Name: Analizy danych trajektorii dla badania aktywności czasoprzestrzennej pieszych (Wideo) | JoVE Journal
Uploaded: 2013-02-25T12:03:00.000+00:00
Duration: 16 min 14 s
Description: Poznaj metody analizy trajektorii GPS do modelowania aktywności czasoprzestrzennej pieszych. Techniki wizualizacji gęstości i przestrzenno-czasowe ujawniają ukryte wzorce ruchu w danych przestrzennych.

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

Ta praca jest finansowana z grantu NIH 1R03AI090465.

1. Pobieranie danych
<ol>
 <li>Dane o trajektorii mogą być zbierane za pomocą ręcznych urządzeń GPS, aplikacji do śledzenia smartfonów z obsługą GPS, a także urządzeń A-GPS (wspomagany GPS), takich jak to zastosowane w naszym badaniu, komercyjne urządzenie do śledzenia dzieci.</li>
 <li>Dane o trajektoriach są zwykle zapisywane w postaci zapisów czasu, szerokości i długości geograficznej. Żądany przedział czasu należy ustawić w zależności od potrzeb aplikacji. Często najczęstszy interwał jest pożądany do badań aktywności czasoprzestrzennej.</li>
 <li>Przekonwertuj dane na wartości rozdzielane przecinkami lub .csv plików z osobnymi kolumnami odpowiednio dla identyfikatora rekordu, szerokości i długości geograficznej oraz godziny. Następnie przekonwertuj pliki .csv na powszechnie używany format plików Systemów Informacji Geograficznej (GIS) (np. plik shapeESRI 8).</li>
 <li>Załaduj plik shape z wielokątami budynków i kolejną granicą badanego obszaru za pomocą analizatora trajektorii. Ustaw "wyciągnięcie" budynków prawidłowo dla wyświetlania 3D i ustaw prawidłowo "wyciągnięcie" i "przezroczystość" warstwy granicznej, aby wyświetlić sześcian czasoprzestrzenny6, 9 z wymiarami x,y reprezentującymi przestrzeń i wymiarem z reprezentującym czas.</li>
</ol>
2. Przetwarzanie wstępne
<ol>
 <li>Dostępne są dwie opcje wstępnego przetwarzania zaszumionych surowych danych trajektorii. Można wybrać z listy rozwijanej menu przetwarzania wstępnego.</li>
 <li>W przypadku wybrania opcji "Interaktywny" tworzona jest projekcja 2D trajektorii 3D, która ułatwia przeglądanie i wybieranie. Manipuluj wyświetlaczem 3D, aby zbadać surową trajektorię w przestrzeni i czasie. Identyfikuj błędy w danych na podstawie kształtu, prędkości i/lub topologii segmentów torów. