ניתוח נתונים תלולים מסלול לחקר חלל פעילות הולכי רגל בזמן

המטרה הכוללת של הליך זה היא למדל פעילויות של הולכי רגל במרחב ובזמן באמצעות ניתוח וויזואליזציה ספטיו-טמפורליים של נתוני מסלולי תנועה אנושיים. הדבר מושג תחילה על ידי איסוף נתוני מערכת מיקום גלובלית או GPS מפורטים וטעינת הנתונים לתוך מנתח המסלולים. השלב השני הוא עיבוד מקדמי ופילוח של נתוני המסלול.

בשלב הבא, מאפיינים את מרחבי הפעילות של הפרטים. השלב הסופי הוא בחינת דפוסים מרחביים-זמניים באמצעות מיפוי צפיפות משטحية, רינדור נפח צפיפות, או שניהם. לבסוף, נעשה שימוש בשיטות נוספות של ניתוח נתונים גשש (exploratory data analysis) ובוויזואליזציות כדי להציג דפוסים נסתרים נוספים בנתונים.

היתרון המרכזי של טכניקה זו על פני שיטות קיימות, כגון הרחבת ה-FGIS שפותחה על ידי SHNU לניתוח מסלולי זמן-מרחב, הוא שבנוסף לאספקת ממשק לוויזואליזציה אינטראקטיבית של מסלולים, אנו מתמקדים בשיטת עיבוד המנקה את נתוני מסלול הנסיעה, מחלקת אותם למקטעים, גוזר תכונות מנתוני ה-TR ומבצעת ניתוח גישושי לגילוי תבניות מתוך כמות גדולה של נתוני מסלולים. שיטה זו יכולה לסייע במתן תשובות לשאלות מפתח בתחום מחקרי פעילות זמן-מרחב אנושית הקשורה להעברת מחלות בקנה מידה מיקרוסקופי, כגון כיצד פעילות הזמן-מרחב של אדם משפיעה על סיכויי ההדבקה שלו, או אילו סביבות או התנהגויות זמן-מרחב מובילות לסיכון גבוה יותר במסלול. ניתן לאסוף נתונים באמצעות מכשירי GPS ידניים.

יישומי מעקב לסמארטפונים המאפשרים GPS וכן מכשירים עם GPS מסייע (A-GPS), כגון זה שנעשה בו שימוש. במחקר זה, המהווה מסלול של מכשיר מסחרי למעקב אחר ילדים, הנתונים נשמרים בדרך כלל כרשומות של זמן, קווי רוחב וקווי אורך. יש לקבוע את פרק הזמן הרצוי בהתאם לצרכי היישום.

במחקרים של פעילות מרחבית-זמנית, לרוב רצוי להשתמש במרווח הזמן השכיח ביותר; המירו את הנתונים לערכים מופרדים בפסיקים או לקבצי CSV עם עמודות נפרדות למזהה הרשומה, קווי רוחב, קווי אורך וזמן, בהתאמה. לאחר מכן, המירו את קבצי ה-CSV לפורמט קבצים נפוץ של מערכות מידע גאוגרפיות (GIS). טענו באמצעות מנתח מסלולים (trajectory analyzer) קובץ shape של פוליגוני בניינים וקובץ נוסף של גבולות אזור המחקר.

הגדירו את הבליטה (extrusion) של המבנים כראוי עבור תצוגה תלת-ממדית, והגדירו את הבליטה והשקיפות של שכבת הגבול כראוי להצגת קוביית מרחב-זמן. לאחר מכן, פתחו את המסלול בקוביית המרחב-זמן, כאשר ממדי ה-XY מייצגים את המרחב וממד ה-Z מייצג את הזמן; שתי אפשרויות זמינות עבור עיבוד מקדים.

ניתן לבחור את נתוני המסלול הגולמיים והרועשים מרשימת הבחירה (dropdown) בתפריט עיבוד המקדמים. אם נבחר במצב אינטראקטיבי, תיווצר השלכה דו-ממדית של המסלול התלת-ממדי לצפייה ובחירה קלה.

הפעילו את התצוגה התלת-ממדית כדי לבחון את המסלול הגולמי במרחב ובזמן. זהו שגיאות בנתונים על בסיס הצורה, המהירות ו/או הטופולוגיה של מקטעי המסלול. בדרך כלל, נקודות מסלול בעלות מהירות גבוהה באופן לא מציאותי או שינוי כיוון פתאומי מעידות על שגיאות; בחרו אותן והסירו אותן מהמסלול התלת-ממדי או מההקרנה הדו-ממדית שלו.

צביר של נקודות מסלול בעלות צורות משוננות מבחינה מרחבית, ומשך זמן ארוך מבחינה זמנית, מעידים על שגיאות שנגרמו ככל הנראה ממיקומים סגורים שבהם אות ה-GPS חלש. אם נבחרת קבוצה של נקודות אלו, התוכנה יכולה לחשב את ה-OID המרחבי-זמני של הנקודות שנבחרו ולאחר מכן להתאים את המסלול כך שיעבור דרך ה-OID. לחלופין, אם נבחרה האפשרות "automatic" בתפריט העיבוד המקדים (pre-processing), הגדירו את מיקומי הקלט והפלט, כמו גם את הפרמטרים האמפיריים הקובעים מהי מהירות גבוהה חריגה ופנייה חדה של נקודות.

