Este trabajo está financiado por el NIH subvención 1R03AI090465.

1. Obtención de datos <ol><li> Trayectoria de datos se pueden recoger con unidades GPS portátiles, GPS habilitados para aplicaciones de rastreo de teléfonos inteligentes, así como A-GPS (GPS asistido) dispositivos como el empleado en nuestro estudio, un dispositivo secundario de seguimiento comercial. </li><li> Trayectoria de datos se suelen guardar en términos de registros de tiempo de latitud y longitud. Un intervalo de tiempo deseado debe establecerse en función de las necesidades de la aplicación. A menudo, el intervalo más frecuente es deseado para estudios de actividad de espacio-tiempo. </li><li> Convertir los datos en valores separados por comas, o. Csv con columnas separadas para los ID de registro, la latitud, la longitud y el tiempo, respectivamente. A continuación, convertir los archivos. CSV en uso común Sistemas de Información Geográfica (SIG), el formato de archivo (por ejemplo ESRI shapefile 8). </li><li> Cargar en un archivo de formas de polígonos edificio y otro de la frontera de la zona de estudio con el analizador de trayectoria. Establecer la &quot;extrusión&quot; de los edificios propiamente para un di 3Dsplay y establecer la &quot;extrusión&quot; y &quot;transparencia&quot; de la capa límite bien para mostrar un cubo de espacio-tiempo 6, 9 con la x, Y Dimensiones representan el espacio y la dimensión z representa el tiempo. </li></ol> 2. Pre-procesamiento <ol><li> Hay dos opciones disponibles para el pre-procesamiento de los datos ruidosos trayectoria primas. Uno puede elegir de la lista desplegable del menú de pre-procesamiento. </li><li> Si &#39;interactivo&#39; que se elija, una proyección 2D de la trayectoria 3D es creado para facilitar la visualización y selección. Manipular la pantalla 3D para examinar la trayectoria de crudo en el espacio y el tiempo. Identificar errores en los datos sobre la base de la forma, la velocidad y / o la topología de segmentos de pista. Generalmente los puntos de track (vértices) con una velocidad poco realista alto o cambio de dirección brusco significar errores. Seleccione y librarlas de las trayectorias originales. Seleccione y eliminarlos ya sea de la trayectoria 3D o su proyección 2D. </li><li> Un grupo de puntos de track con punta shapes (Figura 1) espacial y temporal de larga duración significan los errores que más probablemente causados ​​por instalaciones interiores donde la señal GPS es débil. Si un grupo de estos puntos es seleccionado, el programa puede calcular el centroide espacio-temporal de los puntos seleccionados y ajustar la pista para ir a través del centroide. </li><li> Alternativamente, si &#39;Automatic&#39; se elige en el menú de pre-procesamiento, ajuste la entrada y ubicaciones de salida, así como parámetros empíricos que determinan la velocidad de giro anormal alta y abrupta de puntos. El programa busca a través de los datos de trayectoria cargadas y se ejecuta automáticamente sobre la base de un algoritmo que imita el enfoque de detección de error visual. </li></ol> 3. Trayectoria Segmentación y caracterización de la actividad espacial <ol><li> Trayectoria segmentación requiere la capa de edificios, garantizando así el archivo de forma edificio está cargado. </li><li> Haga clic en la herramienta de segmentación en la barra de herramientas para iniciar la función.Ajuste la entrada y salida y encuentra el archivo de formas de construcción como la capa de referencia. Utilice los nombres de los edificios para marcar la trayectoria segmentada. El algoritmo identifica segmentos interiores basados ​​en criterios establecidos por defecto o como la velocidad, duración, etc de puntos de seguimiento, así como la topología espacial con relación a los edificios. </li><li> Haga clic en el espacio de actividad herramienta de integración para cargar en trayectorias segmentadas y calcular los atributos seleccionados resumen para caracterizar un espacio de actividad, como la radio actividad total, el radio en un determinado periodo de tiempo, la proporción del tiempo total empleado en interiores frente al aire libre, y así sucesivamente. </li><li> Los atributos se pueden exportar a una hoja de cálculo para aplicaciones de modelado