轨迹数据分析行人时空活性研究

该程序的总体目标是通过人类轨迹数据的时空分析和可视化来对行人时空活动进行建模。这是通过首先收集详细的全球定位系统或 GPS 数据并将数据加载到轨迹分析器中来实现的。第二步是对轨迹数据进行预处理和分割。

接下来，对个人的活动空间进行表征。最后一步是通过密度、表面映射、密度、体积渲染或两者来检查时空模式。最终，其他探索性数据分析方法和可视化用于显示数据中的其他隐藏模式。

与现有方法（例如 SHNU 开发的用于分析时空轨迹的 FGIS 扩展）相比，该技术的主要优势在于，我们不仅提供了与轨迹的交互式可视化界面，我们还专注于清理路线轨迹数据片段的处理方法，它们从 TR 数据中得出属性和探索性分析，以从大量轨迹数据中发现模式。该方法可以帮助回答人类时空活动研究领域中与微尺度疾病传播相关的关键问题，例如一个人的时空活动如何影响他或她的感染几率，或者哪些环境或时空行为会导致更高的风险轨迹。可以使用手持式 GPS 装置收集数据。

支持 GPS 的智能手机跟踪应用程序以及辅助 GPS 设备，例如所使用的设备。在这项研究中，这是一个商业儿童追踪器设备的轨迹，数据通常以时间、纬度、经度记录来保存。应根据应用程序需要设置所需的时间间隔。

通常，时空活动研究需要最频繁的间隔将数据转换为逗号分隔值或 CSV 文件，其中记录 ID、纬度、经度和时间分别具有单独的列。然后将 CSV 文件转换为常用的地理信息系统或 GIS 文件格式。使用轨迹分析器加载建筑物多边形的形状文件和研究区域边界的另一个形状文件。

为 3D 显示正确设置建筑物的拉伸，并正确设置边界图层的拉伸和透明度以显示时空立方体。然后在时空立方体中打开轨迹，XY 维度代表空间，Z 维度。表示时间，有两个选项可用于预处理。

可以从预处理菜单的下拉列表中选择嘈杂的原始轨迹数据。如果选择了 interactive。创建 3D 轨迹的 2D 投影，以便于查看和选择。

纵 3D 显示以检查空间和时间中的原始轨迹。根据轨迹段的形状、速度和/或拓扑识别数据中的错误。通常，跟踪具有不切实际的高速或突然方向变化的点表示错误，请从 3D 轨迹或其 2D 投影中选择并删除它们。

一组轨迹点在空间上具有尖峰形状，并且在时间上持续时间较长，表示最有可能由 GPS 信号较弱的室内位置引起的错误。如果选择了一组这些点，程序可以计算所选点的时空 OID，然后调整轨迹以通过 OID。或者，如果从预处理菜单中选择 automatic，则设置输入和输出位置，以及确定异常高速和点突然转弯的经验参数。

该程序搜索加载的轨迹数据，并根据模拟视觉错误检测方法的算法自动运行。轨迹分割需要建筑物图层，因此请确保建筑物形状文件已准备就绪。单击工具栏中的分段工具以启动该功能。

设置输入和输出，并找到建筑物形状文件作为参考图层。使用建筑物名称来标记分段的轨迹。该算法根据设置或默认标准（例如轨迹点的速度和持续时间）以及空间拓扑来识别室内分段。

相对于建筑物，单击活动空间汇总工具以加载分段轨迹并计算所选汇总属性以描述活动空间的特征，例如总活动、半径、特定时间段内的半径、室内与室外总时间的比率等。这些属性可以导出到电子表格中，用于定量建模。密度表面显示时间维度折叠时空间中活动的密度。

密度表面映射菜单的下拉列表中提供了三个选项。如果选择了跟踪点密度选项，请在对话框中填写输入和输出信息，然后选择以 3D 或 2D 形式显示。轨迹数据中的所有顶点都用于计算点的核密度，如下所示。

