroad data contains information about GPS flight routes of storks. Several routes are created out of the two examples. Those routes are later visualized with their uncertainties in maps. The uncertainties always exist in the routing between two points. For the taxi data it is the unknown driven route (only start and end of the route are known) and for the stork data it is the uncertain trajectory in a GPS gap. Various methods are tested for their qualification for uncertainty visualization in both data sets (onroad/offroad data set). Furthermore, it will be examined if there are significant differences in the selection and execution of those visualization techniques for onroad and offroad trajectories. The results of this thesis solve the question of the qualification and differences of the selected design options. A difference in the uncertainty visualization of onroad and offroad trajectories can be seen in the method of the uncertainty corridors. This method is well suited for offroad visualization because the corridor describes an area where the stork would most likely be in a GPS gap. The uncertainties of a driven onroad route, however, cannot be represented with this method, since the uncertainties do not affect the route itself (road is not uncertain), but it is not known which route was driven. Another insight is that there is no universal visualization method for uncertainties.     «

Nowadays, GPS-enabled devices are used daily. Some examples are smartphones, GPS watches and navigation systems. The confidence in those devices is usually very high. But how accurate is the GPS-positioning of navigation systems, or how good can the distance of a jogging route be recorded with the tracking function of a fitness watch. The lack of knowledge about those accuracies and other aspects is called uncertainty in datasets. There are uncertainties in onroad data and offroad data. This th...     »