cuantitativo. </li></ol> 4. Densidad de mapeo de la superficie <ol><li> Superficie de densidad muestra la densidad de las actividades en el espacio con la dimensión temporal contraído. Hay tres opciones disponibles en la lista desplegable del menú de densidad de mapeo de la superficie. </li><li> Si la opción &quot;Densidad de pista punto &#39;se selecciona, rellene el cuadro de diálogo con información de entrada y salida y optar por mostrar, ya sea en 3D o 2D. Todos los vértices de los datos de trayectoria se utilizan para calcular las densidades del núcleo de los puntos. Figura 2 muestra una superficie de densidad. </li><li> Si la &quot;densidad ruta Track &#39;se activa, el algoritmo calcula y muestra la densidad de caminos individuales viajó (Figura 3). </li><li> Si la opción &#39;densidad Re-muestreo punto&#39; se activa, el algoritmo vuelve a las muestras de los datos de trayectoria utilizando un intervalo de tiempo y mapas de la densidad de puntos distribuidos uniformemente en el tiempo. Esta opción está diseñado para dispositivos de seguimiento que recogen puntos de seguimiento en intervalos de tiempo irregulares debido a la variación de sensibilidad de los dispositivos bajo diversas condiciones físicas o trayectorias segmentados. Figura 4 muestra las superficies de densidad 2D y 3D de trayectorias segmentados. </li><li> Si &#39;Temporal centrada&#39; es seleccionada para unny de las opciones anteriores, temporal enfoque 10 se realizó para examinar los patrones de actividad en períodos de tiempo diferentes. Por ejemplo, las superficies de densidad de actividad en diferentes momentos de un día se puede visualizar para una fácil identificación de los puntos calientes a través del tiempo (Figura 5). </li></ol> 5. Densidad Estimaciones Volumen y Volumen Rendering <ol><li> Densidad de visualización volumen utiliza la noción de un cubo de espacio-tiempo como en la visualización de trayectorias. El núcleo de la visualización de los tales es el desglose de los voxels en el espacio 11. Nuestro enfoque para la visualización de volumen densidad primero estima el volumen de densidad en voxels individuales mediante el recuento del número de pistas de espacio-tiempo que se cruzan con los vóxeles. Uno puede hacer clic en &quot;calcular el volumen de densidad&quot; en el menú de visualización densidad de volumen para este paso. </li><li> Los mismos tres opciones están disponibles para visualización densidad de volumen como para la visualización de la densidad superficial. </li><li> Haga clic en Next &#39;rendering de volumen&#39; para iniciar la interfaz volumen de visualización 3D para la renderización de volumen interactivo 12. Al establecer el número de divisiones a lo largo de cada eje, se pueden examinar las agrupaciones en diferentes escalas. Un z-factor se utiliza para establecer la exageración vertical para una mejor visualización. Una capa de referencia, tales como los edificios se pueden cargar a ayudar a la visualización también. Los resultados de la representación de volumen se puede ajustar interactivamente mediante la manipulación de la función de transferencia que controla la asignación de densidad de color. (Figura 6). </li></ol> 6. Otros análisis exploratorio de datos (EDA) y visualizaciones <ol><li> Un procedimiento está disponible para crear series de animación que se mostrará en Google Earth. En &#39;Otros&#39;, haga clic en &quot;Exportar a KML para EDA &#39;para acceder a este procedimiento. Se crea un archivo kml 13 que se abre en Google Earth para la animación interactiva de la trayectoria. </li><li> Se puede seguir la trayectoria a travel el entorno en tiempo de desplazamiento a lo largo de la línea de tiempo en Google Earth. </li><li> Un procedimiento está disponible para visualizar las conexiones entre los lugares de interés a través de &quot;análisis de Conexión &#39;. Por ejemplo, las conexiones entre los diferentes edificios en un campus de la universidad se derivan de datos de trayectoria segmentados que fueron recogidos por los estudiantes (Figura 7). </li><li> Sobre la base de las conexiones derivadas, puntos de acceso, como los edificios con más tráfico saliente o entrante y hubs que conectan los lugares con más tráfico para su identificación. </li></ol>

