Name: Baangegevens Analyses voor voetgangers Ruimte-tijd Activiteit Study (Video) | JoVE Journal
Uploaded: 2013-02-25T12:03:00.000+00:00
Duration: 16 min 14 s
Description: Verken ruimte-tijd analysemethoden voor voetgangersactiviteiten met behulp van GPS-trajectgegevens. Deze technieken onthullen verborgen patronen voor stedelijke planning en veiligheid.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Dit werk wordt gefinancierd door NIH subsidie ​​1R03AI090465.

1. Aan de gegevens <ol><li> 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. </li><li> 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. </li><li> Zet de gegevens op door komma&#39;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). </li><li> Plaats in een shapefile van bouwpolygonen en een van de grens van het onderzoek met de baan analyzer. Goed Stel de &quot;extrusie&quot; van de gebouwen voor een 3D-display en zet de &quot;extrusie&quot; en &quot;transparantie&quot; 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. </li></ol> 2. Pre-processing <ol><li> 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. </li><li> Als &#39;Interactive&#39; 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. </li><li> 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. </li><li> Als alternatief, als &#39;Automatisch&#39; 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. </li></ol> 3. Traject Segmentatie &amp; Activiteit Space Karakterisering <ol><li> Traject segmentatie vereist het gebouw laag, dus zorg ervoor dat het gebouw vorm bestand wordt geladen. </li><li> 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. </li><li> 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. </li><li> De attributen kunnen worden geëxporteerd naar een spreadsheet voor kwantitatieve modellering toepassingen. </li></ol> 4. Dichtheid Surface Mapping <ol><li> 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. </li><li> Als de &#39;Track puntdichtheid&#39; 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. </li><li> Als &#39;Track pad dichtheid&#39; is geselecteerd, het algoritme berekent en toont de dichtheid van reisde individuele trajecten (figuur 3). </li><li> Als de &#39;Re-sampled puntdichtheid&#39; 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. </li><li> Als &#39;Temporal focussen&#39; 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). </li></ol> 5. Dichtheid Volume Schatting en Volume Rendering <ol><li> 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 &#39;Density volumeberekening&#39; onder de dichtheid volume visualisatie menu voor deze stap. </li><li> Dezelfde drie opties zijn beschikbaar voor de dichtheid volume visualisatie als voor dichtheid oppervlakte visualisatie. </li><li> Klik vervolgens &#39;Volume rendering&#39; 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). </li></ol> 6. Andere verkennende data Analyses (EDA) en visualisaties <ol><li> Een procedure is beschikbaar voor geanimeerde serie te creëren die moet worden weergegeven in Google Earth. Onder &#39;Overige&#39;, klik op &#39;Exporteren naar KML voor EDA&#39; om deze procedure te openen. Het creëert een kml-13-bestand dat in Google Earth opent voor interactieve animatie van het traject. </li><li> Men kan volgen het traject om travel het milieu in de tijd door te bladeren langs de tijdlijn in Google Earth. </li><li> Een procedure is beschikbaar voor verbindingen tussen bezienswaardigheden visualiseren door middel van &#39;Connection analyse&#39;. Zo worden verbindingen tussen verschillende gebouwen op een campus van de universiteit afgeleid van gesegmenteerde traject gegevens die werden verzameld door studenten (Figuur 7). </li><li> 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. </li></ol>

