JoVE Logo

Войдите в систему

Для просмотра этого контента требуется подписка на Jove Войдите в систему или начните бесплатную пробную версию.

В этой статье

  • Резюме
  • Аннотация
  • протокол
  • Результаты
  • Обсуждение
  • Раскрытие информации
  • Благодарности
  • Материалы
  • Ссылки
  • Перепечатки и разрешения

Резюме

Набор пространственно-временных методов обработки представлены для анализа человеческого данные траектории, такие как данные, собранные с помощью устройства GPS, с целью моделирования пешеходного пространства-времени деятельности.

Аннотация

It is well recognized that human movement in the spatial and temporal dimensions has direct influence on disease transmission1-3. An infectious disease typically spreads via contact between infected and susceptible individuals in their overlapped activity spaces. Therefore, daily mobility-activity information can be used as an indicator to measure exposures to risk factors of infection. However, a major difficulty and thus the reason for paucity of studies of infectious disease transmission at the micro scale arise from the lack of detailed individual mobility data. Previously in transportation and tourism research detailed space-time activity data often relied on the time-space diary technique, which requires subjects to actively record their activities in time and space. This is highly demanding for the participants and collaboration from the participants greatly affects the quality of data4.

Modern technologies such as GPS and mobile communications have made possible the automatic collection of trajectory data. The data collected, however, is not ideal for modeling human space-time activities, limited by the accuracies of existing devices. There is also no readily available tool for efficient processing of the data for human behavior study. We present here a suite of methods and an integrated ArcGIS desktop-based visual interface for the pre-processing and spatiotemporal analyses of trajectory data. We provide examples of how such processing may be used to model human space-time activities, especially with error-rich pedestrian trajectory data, that could be useful in public health studies such as infectious disease transmission modeling.

The procedure presented includes pre-processing, trajectory segmentation, activity space characterization, density estimation and visualization, and a few other exploratory analysis methods. Pre-processing is the cleaning of noisy raw trajectory data. We introduce an interactive visual pre-processing interface as well as an automatic module. Trajectory segmentation5 involves the identification of indoor and outdoor parts from pre-processed space-time tracks. Again, both interactive visual segmentation and automatic segmentation are supported. Segmented space-time tracks are then analyzed to derive characteristics of one's activity space such as activity radius etc. Density estimation and visualization are used to examine large amount of trajectory data to model hot spots and interactions. We demonstrate both density surface mapping6 and density volume rendering7. We also include a couple of other exploratory data analyses (EDA) and visualizations tools, such as Google Earth animation support and connection analysis. The suite of analytical as well as visual methods presented in this paper may be applied to any trajectory data for space-time activity studies.

протокол

1. Получение данных

  1. Траектория данные могут быть собраны с ручных приборов GPS, GPS с поддержкой приложений для смарт-телефон отслеживания, а также A-GPS (Assisted GPS) устройств, таких как одного занятого в нашем исследовании, коммерческие устройства трекер ребенка.
  2. Траектория данных обычно хранится в терминах времени широта-долгота записей. Желаемого интервала времени должны быть установлены на основе потребностей приложений. Часто наиболее частых интервал желаемого для пространственно-временных исследований деятельности.
  3. Преобразование данных значений, разделенных запятыми, или. CSV файлов с отдельными колонками для записи идентификатора, широту, долготу и время, соответственно. Тогда преобразования. CSV файлов в широко используемых географических информационных систем (ГИС), формат файла (то есть шейп-файлов ESRI 8).
  4. Загрузите в шейп строительных полигонов и другое границы исследуемой области с траектории анализатора. Установить "выдавливание" из зданий должным образом для 3D-ди-скошенной и установить "выдавливание" и "прозрачность" пограничный слой должным образом для отображения пространства-времени куба 6, 9 с х, у размеры представляющих пространства и размерности г представляющие времени.

2. Предварительная обработка

  1. Два варианта доступны для предварительной обработки шумных исходные данные траектории. Можно выбрать из выпадающего списка предварительной обработки меню.
  2. Если «Интерактивные» выбрана, 2D проекции 3D траектории создан для удобного просмотра и выбора. Манипулирование 3D-дисплей для изучения сырья траектории в пространстве и времени. Определите ошибки в данных, основанных на формы, скорости и / или топология пути сегментах. Обычно трек точек (вершин) с нереально высокой скорости или резкого изменения направления означают ошибки. Выберите и удалите их из оригинальной траектории. Выберите и удалите их из любой 3D траектории или 2D проекции.
  3. Кластер точек трека с остроконечными шаPES (рис. 1) пространственно и длительность временного означают ошибки, которые наиболее вероятно вызванные закрытых помещениях, где GPS сигнал слабый. Если группа этих точек выбрано, программа может вычислить пространственно-временной тяжести выбранных точках и настроить трек, чтобы пройти через центр тяжести.
  4. Кроме того, если "Автоматически" выбирается из предварительной обработки меню, установить входные и выходные местах, а также эмпирические параметры, которые определяют аномально высокой скорости и крутых поворотах точек. Программа просматривает загруженные данные траектории и запускается автоматически на основе алгоритма, который имитирует визуальный подход обнаружения ошибок.

