Name: 轨迹数据分析行人时空活性研究 (视频) | JoVE Journal
Uploaded: 2013-02-25T12:03:00.000+00:00
Duration: 16 min 14 s
Description: 学习使用GPS轨迹数据与时空分析方法建模行人活动模式。本方法通过预处理、分割和可视化技术揭示隐藏的运动规律，为城市规划与公共卫生研究提供数据支持。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

本工作由美国国立卫生研究院（NIH）资助项目1R03AI090465支持。

1. 获取数据
<ol>
 <li>轨迹数据可通过手持式GPS设备、支持GPS的智能手机追踪应用程序，以及本研究中所采用的商业儿童追踪设备等A-GPS（辅助GPS）设备进行采集。</li>
 <li>轨迹数据通常以时间-纬度-经度记录的形式保存。应根据具体应用需求设定合适的时间间隔，空间-时间活动研究通常需要尽可能高的采样频率。</li>
 <li>将数据转换为逗号分隔值文件（即.csv文件），并分别为记录编号、纬度、经度和时间设置独立的列。随后将.csv文件转换为常用的地理信息系统（GIS）文件格式（例如 ESRI shapefile8）。</li>
 <li>在轨迹分析器中加载建筑物多边形的shapefile文件以及研究区域边界的shapefile文件。正确设置建筑物的“拉伸”属性以实现三维显示，并适当设置边界图层的“拉伸”和“透明度”属性，以生成时空立方体6, 9，其中x、y维度表示空间，z维度表示时间。</li>
</ol>
2. 预处理
<ol>
 <li>对于噪声原始轨迹数据的预处理，提供两种可选方案。用户可从预处理菜单的下拉列表中进行选择。</li>
 <li>若选择“交互式”模式，系统将生成3D轨迹的2D投影，便于查看与选取。通过操作3D显示界面，从空间和时间维度检查原始轨迹。根据轨迹片段的形状、速度和/或拓扑结构识别数据中的错误。通常，具有不切实际的高速或方向突变的轨迹点（顶点）表明存在错误。可选择并从原始轨迹中删除这些点，删除操作可在3D轨迹或其2D投影上进行。</li>
 <li>在空间上呈尖锐形状聚集、在时间上持续较久的一簇轨迹点（图1），通常表示由室内等GPS信号较弱区域引起的数据错误。若选中此类点群，程序可计算所选点的时空质心，并调整轨迹使其经过该质心。</li>
 <li> alternatively，若在预处理菜单中选择“自动”模式，需设置输入与输出路径，以及用于判定异常高速和急剧转向的经验参数。程序将基于模拟视觉误差检测方法的算法，自动搜索并处理加载的轨迹数据。</li>
</ol>
3. 轨迹分割与活动空间表征
<ol>
 <li>轨迹分割需要建筑物图层，因此请确保已加载建筑物的矢量文件。</li>
 <li>单击工具栏中的分割工具以启动功能。设置输入和输出，并将建筑物形状文件指定为参考图层。使用建筑物名称对分割后的轨迹进行标注。该算法根据设定或默认的标准（如速度、持续时间）识别室内段 等等。 轨迹点以及与建筑物相关的空间拓扑关系。</li>
 <li>单击活动空间概要工具以载入分段轨迹，并计算选定的摘要属性，以表征个体的活动空间，例如总活动半径、特定时间段内的半径、室内与室外停留时间总比例等。 </li>
 <li>这些属性可导出至电子表格，用于定量建模分析。</li>
</ol>
4. 密度表面映射
<ol>
 <li>密度表面通过将时间维度合并，展示空间中活动的密度分布。密度表面映射菜单的下拉列表中提供三种选项。</li>
 <li>若选择“轨迹点密度”选项，需在对话框中填写输入与输出信息，并选择以 3D 或 2D 方式显示。算法将使用轨迹数据中的所有顶点来计算点的核密度。图 2 展示了一个密度表面。</li>
 <li>若选择“轨迹路径密度”选项，算法将计算并显示个体移动路径的密度分布（图 3）。</li>
 <li>若选择“重采样点密度”选项，算法将使用设定的时间间隔对轨迹数据进行重采样，并绘制在时间上均匀分布的点的密度图。该选项适用于因设备在不同物理条件下灵敏度变化或轨迹分段而导致采样时间间隔不规则的追踪设备。图 4 展示了分段轨迹的 2D 和 3D 密度表面。</li>
 <li>若对上述任一选项选择“时间聚焦”，则可执行时间聚焦10，以分析不同时段的活动模式。例如，可可视化一天中不同时段的活动密度表面，便于识别跨时间的热点区域（图 5）。</li>
</ol>
5. 密度体积估算与体绘制
<ol>
 <li>密度体可视化采用时空立方体的概念，类似于轨迹可视化中的方法。此类可视化的核心是将空间离散化为体素11。我们对密度体的可视化方法首先通过统计穿过各个体素的时空轨迹数量，来估算每个体素内的密度值。用户可在密度体可视化菜单下点击“密度体计算”以执行此步骤。</li>
 <li>密度体可视化与密度面可视化一样，提供相同的三种选项。</li>
 <li>接下来点击“体渲染”，以启动三维体可视化界面，进行交互式体渲染12。通过设置各坐标轴方向上的分割数量，可在不同尺度上观察聚类特征。可使用z因子设置垂直方向的夸张比例，以获得更佳的可视化效果。此外，也可加载建筑物等参考图层以辅助可视化。体渲染的结果可通过调节传递函数进行交互式调整，该函数控制密度到颜色的映射关系。（图6）。</li>
</ol>
6. 其他探索性数据分析（EDA）与可视化
<ol>
 <li>可采用一种方法创建可在 Google Earth 中播放的动画序列。在“其他”选项下，点击“导出为用于 EDA 的 KML”以使用该方法。此操作将生成一个 kml13 文件，可在 Google Earth 中打开，用于对轨迹进行交互式动画展示。</li>
 <li>通过在 Google Earth 的时间轴上滚动，可沿轨迹在时空中漫游环境。</li>
 <li>可通过“连接分析”功能可视化兴趣地点之间的关联。例如，大学校园内不同建筑之间的连接关系是基于学生采集的分段轨迹数据推导得出的（图7）。</li>
 <li>基于推导出的连接关系，可识别热点区域，例如出入口流量最大的建筑，以及连接多个高流量区域的枢纽。</li>
</ol>