<ol><li>Stoddard, S. T., Morrison, A. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+role+of+human+movement+in+the+transmission+of+vector-borne+pathogens%5BTitle%5D)+AND+%22PLoS+Negl.+Trop.+Dis%22%5BJournal%5D)">The role of human movement in the transmission of vector-borne pathogens.</a> PLoS Negl. Trop. Dis. 3 (7), e10(2009).</li>
<li>Morens, D. M., Folkers, G. K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+challenge+of+emerging+and+re-emerging+infectious+diseases%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">The challenge of emerging and re-emerging infectious diseases.</a> Nature. 430, 242-249 (2004).</li>
<li>Viboud, C., Bjornstad, O. N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Synchrony%2C+waves%2C+and+spatial+hierarchies+in+the+spread+of+influenza%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Synchrony, waves, and spatial hierarchies in the spread of influenza.</a> Science. 312, 447-451 (2006).</li>
<li>Shoval, N., Isaacson, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Application+of+tracking+technologies+to+the+study+of+pedestrian+spatial+behaviour%5BTitle%5D)+AND+%22The+Professional+Geographer%22%5BJournal%5D)">The Application of tracking technologies to the study of pedestrian spatial behaviour.</a> The Professional Geographer. 58 (2), 172-183 (2006).</li>
<li>Yu, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatio-temporal+GIS+design+for+exploring+interactions+of+human+activities%5BTitle%5D)+AND+%22Cartography+and+Geographic+Information+Science%22%5BJournal%5D)">Spatio-temporal GIS design for exploring interactions of human activities.</a> Cartography and Geographic Information Science. 33 (1), 3-19 (2006).</li>
<li>Kwan, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Interactive+geovisualization+of+activity-travel+patterns+using+three-dimensional+geographical+information+systems%3A+a+methodological+exploration+with+a+large+data+set%5BTitle%5D)+AND+%22Transportation+Research+Part+C%22%5BJournal%5D)">Interactive geovisualization of activity-travel patterns using three-dimensional geographical information systems: a methodological exploration with a large data set.</a> Transportation Research Part C. 8, 185-203 (2000).</li>
<li>Demšar, U., Virrantaus, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Space-time+density+of+trajectories%3A+exploring+spatio-temporal+patterns+in+movement+data%5BTitle%5D)+AND+%22International+Journal+of+Geographical+Information+Science%22%5BJournal%5D)">Space-time density of trajectories: exploring spatio-temporal patterns in movement data.</a> International Journal of Geographical Information Science. 24 (10), 1527-1542 (2010).</li>
<li>ESRI Shapefile Technical Description [Internet]. , Environmental Systems Research Institute, Inc. Available from:
		
	 <a target="_blank" href="http://www.esri.com/library/whitepapers/pdfs/shapefile.pdf">http://www.esri.com/library/whitepapers/pdfs/shapefile.pdf</a> (1998).</li>
<li>Kraak, M., Koussoulakous, A. A visualization environment for the space-time cube. Fisher, P. Proceedings of 11th International Conference on Developments in Spatial Data Handling, Berlin, , Springer. 189-200 (2004).</li>
<li>Visualizing spatial relationships among health, environmental, and demographic statistics: interface design issues. MacEachren, A. M., Polsky, C., et al. Proceedings of 18th International Cartographic Conference, , 880-887 (1997).</li>
<li>Levory, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Display+of+surfaces+from+volume+data%5BTitle%5D)+AND+%22IEEE+Computer+Graphics+and+Application%22%5BJournal%5D)">Display of surfaces from volume data.</a> IEEE Computer Graphics and Application. 8 (5), 29-37 (1998).</li>
<li>Drebin, R. A., Carpenter, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Volume+Rendering%5BTitle%5D)+AND+%22Computer+Graphics%22%5BJournal%5D)">Volume Rendering.</a> Computer Graphics. , (1998).</li>
<li>KML | OGC(R) [Internet]. , Open Geospatial Consortium, Inc. Available from:
		
	 <a target="_blank" href="http://www.opengeospatial.org/standards/kml/">http://www.opengeospatial.org/standards/kml/</a> (2012).</li>
<li>Lee, W., Krumm, J. Trajectory preprocessing. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aLee%2C+W+%22Computing+with+Spatial+Trajectories%22">Computing with Spatial Trajectories</a>. Zheng, Y., Zhou, X. , Springer, Bucher. 3-34 (2011).</li>
<li>Han, B., Comaniciu, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sequential+kernel+density+approximation+and+its+application+to+real-time+visual+tracking%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Sequential kernel density approximation and its application to real-time visual tracking.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. , (2007).</li>
</ol>

Geen belangenconflicten verklaard.

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...

<table border="1"><tbody><tr><td> Naam van het reagens </td><td> Vennootschap </td><td> Catalogusnummer </td><td> Opmerkingen (optioneel) </td></tr><tr><td> WorldTracker GPRS </td><td> Tracking De Wereld </td><td></td><td></td></tr><tr><td> Een personal computer voor het uitvoeren van de analyse </td><td></td><td></td><td></td></tr><tr><td> ArcGIS software </td><td> ESRI </td><td></td><td></td></tr><tr><td> Traject Analyzer Extension </td><td></td><td></td><td></td></tr></tbody></table>

baangegevens analyses voor voetgangers ruimte-tijd activiteit study

Trajectory Data Analyses for Pedestrian Space-time Activity Study

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.

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...

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

Baangegevens Analyses voor voetgangers Ruimte-tijd Activiteit Study

It is well recognized that human movement in the  spatial and temporal dimensions has direct influence on disease transmission1-3.  An infectious disease ...

