Les analyses des données de trajectoire pour étudier l'activité piétonne l'espace-temps

L'objectif général de cette procédure est de modéliser les activités spatio-temporelles des piétons au moyen d'une analyse spatio-temporelle et de la visualisation de données de trajectoire humaine. Cela est réalisé en premier lieu en collectant des données détaillées de système de positionnement global, ou GPS, puis en chargeant ces données dans l'analyseur de trajectoires. La deuxième étape consiste à prétraiter et à segmenter les données de trajectoire.

Ensuite, les espaces d'activité des individus sont caractérisés. La dernière étape consiste à examiner les schémas spatiotemporels à l'aide de la densité, de la cartographie en surface, de la densité, de la rendu volumétrique, ou des deux. Enfin, d'autres méthodes d'analyse exploratoire des données et visualisations sont utilisées pour révéler des schémas cachés supplémentaires dans les données.

L'avantage principal de cette technique par rapport aux méthodes existantes, comme l'extension FGIS développée par SHNU pour l'analyse des trajectoires spatio-temporelles, réside dans le fait que nous ne fournissons pas seulement une interface pour la visualisation interactive des trajectoires, mais que nous nous concentrons également sur la méthode de traitement permettant de nettoyer les données de trajectoire, de les segmenter, d'extraire des propriétés à partir des données TR et d'effectuer une analyse exploratoire afin de découvrir des motifs dans de grandes quantités de données de trajectoire. Cette méthode peut aider à répondre à des questions clés dans le domaine des études sur les activités spatio-temporelles humaines liées à la transmission microscopique des maladies, par exemple comment l'activité spatio-temporelle d'une personne influence-t-elle sa probabilité d'infection, ou quels environnements ou comportements spatio-temporels entraînent un risque accru. Les données peuvent être collectées à l'aide d'appareils GPS portatifs.

Les applications de suivi par smartphone dotées du GPS ainsi que les dispositifs GPS assistés, tels que celui utilisé dans cette étude, qui est un appareil commercial de trajectoire pour enfants, enregistrent généralement les données sous forme d'intervalles de temps, de latitude et de longitude. Un intervalle de temps souhaité doit être défini en fonction des besoins de l'application.

Souvent, l'intervalle le plus fréquent est souhaité pour les études d'activités spatio-temporelles : convertir les données en valeurs séparées par des virgules, ou fichiers CSV, avec des colonnes distinctes pour l'identifiant de l'enregistrement, la latitude, la longitude et l'heure respectivement. Ensuite, convertir les fichiers CSV au format de fichiers couramment utilisé par les systèmes d'information géographique, ou SIG. Charger un fichier shape contenant les polygones de bâtiments et un autre contenant la limite de la zone d'étude dans un analyseur de trajectoires.

Réglez correctement l'extrusion des bâtiments pour un affichage 3D et ajustez l'extrusion et la transparence de la couche limite afin d'afficher un cube espace-temps. Ensuite, ouvrez la trajectoire dans le cube espace-temps, les dimensions XY représentant l'espace et la dimension Z représentant le temps. Deux options sont disponibles pour le prétraitement.

Les données brutes bruitées de trajectoire que l'on peut choisir dans la liste déroulante du menu de prétraitement. Si l'option interactive est sélectionnée, une projection 2D de la trajectoire 3D est créée pour faciliter la visualisation et la sélection.

Manipulez l'affichage 3D pour examiner la trajectoire brute dans l'espace et dans le temps. Identifiez les erreurs dans les données en fonction de la forme, de la vitesse ou de la topologie des segments de trajectoire. Généralement, les points de trajectoire présentant une vitesse excessivement élevée ou un changement brusque de direction indiquent des erreurs ; sélectionnez-les et supprimez-les soit de la trajectoire 3D, soit de sa projection 2D.

Un groupe de points de trace présentant des formes irrégulières dans l'espace et une durée prolongée dans le temps indique des erreurs très probablement causées par des lieux intérieurs où le signal GPS est faible. Si un ensemble de ces points est sélectionné, le programme peut calculer l'OID spatio-temporel des points sélectionnés, puis ajuster la trace afin qu'elle passe par cet OID. En revanche, si l'option automatique est choisie dans le menu de prétraitement, définissez les emplacements d'entrée et de sortie, ainsi que les paramètres empiriques déterminant les vitesses anormalement élevées et les changements de direction brusques des points.

