Baangegevens Analyses voor voetgangers Ruimte-tijd Activiteit Study

Summary

Een reeks tijdruimtelijke verwerkingsmethoden worden aan menselijke baangegevens, zoals verzameld met een GPS, met het oog op modellering voetgangersruimte-time te analyseren.

Abstract

Het is algemeen erkend dat de menselijke beweging in het ruimtelijke en temporele dimensies directe invloed op de overdracht van ziekten ^een-drie heeft. Een besmettelijke ziekte verspreidt zich meestal via contact tussen geïnfecteerde en gevoelige individuen in hun overlappende activiteiten ruimtes. Daarom kan de dagelijkse mobiliteit-activiteit informatie worden gebruikt als een indicator om de blootstelling te meten aan factoren van infectie riskeren. Een groot probleem en zo de reden voor gebrek aan studies overdracht van besmettelijke ziekten op microschaal voort uit het gebrek aan gedetailleerde individuele mobiliteit data. Eerder in het transport en toerisme onderzoek gedetailleerde ruimte-tijd gegevens over de activiteiten vaak gebaseerd op de tijd-ruimte dagboek techniek, die vereist dat proefpersonen om actief hun activiteiten noteren in tijd en ruimte. Dit is zeer veeleisend voor de deelnemers en de samenwerking van de deelnemers grote invloed op de kwaliteit van de gegevens ^4.

Moderntechnologieën zoals GPS en mobiele communicatie mogelijk hebben gemaakt de automatische verzameling van baangegevens. De verzamelde gegevens, echter, is niet ideaal voor het modelleren van de menselijke ruimte-tijd-activiteiten, beperkt door de nauwkeurigheid van bestaande apparaten. Er is ook geen gemakkelijk beschikbaar instrument voor een efficiënte verwerking van de gegevens voor het menselijk gedrag studie. We presenteren hier een suite van methoden en een geïntegreerde ArcGIS desktop-gebaseerde visuele interface voor de pre-processing en spatiotemporele analyses van baangegevens. We geven voorbeelden van hoe dergelijke verwerking kan worden gebruikt om menselijke ruimte-tijd-activiteiten te modelleren, in het bijzonder met fout-rijke voetgangers baangegevens, die nuttig zou kunnen zijn in de volksgezondheid studies, zoals besmettelijke ziekten transmissie modellering.

De gepresenteerde procedure omvat pre-processing, traject segmentatie, activiteit ruimte karakterisering, dichtheid schatting en visualisatie, en een paar andere verkennende analyse methoden. Pre-processing is het reinigen van luidruchtige ruwe baangegevens. We introduceren een interactieve visuele pre-processing interface en een automatische module. Traject segmentatie ⁵ betreft de identificatie van binnen en buiten onderdelen uit behandeld ruimte-tijd tracks. Opnieuw worden zowel interactieve visuele segmentatie en automatische segmentatie ondersteund. Gesegmenteerde tijdruimte tracks worden vervolgens geanalyseerd worden afgeleid zijn van een activiteit ruimte zoals actieradius etc. Density schatting en visualisatie worden gebruikt om grote hoeveelheden gegevens traject hot spots en interacties model te onderzoeken. We tonen zowel de dichtheid oppervlak in kaart brengen ⁶ en dichtheid volume rendering ^7. Wij bieden tevens een paar andere verkennende data-analyses (EDA) en visualisaties tools, zoals Google Earth animatie ondersteuning en verbinding analyse. De suite van analytische en visuele methoden die in dit document worden toegepast op elke baangegevens voor stempo-time activiteit studies.

Protocol

1. Aan de gegevens

1. Traject gegevens kunnen worden verzameld met handheld GPS-apparaten, GPS-enabled smartphone tracking-toepassingen, evenals A-GPS (Assisted GPS)-apparaten, zoals die werkzaam zijn in onze studie, een commercieel kind tracker apparaat.
2. Baangegevens is gewoonlijk opgeslagen in termen van tijd-breedte en lengte records. Een gewenste tijdsinterval moet worden ingesteld op basis van toepassingen. Vaak zijn de meest voorkomende interval is gewenst voor de ruimte-tijd-activiteit studies.
3. Zet de gegevens op door komma's gescheiden waarden, of. Csv-bestanden met aparte kolommen voor record id, breedte, lengte, en de tijd, respectievelijk. Dan zetten de. Csv-bestanden naar veelgebruikte Geografische Informatie Systemen (GIS)-bestandsformaat (bijv. ESRI shapefile ^8).
4. Plaats in een shapefile van bouwpolygonen en een van de grens van het onderzoek met de baan analyzer. Goed Stel de "extrusie" van de gebouwen voor een 3D-display en zet de "extrusie" en "transparantie" van de grenslaag goed om een ruimte-tijd kubus ^{6, 9} met de x-, y-afmetingen die ruimte en de z-dimensie die tijd weer te geven.