Het algemene doel van deze procedure is om ruimte-tijdactiviteiten van voetgangers te modelleren via spatiotemporele analyse en visualisatie van menselijke trajectgegevens. Dit wordt bereikt door eerst gedetailleerde Global Positioning System (GPS)-gegevens te verzamelen en deze gegevens in de trajectanalyser te laden. De tweede stap bestaat uit het voorbewerken en segmenteren van de trajectgegevens.Vervolgens worden de activiteitsruimtes van individuen gekenmerkt. De laatste stap is het onderzoeken van spatiotemporele patronen via densiteitsmapping, oppervlaktemapping, volumerendering, of beide. Ten slotte worden andere methoden voor verkennende data-analyse en visualisaties gebruikt om aanvullende verborgen patronen in de data aan te tonen.Het belangrijkste voordeel van deze techniek ten opzichte van bestaande methoden, zoals de door SHNU ontwikkelde FGIS-extensie voor het analyseren van ruimtetijd-trajecten, is dat we niet alleen de interface bieden voor interactieve visualisatie van trajecten, maar ons ook richten op de verwerkingsmethode voor het opschonen van routetrajectgegevens, het segmenteren daarvan, het afleiden van eigenschappen uit de TR-gegevens en exploratieve analyse om patronen te ontdekken in een grote hoeveelheid trajectgegevens. Deze methode kan helpen bij het beantwoorden van kernvragen in het veld van studies naar menselijke ruimtetijdactiviteit met betrekking tot transmissie van ziekten op microschaal, zoals de manier waarop de ruimtetijdactiviteit van een persoon zijn of haar infectiekans beïnvloedt, of welke omgevingen of ruimtetijdsgedrag leiden tot een hoger risicotraject. Gegevens kunnen worden verzameld met handheld GPS-units.GPS-compatibele smartphone-trackingapplicaties alsovols assist-GPS-apparaten, zoals het in deze studie gebruikte commerciële trackerapparaat voor kinderen. Trajectgegevens worden gewoonlijk opgeslagen als records van tijd, breedtegraad en lengtegraad. Er moet een gewenste tijdsinterval worden ingesteld op basis van de behoeften van de applicatie.Voor studies naar ruimtelijk-temporele activiteit is vaak het meest frequente interval gewenst; converteer de gegevens naar kommagescheiden waarden of CSV-bestanden met afzonderlijke kolommen voor respectievelijk record-id, breedtegraad, lengtegraad en tijd. Converteer vervolgens de CSV-bestanden naar een gangbaar bestandsformaat voor geografische informatiesystemen (GIS). Laad in een trajectory analyzer een shapefile van gebouwpolygonen en een andere van de grens van het studiegebied.Stel de extrusie van de gebouwen correct in voor een 3D-weergave en stel de extrusie en transparantie van de begrenzingslaag correct in om een ruimtetijdkubus weer te geven. Open vervolgens het traject in de ruimtetijdkubus, waarbij de XY-dimensies de ruimte vertegenwoordigen en de Z-dimensie de tijd. Voor de voorbewerking zijn twee opties beschikbaar.De ruwe trajectgegevens met ruis kunnen worden geselecteerd uit de vervolgkeuzelijst in het menu voor voorbewerking. Indien de interactieve optie is gekozen, wordt er een 2D-projectie van het 3D-traject gemaakt voor eenvoudig bekijken en selecteren.Manipuleer de 3D-weergave om de ruwe trajectorie in ruimte en tijd te onderzoeken. Identificeer fouten in de gegevens op basis van de vorm, snelheid en/of topologie van de tracksegmenten. Meestal duiden trackpunten met een onrealistisch hoge snelheid of een abrupte richtingsverandering op fouten; selecteer deze en verwijder ze uit zowel de 3D-trajectorie als de 2D-projectie ervan.Een cluster van trackpunten met ruimtelijk grillige vormen en een lange temporele duur duidt op fouten die zeer waarschijnlijk zijn veroorzaakt door binnenlocaties waar het GPS-signaal zwak is. Indien een groep van deze punten wordt geselecteerd, kan het programma de ruimtelijk-temporele OID van de geselecteerde punten berekenen en vervolgens het traject aanpassen zodat dit door de OID loopt. Alternatief, indien 'automatisch' wordt gekozen in het menu voor voorbewerking, kunnen de invoer- en uitvoerlocaties worden ingesteld, evenals de empirische parameters die de abnormaal hoge snelheid en abrupte draaiingen van de punten bepalen.Het programma doorzoekt de geladen trajectgegevens en