如果选择了轨迹路径密度，则算法将计算并显示行进的单个路径的密度。如果选择了 resampled point density 选项，则算法将使用设定的时间间隔对轨迹数据进行重新采样，并映射在时间上均匀分布的点的密度。此选项专为跟踪设备而设计，这些设备由于在各种物理条件或分段轨迹下的灵敏度不同而以不规则的时间间隔收集跟踪点。

此处显示了分段轨迹的 2D 和 3D 密度表面。如果为任何选项选择了时间聚焦，则可以执行时间聚焦以检查不同时间段的活动模式。例如，可以可视化一天中不同时间的活动密度表面，以便轻松识别跨时间密度的热点。体积可视化使用时空立方体的概念，就像在轨迹可视化中一样。

这种可视化的核心是将空间分解为体素。此处用于可视化密度体积的方法首先通过计算与体素相交的时空轨迹的数量来估计单个体素中的密度体积。密度、体积可视化和密度表面可视化可用的三个选项相同。

接下来，单击其中一个选项以启动 3D 体积可视化界面以进行交互式体积渲染。通过设置沿每个轴的分割数，可以在不同比例尺上检查集群。Z 因子用于设置垂直夸大，以实现更好的可视化效果。

也可以加载参考图层（例如建筑物）以帮助可视化。可以通过纵控制从密度到颜色的映射的传递函数，以交互方式调整体积渲染的结果。可以使用一个步骤来创建要在 Google Earth 中显示的动画系列。

在单击导出到 KML 以供 EDA 访问此过程时，它会创建一个 KML 文件，该文件将在 Google Earth 中打开，用于轨迹的交互式动画。人们可以通过沿时间线滚动来跟随轨迹在环境中旅行。在 Google Earth 中，可以使用一个程序通过连接分析来可视化感兴趣地点之间的连接。

例如，大学校园内不同建筑物之间的连接源自学生根据派生的连接热点收集的分割轨迹数据，例如出站或入站流量最多的建筑物，以及连接流量最多的地方的枢纽。轨迹数据是由 Keen 大学的志愿本科生于 2010 年春季收集的。目的是研究感染流感的学生与未感染流感的学生的活动模式的比较。

为了说明其中提出的方法和程序，使用在郊区校园区域内收集的轨迹来产生具有代表性的结果。此处显示了参考大学校园建筑物的轨迹的时空立方体表示。一名学生使用 A GPS 设备记录了他在校园内一天的活动所收集的原始数据显示，长时间的室内逗留导致了轨道尖峰部分指示的噪声数据。

这在行人轨迹数据中非常常见。该图表示预处理和分割的轨迹，而时空立方体中带有颜色编码的室内和室外段的预处理和分割轨迹在此处表示。此处显示的是一组轨迹的密度表面映射。

可以可视化执行跟踪点密度映射选项所涉及的原始跟踪点和生成的密度图。相反，也可以映射行进路径的密度。密度映射在分析大量轨迹时特别有用。

这张地图总共显示了 470 条轨迹。密度表面也可以使用这些轨迹中的重采样点以 2D 和 3D 表示形式显示。除了在时空立方体中交互式显示时间维度之外，还可以通过时间聚焦处理时间变量，以检查不同时间段的空间模式。

此处显示的是此类分析的示例。使用包含学生在流感季节收集的轨迹数据的示例数据集。很明显，他们的活动全天都集中在不同的地点。

为了最终在底部密度上生成复合活动密度图，还可以执行此处所示的体积渲染，如果所有时空轨迹都在时空立方体中可视化，则很难检测模式。由于此处的视觉杂乱，相应的数据将可视化为密度体积渲染。这四个插图表示密度渲染程序传递函数的不同设置，因此突出显示了不同频率范围内的密度体积。

查找热点的另一种方法是通过连接分析。校园内所有建筑物之间的直线连接如图所示。高亮显示的建筑物是出站流量最高的建筑物。

在这里，显示了相同的连接，其中访问量最大的连接以黑色突出显示。在尝试此过程时，请务必记住先从预处理步骤开始，然后再转到分段、探索性分析和其他可视化方法。遵循此过程。可以执行其他方法，如属性的统计分析、对一个人的活动空间进行分类，或序列分析，如序列比对，以回答其他问题，如一个人的活动、空间和序列如何影响感染的机会。