보행자 공간 시간 활동 학습을위한 궤적 데이터 분석

이 절차의 전반적인 목표는 인간의 궤적 데이터에 대한 시공간 분석 및 시각화를 통해 보행자의 시공간 활동을 모델링하는 것입니다. 이는 먼저 상세한 글로벌 포지셔닝 시스템(GPS) 데이터를 수집하여 궤적 분석기에 로드함으로써 수행됩니다. 두 번째 단계는 궤적 데이터를 전처리하고 세그먼트로 분할하는 것입니다.

다음으로, 개체들의 활동 공간을 특성화합니다. 마지막 단계는 밀도 표면 매핑, 밀도 볼륨 렌더링 또는 이 두 가지 모두를 통해 시공간적 패턴을 조사하는 것입니다. 최종적으로, 데이터 내의 추가적인 숨겨진 패턴을 보여주기 위해 다른 탐색적 데이터 분석 방법과 시각화 기법들이 사용됩니다.

시공간 궤적 분석을 위해 SHNU에서 개발한 FGIS 확장 기능과 같은 기존 방법과 비교했을 때 이 기술의 주요 장점은, 궤적의 대화형 시각화를 위한 인터페이스를 제공할 뿐만 아니라, 경로 궤적 데이터를 정제하고 세그먼트화하며, TR 데이터로부터 속성을 도출하고, 방대한 양의 궤적 데이터에서 패턴을 발견하기 위한 탐색적 분석 처리 방법에 집중한다는 점입니다. 이 방법은 개인의 시공간 활동이 감염 확률에 어떤 영향을 미치는지, 또는 어떤 환경이나 시공간적 행동이 더 높은 위험 궤적으로 이어지는지와 같이 미시적 규모의 질병 전파와 관련된 인간 시공간 활동 연구 분야의 핵심 질문에 답하는 데 도움을 줄 수 있습니다. 데이터는 휴대용 GPS 장치로 수집할 수 있습니다.

사용된 장치와 같이 GPS 기능이 탑재된 스마트폰 추적 애플리케이션 및 보조 GPS 장치가 활용됩니다. 본 연구에서 사용된 상용 아동 추적 장치의 궤적 데이터는 통상적으로 시간, 위도, 경도 기록 형태로 저장됩니다. 애플리케이션의 필요에 따라 적절한 시간 간격을 설정해야 합니다.

시공간 활동 연구에서는 대개 가장 빈번한 간격이 필요하므로, 데이터를 레코드 ID, 위도, 경도 및 시간이 각각 별도의 열로 구성된 쉼표로 구분된 값 또는 CSV 파일로 변환하십시오. 그런 다음 CSV 파일을 일반적으로 사용되는 지리 정보 시스템 또는 GIS 파일 형식으로 변환하십시오. 궤적 분석기를 사용하여 건물 폴리곤의 셰이프 파일과 연구 지역 경계의 셰이프 파일을 불러오십시오.

3D 디스플레이를 위해 건물의 돌출 정도를 적절히 설정하고, 시공간 큐브를 표시하기 위해 경계층의 돌출 및 투명도를 적절히 설정하십시오. 그런 다음 XY 차원이 공간을 나타내고 Z 차원이 시간을 나타내도록 시공간 큐브에서 궤적을 엽니다. 전처리를 위해 두 가지 옵션을 사용할 수 있습니다.

전처리 메뉴의 드롭다운 목록에서 노이즈가 포함된 원시 궤적 데이터를 선택할 수 있습니다. 인터랙티브(interactive) 옵션을 선택하면, 용이한 확인 및 선택을 위해 3D 궤적의 2D 투영도가 생성됩니다.

3D 디스플레이를 조작하여 공간 및 시간상의 원시 궤적을 검토하십시오. 트랙 세그먼트의 형태, 속도 및 토폴로지를 기반으로 데이터의 오류를 식별하십시오. 일반적으로 비현실적으로 높은 속도나 갑작스러운 방향 전환을 보이는 트랙 포인트는 오류를 의미하므로, 3D 궤적 또는 2D 투영 이미지에서 해당 포인트를 선택하여 제거하십시오.

공간적으로 뾰족한 모양을 띠고 시간적으로 지속 기간이 긴 트랙 포인트 클러스터는 GPS 신호가 약한 실내 위치로 인해 발생했을 가능성이 가장 큰 오류를 나타냅니다. 이러한 포인트 그룹을 선택하면, 프로그램이 선택된 포인트들의 시공간적 OID를 계산한 다음, 트랙이 해당 oid를 통과하도록 조정할 수 있습니다. 또는, 전처리 메뉴에서 자동(automatic)을 선택한 경우, 입력 및 출력 위치와 포인트의 비정상적인 고속 이동 및 급격한 회전을 결정하는 경험적 파라미터를 설정하십시오.