<ol><li>Stoddard, S. T., Morrison, A. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+role+of+human+movement+in+the+transmission+of+vector-borne+pathogens%5BTitle%5D)+AND+%22PLoS+Negl.+Trop.+Dis%22%5BJournal%5D)">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/pubmed?term=((The+challenge+of+emerging+and+re-emerging+infectious+diseases%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">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/pubmed?term=((Synchrony%2C+waves%2C+and+spatial+hierarchies+in+the+spread+of+influenza%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">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/pubmed?term=((The+Application+of+tracking+technologies+to+the+study+of+pedestrian+spatial+behaviour%5BTitle%5D)+AND+%22The+Professional+Geographer%22%5BJournal%5D)">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/pubmed?term=((Spatio-temporal+GIS+design+for+exploring+interactions+of+human+activities%5BTitle%5D)+AND+%22Cartography+and+Geographic+Information+Science%22%5BJournal%5D)">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/pubmed?term=((Interactive+geovisualization+of+activity-travel+patterns+using+three-dimensional+geographical+information+systems%3A+a+methodological+exploration+with+a+large+data+set%5BTitle%5D)+AND+%22Transportation+Research+Part+C%22%5BJournal%5D)">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>Demšar, U., Virrantaus, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Space-time+density+of+trajectories%3A+exploring+spatio-temporal+patterns+in+movement+data%5BTitle%5D)+AND+%22International+Journal+of+Geographical+Information+Science%22%5BJournal%5D)">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>ESRI Shapefile Technical Description [Internet]. , Environmental Systems Research Institute, Inc. Available from:
		