Le programme parcourt les données de trajectoire chargées et s'exécute automatiquement selon un algorithme qui imite l'approche visuelle de détection des erreurs. La segmentation des trajectoires nécessite la couche des bâtiments ; veillez donc à ce que le fichier de forme des bâtiments soit prêt. Cliquez sur l'outil de segmentation dans la barre d'outils pour démarrer la fonction.

Définissez les entrées et sorties et localisez le fichier de forme des bâtiments en tant que couche de référence. Utilisez les noms des bâtiments pour étiqueter les trajectoires segmentées. L'algorithme identifie les segments intérieurs selon des critères définis ou par défaut, tels que la vitesse et la durée des points de trajectoire, ainsi que la topologie spatiale.

En ce qui concerne les bâtiments, cliquez sur l'outil de synthèse de l'espace d'activité pour charger les trajectoires segmentées et calculer les attributs résumés sélectionnés afin de caractériser l'espace d'activité d'un individu, tels que l'activité totale, le rayon, le rayon sur une période de temps donnée, le rapport entre le temps total passé à l'intérieur et à l'extérieur, et ainsi de suite. Les attributs peuvent être exportés vers une feuille de calcul pour être utilisés dans des modèles quantitatifs. La surface de densité affiche la densité des activités dans l'espace, la dimension temporelle étant réduite.

Trois options sont disponibles dans la liste déroulante du menu de cartographie de surface de densité. Si l'option densité de points de trajectoire est sélectionnée, remplissez la boîte de dialogue avec les informations d'entrée et de sortie et choisissez d'afficher les résultats en 3D ou en 2D. Tous les sommets des données de trajectoire sont utilisés pour calculer les densités kernel des points, comme illustré ici.

Si la densité du trajet est sélectionnée, l'algorithme calcule et affiche la densité des parcours individuels. Si l'option de densité de points rééchantillonnés est choisie, l'algorithme rééchantillonne les données de trajectoire à l'aide d'un intervalle de temps défini et cartographie les densités des points répartis uniformément dans le temps. Cette option est conçue pour les dispositifs de suivi qui collectent des points de localisation à des intervalles de temps irréguliers en raison de la sensibilité variable des dispositifs dans différentes conditions physiques ou de trajectoires segmentées.

Les surfaces de densité 2D et 3D des trajectoires segmentées sont présentées ici. Si la focalisation temporelle est sélectionnée pour l'une des options, celle-ci peut être effectuée afin d'examiner les schémas d'activité à différentes périodes temporelles. Par exemple, les surfaces de densité d'activité à différents moments de la journée peuvent être visualisées pour faciliter l'identification des points chauds. La visualisation du volume de densité temporelle utilise la notion de cube espace-temps, comme dans la visualisation des trajectoires.

Le cœur de cette visualisation réside dans la désagrégation de l'espace en voxels. L'approche utilisée ici pour visualiser le volume de densité estime d'abord le volume de densité dans des voxels individuels en comptant le nombre de trajectoires spatio-temporelles qui intersectent ces voxels. Les trois mêmes options sont disponibles pour la visualisation de volume de densité que pour la visualisation de surface de densité.

Ensuite, cliquez sur l'une des options pour lancer l'interface de visualisation en volume 3D permettant un rendu interactif du volume. En réglant le nombre de divisions le long de chaque axe, on peut examiner les agrégats à différentes échelles. Un facteur Z est utilisé pour définir l'exagération verticale afin d'améliorer la visualisation.

Une couche de référence, comme les bâtiments, peut également être chargée pour faciliter la visualisation. Les résultats du rendu volumétrique peuvent être ajustés interactivement en modifiant la fonction de transfert qui contrôle l'association entre la densité et la couleur. Une procédure permet de créer des séries animées à afficher dans Google Earth.

