本文介绍了一系列时空处理方法,用于分析人类轨迹数据(例如使用GPS设备采集的数据),以建模行人的时空活动。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文介绍了一系列时空处理方法,用于分析人类轨迹数据(例如使用GPS设备采集的数据),以建模行人的时空活动。
众所周知,人类在空间和时间维度上的移动直接影响疾病的传播1-3。传染病通常通过感染者与易感个体在其活动空间重叠时的接触而传播。因此,日常的移动与活动信息可作为衡量感染风险因素暴露程度的指标。然而,微观尺度下传染病传播研究稀少的主要困难在于缺乏详细的个体移动数据。以往在交通与旅游研究中,详细的时间-空间活动数据通常依赖于时间-空间日记法,该方法要求受试者主动记录其在时间和空间中的活动。这种方法对参与者要求较高,且参与者的配合程度极大影响数据质量4。
GPS 和移动通信等现代技术使得轨迹数据的自动采集成为可能。然而,所收集的数据在用于建模人类时空活动时并不理想,受限于现有设备的精度。此外,目前也缺乏现成的高效工具来处理这些数据以支持人类行为研究。本文介绍了一系列方法,并提供了一个集成的基于 ArcGIS 桌面的可视化界面,用于轨迹数据的预处理和时空分析。我们举例说明了此类处理方法如何用于建模人类时空活动,特别是针对误差较多的行人轨迹数据,这些方法在公共卫生研究(如传染病传播建模)中可能具有重要应用价值。
本文介绍的方法包括预处理、轨迹分割、活动空间特征描述、密度估计与可视化,以及其他一些探索性分析方法。预处理是指对含有噪声的原始轨迹数据进行清洗。我们介绍了一种交互式可视化预处理界面以及一个自动化处理模块。轨迹分割5 包括从预处理的时空轨迹中识别室内和室外部分。同样支持交互式视觉分割和自动分割。随后对分割后的时空轨迹进行分析,以提取个体活动空间的特征,例如活动半径。 等等。 密度估计与可视化用于分析大量轨迹数据,以建模热点区域和交互行为。我们展示了密度表面制图6 密度体积渲染7我们还包含了一些其他的探索性数据分析(EDA)和可视化工具,例如支持谷歌地球动画和连接性分析。本文介绍的一系列分析与可视化方法可应用于任何时空活动研究的轨迹数据。
1. 获取数据
2. 预处理
访问受限。请登录或开始试用以查看此内容。
轨迹数据由美国新泽西州基恩大学的志愿本科生于2010年春季收集。研究目的是比较感染流感(由医生诊断或自我诊断)的学生与未感染学生的活动模式。为了说明本文所介绍的方法与流程,我们选取了在郊区校园区域内收集的轨迹数据以生成代表性结果。校园区域内的轨迹主要是步行轨迹,仅有少量轨迹来源于在各个停车场之间以及校园外的驾车活动。
以大学校园内建筑物为参考的轨迹时空立方体表示如图1所示。图1A为一名学生使用AGPS设备(商用儿童追踪器)记录其在校园内一天活动所采集的原始数据。显然,某些长时间的室内停留导致了数据噪声(由轨迹中的尖峰部分指示)。这在行人轨迹数据中非常常见。图1B显示了经过预处理和分段的轨迹。图1C在时空立方体中展示了经过预处理和分段的轨迹,并以颜色编码区分室内和室外段。
图2至图4展示了对一组轨迹进行密度表面映射的结果。
访问受限。请登录或开始试用以查看此内容。
我们利用 ArcGIS 的加载项机制开发了该界面。所有交互式操作均使用 C++ 实现。所有自动处理与分析功能均使用 Python 开发。
行人采集的AGPS数据,或称行人GPS数据,在预处理中具有独特挑战性,因为靠近建筑物以及频繁的室内停留会导致误差极大。此外,预处理的重点不应像处理车辆GPS轨迹数据那样侧重于数据降维,因为行人轨迹的追踪点本身已明显稀疏。然而,行人轨迹数据中明显的误差模式为预处理提供了独特的解决方案。我们并未采用标准的预处理算法14,而是开发了一种启发式方法(2.3节),该方法模拟了2.2节中提到的手动视觉误差检测方式,用于清除轨迹数据中的误差。具体而言,该方法首先计算轨迹中每个轨迹点的属性(速度和方向变化)。那些具有不切实际的高速度和/或方向变化的轨迹点将被剔除。随后,对每个剩余的轨迹点重新计算属性(持续时间和方向变化),并识别出具有尖峰形状的轨迹点簇(即一系列具有剧烈方向变化的轨迹点)。最后,计算每个簇的时空质心,并将轨迹简化并调整为通过该质心。
自动预处理和轨迹分割算法已通过传统的.......
访问受限。请登录或开始试用以查看此内容。
本工作由美国国立卫生研究院(NIH)资助项目1R03AI090465支持。
....访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| WorldTracker GPRS | 追踪全球动态 | ||
| 用于运行分析的个人计算机 | |||
| ArcGIS 软件 | ESRI | ||
| 轨迹分析扩展模块 |
访问受限。请登录或开始试用以查看此内容。