	 <a target="_blank" href="http://www.esri.com/library/whitepapers/pdfs/shapefile.pdf">http://www.esri.com/library/whitepapers/pdfs/shapefile.pdf</a> (1998).</li>
<li>Kraak, M., Koussoulakous, A. A visualization environment for the space-time cube. Fisher, P. Proceedings of 11th International Conference on Developments in Spatial Data Handling, Berlin, , Springer. 189-200 (2004).</li>
<li>Visualizing spatial relationships among health, environmental, and demographic statistics: interface design issues. MacEachren, A. M., Polsky, C., et al. Proceedings of 18th International Cartographic Conference, , 880-887 (1997).</li>
<li>Levory, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Display+of+surfaces+from+volume+data%5BTitle%5D)+AND+%22IEEE+Computer+Graphics+and+Application%22%5BJournal%5D)">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/pubmed?term=((Volume+Rendering%5BTitle%5D)+AND+%22Computer+Graphics%22%5BJournal%5D)">Volume Rendering.</a> Computer Graphics. , (1998).</li>
<li>KML | OGC(R) [Internet]. , Open Geospatial Consortium, Inc. Available from:
		
	 <a target="_blank" href="http://www.opengeospatial.org/standards/kml/">http://www.opengeospatial.org/standards/kml/</a> (2012).</li>
<li>Lee, W., Krumm, J. Trajectory preprocessing. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aLee%2C+W+%22Computing+with+Spatial+Trajectories%22">Computing with Spatial Trajectories</a>. Zheng, Y., Zhou, X. , Springer, Bucher. 3-34 (2011).</li>
<li>Han, B., Comaniciu, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sequential+kernel+density+approximation+and+its+application+to+real-time+visual+tracking%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Sequential kernel density approximation and its application to real-time visual tracking.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. , (2007).</li>
</ol>

无利益冲突声明。

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...

<table><tbody><tr><td>WorldTracker GPRS</td><td>追踪全球动态</td><td></td><td></td></tr><tr><td>用于运行分析的个人计算机</td><td></td><td></td><td></td></tr><tr><td>ArcGIS 软件</td><td>ESRI</td><td></td><td></td></tr><tr><td>轨迹分析扩展模块</td><td></td><td></td><td></td></tr></tbody></table>

行人时空活动研究中的轨迹数据分析

Trajectory Data Analyses for Pedestrian Space-time Activity Study

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。

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。<st...