3. Сегментация траектории и характеристик космической деятельности

  1. Траектория сегментации требует создания слоя, поэтому убедитесь, файл формы здания загружен.
  2. Нажмите на сегментацию на панели инструментов, чтобы запустить функцию.Установка входных и выходных и расположен файл формы здания в качестве опорного слоя. Используйте здания имен для обозначения сегментирован траектории. Алгоритм определяет закрытый сегментов на основе набора или по умолчанию такие критерии, как скорость, длительность и т. д. точек трека, а также пространственной топологии по отношению к зданиям.
  3. Нажмите обобщения космической деятельности инструмент для загрузки в сегментированных траектории и вычислить выбранные атрибуты резюме характеризуют деятельность своего пространства, таких как общий радиус деятельности, радиусом в определенный период времени, отношение общее время, проведенное в помещении по сравнению открытом воздухе, и так далее.
  4. Атрибуты могут быть экспортированы в таблицы для использования количественных моделей.

4. Карты поверхностной плотности

  1. Плотность поверхности показана плотность деятельности в космосе с временной аспект рухнула. Три варианта из выпадающего списка отображения меню поверхностной плотности.
  2. Если опция 'Трек плотность точек' выбран, заполнить диалоговое окно с входной и выходной информации и выбрать для отображения в любом 3D или 2D. Все вершины с траектории данные используются для расчета ядро плотностью точек. 2 показана поверхностная плотность.
  3. Если «Трек пути плотности 'выбран, алгоритм вычисляет и отображает плотность отдельных путей поездки (рис. 3).
  4. Если опция 'Re-пробы плотность точек' выбран, алгоритм повторной образцы траекторию данных с использованием заданном интервале времени и карты плотности точек равномерно во времени. Эта опция предназначена для отслеживания устройств, которые собирают отслеживания точек в неравные промежутки времени из-за различной чувствительности устройства при различных физических условиях или сегментированные траектории. Рисунок 4 показывает 2D и 3D плотности поверхности сегментирован траектории.
  5. Если «Временная фокусировка выбран дляНью-Йорк из вышеперечисленных вариантов, временные фокусировки 10 могут быть выполнены, чтобы изучить деятельность моделей в различные периоды времени. Например, деятельность плотности поверхности в разное время в течение дня могут быть визуализированы для легкой идентификации горячих точках во времени (рис. 5).

5. Плотность оценка объема и объема Rendering

  1. Визуализации объемной плотности используется понятие пространства-времени куба, как в визуализации траектории. В основе такой визуализации разбивки пространства в вокселей 11. Наш подход к визуализации объемной плотности первые оценки объемной плотности в отдельных вокселей путем подсчета количества пространства-времени, треки, которые пересекаются с вокселей. Можно нажать 'Плотность расчета объема "под визуализации меню объемной плотности для этого шага.
  2. Те же три варианта для плотности визуализации объема, как и для плотности визуализации поверхности.
  3. Затем нажмите "Volume Rendering ', чтобы запустить 3D-интерфейс для визуализации объема интерактивный объемный рендеринг 12. Установив количество делений вдоль каждой оси, можно рассматривать кластеры в различных масштабах. Z-фактор используется для установки вертикального преувеличением для лучшей визуализации. Опорного слоя, такие как здания могут быть загружены, чтобы помочь визуализации, а также. Результаты объем оказания можно интерактивно регулировать путем манипулирования передаточной функцией, которая управляет отображением плотности цвета. (Рис. 6).

6. Другие поисковые анализа данных (РАД) и визуализаций

  1. Процедура доступна для создания анимационного сериала, который будет отображаться в Google Earth. В разделе "Прочее", нажмите кнопку "Экспорт в KML для EDA", чтобы получить доступ к этой процедуре. Это создает KML 13 файл, который открывает в Google Earth на интерактивной анимации траектории.
  2. Можно следовать траектории на травел окружающей среды во времени на прокрутку по временной шкале в Google Earth.
  3. Процедура доступна для визуализации связей между достопримечательностями через "Подключение анализа. Например, связи между различными зданий на кампусе университета являются производными от сегментированных данных траектории, которые были собраны студентами (рис. 7).
  4. На основании полученных соединений, горячие точки, такие как здания с самого исходящего или входящего трафика и концентраторы, которые соединяют наиболее посещаемых местах могут быть определены.

Результаты

Траектория Данные были собраны на добровольных началах студентов из Кин университета (Нью-Джерси, США) весной 2010 года. Целью было изучить активность моделей студенты, которые поймали гриппа (диагноз врача или самостоятельно диагностировать) по сравнению с теми, кто этого не сделал. Для ...

Обсуждение

Мы использовали дополнения в механизме ArcGIS для разработки интерфейса. Все интерактивные операции были реализованы с помощью C + +. Все автоматической обработки и анализа функций были разработаны с использованием Python.

AGPS данных или GPS данных, собранных пешеходных предста?...

Раскрытие информации

Нет конфликта интересов объявлены.

Благодарности

Эта работа финансируется за счет грантов NIH 1R03AI090465.

Материалы

NameCompanyCatalog NumberComments
Название реагента Компания Номер в каталоге Комментарии (по желанию)
WorldTracker GPRS Отслеживание мира
Персональный компьютер для запуска анализа
Программное обеспечение ArcGIS ESRI
Расширение Анализатор траекторий

Ссылки

  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).

Перепечатки и разрешения

Запросить разрешение на использование текста или рисунков этого JoVE статьи

Запросить разрешение

Смотреть дополнительные статьи

72GPSArcGIS

This article has been published

Video Coming Soon

JoVE Logo

Исследования

Образование

О JoVE

Авторские права © 2025 MyJoVE Corporation. Все права защищены