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

L’objectif global de cette procédure est de modéliser les activités de l’espace-temps piétonnier par l’analyse spatio-temporelle et la visualisation des données de trajectoire humaine. Pour ce faire, il suffit d’abord de collecter des données détaillées du système de positionnement global ou du GPS et de charger les données dans l’analyseur de trajectoire. 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 modèles spatio-temporels à travers la densité, la cartographie de surface, la densité, le rendu de volume ou les deux. En fin de compte, d’autres méthodes d’analyse de données exploratoires et de visualisations sont utilisées pour montrer des modèles cachés supplémentaires dans les données.

Le principal avantage de cette technique par rapport aux méthodes existantes telles que l’extension FGIS développée par SHNU pour l’analyse des trajectoires spatio-temporelles, est que nous ne fournissons pas seulement l’interface pour la visualisation interactive des trajectoires, nous nous concentrons sur la méthode de traitement qui nettoie les données de trajectoire d’itinéraire et les segmente en tirant des propriétés des données TR et l’analyse exploratoire pour découvrir des modèles à partir d’une grande quantité de données de trajectoire. Cette méthode peut aider à répondre à des questions clés dans le domaine des études de l’activité spatio-temporelle humaine liées à la transmission de maladies à l’échelle microscopique, telles que la façon dont l’activité spatio-temporelle d’une personne affecte son risque d’infection, ou quels environnements ou comportements spatio-temporels conduisent à une trajectoire de risque plus élevée. Les données peuvent être collectées à l’aide d’appareils GPS portables.

Les applications de suivi de smartphone équipées de GPS ainsi que les dispositifs GPS assistés, tels que celui utilisé. Dans cette étude, qui est une trajectoire de dispositif de suivi d’enfant commercial, les données sont généralement enregistrées en termes d’enregistrements 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’activité spatio-temporelle convertissant les données en valeurs séparées par des virgules ou en fichiers CSV avec des colonnes distinctes pour l’ID d’enregistrement, la latitude, la longitude et l’heure respectivement. Convertissez ensuite les fichiers CSV en systèmes d’information géographique ou en format de fichier SIG couramment utilisés. Chargez dans un fichier de forme des polygones de bâtiment et un autre de la limite de la zone d’étude avec un analyseur de trajectoire.

Définissez correctement l’extrusion des bâtiments pour un affichage 3D et définissez correctement l’extrusion et la transparence de la couche limite pour afficher un cube spatio-temporel. Ouvrez ensuite la trajectoire dans le cube espace-temps avec les dimensions XY représentant l’espace et la dimension Z. Représentant le temps, deux options sont disponibles pour le prétraitement.

Les données de trajectoire brutes bruitées que l’on peut choisir dans la liste déroulante du menu de pré-traitement. Si interactif est choisi. 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 le temps. Identifiez les erreurs dans les données en fonction de la forme, de la vitesse et/ou de la topologie des segments de voie. Habituellement, les points de suivi à grande vitesse ou de changement de direction brusque signifient des erreurs, sélectionnez-les et supprimez-les de la trajectoire 3D ou de sa projection 2D.

Un groupe de points de suivi avec des formes pointues dans l’espace et une longue durée temporellement signifient des erreurs qui sont très probablement causées par des emplacements intérieurs où le signal GPS est faible. Si un groupe de ces points est sélectionné, le programme peut calculer l’OID spatio-temporel des points sélectionnés, puis ajuster la piste pour passer par l’OID. Alternativement, si l’automatique est choisi dans le menu de prétraitement, définissez les emplacements d’entrée et de sortie, ainsi que les paramètres empiriques qui déterminent la vitesse anormalement élevée et le virage brusque des points.

Le programme recherche dans les données de trajectoire chargées et s’exécute automatiquement sur la base d’un algorithme qui imite l’approche de détection visuelle des erreurs. La segmentation de la trajectoire nécessite la couche du bâtiment, alors assurez-vous que le fichier de forme du bâtiment est prêt. Cliquez sur l’outil de segmentation dans la barre d’outils pour démarrer la fonction.

Définissez l’entrée et la sortie et recherchez le fichier de forme de bâtiment en tant que couche de référence. Utilisez les noms des bâtiments pour étiqueter la trajectoire segmentée. L’algorithme identifie les segments intérieurs en fonction de critères définis ou par défaut tels que la vitesse et la durée des points de suivi, ainsi que la topologie spatiale.

En ce qui concerne les bâtiments, cliquez sur l’outil de synthèse de l’espace d’activité pour charger des trajectoires segmentées et calculer les attributs récapitulatifs sélectionnés pour caractériser l’espace d’activité d’une personne, tels que l’activité totale, le rayon, le rayon à une certaine période, le rapport entre le temps total passé à l’intérieur et à l’extérieur, etc. Les attributs peuvent être exportés vers une feuille de calcul à des fins de modélisation quantitative. La surface de densité montre la densité des activités dans l’espace avec la dimension temporelle réduite.

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

Si la densité de trajectoire est sélectionnée, l’algorithme calcule et affiche la densité des trajectoires individuelles parcourues. Si l’option Densité de points rééchantillonnée est sélectionnée, l’algorithme rééchantillonne les données de trajectoire à l’aide d’un intervalle de temps défini et cartographie les densités de points répartis uniformément dans le temps. Cette option est conçue pour les appareils de suivi qui collectent des points de suivi à intervalles de temps irréguliers en raison de la sensibilité variable des appareils dans diverses conditions physiques ou trajectoires segmentées.