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对疾病传播具有直接影响1-3。一种传染病……

本实验的总体目标是通过对人类轨迹数据进行时空分析与可视化，模拟行人的时空活动。首先，通过收集详细的全球定位系统（GPS）数据，并将数据载入轨迹分析器中来实现这一目标。第二步是对轨迹数据进行预处理和分段。接下来，对个体的活动空间进行表征。最后一步是通过密度分析、表面映射、密度分析、体绘制或其组合，来考察时空分布模式。最终，采用其他探索性数据分析方法与可视化手段，揭示数据中更多潜在的隐藏模式。与现有方法（例如由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，我们不仅提供了轨迹交互式可视化的接口，更专注于处理方法，包括对轨迹数据进行清洗、分段、从轨迹数据（TR数据）中提取特征，以及通过探索性分析从大量轨迹数据中发现模式。该方法有助于回答人类时空活动研究领域中与微观尺度疾病传播相关的关键问题，例如个体的时空活动如何影响其感染风险，或哪些环境因素或时空行为导致更高的感染风险。轨迹数据可通过手持式GPS设备进行采集。支持 GPS 的智能手机追踪应用程序以及辅助 GPS 设备（如本研究中使用的商用儿童追踪器设备）通常以时间、纬度、经度记录的形式保存轨迹数据。应根据应用需求设置合适的时间间隔。在时空活动研究中，通常需要获取最频繁的时间间隔，可将数据转换为逗号分隔值（CSV）文件，其中分别设置记录编号、纬度、经度和时间的独立列。然后将 CSV 文件转换为常用地理信息系统（GIS）文件格式。加载建筑物多边形的矢量文件以及研究区域边界的另一矢量文件，并使用轨迹分析器进行处理。正确设置建筑物的拉伸，以实现三维显示，并适当设置边界层的拉伸和透明度，以显示时空立方体。然后在时空立方体中打开轨迹，其中 XY 维度表示空间，Z 维度表示时间，预处理提供两种选项。可从预处理菜单的下拉列表中选择带有噪声的原始轨迹数据。如果选择“交互式”，则会创建该3D轨迹的2D投影，以便于查看和选择。操作三维显示以在空间和时间中检查原始轨迹。根据轨迹片段的形状、速度或拓扑结构识别数据中的错误。通常，运动轨迹点中存在不切实际的高速度或突然的方向改变即表示存在错误，应选择并从三维轨迹或其二维投影中删除这些点。在空间上呈尖刺状分布且在时间上持续较长的一组轨迹点，通常表示由 GPS 信号较弱的室内位置引起的误差。如果选中了这些点的某一组，程序可计算所选点的时空 OID，并调整轨迹使其穿过该 OID。或者，如果在预处理菜单中选择自动模式，则需设置输入和输出位置，以及用于判定点异常高速移动和急剧转向的经验参数。该程序通过搜索已加载的轨迹数据，自动运行一种模拟视觉误差检测方法的算法。轨迹分割需要建筑图层，因此请确保建筑形状文件已准备就绪。点击工具栏中的分割工具以启动该功能。设置输入和输出，并将建筑物的矢量文件作为参考图层进行定位。使用建筑物名称对分割后的轨迹进行标注。该算法根据设定或默认的标准（如轨迹点的速度、停留时长以及空间拓扑关系）识别室内路段。关于建筑物，单击活动空间汇总工具以加载分段轨迹，并计算选定的汇总属性，用于表征个体的活动空间，例如总活动量、活动半径、特定时间段内的半径、室内与室外停留时间的比率等。这些属性可导出至电子表格，用于定量建模分析。密度表面图则通过压缩时间维度，展示空间中活动的密度分布情况。密度表面映射菜单的下拉列表中提供三个选项。如果选择轨迹点密度选项，请在对话框中填写输入和输出信息，并选择以 3D 或 2D 方式显示。所有轨迹数据中的顶点都将用于计算点的核密度，如下图所示。如果选择轨迹路径密度，算法将计算并显示个体行进路径的密度。如果选择重采样点密度选项，算法将使用设定的时间间隔对轨迹数据进行重采样，并绘制在时间上均匀分布的点的密度图。该选项适用于因设备在不同物理条件下的灵敏度变化或轨迹分段而导致采样时间间隔不规则的追踪设备。此处展示了分割后轨迹的二维和三维密度表面。如果在任意选项中选择了时间聚焦，则可进行时间聚焦以分析不同时段的活动模式。例如，可以可视化一天中不同时刻的活动密度表面，从而方便识别跨时间的热点区域。时间密度体可视化采用了时空立方体的概念，类似于轨迹可视化中的方法。此类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，首先通过计算穿过各体素的时空轨迹数量，来估计单个体素内的密度体积。对于密度体积可视化，其可选的三种方案与密度表面可视化的方案相同。接下来，点击其中一个选项以启动 3D 体积可视化界面，进行交互式体积渲染。通过设置每个轴向上的分割数量，可在不同尺度下观察聚类。使用 Z 因子来设置垂直方向的夸张比例，以实现更佳的可视化效果。还可以加载建筑物等参考图层以辅助可视化。通过调整控制密度到颜色映射的传递函数，可交互式地调节体渲染结果。此外，提供了一种生成动画序列并用于在 Google Earth 中展示的操作流程。在其他情况下，单击“导出为KML”以进行EDA，从而执行此操作流程，系统将生成一个KML文件，可在Google Earth中打开，用于轨迹的交互式动画展示。用户可通过沿时间轴滚动，跟随轨迹在时间中漫游环境。在Google Earth中，可通过连接分析方法可视化兴趣地点之间的关联。例如，通过分析2010年春季由肯恩大学的本科生志愿者收集的分段轨迹数据，可以推导出大学校园内不同建筑之间的人员流动关系。基于这些推导出的连接关系，可识别出热点区域，例如出入口流量最高的建筑，以及连接高流量区域的枢纽。该研究旨在比较感染流感的学生与未感染学生之间的活动模式。为了说明本文所介绍的方法和流程，采用了在郊区校园区域内采集的轨迹数据来生成代表性结果。图中展示了相对于大学校园建筑物的轨迹时空立方体表示。通过 GPS 设备记录一名学生在校园内一天活动所采集的原始数据显示，较长时间的室内停留导致了数据噪声，表现为轨迹中尖锐的波动部分。这在行人轨迹数据中非常常见。该图表示经过预处理和分割的轨迹，而此处展示的是在时空立方体中以不同颜色编码室内外段的预处理和分割轨迹。此处显示的是一组轨迹的密度表面映射结果。可以可视化用于执行跟踪点密度映射选项的原始跟踪点以及生成的密度图。相反，也可以绘制行进路径的密度图。在分析大量轨迹时，密度映射尤为有用。该地图共显示 470 条轨迹。还可利用这些轨迹重采样的点，在二维和三维表示中显示密度表面。除了在时空立方体中交互显示时间维度外，还可通过时间聚焦处理时间变量，以分析不同时段的空间模式。此处展示的是此类分析的示例。使用在流感季节由学生收集的轨迹数据构成的样本数据集，可以明显看出，他们的活动在一天中围绕着不同的地点展开。为了最终生成底部的复合活动密度图，还可以进行密度体绘制，如图所示。如果在时空立方体中可视化所有时空轨迹，则由于视觉杂乱，很难检测出模式。因此，这里将相应的数据以密度体绘制的方式进行可视化。这四幅插图代表了密度体绘制程序中传递函数的不同设置，从而突出显示不同频率范围内的密度体。另一种发现热点区域的方法是通过连接分析。此处展示了校园内所有建筑物之间的直线连接，高亮显示的建筑物是出站流量最大的建筑。此处以黑色突出显示了流量最大的相同连接。在尝试此流程时，重要的是要记住，在进行分割、探索性分析及其他可视化方法之前，首先应执行预处理步骤。遵循此流程后，还可进行其他方法，如属性的统计分析、活动空间的分类，或序列比对等序列分析，以回答更多问题，例如个体的活动、空间及序列如何影响感染的可能性。