<ol>
	<li>Stoddard, S. T., Morrison, A. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+role+of+human+movement+in+the+transmission+of+vector-borne+pathogens.">The role of human movement in the transmission of vector-borne pathogens.</a> PLoS Negl. Trop. Dis. 3 (7), e10 (2009).</li><li>Morens, D. M., Folkers, G. K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+challenge+of+emerging+and+re-emerging+infectious+diseases.">The challenge of emerging and re-emerging infectious diseases.</a> Nature. 430, 242-249 (2004).</li><li>Viboud, C., Bjornstad, O. N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Synchrony,+waves,+and+spatial+hierarchies+in+the+spread+of+influenza.">Synchrony, waves, and spatial hierarchies in the spread of influenza.</a> Science. 312, 447-451 (2006).</li><li>Shoval, N., Isaacson, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+Application+of+tracking+technologies+to+the+study+of+pedestrian+spatial+behaviour.">The Application of tracking technologies to the study of pedestrian spatial behaviour.</a> The Professional Geographer. 58 (2), 172-183 (2006).</li><li>Yu, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Spatio-temporal+GIS+design+for+exploring+interactions+of+human+activities.">Spatio-temporal GIS design for exploring interactions of human activities.</a> Cartography and Geographic Information Science. 33 (1), 3-19 (2006).</li><li>Kwan, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Interactive+geovisualization+of+activity-travel+patterns+using+three-dimensional+geographical+information+systems:+a+methodological+exploration+with+a+large+data+set.">Interactive geovisualization of activity-travel patterns using three-dimensional geographical information systems: a methodological exploration with a large data set.</a> Transportation Research Part C. 8, 185-203 (2000).</li><li>Dem&#353;ar, U., Virrantaus, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Space-time+density+of+trajectories:+exploring+spatio-temporal+patterns+in+movement+data.">Space-time density of trajectories: exploring spatio-temporal patterns in movement data.</a> International Journal of Geographical Information Science. 24 (10), 1527-1542 (2010).</li><li>Kraak, M., Koussoulakous, A., Fisher, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> A visualization environment for the space-time cube. , 189-200 (2004).</li><li>MacEachren, A. M., Polsky, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Visualizing+spatial+relationships+among+health,+environmental,+and+demographic+statistics:+interface+design+issues.">Visualizing spatial relationships among health, environmental, and demographic statistics: interface design issues.</a> , 880-887 (1997).</li><li>Levory, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Display+of+surfaces+from+volume+data.">Display of surfaces from volume data.</a> IEEE Computer Graphics and Application. 8 (5), 29-37 (1998).</li><li>Drebin, R. A., Carpenter, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Volume+Rendering.">Volume Rendering.</a> Computer Graphics. , (1998).</li><li>Lee, W., Krumm, J., Zheng, Y., Zhou, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Trajectory+preprocessing.">Trajectory preprocessing.</a> Computing with Spatial Trajectories. , 3-34 (2011).</li><li>Han, B., Comaniciu, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Sequential+kernel+density+approximation+and+its+application+to+real-time+visual+tracking.">Sequential kernel density approximation and its application to real-time visual tracking.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. , (2007).</li></ol>