wordt automatisch uitgevoerd op basis van een algoritme dat de visuele methode voor foutdetectie nabootst. Trajectsegmentatie vereist de bouwlaag, dus zorg ervoor dat het shapefile van het gebouw gereed is. Klik op het segmentatie-instrument in de werkbalk om de functie te starten.Stel de invoer en uitvoer in en selecteer het shapefile van het gebouw als referentielaag. Gebruik de gebouwnamen om de gesegmenteerde trajecten te labelen. Het algoritme identificeert binnensegmenten op basis van ingestelde of standaardcriteria, zoals de snelheid en duur van trackpunten, alsmede de ruimtelijke topologie.Klik in relatie tot gebouwen op de tool voor het samenvatten van de activiteitsruimte om gesegmenteerde trajecten te laden en geselecteerde samenvattende attributen te berekenen om de activiteitsruimte te karakteriseren, zoals de totale activiteit, de straal, de straal gedurende een bepaalde tijdsperiode, de verhouding tussen de totale tijd binnenshuis versus buitenshuis, enzovoort. De attributen kunnen worden geëxporteerd naar een spreadsheet voor gebruik bij kwantitatieve modellering. Het dichtheidsoppervlak (density surface) toont de dichtheid van activiteiten in de ruimte waarbij de temporele dimensie is samengevoegd.In het vervolgkeuzemenu voor de mapping van het dichtheidsoppervlak zijn drie opties beschikbaar. Wanneer de optie voor de dichtheid van trackpunten wordt geselecteerd, vult u het dialoogvenster in met de invoer- en uitvoergegevens en kiest u voor weergave in 3D of 2D. Alle vertices uit de trajectgegevens worden gebruikt om de kernel-dichtheden van de punten te berekenen, zoals hier wordt getoond.Als de optie voor trackpad-dichtheid is geselecteerd, berekent en toont het algoritme de dichtheid van individueel afgelegde paden. Als de optie voor hergesamplede puntendichtheid is geselecteerd, herbeantwoort het algoritme de trajectgegevens met behulp van een vast tijdsinterval en brengt het de dichtheden van punten in kaart die gelijkmatig over de tijd zijn verspreid. Deze optie is ontworpen voor trackingapparaten die trackingpunten verzamelen in onregelmatige tijdsintervallen vanwege de variërende gevoeligheid van de apparaten onder verschillende fysieke omstandigheden of gesegmenteerde trajecten.Hier worden 2D- en 3D-dichtheidsoppervlakken van gesegmenteerde trajecten getoond. Als tijdelijke focus wordt geselecteerd voor een van de opties, kan tijdelijke focus worden toegepast om activiteitspatronen over verschillende tijdsperioden te onderzoeken. Bijvoorbeeld, activiteitsdichtheidsoppervlakken op verschillende tijdstippen van de dag kunnen worden gevisualiseerd voor eenvoudige identificatie van hotspots over de tijd; dichtheidsvolumervisualisatie maakt gebruik van het concept van een ruimtetijdblok, zoals bij de visualisatie van trajecten.De kern van een dergelijke visualisatie is de desaggregatie van de ruimte in voxels. De hier gebruikte methode voor het visualiseren van het dichtheidsvolume schat eerst het dichtheidsvolume in individuele voxels door het aantal ruimtetijd-tracks te tellen dat de voxels snijdt. Dezelfde drie opties zijn beschikbaar voor dichtheidsvolume-visualisatie als voor dichtheidsoppervlak-visualisatie.Klik vervolgens op een van de opties om de interface voor 3D-volumevisualisatie te openen voor interactieve volumerendering. Door het aantal onderverdelingen langs elke as in te stellen, kunnen clusters op verschillende schalen worden onderzocht. Er wordt een Z-factor gebruikt om de verticale overdrijving in te stellen voor een betere visualisatie.Een referentielaag, zoals de gebouwen, kan eveneens worden geladen om de visualisatie te ondersteunen. De resultaten van de volumenerendering kunnen interactief worden aangepast door de overdrachtsfunctie te manipuleren die de koppeling van dichtheid naar kleur regelt. Er is een procedure beschikbaar om geanimeerde series te maken die in Google Earth kunnen worden weergegeven.Klik onder 'Overig' op 'Exporteer naar KML voor EDA' om toegang te krijgen tot deze procedure; er wordt dan een KML-bestand aangemaakt dat in Google Earth kan worden geopend voor een interactieve animatie van de baan. Men kan de baan volgen om door de omgeving in de tijd te reizen