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

Research

科研

JoVE Journal

Biology

生物学

轨迹数据分析行人时空活性研究

本方案通过一种新近引入的基于地面的光电细胞系统，用于评估神经科/骨科患者及老年人的空间和时间步态参数。...

患者及老年人步态时空参数的临床评估

介绍了一种用于表征实地行人行为及其引发的结构响应模拟的实验方案。现场测试表明，该方法能够有效捕捉行人动态荷载特征及结构振动响应。 原位...

基于实地行人行为特征的人为振动模拟

目的是验证北欧行走步态与姿势分析中数据采集技术的最佳应用方式。在短时间分析（即单个步态周期）中应使用三维运动捕捉技术，而在长时间分析（即多次重复周期）如6分钟步行测试中则应采用加速度测量技术。...

验证适用于评估老年人 Nordic 步行步态与姿势的合适运动捕捉技术

本文介绍了一种利用压力中心与全身质心之间距离来测量从坐到站再到行走过程中关键事件位置稳定性的新方案。该方法基于测力台和三维运动捕捉技术，具有良好的可靠性，可用于对神经系统功能受损个体的评估。...

从120%膝高处坐-站-走：一种独立于优势肢体评估动态姿势控制的新方法

本文描述了一种用于检验智能手机应用程序在矢状面内记录的运动学测量值与三维运动捕捉系统相比的同时效度的方法。该方案将使临床医生能够设置智能手机以采集人体运动视频。...

使用智能手机进行视频运动分析（ViMAS）：一项初步研究

本研究介绍了一种适合临床医生使用的三维步态分析方法，该方法设计用于康复门诊环境中实施。该方法包括简化的测量流程和直观的图表，以帮助临床医生更好地理解分析结果。...

面向临床的三维步态分析方法用于评估步态障碍

本方案描述了一种步行模拟器的使用方法，该模拟器可作为一种安全且生态效度高的方法，用于研究行人在移动交通环境中的行为。...

使用虚拟现实步行模拟器研究行人行为

本文介绍了用于研究步态起始姿势控制的材料与方法。该方法基于测力台记录，并利用力学直接原理计算重心和压力中心的运动学参数。...

利用测力台记录进行步态起始姿势控制的生物力学分析

利用操作性条件反射范式，通过播放随机点运动图和计算机生成的无脊椎动物视频来测试蜥蜴的视觉敏感性。...

测试蜥蜴对运动速度和方向的视觉敏感性

使用杰基龙作为模型生成的计算机模拟刺激。...

计算机生成的动物模型刺激材料

学习使用GPS轨迹数据与时空分析方法建模行人活动模式。本方法通过预处理、分割和可视化技术揭示隐藏的运动规律，为城市规划与公共卫生研究提供数据支持。

行人时空活动研究中的轨迹数据分析

探索更多视频