JoVE Logo

Anmelden

Zum Anzeigen dieser Inhalte ist ein JoVE-Abonnement erforderlich. Melden Sie sich an oder starten Sie Ihre kostenlose Testversion.

In diesem Artikel

  • Zusammenfassung
  • Zusammenfassung
  • Protokoll
  • Ergebnisse
  • Diskussion
  • Offenlegungen
  • Danksagungen
  • Materialien
  • Referenzen
  • Nachdrucke und Genehmigungen

Zusammenfassung

Eine Folge von Raumzeit-Verarbeitungsverfahren werden dargestellt, um die menschliche Trajektoriendaten, wie die Verwendung einer GPS-Einrichtung, zum Zweck der Modellierung Fußgängers Raumzeit Tätigkeiten gesammelten analysieren.

Zusammenfassung

Es ist allgemein anerkannt, dass die menschliche Bewegung in den räumlichen und zeitlichen Dimensionen direkten Einfluss auf die Übertragung von Krankheiten 1-3 hat. Eine ansteckende Krankheit in der Regel breitet sich über den Kontakt zwischen infizierten und anfälligen Personen in ihren überlappenden Aktivitäten Räumen. Daher kann tägliche Mobilität-Aktivität Informationen als Indikator für die Exposition zu messen, um Faktoren der Infektion riskieren verwendet werden. Allerdings ergeben sich eine große Schwierigkeit und damit die Ursache für wenigen Studien von Infektionskrankheiten Transmission bei der Mikromaßstab vom Fehlen detaillierter individuellen Mobilität Daten. Zuvor im Transport-und Tourismus-Forschung detaillierte Raum-Zeit-Aktivitätsdaten oft auf dem Raum-Zeit-Tagebuch Technik, die Themen aktiv zu erfassen ihre Tätigkeiten in Raum und Zeit erfordert verlassen. Dies ist sehr anspruchsvoll für die Teilnehmer und die Zusammenarbeit der Teilnehmer beeinflusst die Qualität der Daten 4.

ModerneTechnologien wie GPS und Mobilfunk möglich gemacht haben die automatische Sammlung von Bahndaten. Die gesammelten Daten ist jedoch nicht ideal für die Modellierung menschlichen Raum-Zeit-Aktivitäten, die von den Genauigkeiten von bestehenden Vorrichtungen beschränkt. Es gibt auch keine leicht verfügbaren Werkzeug zur effizienten Verarbeitung der Daten für das menschliche Verhalten Studie. Wir stellen Ihnen hier eine Reihe von Methoden und ein integriertes ArcGIS Desktop-basierte grafische Benutzeroberfläche für die Vorverarbeitung und raumzeitliche Analysen der Bahndaten. Wir bieten Beispiele, wie solche Verarbeitung kann verwendet werden, um menschliche Raum-Zeit-Aktivitäten zu modellieren, insbesondere mit Fehler-reiche Fußgängerzone Bahndaten werden, die nützlich sein könnten in der öffentlichen Gesundheit Studien wie Übertragung von Infektionskrankheiten Modellierung.

Das vorgestellte Verfahren umfasst Pre-Processing, Flugbahn Segmentierung Aktionsraum Charakterisierung, Dichte-Schätzung und Visualisierung, und ein paar andere explorative Analyse-Methoden. Pre-processing ist die Reinigung der lärmenden raw Bahndaten. Wir stellen eine interaktive visuelle Pre-Processing-Schnittstelle sowie eine automatische Modul. Trajectory Segmentierung 5 beinhaltet die Identifikation von Indoor-und Outdoor Teile aus vorbearbeitete Raum-Zeit-Spuren. Auch hier sind sowohl interaktive visuelle Segmentierung und automatische Segmentierung unterstützt. Segmented Raum-Zeit-Spuren werden dann analysiert, um daraus Merkmale einer Tätigkeit Raum wie Aktionsradius usw. Dichte Schätzung und Visualisierung verwendet werden, um große Menge von Bahndaten zu Hot Spots und Interaktionen zu modellieren untersuchen. Wir zeigen sowohl Dichte Oberfläche Mapping 6 und Dichte Volume Rendering 7. Wir berücksichtigen auch ein paar andere explorative Datenanalyse (EDA) und Visualisierungen Tools wie Google Earth Unterstützung für Animationen und Anschluss Analyse. Die Suite der analytischen als auch visuelle Methoden in diesem Papier können auf alle Bahndaten für s angewendet werdenTempo-time activity Studien.