프로그램은 로드된 궤적 데이터를 검색하며, 시각적 오류 탐지 방식을 모방한 알고리즘을 기반으로 자동 실행됩니다. 궤적 분할(segmentation)을 위해서는 건물 레이어가 필요하므로, 건물 쉐이프 파일(shape file)이 준비되었는지 확인하십시오. 툴바의 분할 도구를 클릭하여 기능을 시작하십시오.

입력과 출력을 설정하고 건물 쉐이프 파일을 참조 레이어로 지정하십시오. 건물 이름을 사용하여 분할된 궤적에 라벨을 붙이십시오. 알고리즘은 속도, 트랙 포인트의 지속 시간 및 공간적 위상과 같은 설정된 기준 또는 기본 기준을 바탕으로 실내 구간을 식별합니다.

건물과 관련하여, 활동 공간 요약 도구(activity space summarization tool)를 클릭하면 분할된 궤적을 불러오고, 전체 활동량, 반경, 특정 시간대의 반경, 실내 대 실외 체류 시간 비율 등 활동 공간을 특성화하는 선택된 요약 속성을 계산할 수 있습니다. 이러한 속성들은 정량적 모델링 용도로 스프레드시트에 내보낼 수 있습니다. 밀도 표면(Density surface)은 시간 차원을 통합하여 공간 내 활동 밀도를 보여줍니다.

밀도 표면 매핑 메뉴의 드롭다운 목록에서 세 가지 옵션을 사용할 수 있습니다. 트랙 포인트 밀도 옵션을 선택한 경우, 대화 상자에 입력 및 출력 정보를 입력하고 3D 또는 2D 표시 여부를 선택하십시오. 여기에서 보는 바와 같이, 궤적 데이터의 모든 정점을 사용하여 포인트의 커널 밀도를 계산합니다.

트랙 경로 밀도(track path density)를 선택하면, 알고리즘은 이동한 개별 경로의 밀도를 계산하여 표시합니다. 재표집 지점 밀도(resampled point density) 옵션을 선택하면, 알고리즘은 설정된 시간 간격을 사용하여 궤적 데이터를 재표집하고 시간에 따라 균일하게 분포된 지점들의 밀도를 매핑합니다. 이 옵션은 다양한 물리적 조건에 따른 장치의 감도 변화나 분절된 궤적으로 인해 불규칙한 시간 간격으로 추적 지점을 수집하는 추적 장치를 위해 설계되었습니다.

분절된 궤적의 2D 및 3D 밀도 표면이 여기에 표시되어 있습니다. 옵션 중 시간적 포커싱(temporal focusing)을 선택하면, 서로 다른 시간대의 활동 패턴을 조사하기 위해 시간적 포커싱을 수행할 수 있습니다. 예를 들어, 하루 중 서로 다른 시간대의 활동 밀도 표면을 시각화하여 시간에 따른 핫스팟을 쉽게 식별할 수 있으며, 시간 밀도 볼륨 시각화에는 궤적 시각화와 마찬가지로 시공간 큐브(spacetime cube) 개념이 사용됩니다.

이러한 시각화의 핵심은 공간을 복셀(voxel)로 세분화하는 것입니다. 밀도 볼륨을 시각화하기 위해 여기에서 사용된 접근 방식은 먼저 복셀과 교차하는 시공간 궤적의 수를 세어 개별 복셀의 밀도 볼륨을 추정하는 것입니다. 밀도 볼륨 시각화에서도 밀도 표면 시각화와 동일한 세 가지 옵션을 사용할 수 있습니다.

다음으로, 옵션 중 하나를 클릭하여 대화형 볼륨 렌더링을 위한 3D 볼륨 시각화 인터페이스를 실행하십시오. 각 축을 따라 분할 수를 설정함으로써 다양한 척도에서 클러스터를 조사할 수 있습니다. 더 나은 시각화를 위해 Z 인자를 사용하여 수직 과장을 설정합니다.

시각화를 돕기 위해 건물과 같은 참조 레이어를 함께 불러올 수 있습니다. 밀도에서 색상으로의 매핑을 제어하는 전이 함수(transfer function)를 조작하여 볼륨 렌더링 결과를 대화식으로 조정할 수 있습니다. Google Earth에서 표시할 애니메이션 시리즈를 생성하는 절차를 이용할 수 있습니다.

다른 클릭 옵션에서 EDA의 이 절차에 액세스하기 위해 KML로 내보내기를 클릭하면, Google Earth에서 열어 궤적을 대화형 애니메이션으로 확인할 수 있는 KML 파일이 생성됩니다. 타임라인을 따라 스크롤하여 시간에 따른 환경 내 궤적을 따라갈 수 있습니다. Google Earth에서는 연결 분석을 통해 관심 지점 간의 연결성을 시각화하는 절차를 사용할 수 있습니다.