door langs de tijdlijn te scrollen. In Google Earth is een procedure beschikbaar om verbindingen tussen plaatsen van belang te visualiseren via een verbindingsanalyse.Bijvoorbeeld, verbindingen tussen verschillende gebouwen op een universiteitscampus worden afgeleid uit gesegmenteerde trajectgegevens die door studenten zijn verzameld; op basis van de afgeleide verbindingen kunnen hotspots worden geïdentificeerd, zoals gebouwen met de meeste uitgaande of inkomende verkeersstromen en knooppunten die de meest bezochte plaatsen verbinden. De trajectgegevens werden in de lente van 2010 verzameld door vrijwillige undergraduate studenten van de Keen University. Het doel was om de activiteitspatronen te bestuderen van studenten die influenza hadden opgelopen in vergelijking met studenten die dat niet hadden.Om de in dit hoofdstuk gepresenteerde methoden en procedure te illustreren, zijn de verzamelde trajecten binnen het suburban campusgebied gebruikt om representatieve resultaten te genereren. De ruimtetijdcube-weergave van een traject met betrekking tot gebouwen op de universiteitscampus wordt hier getoond. De ruwe gegevens die zijn verzameld door een student die één dag van zijn activiteiten op de campus registreerde met een A GPS-apparaat, onthullen dat sommige langdurige binnenverblijven hebben geleid tot ruis in de gegevens, wat wordt aangegeven door het grillige gedeelte van het spoor.Dit komt zeer veel voor in voetgangerstrajectgegevens. Deze figuur representeert het voorbewerkte en gesegmenteerde traject, terwijl hier het voorbewerkte en gesegmenteerde traject met kleurgecodeerde binnen- en buitensegmenten in de ruimtetijd-kubus wordt weergegeven. Hier wordt de dichtheidsoppervlakmapping van een set trajecten getoond.De ruwe trackingspunten die worden gebruikt voor een trackpuntdichtheidsmapping-optie en de resulterende dichtheidskaart kunnen worden gevisualiseerd. Omgekeerd kunnen ook de dichtheden van afgelegde paden worden ingetekend. Dichtheidsmapping is bijzonder nuttig bij het analyseren van een groot aantal trajecten.Deze kaart toont in totaal 470 trajecten. Het dichtheidsoppervlak kan ook worden weergegeven in 2D- en 3D-representaties met behulp van geresamplede punten uit deze trajecten. Naast de interactieve weergave van de tijdsdimensie in een ruimte-tijd-kubus kan de tijdsvariabele via temporele focus worden verwerkt om ruimtelijke patronen in verschillende tijdsperioden te onderzoeken.Hier worden voorbeelden van een dergelijke analyse getoond. Met gebruik van de voorbeelddataset die trajectgegevens bevat, verzameld door studenten tijdens het griepseizoen, is duidelijk dat hun activiteiten gedurende de dag rond verschillende locaties zijn geconcentreerd.Om uiteindelijk tot de samengestelde activiteitsdensiteitskaart te komen, kan er, zoals hier getoond, ook een density volume rendering op de bodem worden uitgevoerd; het is namelijk moeilijk om patronen te detecteren als alle ruimtetijdsporen in een ruimtetijdkubus worden gevisualiseerd. Vanwege de visuele ruis wordt de bijbehorende data hier gevisualiseerd als density volume rendering. De vier illustraties vertegenwoordigen verschillende instellingen van de overdrachtsfunctie van het density rendering-programma en accentueren zo densiteitsvolumes in verschillende frequentiebereiken.Een andere manier om hotspots te vinden is via connectieanalyse. De rechtlijnige verbindingen tussen alle gebouwen op de campus worden hier getoond. De gemarkeerde gebouwen zijn die met het hoogste volume aan uitgaand verkeer.Hier worden dezelfde verbindingen getoond, waarbij de meest bezochte verbindingen in het zwart zijn gemarkeerd. Bij het uitvoeren van deze procedure is het belangrijk om te onthouden dat er een voorverwerkingsstap moet plaatsvinden voordat u overgaat tot de segmentatie, explorerende analyse en andere visualisatiemethoden die in deze procedure volgen. Andere methoden, zoals statistische analyse van de attributen, het categoriseren van de activiteitsruimte of sequentieanalyse zoals sequentie-alignment, kunnen worden uitgevoerd om aanvullende vragen te beantwoorden, zoals de wijze waarop iemands activiteit, ruimte en sequenties de kans op infectie kunnen beïnvloeden.