Protokoll

Ein. Abrufen von Daten

  1. Trajectory Daten können mit Handheld-GPS-Geräte, GPS-fähigen Smartphones Tracking-Anwendungen, sowie A-GPS (Assisted GPS)-Geräte wie die in unserer Studie beschäftigt, eine kommerzielle Kind tracker gesammelt werden.
  2. Trajectory Daten werden normalerweise in Form von Zeit-Längen-und Breitengraden Datensätze gespeichert. Ein gewünschtes Zeitintervall sollte basierend auf Anwendung Bedürfnisse eingestellt werden. Oft ist die häufigste Intervall für Raum-Zeit-Aktivität Studien gewünscht.
  3. Konvertieren der Daten in kommagetrennte Werte, oder. Csv-Dateien mit separaten Spalten für Datensatz-ID, Länge, Breite und Zeit sind. Dann wandeln die. Csv-Dateien in häufig verwendeten Geographic Information Systems (GIS) Dateiformat (zB ESRI Shapefile 8).
  4. Laden in einem Shapefile des Gebäudes Polygone und einer anderen von der Grenze des Untersuchungsgebietes mit der Trajektorie Analysator. Stellen Sie die "Extrusion" der Gebäude richtig für eine 3D-dispreizen und die "Extrusion" und "Transparenz" der Grenzschicht richtig ein Raum-Zeit-cube 6, 9 mit der x, y Abmessungen repräsentieren Raum und die z-Dimension darstellt Uhrzeit anzuzeigen.

2. Pre-processing

  1. Zwei Optionen stehen zur Vorverarbeitung der lärmenden raw Flugbahn Daten verfügbar. Man kann aus der Dropdown-Liste der Pre-Processing-Menü wählen.
  2. Wenn 'Interactive' gewählt wird, wird ein 2D-Projektion der 3D-Trajektorie für die einfache Anzeige und Auswahl erstellt. Manipulieren der 3D-Anzeige, um die rohen Trajektorie in Raum und Zeit zu untersuchen. Identifizieren von Fehlern in den Daten über die Form, Geschwindigkeit und / oder Topologie der Spursegmente basiert. Normalerweise Spur Punkte (Eckpunkte) mit unrealistisch hohen Geschwindigkeit oder abrupte Richtungswechsel bedeuten Fehler. Wählen und entfernen Sie sie von den ursprünglichen Bahnen. Wählen und entfernen Sie sie entweder aus der 3D-Trajektorie oder seine 2D-Projektion.
  3. Ein Cluster von Trackpunkte mit stacheligen shapes (Abbildung 1) räumlich und eine lange Dauer zeitlich bedeuten Fehler, die meisten möglicherweise von Innenräumen, wo GPS-Signal schwach ist verursacht werden. Wenn eine Gruppe von diesen Punkten ausgewählt wird, kann das Programm die Berechnung der raumzeitlichen Schwerpunkt der ausgewählten Punkten und stellen Sie die Spur durch den Schwerpunkt gehen.
  4. Alternativ, wenn 'Automatisch' aus dem Pre-Processing Menü gewählt wird, stellen Sie den Eingangs-und Ausgangs Standorten sowie empirische Parameter, die abnormal hohe Geschwindigkeit und abrupte Wendung Punkte zu bestimmen. Sucht das Programm durch den geladenen Trajektoriendaten und läuft automatisch basierend auf einem Algorithmus, der den visuellen Fehlererkennung Ansatz nachahmt.

3. Trajectory Segmentation & Activity Raum Charakterisierung

  1. Trajectory Segmentierung erfordert den Aufbau Schicht, so sicherzustellen, dass die Gebäude Shape-Datei geladen wird.
  2. Klicken Sie auf die Segmentierung in der Werkzeugleiste, um die Funktion zu starten.Stellen Sie den Eingang und Ausgang und befindet sich das Gebäude Shape-Datei als Referenz Schicht. Verwenden Sie die Gebäude Namen, um die segmentierten Flugbahn zu beschriften. Der Algorithmus identifiziert Innen Segmente am Set eingestellte Kriterien wie Geschwindigkeit, Dauer etc. der Trackpunkte sowie der räumlichen Topologie mit Bezug auf Gebäuden.
  3. Klicken Sie auf die Aktionsfläche Verdichtung Werkzeug, um in segmentierten Bahnen laden und berechnen ausgewählten Zusammenfassung Attribute ein Tätigkeit Raum, wie Gesamtaktivität Radius Radius an einer bestimmten Zeit, das Verhältnis von insgesamt verbrachte Zeit drinnen vs Freien, und so weiter zu charakterisieren.
  4. Die Attribute können in eine Tabellenkalkulation für die quantitative Modellierung Anwendungen exportiert werden.