התוכנה סורקת את נתוני המסלול הטעונים ומפעילה את התהליך באופן אוטומטי בהתבסס על אלגוריתם המחקה את גישת זיהוי השגיאות הוויזואלית. פילוח המסלול מחייב את שכבת הבניין, לכן ודאו שקובץ הצורה (shape file) של הבניין מוכן. לחצו על כלי הפילוח בסרגל הכלים כדי להפעיל את הפונקציה.

הגדירו את הקלט והפלט ומקמו את קובץ הצורה (shape file) של הבניין כשכבת הייחוס. השתמשו בשמות הבניינים כדי לתייג את המסלול המפולח. האלגוריתם מזהה מקטעים פנימיים על בסיס קריטריונים שהוגדרו או קריטריוני ברירת מחדל, כגון מהירות ומשך זמן של נקודות מעקב, וכן על בסיס הטופולוגיה המרחבית.

בזיקה למבנים, לחצו על כלי סיכום מרחב הפעילות כדי לטעון מסלולים מחולקים ולחשב מאפייני סיכום נבחרים לאפיון מרחב הפעילות של הפרט, כגון פעילות כוללת, רדיוס, רדיוס בפרק זמן מסוים, היחס בין סך הזמן שהותה בתוך מבנים לעומת מחוץ להם, וכן הלאה. ניתן לייצא את המאפיינים לגיליון אלקטרוני לצורכי מידול כמותי. משטח צפיפות מציג את צפיפות הפעילויות במרחב כאשר הממד הזמני מקופל.

שלוש אפשרויות זמינות ברשימה הנפתחת של תפריט מיפוי משטחי הצפיפות (density surface mapping). אם נבחרה אפשרות צפיפות נקודות העקיבה (track point density), מלאו את תיבת הדו-שיח במידע על הקלט והפלט ובחרו בתצוגה בתלת-ממד (3D) או דו-ממד (2D). כל הקודקודים מנתוני המסלול משמשים לחישוב צפיפויות גרעין (kernel densities) של הנקודות, כפי שמוצג כאן.

אם נבחרה צפיפות נתיב העקיבה, האלגוריתם מחשב ומציג את הצפיפות של נתיבים בודדים שבהם נעו הנבדקים. אם נבחרה אפשרות צפיפות נקודות הדגימה מחדש, האלגוריתם דוגם מחדש את נתוני המסלול באמצעות מרווח זמן קבוע וממפה את צפיפות הנקודות הפרוסות באופן שווה לאורך הזמן. אפשרות זו תוכננה עבור מכשירי עקיבה האוספים נקודות עקיבה במרווחי זמן לא סדירים, עקב רגישות משתנה של המכשירים תחת תנאים פיזיים שונים או מסלולים מקוטעים.

כאן מוצגים משטחי צפיפות ב-2D וב-3D של מסלולים מקוטעים. אם נבחר מיקוד זמני (temporal focusing) עבור אחת מהאפשרויות, ניתן לבצע מיקוד זמני כדי לבחון דפוסי פעילות בתקופות זמן שונות. לדוגמה, ניתן להציג משטחי צפיפות פעילות בזמנים שונים במהלך היום לצורך זיהוי קל של נקודות חמות (hotspots) לאורך זמן; ויזואליזציית נפח צפיפות משתמשת במושג של קוביית זמן-מרחב, בדומה לוויזואליזציה של מסלולים.

ליבת הוויזואליזציה הזו היא פירוק המרחב לווקסלים (voxels). הגישה המשמשת כאן לוויזואליזציה של נפח צפיפות מעריכה תחילה את נפח הצפיפות בווקסלים בודדים על ידי ספירת מספר מסלולי הזמן-מרחב המצטלבים עם הווקסלים. שלוש האפשרויות הדומות הזמינות לוויזואליזציה של משטח צפיפות זמינות גם עבור ויזואליזציה של נפח צפיפות.

בשלב הבא, לחצו על אחת האפשרויות כדי להפעיל את ממשק ויזואליזציית הנפח התלת-ממדית עבור רינדור נפח אינטראקטיבי. באמצעות הגדרת מספר החלוקות לאורך כל ציר, ניתן לבחון צבירים בקני מידה שונים. נעשה שימוש ב-Z factor כדי לקבוע את ההגזמה האנכית לצורך ויזואליזציה טובה יותר.

ניתן לטעון גם שכבת ייחוס, כגון מבנים, כדי לסייע בויזואליזציה. ניתן להתאים באופן אינטראקטיבי את תוצאות רינדור הנפח (volume rendering) באמצעות מניפולציה של פונקציית ההעברה השולטת על המיפוי מצפיפות לצבע. קיים הליך ליצירת סדרות מונפשות לתצוגה ב-Google Earth.