No hay conflictos de interés declarado.

Se utilizó complemento en el mecanismo de ArcGIS para desarrollar la interfaz. Todas las operaciones se llevaron a cabo utilizando interactivas C + +. Todo el procesamiento automático y funciones de análisis se desarrollaron usando Python. AGPS datos, o los datos recogidos por GPS peatonal presenta desafío único en el preprocesamiento ya que los errores pueden ser masivas debido a la adyacencia a los edificios y las frecuentes paradas interiores. Además, el enfoque de procesamiento pre...

<table border="1"><tbody><tr><td> Nombre del reactivo </td><td> Empresa </td><td> Número de catálogo </td><td> Comentarios (opcional) </td></tr><tr><td> WorldTracker GPRS </td><td> Seguimiento del mundo </td><td></td><td></td></tr><tr><td> Una computadora personal para ejecutar el análisis </td><td></td><td></td><td></td></tr><tr><td> ArcGIS software </td><td> ESRI </td><td></td><td></td></tr><tr><td> Trayectoria Extensión Analizador </td><td></td><td></td><td></td></tr></tbody></table>

trajectory data analyses for pedestrian space-time activity study

Es bien reconocido que el movimiento humano en las dimensiones espacial y temporal tiene influencia directa en la transmisión de enfermedades 1-3. Una enfermedad infecciosa generalmente se propaga a través de contacto entre personas infectadas y susceptibles en sus espacios de actividad superpuestas. Por lo tanto, la movilidad cotidiana-actividad de información se puede utilizar como un indicador para medir la exposición a factores de riesgo de infección. Sin embargo, una dificultad importante y por lo tanto la razón de la escasez de estudios sobre la transmisión de enfermedades infecciosas a escala micro derivarse de la falta de datos detallados de movilidad individual. Anteriormente, en el transporte y el turismo detallados de la investigación del espacio-tiempo los datos de actividad a menudo se basó en la técnica de diario del tiempo-espacio, que requiere que los sujetos para registrar activamente sus actividades en el tiempo y el espacio. Esto es muy exigente para los participantes y la colaboración de los participantes afecta en gran medida la calidad de los datos 4. Modernotecnologías como el GPS y las comunicaciones móviles han hecho posible la recopilación automática de datos de trayectoria. Los datos recogidos, sin embargo, no es ideal para el modelado de humanos de espacio-tiempo, las actividades limitadas por la precisión de los dispositivos existentes. Tampoco hay una herramienta disponible para un procesamiento eficiente de los datos para estudiar el comportamiento humano. Presentamos aquí una serie de métodos y un sistema integrado de ArcGIS desktop basado en interfaz visual para el análisis de pre-procesamiento y espacio-temporal de los datos de trayectoria. Proporcionamos ejemplos de cómo este tratamiento se puede utilizar para modelar humanos del espacio-tiempo actividades, especialmente con error ricos en datos peatonales trayectoria, que podrían ser útiles en los estudios de salud pública tales como el modelado de la transmisión de enfermedades infecciosas. El procedimiento presentado incluye pre-procesamiento, segmentación de trayectoria, la caracterización de la actividad espacial, la estimación de la densidad y la visualización, y algunos otros métodos de análisis exploratorios. Pre-procesamieng es la limpieza de ruidosos datos de trayectoria primas. Se introduce una visual interactiva pre-procesamiento de interfaz, así como un módulo automático. Trayectoria 5 segmentación consiste en la identificación de las partes interiores y exteriores de pre-procesado de espacio-tiempo seco. Una vez más, tanto la segmentación interactiva visual y segmentación automática son compatibles. Segmentados de espacio-tiempo pistas se analizan luego para derivar características de espacio de la propia actividad tales como la estimación actividad radio de densidad, etc y la visualización se utilizan para examinar gran cantidad de datos de trayectoria para modelar los puntos calientes y las interacciones. Demostramos tanto mapeo de la superficie ganadera 6 y renderizado densidad de volumen 7. También incluimos un par de otros análisis de datos exploratorios (EDA) y las herramientas visuales reducidas, como el apoyo animación Google Earth y análisis conexión. El conjunto de análisis, así como métodos visuales presentados en este documento se pueden aplicar a los datos de trayectoria para stiempo-ritmo estudios de actividad.

Trayectoria datos fueron recogidos por el voluntariado a los estudiantes de pregrado de la Universidad de Kean (Nueva Jersey, EE.UU.) en la primavera de 2010. El objetivo fue estudiar los patrones de actividad de los estudiantes que contrajeron la gripe (diagnosticada por el médico o por cuenta propia diagnostica-) en comparación con aquellos que no lo hicieron. Con el fin de ilustrar los métodos y procedimientos presentados en este trabajo tomamos las trayectorias recogidas en la zona del campus suburbano de generar...

Watch this Scientific Journal Video about Trajectory Data Analyses for Pedestrian Space-time Activity Study at JoVE.com

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Un conjunto de métodos de procesamiento espaciotemporales se presentan para analizar los datos de trayectoria humanos, tales como la recogida usando un dispositivo GPS, con el fin de modelar peatonales de espacio-tiempo actividades.

Los análisis de trayectoria de datos para el estudio de peatones Actividad espacio-tiempo

It is well recognized that human movement in the  spatial and temporal dimensions has direct influence on disease transmission1-3.  An infectious disease ...

trajectory-data-analyses-for-pedestrian-space-time-activity-study

Research

JoVE Journal

Biology

13.4K vistas.  Kean University. Un conjunto de métodos de procesamiento espaciotemporales se presentan para analizar los datos de trayectoria humanos, tales como la recogida usando un dispositivo GPS, con el fin de modelar peatonales de espacio-tiempo actividades.