4. Density Surface Mapping

  1. Dichte Oberfläche zeigt die Dichte der Aktivitäten im Raum mit der zeitlichen Dimension eingeklappt. Drei Optionen stehen aus der Dropdown-Liste der Dichte Oberflächen-Mapping-Menü zur Verfügung.
  2. Wenn die 'Track-Dichte' Option ausgewählt ist, im Dialog mit Ein-und Ausgabe von Informationen zu füllen, und wählen Sie in 2D-oder 3D anzuzeigen. Alle Ecken aus den Bahndaten werden verwendet, um Kernel-Dichte der Punkte zu berechnen. Abbildung 2 zeigt eine Dichte Oberfläche.
  3. Wenn 'Track Weg Dichte "ausgewählt ist, berechnet der Algorithmus und zeigt Dichte der einzelnen Pfade reiste (Abbildung 3).
  4. Wenn die 'Re-abgetastet Punktdichte "-Option ausgewählt ist, der Algorithmus re-Proben die Bahndaten mit einem festgelegten Zeitintervall und Karten die Dichten der Punkte gleichmäßig in der Zeit zu verbreiten. Diese Option ist für die Verfolgung von Geräten, die Tracking-Punkte sammeln in unregelmäßigen Zeitabständen aufgrund der unterschiedlichen Empfindlichkeit der Geräte unter verschiedenen physikalischen Bedingungen oder segmentierte Bahnen ausgelegt. Abbildung 4 zeigt die 2D-und 3D-Dichte Oberflächen von segmentierten Trajektorien.
  5. Wenn 'Temporal Schwerpunkt' wird für eine ausgewählteny der oben genannten Optionen können zeitliche Fokussierung 10 durchgeführt, um die Aktivität Muster an verschiedene Zeiträume zu untersuchen. Zum Beispiel kann Aktivitätsdichte Oberflächen zu unterschiedlichen Zeitpunkten in einem Tag visualisiert werden zur einfachen Identifikation von Hot-Spots in der Zeit (Abbildung 5).

5. Density Volume Schätzung und Volume Rendering

  1. Dichte Volumen Visualisierung verwendet den Begriff des Raum-Zeit-Würfel als in der Visualisierung von Trajektorien. Der Kern einer solchen Visualisierung ist die Aufschlüsselung der Raum in Voxel 11. Unser Ansatz zur Visualisierung Dichte Volumen ersten schätzt Dichte Volumen im einzelnen Voxel durch Zählen der Anzahl von Raum-Zeit-Spuren, die mit den Voxeln schneiden. Man kann 'Density Volumenberechnung' unter der Dichte Volumen-Visualisierung klicken Sie im Menü für diesen Schritt.
  2. Die gleichen drei Optionen sind für die Dichte Volumen-Visualisierung zur Verfügung wie für Dichte Oberfläche Visualisierung.
  3. Anschließend klicken Sie "Volume Rendering", um das 3D-Volumen-Visualisierung Schnittstelle für interaktive Volume Rendering 12 starten. Durch Einstellen der Anzahl der Teilungen längs jeder Achse, kann ein Cluster in unterschiedlichen Maßstäben zu untersuchen. Ein z-Faktor dient dazu, die vertikale Überhöhung zur besseren Visualisierung eingestellt. Ein Verweis Schicht wie den Gebäuden geladen Visualisierung sowie zu unterstützen. Die Ergebnisse der Volume-Rendering kann interaktiv durch die Manipulation der Transfer-Funktion, die die Zuordnung steuert von der Dichte der Farbe angepasst werden. (Abbildung 6).

6. Andere Exploratory Daten Analysen (EDA) und Visualisierungen

  1. Ein Verfahren zur Verfügung, um animierte Serie zu schaffen, um in Google Earth angezeigt werden. Unter "Sonstiges", klicken Sie auf "Export in KML für EDA", um diesen Vorgang zugreifen. Es schafft eine kml 13-Datei, die in Google Earth öffnet sich für interaktive Animation der Flugbahn.
  2. Man kann folgen der Flugbahn zu travel die Umwelt in der Zeit durch Scrollen entlang der Zeitachse in Google Earth.
  3. Ein Verfahren zur Verfügung, um Verbindungen zwischen Orten von Interesse durch 'Connection Analyse "zu visualisieren. Beispielsweise werden Verbindungen zwischen verschiedenen Gebäuden auf einem Universitätscampus aus segmentierten Daten, die Trajektorie von Studenten (Abbildung 7) gesammelt wurden abgeleitet.
  4. Basierend auf den abgeleiteten Verbindungen Hotspots wie dieser Gebäude mit den meisten eingehenden oder ausgehenden Datenverkehr und-Hubs, die meist besuchten Orte identifiziert werden können, zu verbinden.