2. Pre-processing

1. Er zijn twee opties beschikbaar voor pre-processing van de lawaaierige ruwe baangegevens. Men kan kiezen uit de drop-down lijst van de pre-processing menu.
2. Als 'Interactive' wordt gekozen, wordt een 2D-projectie van het 3D-traject gemaakt voor het eenvoudig bekijken en selectie. Manipuleren van de 3D-weergave om de ruwe traject in ruimte en tijd te onderzoeken. Identificeer fouten in de data gebaseerd op de vorm, snelheid en / of topologie van spoorsegmenten. Meestal track-punten (hoekpunten) met onrealistische hoge snelheid of abrupte verandering van richting betekenen fouten. Selecteer en verwijder ze uit de oorspronkelijke trajecten. Selecteer en verwijder ze uit ofwel de 3D-traject of de 2D-projectie.
3. Een cluster van track-punten met stekelige shapes (figuur 1) ruimtelijk en een lange duur tijdelijk betekenen fouten die het meest waarschijnlijk veroorzaakt door indoor locaties waar het GPS-signaal zwak is. Als een groep van deze punten is geselecteerd, kan het programma het berekenen van de spatio-temporele zwaartepunt van de geselecteerde punten en stel de baan te gaan door het zwaartepunt.
4. Als alternatief, als 'Automatisch' wordt gekozen uit de pre-processing menu, stel de input en output locaties en empirische parameters die de abnormale hoge snelheid en abrupte draaien van punten te bepalen. Het programma doorzoekt de geladen baangegevens en draait automatisch op basis van een algoritme dat de visuele foutdetectie aanpak nabootst.

3. Traject Segmentatie & Activiteit Space Karakterisering

1. Traject segmentatie vereist het gebouw laag, dus zorg ervoor dat het gebouw vorm bestand wordt geladen.
2. Klik op de segmentatie tool in de werkbalk om de functie te starten.Stel de input en output en ligt het gebouw vormbestand als referentie laag. Gebruik het gebouw namen om de gesegmenteerde traject te labelen. Het algoritme identificeert binnen segmenten gebaseerd op of een standaard criteria zoals snelheid, duur enz. trackpunten, alsmede de ruimtelijke topologie met betrekking tot gebouwen.
3. Klik op de activiteit ruimte samenvatting instrument te laden in gesegmenteerde trajecten en geselecteerde samenvatting attributen te berekenen om een ​​activiteit van de ruimte, zoals het totale actieradius, straal in een bepaalde periode, de verhouding van de totale tijd doorgebracht binnen versus buiten, en ga zo maar door te karakteriseren.
4. De attributen kunnen worden geëxporteerd naar een spreadsheet voor kwantitatieve modellering toepassingen.

4. Dichtheid Surface Mapping

1. Dichtheid oppervlak toont de dichtheid van de activiteiten in de ruimte met de tijdsdimensie ingestort. Er zijn drie opties zijn beschikbaar in de keuzelijst van de dichtheid oppervlak in kaart brengen menu.
2. Als de 'Track puntdichtheid' optie is geselecteerd, vult u in het dialoogvenster met input en output gegevens in en kies voor weergave in 3D of 2D. Alle hoekpunten van de baan gegevens worden gebruikt om kernel dichtheden van de punten te berekenen. Figuur 2 toont een dichtheid oppervlak.
3. Als 'Track pad dichtheid' is geselecteerd, het algoritme berekent en toont de dichtheid van reisde individuele trajecten (figuur 3).
4. Als de 'Re-sampled puntdichtheid' optie is geselecteerd, het algoritme opnieuw monsters het traject gegevens met behulp van een ingesteld tijdsinterval en kaarten van de dichtheden van punten gelijkmatig gespreid in de tijd. Deze optie is bedoeld voor tracking-apparaten die volgen punten die in onregelmatige tijdsintervallen door variabele gevoeligheid van de apparaten onder verschillende fysische omstandigheden of gesegmenteerde trajecten. Figuur 4 toont de 2D en 3D dichtheid oppervlakken gesegmenteerde trajecten.
5. Als 'Temporal focussen' is geselecteerd voor eenny van de bovenstaande opties, kunnen tijdelijke focus ¹⁰ worden uitgevoerd om de activiteit patronen te onderzoeken op verschillende perioden. Bijvoorbeeld kan de activiteit dichtheid oppervlakken op verschillende malen per dag worden gevisualiseerd voor gemakkelijke identificatie van hot spots in de tijd (Figuur 5).

