보행자 공간 시간 활동 학습을위한 궤적 데이터 분석

이 절차의 전반적인 목표는 인간 궤적 데이터의 시공간 분석 및 시각화를 통해 보행자 시공간 활동을 모델링하는 것입니다. 이는 먼저 상세한 글로벌 포지셔닝 시스템 또는 GPS 데이터를 수집하고 데이터를 궤적 분석기에 로드하여 수행됩니다. 두 번째 단계는 궤적 데이터를 전처리하고 세그먼트화하는 것입니다.

다음으로, 개인의 활동 공간을 특성화한다. 마지막 단계는 밀도, 표면 매핑, 밀도, 볼륨 렌더링 또는 둘 다를 통해 시공간 패턴을 조사하는 것입니다. 궁극적으로 다른 탐색적 데이터 분석 방법 및 시각화를 사용하여 데이터에 숨겨진 추가 패턴을 표시합니다.

SHNU가 시공간 궤적을 분석하기 위해 개발한 FGIS 확장과 같은 기존 방법에 비해 이 기술의 주요 장점은 궤적과의 대화형 시각화를 위한 인터페이스를 제공할 뿐만 아니라 경로 궤적 데이터를 정리하고 TR 데이터에서 속성을 도출하고 많은 양의 궤적 데이터에서 패턴을 발견하기 위한 탐색적 분석을 수행하는 처리 방법에 중점을 둔다는 것입니다. 이 방법은 시공간 활동이 감염 가능성에 어떤 영향을 미치는지, 또는 어떤 환경 또는 시공간 행동이 더 높은 위험 궤적으로 이어지는지와 같은 미시적 질병 전파와 관련된 인간 시공간 활동 연구 분야의 주요 질문에 답하는 데 도움이 될 수 있습니다. 휴대용 GPS 장치로 데이터를 수집할 수 있습니다.

GPS는 스마트폰 추적 응용 프로그램뿐만 아니라 사용된 것과 같은 보조 GPS 장치를 가능하게 했습니다. 상용 아동 추적기 장치 궤적 인 이 연구에서 데이터는 일반적으로 시간, 위도, 경도 기록 측면에서 저장됩니다. 응용 프로그램의 요구 사항에 따라 원하는 시간 간격을 설정해야 합니다.

종종 가장 빈번한 간격은 공간 시간 활동 연구에서 데이터를 쉼표로 구분된 값으로 변환하거나 레코드 ID, 위도, 경도 및 시간에 대한 별도의 열이 있는 CSV 파일로 변환하는 데 필요합니다. 그런 다음 CSV 파일을 일반적으로 사용되는 지리 정보 시스템 또는 GIS 파일 형식으로 변환합니다. 건물 폴리곤의 쉐이프 파일과 연구 영역의 경계 중 다른 파일을 궤적 분석기로 로드합니다.

3D 디스플레이에 맞게 건물의 돌출을 적절하게 설정하고 경계층의 돌출 및 투명도를 적절하게 설정하여 시공간 큐브를 표시합니다. 그런 다음 공간을 나타내는 XY 차원과 Z 차원을 사용하여 시공간 큐브의 궤적을 엽니다. 시간을 나타내면 전처리에 두 가지 옵션을 사용할 수 있습니다.

시끄러운 원시 궤적 데이터는 전처리 메뉴의 드롭다운 목록에서 선택할 수 있습니다. 대화형이 선택된 경우. 쉽게 보고 선택할 수 있도록 3D 궤적의 2D 투영이 생성됩니다.

3D 디스플레이를 조작하여 공간 및 시간에서 원시 궤적을 검사할 수 있습니다. 트랙 세그먼트의 모양, 속도 및/또는 토폴로지를 기반으로 데이터의 오류를 식별합니다. 일반적으로 비현실적인 고속 또는 급격한 방향 변경이 있는 추적 포인트는 오류를 의미하며, 3D 궤적 또는 2D 투영에서 해당 점을 선택하여 제거합니다.

뾰족한 모양의 트랙 포인트 클러스터는 공간적으로 그리고 긴 지속 시간은 GPS 신호가 약한 실내 위치로 인해 발생할 가능성이 가장 높은 오류를 나타냅니다. 이러한 포인트 그룹을 선택하면 프로그램에서 선택한 포인트의 공간적 시간 OID를 계산한 다음 oid를 통과하도록 트랙을 조정할 수 있습니다. 또는 전처리 메뉴에서 자동을 선택한 경우 입력 및 출력 위치와 점의 비정상적인 고속 및 급격한 회전을 결정하는 경험적 매개변수를 설정합니다.