תחת אפשרות אחרת, לחצו על ייצוא ל-KML עבור EDA כדי לגשת להליך זה; פעולה זו יוצרת קובץ KML הנפתח ב-Google Earth לצורך אנימציה אינטראקטיבית של המסלול. ניתן לעקוב אחר המסלול ולנוע בסביבה לאורך זמן על ידי גלילה בציר הזמן. ב-Google Earth, קיים הליך המאפשר להציג ויזואלית קשרים בין נקודות עניין באמצעות ניתוח קישוריות.

לדוגמה, קשרים בין בניינים שונים בקמפוס של אוניברסיטה נגזרים מנתוני מסלול מקטעים שנאספו על ידי סטודנטים; בהתבסס על הקשרים הנגזרים הללו, ניתן לזהות "נקודות חמות" (hotspots), כגון בניינים עם התנועה החוצה או הנכנסת הגבוהה ביותר, ומרכזים (hubs) המחברים את המקומות בעלי התנועה העמוסה ביותר. נתוני המסלול נאספו על ידי סטודנטים מתנדבים לתואר ראשון מאוניברסיטת Keen באביב 2010. המטרה הייתה לבחון דפוסי פעילות של סטודנטים שחלו בשפעת בהשוואה לאלו שלא חלו.

על מנת להדגים את השיטות וההליך המוצגים כאן, נעשה שימוש במסלולים שנאספו באזור הקמפוס הפרברי כדי להפיק תוצאות מייצגות. ייצוג קוביית הזמן-מרחב של מסלול ביחס למבנים בקמפוס האוניברסיטאי מוצג כאן. הנתונים הגולמיים שנאספו על ידי סטודנט שתיעד יום אחד של פעילותו בקמפוס באמצעות מכשיר A GPS חושפים כי שהיות ממושכות בתוך מבנים הובילו לנתונים רועשים, המשתקפים בחלק המשונן של העקבה.

מצב זה נפוץ מאוד בנתוני מסלולי הליכה של הולכי רגל. איור זה מייצג את המסלול לאחר עיבוד מקדמי ופילוח, בעוד שכאן מוצג המסלול לאחר עיבוד מקדמי ופילוח עם מקטעי פנים וחוץ מסומנים בצבעים בקוביה המרחבית-זמנית. כאן מוצגת מיפוי של משטח צמיפות עבור קבוצה של מסלולים.

ניתן להציג חזותית את נקודות המעקב הגולמיות המשמשות לביצוע אפשרות מיפוי צפיפות נקודות מעקב ואת מפת הצפיפות שנוצרה. באופן דומה, ניתן למפות גם את הצפיפויות של נתיבי התנועה. מיפוי צפיפות שימושי במיוחד בעת ניתוח של מספר רב של מסלולים.

מפה זו מציגה סה"כ 470 מסלולים. ניתן להציג את משטח הצפיפות גם בייצוגים דו-ממדיים ותלת-ממדיים באמצעות נקודות שנדגמו מחדש ממסלולים אלו. בנוסף לתצוגה האינטראקטיבית של הממד הזמני בקוביות זמן-מרחב, ניתן לעבד את משתנה הזמן באמצעות מיקוד זמני כדי לבחון דפוסים מרחביים בתקופות זמן שונות.

מוצגות כאן דוגמאות לאניליזה כזו. בשימוש במערך נתונים לדוגמה המכיל נתוני מסלולים שנאספו על ידי סטודנטים במהלך עונת השפעת, ניכר כי פעילויותיהם מתרכזות סביב מיקומים שונים לאורך היום.

כדי להוביל בסופו של דבר למפת צפיפות הפעילות המשולבת בתחתית, ניתן לבצע גם רינדור נפח צפיפות כפי שמוצג כאן; קשה לזהות תבניות כאשר כל עקבות המרחב-זמן מוצגים בקוביה של מרחב-זמן. בשל העומס הוויזואלי במקרה זה, הנתונים התואמים מוצגים כרינדור נפח צפיפות. ארבעת האיורים מייצגים הגדרות שונות של פונקציית ההעברה של תוכנת רינדור הצפיפות, ובכך מדגישים נפחי צפיפות בטווחים שונים של תדרים.

דרך נוספת למציאת נקודות חמות (hotspots) היא באמצעות ניתוח קישוריות. הקשרים בקו ישר בין כל הבניינים בקמפוס מוצגים כאן. הבניינים המודגשים הם אלו עם נפח התעבורה היוצא הגבוה ביותר.

כאן מוצגים אותם קשרים, כאשר הקשרים עם התעבורה הרבה ביותר מודגשים בשחור. בעת ביצוע הליך זה, חשוב לזכור להתחיל בשלב של עיבוד מקדים לפני המעבר לסגמנטציה, לניתוח חקרתי ולשיטות ויזואליזציה אחרות בהתאם להליך זה. ניתן לבצע שיטות נוספות, כגון ניתוח סטטיסטי של המאפיינים, סיווג של מרחב הפעילות של הפרט, או ניתוח רצפים כגון יישור רצפים (sequence alignment), כדי לענות על שאלות נוספות, כמו האופן שבו הפעילות, המרחב והרצפים של הפרט עשויים להשפיע על הסיכויים להדבקה.