Sous d'autres options, cliquez sur « Exporter vers KML » pour l'EDA afin d'accéder à cette procédure, ce qui crée un fichier KML s'ouvrant dans Google Earth pour une animation interactive de la trajectoire. On peut suivre la trajectoire et parcourir l'environnement dans le temps en faisant défiler la chronologie. Dans Google Earth, une procédure permet de visualiser les connexions entre les lieux d'intérêt grâce à une analyse des liaisons.

Par exemple, les connexions entre différents bâtiments d'un campus universitaire sont déduites de données de trajectoires segmentées, collectées par des étudiants ; à partir de ces connexions, des points chauds peuvent être identifiés, tels que les bâtiments ayant le plus de trafic entrant ou sortant, ainsi que les hubs reliant les lieux les plus fréquentés. Les données de trajectoire ont été recueillies par des étudiants de premier cycle volontaires de l'Université Keen au printemps 2010. L'objectif était d'étudier les schémas d'activité des étudiants ayant contracté la grippe, par comparaison avec ceux qui ne l'ont pas contractée.

Afin d'illustrer les méthodes et procédures présentées ici, les trajectoires recueillies dans la zone suburbaine du campus ont été utilisées pour produire des résultats représentatifs. La représentation en cube espace-temps d'une trajectoire par rapport aux bâtiments du campus universitaire est montrée ici. Les données brutes collectées par un étudiant enregistrant une journée d'activité sur le campus à l'aide d'un dispositif GPS révèlent qu'une certaine durée prolongée de présence en intérieur a produit des données bruitées, indiquées par la partie irrégulière de la trajectoire.

Ceci est très courant dans les données de trajectoire piétonne. Cette figure représente la trajectoire prétraitée et segmentée, tandis que la trajectoire prétraitée et segmentée avec des segments intérieurs et extérieurs codés par couleurs dans le cube espace-temps est représentée ici. On montre ici la cartographie de surface de densité d'un ensemble de trajectoires.

Les points de suivi bruts impliqués dans l'option de cartographie de la densité des points de suivi, ainsi que la carte de densité résultante, peuvent être visualisés. Inversement, on peut également cartographier les densités des trajets parcourus. La cartographie de densité est particulièrement utile lors de l'analyse d'un grand nombre de trajectoires.

Cette carte affiche un total de 470 trajectoires. La surface de densité peut également être représentée en 2D et en 3D à l’aide de points rééchantillonnés issus de ces trajectoires. En complément de l’affichage interactif de la dimension temporelle dans un cube espace-temps, la variable temporelle peut être traitée par focalisation temporelle afin d’analyser les motifs spatiaux à différentes périodes.

Voici des exemples de telles analyses. À l’aide du jeu de données échantillon contenant les données de trajectoire recueillies par des étudiants pendant la saison grippale, il est évident que leurs activités sont centrées autour de différents lieux tout au long de la journée.

À terme, pour aboutir à la carte de densité d'activité composite visible sur le volume de densité inférieur, une rendu volumique de densité peut également être effectué comme illustré ici. Il est en effet difficile de détecter des motifs si toutes les trajectoires spatio-temporelles sont visualisées dans un cube spatio-temporel. En raison de l'encombrement visuel, les données correspondantes sont visualisées sous forme de rendu volumique de densité. Les quatre illustrations représentent différents paramétrages de la fonction de transfert du programme de rendu de densité, mettant ainsi en évidence les volumes de densité à différentes plages de fréquence.

Un autre moyen d'identifier les points chauds consiste à effectuer une analyse des connexions. Les liaisons en ligne droite entre tous les bâtiments du campus sont indiquées ici. Les bâtiments mis en évidence sont ceux qui génèrent le plus fort volume de trafic sortant.

Ici, les mêmes connexions sont représentées, les connexions les plus fréquentées étant mises en évidence en noir. Lors de la mise en œuvre de cette procédure, il est important de se rappeler de commencer par une étape de prétraitement avant d'aborder la segmentation, l'analyse exploratoire et d'autres méthodes de visualisation en suivant cette procédure. D'autres méthodes, telles que l'analyse statistique des attributs, la catégorisation de l'espace d'activité ou l'analyse de séquences (par exemple l'alignement de séquences), peuvent être réalisées afin de répondre à des questions supplémentaires, comme l'impact de l'activité, de l'espace et des séquences sur les risques d'infection.