이 프로그램은 로드된 궤적 데이터를 검색하고 시각적 오류 감지 접근 방식을 모방한 알고리즘을 기반으로 자동으로 실행됩니다. 궤적 분할에는 건물 레이어가 필요하므로 건물 모양 파일이 준비되었는지 확인합니다. 도구 모음에서 세분화 도구를 클릭하여 기능을 시작합니다.

입력 및 출력을 설정하고 건물 모양 파일을 참조 레이어로 찾습니다. 건물 이름을 사용하여 세그먼트화된 궤적에 레이블을 지정합니다. 이 알고리즘은 트랙 포인트의 속도 및 지속 시간과 같은 설정 또는 기본 기준과 공간 토폴로지를 기반으로 실내 세그먼트를 식별합니다.

건물과 관련하여 활동 공간 요약 도구를 클릭하여 세그먼트화된 궤적을 로드하고 선택한 요약 속성을 계산하여 총 활동, 반경, 특정 기간의 반경, 실내와 실외에서 보낸 총 시간의 비율 등과 같은 활동 공간을 특성화합니다. 정량적 모델링을 사용하기 위해 속성을 스프레드시트로 내보낼 수 있습니다. 밀도 표면(Density surface)은 시간적 차원이 축소된 공간에서의 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 채우고 3D 또는 2D로 표시하도록 선택합니다. 궤적 데이터의 모든 정점은 여기에 표시된 것처럼 점의 커널 밀도를 계산하는 데 사용됩니다.

트랙 경로 밀도를 선택하면 알고리즘이 이동한 개별 경로의 밀도를 계산하고 표시합니다. resampled point density 옵션을 선택하면 알고리즘이 설정된 시간 간격을 사용하여 궤적 데이터를 리샘플링하고 시간에 따라 균일하게 분산된 포인트의 밀도를 매핑합니다. 이 옵션은 다양한 물리적 조건 또는 분할된 궤적에서 장치의 다양한 민감도로 인해 불규칙한 시간 간격으로 추적 지점을 수집하는 장치를 추적하기 위해 설계되었습니다.

세그먼트화된 궤적의 2D 및 3D 밀도 표면이 여기에 표시됩니다. 옵션 중 하나에 대해 시간 초점을 선택한 경우 시간 초점을 수행하여 다른 기간의 활동 패턴을 조사할 수 있습니다. 예를 들어, 하루 중 다른 시간에 있는 활동 밀도 표면은 시간 밀도 볼륨 시각화에서 핫스팟을 쉽게 식별하기 위해 시각화될 수 있으며, 궤적의 시각화에서와 같이 시공간 큐브의 개념을 사용합니다.

이러한 시각화의 핵심은 공간을 복셀로 분해하는 것입니다. 밀도 부피를 시각화하기 위해 여기에 사용된 접근 방식은 먼저 복셀과 교차하는 시공간 트랙의 수를 계산하여 개별 복셀의 밀도 부피를 추정합니다. 밀도, 부피 시각화에 대해 밀도 표면 시각화와 동일한 세 가지 옵션을 사용할 수 있습니다.

그런 다음 옵션 중 하나를 클릭하여 대화형 볼륨 렌더링을 위한 3D 볼륨 시각화 인터페이스를 시작합니다. 각 축을 따라 분할 수를 설정하면 서로 다른 축척에서 클러스터를 검사할 수 있습니다. Z 계수는 더 나은 시각화를 위해 수직 과장을 설정하는 데 사용됩니다.

건물과 같은 참조 레이어를 불러와 시각화를 지원할 수도 있습니다. 볼륨 렌더링의 결과는 밀도에서 색상으로의 매핑을 제어하는 전달 함수를 조작하여 대화식으로 조정할 수 있습니다. Google 어스에 표시할 애니메이션 시리즈를 만드는 절차를 사용할 수 있습니다.

EDA가 이 절차에 액세스할 수 있도록 KML로 내보내기를 클릭하면 궤적의 대화형 애니메이션을 위해 Google 어스에서 열리는 KML 파일이 생성됩니다. 타임라인을 따라 스크롤하여 시간을 여행하기 위해 궤적을 따를 수 있습니다. Google 어스에서는 연결 분석을 통해 관심 장소 간의 연결을 시각화하는 절차를 사용할 수 있습니다.