La surface de densité 2D et 3D des trajectoires segmentées est illustrée ici. Si la focalisation temporelle est sélectionnée pour l’une des options, la focalisation temporelle peut être effectuée pour examiner les modèles d’activité à différentes périodes. Par exemple, les surfaces de densité d’activité à différents moments d’une journée peuvent être visualisées pour faciliter l’identification des points chauds à travers la densité temporelle La visualisation du volume utilise la notion de cube spatio-temporel comme dans la visualisation des trajectoires.

Le cœur d’une telle visualisation est 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 les voxels individuels en comptant le nombre de pistes spatio-temporelles qui se coupent avec les voxels. Les trois mêmes options sont disponibles pour la visualisation de la densité, du volume et de la surface de densité.

Ensuite, cliquez sur l’une des options pour lancer l’interface de visualisation de volume 3D pour le rendu interactif des volumes. En fixant le nombre de divisions le long de chaque axe, on peut examiner les grappes à différentes échelles. Un facteur Z est utilisé pour définir l’exagération verticale afin d’obtenir une meilleure visualisation.

Une couche de référence telle que les bâtiments peut également être chargée pour faciliter la visualisation. Les résultats du rendu volumique peuvent être ajustés de manière interactive en manipulant la fonction de transfert qui contrôle le mappage de la densité à la couleur. Une procédure est disponible pour créer des séries animées à afficher dans Google Earth.

Sous un autre clic exporter vers KML pour que EDA puisse accéder à cette procédure, il crée un fichier KML qui s’ouvre dans Google Earth pour une animation interactive de la trajectoire. On peut suivre la trajectoire pour parcourir l’environnement dans le temps en faisant défiler la chronologie. Dans Google Earth, une procédure est disponible pour visualiser les connexions entre les lieux d’intérêt grâce à l’analyse des connexions.

Par exemple, les connexions entre les différents bâtiments d’un campus universitaire sont dérivées des données de trajectoire segmentées qui ont été collectées par les étudiants sur la base des connexions dérivées : les points chauds, tels que les bâtiments avec le plus de trafic sortant ou entrant, et les centres qui relient les lieux les plus fréquentés, peuvent être identifiés. Les données de trajectoire ont été recueillies par des étudiants de premier cycle bénévoles de l’Université Keen au printemps 2010. L’objectif était d’étudier les habitudes d’activité des élèves qui ont attrapé la grippe par rapport à ceux qui ne l’ont pas attrapée.

Afin d’illustrer les méthodes et procédures présentées dans ce document, les trajectoires collectées dans la zone du campus de banlieue ont été utilisées pour générer des résultats représentatifs. La représentation spatio-temporelle d’une trajectoire en référence aux bâtiments du campus universitaire est illustrée ici. Les données brutes recueillies par un étudiant enregistrant une journée de son activité sur le campus à l’aide d’un appareil GPS A révèlent qu’une certaine durée de séjours à l’intérieur a entraîné des données bruyantes indiquées par la partie hérissée de la piste.

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 en couleur dans le cube spatio-temporel est représentée ici. La représentation est la cartographie de la surface de densité d’un ensemble de trajectoires.

Les points de suivi bruts impliqués dans l’exécution d’une option de cartographie de la densité des points de piste et la carte de densité résultante peuvent être visualisés. À l’inverse, les densités de chemins parcourus peuvent également être cartographiées. La cartographie de la 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 affichée dans des représentations 2D et 3D à l’aide de points rééchantillonnés de ces trajectoires. En plus de l’affichage interactif de la dimension temporelle dans un cube spatio-temporel, la variable temporelle peut être traitée par le biais de la focalisation temporelle pour examiner les modèles spatiaux à différentes périodes de temps.

Voici des exemples d’une telle analyse. À l’aide de l’échantillon de données contenant les données de trajectoire recueillies par les élèves pendant la saison de la grippe. Il est évident que leurs activités sont centrées autour de différents endroits tout au long de la journée.

Pour aboutir à la carte de densité d’activité composite sur la densité inférieure, le rendu du volume peut également être effectué comme indiqué ici, il est difficile de détecter des modèles si toutes les traces spatio-temporelles sont visualisées dans un cube spatio-temporel. En raison de l’encombrement visuel ici, les données correspondantes sont visualisées sous forme de rendu du volume de densité. Les quatre illustrations représentent différents paramètres de la fonction de transfert du programme de rendu de densité, et mettent ainsi en évidence les volumes de densité à différentes gammes de fréquences.

Une autre façon de trouver des points chauds est d’analyser les connexions. Les connexions en ligne droite entre tous les bâtiments du campus sont illustrées ici. Les bâtiments mis en évidence sont ceux qui ont le plus grand volume de trafic sortant.

Ici, les mêmes connexions sont affichées avec les connexions les plus fréquentées mises en évidence en noir. Lors de la tentative de cette procédure, il est important de ne pas oublier de commencer par une étape de prétraitement avant de passer à la segmentation, à l’analyse exploratoire et à d’autres méthodes de visualisation suivant cette procédure. D’autres méthodes telles que l’analyse statistique des attributs, la catégorisation de l’espace d’activité ou l’analyse séquentielle telle que l’alignement de séquences peuvent être effectuées afin de répondre à des questions supplémentaires telles que la façon dont l’activité, l’espace et les séquences d’une personne peuvent affecter les risques d’infection.