Ergebnisse

Bahndaten wurde durch ehrenamtliche Studenten von Kean University (NJ, USA) im Frühjahr 2010 gesammelt. Der Zweck war, Aktivitätsmuster von Studenten, die Influenza erwischt (diagnostiziert durch einen Arzt oder Selbst-Diagnose) im Vergleich zu denen, die nicht studieren. Um die Methoden und Verfahren in diesem Papier vorgestellten verdeutlichen haben wir die Bahnen innerhalb des S-Campus gesammelt, um repräsentative Ergebnisse zu generieren. Trajektorien innerhalb des Campus sind meist Fußgänger Bahnen, mit nur ei...

Diskussion

Wir verwendeten Add-In Mechanismus der ArcGIS, um die Schnittstelle zu entwickeln. Alle interaktiven Funktionen implementiert wurden unter Verwendung von C + +. All die automatische Verarbeitung und Analyse-Funktionen wurden unter Verwendung von Python.

AGPS Daten oder GPS-Daten von Fußgängerzone gesammelt präsentiert einzigartige Herausforderung in der Vorverarbeitung die Fehler können massiv sein aufgrund Nachbarschaft zu Gebäuden und häufige Innen stoppt. Darüber hinaus sollte der ...

Offenlegungen

Keine Interessenskonflikte erklärt.

Danksagungen

Diese Arbeit wird durch NIH 1R03AI090465 finanziert.

Materialien

NameCompanyCatalog NumberComments
Name des Reagenzes Firma Katalog-Nummer Kommentare (optional)
WorldTracker GPRS Tracking The World
Ein Personal Computer zum Ausführen der Analyse
ArcGIS-Software ESRI
Trajectory Analyzer Erweiterung

Referenzen

  1. Stoddard, S. T., Morrison, A. C., et al. The role of human movement in the transmission of vector-borne pathogens. PLoS Negl. Trop. Dis. 3 (7), e10 (2009).
  2. Morens, D. M., Folkers, G. K., et al. The challenge of emerging and re-emerging infectious diseases. Nature. 430, 242-249 (2004).
  3. Viboud, C., Bjornstad, O. N., et al. Synchrony, waves, and spatial hierarchies in the spread of influenza. Science. 312, 447-451 (2006).
  4. Shoval, N., Isaacson, M. The Application of tracking technologies to the study of pedestrian spatial behaviour. The Professional Geographer. 58 (2), 172-183 (2006).
  5. Yu, H. Spatio-temporal GIS design for exploring interactions of human activities. Cartography and Geographic Information Science. 33 (1), 3-19 (2006).
  6. Kwan, M. Interactive geovisualization of activity-travel patterns using three-dimensional geographical information systems: a methodological exploration with a large data set. Transportation Research Part C. 8, 185-203 (2000).
  7. Demšar, U., Virrantaus, K. Space-time density of trajectories: exploring spatio-temporal patterns in movement data. International Journal of Geographical Information Science. 24 (10), 1527-1542 (2010).
  8. Kraak, M., Koussoulakous, A., Fisher, P. . A visualization environment for the space-time cube. , 189-200 (2004).
  9. MacEachren, A. M., Polsky, C., et al. Visualizing spatial relationships among health, environmental, and demographic statistics: interface design issues. , 880-887 (1997).
  10. Levory, M. Display of surfaces from volume data. IEEE Computer Graphics and Application. 8 (5), 29-37 (1998).
  11. Drebin, R. A., Carpenter, L., et al. Volume Rendering. Computer Graphics. , (1998).
  12. Lee, W., Krumm, J., Zheng, Y., Zhou, X. Trajectory preprocessing. Computing with Spatial Trajectories. , 3-34 (2011).
  13. Han, B., Comaniciu, D., et al. Sequential kernel density approximation and its application to real-time visual tracking. IEEE Transactions on Pattern Analysis and Machine Intelligence. , (2007).

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Weitere Artikel entdecken

Environmental SciencesInformatikBehaviorInfectious DiseasesGeographieKartographieData DisplayKrankheitsausbr cheKartographiemenschliches VerhaltenTrajectory DatenRaum Zeit Aktivit tGPSGISArcGISraumzeitliche AnalyseVisualisierungSegmentierungDichte Oberfl cheDichte Volumenexplorative DatenanalyseModellierung

This article has been published

Video Coming Soon

JoVE Logo

Datenschutz

Nutzungsbedingungen

Richtlinien

Forschung

Lehre

ÜBER JoVE

Copyright © 2025 MyJoVE Corporation. Alle Rechte vorbehalten