예를 들어, 대학 캠퍼스의 여러 건물 간의 연결은 파생된 연결을 기반으로 학생들이 수집한 세그먼트화된 궤적 데이터에서 파생되며, 아웃바운드 또는 인바운드 트래픽이 가장 많은 건물과 같은 핫스팟 및 트래픽이 가장 많은 장소를 연결하는 허브를 식별할 수 있습니다. 궤적 데이터는 2010년 봄에 Keen University의 자발적인 학부생들에 의해 수집되었습니다. 그 목적은 독감에 걸린 학생들과 그렇지 않은 학생들의 활동 패턴을 비교하는 것이었다.

여기에 제시된 방법과 절차를 설명하기 위해 교외 캠퍼스 지역 내에서 수집된 궤적을 사용하여 대표적인 결과를 생성했습니다. 대학 캠퍼스의 건물을 참조한 궤적의 시공간 큐브 표현이 여기에 나와 있습니다. 한 학생이 A GPS 장치를 사용하여 캠퍼스에서 하루 동안의 활동을 기록하여 수집한 원시 데이터에 따르면 장기간 실내에 머무는 경우 트랙의 뾰족한 부분으로 표시된 시끄러운 데이터가 발생했음을 알 수 있습니다.

이것은 보행자 궤적 데이터에서 매우 일반적입니다. 이 그림은 전처리 및 분할된 궤적을 나타내며, 시공간 큐브에서 색상으로 구분된 실내 및 실외 세그먼트가 있는 전처리 및 분할된 궤적이 여기에 표시됩니다. 여기에 표시된 것은 일련의 궤적에 대한 밀도 표면 매핑입니다.

track point density mapping 옵션을 수행하는 데 관련된 원시 추적 지점과 결과 밀도 맵을 시각화할 수 있습니다. 반대로, 이동한 경로의 밀도도 매핑할 수 있습니다. 밀도 매핑은 많은 수의 궤적을 분석할 때 특히 유용합니다.

이 지도에는 총 470개의 궤적이 표시됩니다. 밀도 표면은 이러한 궤적에서 리샘플링된 점을 사용하여 2D 및 3D 표현으로 표시할 수도 있습니다. 시공간 큐브에서 시간 차원의 대화형 표시 외에도 시간 초점을 통해 시간 변수를 처리하여 다른 시간대의 공간 패턴을 조사할 수 있습니다.

다음은 이러한 분석의 예입니다. 독감 시즌 동안 학생들이 수집한 궤적 데이터가 포함된 샘플 데이터 세트를 사용합니다. 그들의 활동이 하루 종일 다른 위치를 중심으로 이루어져 있음이 분명합니다.

결국 바닥 밀도 볼륨 렌더링의 복합 활동 밀도 맵으로 이어지기 위해 여기에 표시된 것처럼 볼륨 렌더링도 수행할 수 있으며, 모든 시공간 트랙이 시공간 큐브에서 시각화되는 경우 패턴을 감지하기 어렵습니다. 여기서 시각적인 혼란으로 인해 해당 데이터는 밀도 볼륨 렌더링으로 시각화됩니다. 4개의 그림은 밀도 렌더링 프로그램의 전달 함수의 서로 다른 설정을 나타내므로 서로 다른 주파수 범위에서 밀도 볼륨을 강조 표시합니다.

핫스팟을 찾는 또 다른 방법은 연결 분석을 사용하는 것입니다. 캠퍼스의 모든 건물 간의 직선 연결이 여기에 표시됩니다. 강조 표시된 건물은 아웃바운드 교통량이 가장 많은 건물입니다.

여기에서 가장 많은 트래픽이 발생한 연결과 함께 동일한 연결이 검은색으로 강조 표시되어 표시됩니다. 이 절차를 시도하는 동안 세분화, 예비 분석 및 기타 시각화 방법으로 이동하기 전에 사전 처리 단계부터 시작해야 한다는 점을 기억해야 합니다. 이 절차를 따릅니다. 속성의 통계적 분석, 활동 공간 분류 또는 시퀀스 정렬과 같은 시퀀스 분석과 같은 다른 방법을 수행하여 활동, 공간 및 시퀀스가 감염 가능성에 어떤 영향을 미칠 수 있는지와 같은 추가 질문에 답할 수 있습니다.