trajectory-data-analyses-for-pedestrian-space-time-activity-study

Research

JoVE Journal

Biology

Biologie

Dit protocol wordt gebruikt om ruimtelijke en temporele loopvariabelen van neurologische/orthopedische patiënten en oudere personen te evalueren door middel van een onlangs geïntroduceerd op de vloer gebaseerd fotocelsysteem.

Clinical Assessment van Spatiotemporal gangbeeld bij patiënten en oudere volwassenen

Een protocol wordt voor de karakterisering van het in het veld voetgangersgedrag en de simulatie van het resulterende structurele respons. Field-tests blijkt dat het in situ geïdentificeerd stimulatiefrequentie en synchronisatie tarief onder de deelnemers een essentiële voorwaarde voor de simulatie en verificatie van de door de mens veroorzaakte belastingen opleveren.

Simulatie van de mens veroorzaakte Trillingen Op basis van de kenmerk-veld Voetganger Behavior

Het doel was om een ​​optimaal gebruik van het verzamelen van gegevens technieken voor Nordic walking looppatroon en houding analyse te onderbouwen. Driedimensionale motion capture moet worden gebruikt tijdens de korte duur analyse (dat wil zeggen één gait cyclus), terwijl accelerometrie moeten worden gebruikt voor langere duur analyse (dwz herhaalde cycli) als een 6 minuten wandeltest.

Onderbouwen Passende Motion Capture technieken voor de beoordeling van Nordic Walking Gait en houding bij oudere volwassenen

Hier presenteren we een nieuw protocol om de positionele stabiliteit te meten tijdens sleutelmomenten in het zitten-opstaan-lopen door middel van de afstand tussen het drukcentrum en het zwaartepunt van het hele lichaam. Dit is afgeleid van de krachtplatform- en driedimensionale motion-capture technologie. Het paradigma is betrouwbaar en kan worden gebruikt voor de beoordeling van neurologisch gecompromitteerde individuen.

Sit-to-stand-en-lopen van 120% Knee Lengte: een nieuwe benadering voor Assess Dynamic houdingsregulatie Onafhankelijk van Lead-ledemaat

Dit manuscript beschrijft de methode om de gelijktijdige validiteit van kinematische metingen, geregistreerd door de smartphone-applicatie, te testen in vergelijking met een 3D-bewegingsregistratiesysteem in de sagittale vlak. Dit protocol zal clinici in staat stellen smartphones in te stellen voor videoregistratie van menselijke beweging.

Video Beweging analyse met behulp van Smartphones (VIMAS): een pilotstudie

In deze studie wordt een clinicus-vriendelijke driedimensionale gait analysemethode, die werd ontworpen om te worden uitgevoerd in de Schwertbad, gepresenteerd. De methode bestaat uit een vereenvoudigde meetmethode en intuïtieve cijfers om clinici inzicht in de resultaten.

Driedimensionale Gait klinische georiënteerde analysemethode voor het uitrekenen van Gait stoornis

Dit protocol beschrijft het gebruik van een wandelsimulator die dient als een veilige en ecologisch geldige methode om voetgangersgedrag te bestuderen in aanwezigheid van bewegend verkeer.

Met behulp van een Virtual Reality Walking Simulator om voetgangersgedrag te onderzoeken

Dit artikel beschrijft het materiaal en de methode die zijn ontwikkeld om de houdingsorganisatie van loopinitiatie te onderzoeken. De methode is gebaseerd op krachtplatformregistraties en op het directe principe van de mechanica om het zwaartepunt en het zwaartepunt van de kinematica van het drukcentrum te berekenen.

Posturale organisatie van loopinitiatie voor biomechanische analyse met behulp van force platform opnames

Het testen van visuele gevoeligheid bij hagedissen met behulp van een operante conditionering paradigma dat het afspelen van video van de random-dot kinematograms en computer-gegenereerde ongewervelde dieren in dienst heeft.

Het testen van visuele gevoeligheid voor de snelheid en richting van de beweging in Lizards

Computer-gegenereerde prikkels met behulp van de Jacky draak als een model.

Door de computer gegenereerde Animal Model Stimuli

Verken ruimte-tijd analysemethoden voor voetgangersactiviteiten met behulp van GPS-trajectgegevens. Deze technieken onthullen verborgen patronen voor stedelijke planning en veiligheid.

Baangegevens Analyses voor voetgangers Ruimte-tijd Activiteit Study

Meer video's verkennen