예를 들어, 대학 캠퍼스 내 서로 다른 건물 간의 연결성은 학생들로부터 수집된 분절된 궤적 데이터를 통해 도출되며, 이를 바탕으로 유출입 트래픽이 가장 많은 건물과 같은 연결 핫스팟 및 트래픽이 가장 많은 장소들을 연결하는 허브를 식별할 수 있습니다. 궤적 데이터는 2010년 봄, Keen University의 자원봉사 학부생들을 통해 수집되었습니다. 연구의 목적은 인플루엔자에 걸린 학생들의 활동 패턴을 걸리지 않은 학생들과 비교하여 분석하는 것이었습니다.

본 문서에서 제시하는 방법과 절차를 설명하기 위해, 교외 캠퍼스 지역 내에서 수집된 궤적 데이터를 사용하여 대표적인 결과를 생성하였습니다. 대학 캠퍼스 내 건물들을 기준으로 한 궤적의 시공간 큐브(space time cube) 표현이 여기에 나타나 있습니다. 학생이 A GPS 장치를 사용하여 하루 동안의 캠퍼스 활동을 기록하여 수집한 원시 데이터를 보면, 실내 체류 시간이 길어짐에 따라 트랙의 뾰족한 부분으로 표시된 노이즈 데이터가 발생했음을 알 수 있습니다.

이는 보행자 궤적 데이터에서 매우 흔하게 나타납니다. 이 그림은 전처리 및 분할된 궤적을 나타내며, 여기에는 시공간 큐브 내에서 실내 및 실외 구간이 색상으로 구분된 전처리 및 분할 궤적이 표시되어 있습니다. 여기에는 일련의 궤적들에 대한 밀도 표면 매핑이 나와 있습니다.

트랙 포인트 밀도 매핑 옵션을 수행하는 데 사용된 가공되지 않은 추적 포인트와 그 결과로 생성된 밀도 맵을 시각화할 수 있습니다. 반대로, 이동 경로의 밀도 또한 매핑할 수 있습니다. 밀도 매핑은 다수의 궤적을 분석할 때 특히 유용합니다.

이 지도는 총 470개의 궤적을 보여줍니다. 밀도 표면은 이러한 궤적에서 재샘플링된 지점들을 사용하여 2D 및 3D 표현으로도 표시할 수 있습니다. 시공간 큐브(space time cube) 내에서 시간 차원을 대화형으로 표시하는 것 외에도, 시간 변수를 시간적 포커싱(temporal focusing)을 통해 처리하여 서로 다른 시간대의 공간 패턴을 조사할 수 있습니다.

이곳에 그러한 분석의 예시가 제시되어 있습니다. 독감 시즌 동안 학생들이 수집한 궤적 데이터가 포함된 샘플 데이터셋을 사용하면, 하루 동안 그들의 활동이 서로 다른 위치를 중심으로 이루어진다는 것을 명확히 알 수 있습니다.

최종적으로 하단의 합성 활동 밀도 맵으로 이어지기 위해, 여기에서 보여주는 것과 같이 밀도 볼륨 렌더링을 수행할 수 있습니다. 모든 시공간 궤적을 시공간 큐브에 시각화하면 패턴을 감지하기 어렵기 때문입니다. 이러한 시각적 혼잡함으로 인해, 해당 데이터는 밀도 볼륨 렌더링으로 시각화되었습니다. 네 개의 삽화는 밀도 렌더링 프로그램의 전이 함수에 대한 서로 다른 설정을 나타내며, 따라서 서로 다른 주파수 범위의 밀도 볼륨을 강조합니다.

핫스팟을 찾는 또 다른 방법은 연결 분석을 통한 것입니다. 여기에는 캠퍼스 내 모든 건물 간의 직선 연결 상태가 표시되어 있습니다. 강조 표시된 건물들은 외부 유출 트래픽 양이 가장 많은 곳들입니다.

여기서는 동일한 연결 관계가 표시되어 있으며, 트래픽이 가장 많은 연결은 검은색으로 강조되었습니다. 이 절차를 수행할 때는 분할, 탐색적 분석 및 기타 시각화 방법으로 넘어가기 전에 전처리 단계를 먼저 시작해야 함을 기억하는 것이 중요합니다. 한 개인의 활동, 공간 및 시퀀스가 감염 확률에 어떤 영향을 미칠 수 있는지와 같은 추가적인 질문에 답하기 위해 속성의 통계적 분석, 활동 공간의 범주화 또는 서열 정렬과 같은 시퀀스 분석 등의 다른 방법을 수행할 수 있습니다.