5. Dichtheid Volume Schatting en Volume Rendering

1. Dichtheid volume visualisatie maakt gebruik van het idee van een ruimte-tijd kubus als in de visualisatie van trajecten. De kern van een dergelijke visualisatie is het uiteenvallen van de ruimte in voxels ^11. Onze benadering van het visualiseren van de dichtheid volume eerst schat de dichtheid volume in individuele voxels door het tellen van het aantal ruimte-tijd tracks die kruisen met de voxels. Men kan op 'Density volumeberekening' onder de dichtheid volume visualisatie menu voor deze stap.
2. Dezelfde drie opties zijn beschikbaar voor de dichtheid volume visualisatie als voor dichtheid oppervlakte visualisatie.
3. Klik vervolgens 'Volume rendering' om het 3D-volume visualisatie interface voor interactieve volume rendering ¹² te lanceren. Door het instellen van het aantal divisies langs elke as, kan men onderzoeken clusters op verschillende schalen. A z-factor wordt gebruikt om de verticale overdrijving die voor een betere visualisatie. Een referentie laag, zoals de gebouwen kan worden geladen om visualisatie te helpen ook. De resultaten van volumeweergave interactief worden aangepast door het manipuleren van de overdrachtsfunctie die de mapping controle van dichtheid kleur. (Figuur 6).

6. Andere verkennende data Analyses (EDA) en visualisaties

1. Een procedure is beschikbaar voor geanimeerde serie te creëren die moet worden weergegeven in Google Earth. Onder 'Overige', klik op 'Exporteren naar KML voor EDA' om deze procedure te openen. Het creëert een ^{kml-13-bestand} dat in Google Earth opent voor interactieve animatie van het traject.
2. Men kan volgen het traject om travel het milieu in de tijd door te bladeren langs de tijdlijn in Google Earth.
3. Een procedure is beschikbaar voor verbindingen tussen bezienswaardigheden visualiseren door middel van 'Connection analyse'. Zo worden verbindingen tussen verschillende gebouwen op een campus van de universiteit afgeleid van gesegmenteerde traject gegevens die werden verzameld door studenten (Figuur 7).
4. Op basis van de afgeleide verbindingen, hotspots zoals die gebouwen met de meest inkomend of uitgaand verkeer en hubs die verbinding de meest bezochte plaatsen kan worden geïdentificeerd.

Results

Traject gegevens werden verzameld door vrijwilligerswerk undergraduate studenten van Kean University (New Jersey, VS) in het voorjaar van 2010. Het doel was om de activiteit patronen van studenten die betrapt influenza (diagnose door arts of zelf-diagnose) in vergelijking met degenen die niet studeren. Met het oog op de regels en procedures die in dit artikel illustreren we met de trajecten verzameld in het suburbane campus gebied om representatieve resultaten te genereren. Trajecten binnen de campus gebied zijn meestal...

Discussion

We add-mechanisme van ArcGIS de interface te ontwikkelen. Alle interactieve handelingen werden uitgevoerd met behulp van C + +. Alle automatische verwerking en analyse functies werden ontwikkeld met behulp van Python.

AGPS gegevens, of GPS-gegevens verzameld door voetgangers presenteert unieke uitdaging in preprocessing als de fouten kunnen worden massaal als gevolg van nabijheid van gebouwen en frequente indoor stopt. Bovendien moet de focus van preprocessing niet datareductie als wat meest...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Naam van het reagens	Vennootschap	Catalogusnummer	Opmerkingen (optioneel)
WorldTracker GPRS	Tracking De Wereld
Een personal computer voor het uitvoeren van de analyse
ArcGIS software	ESRI
Traject Analyzer Extension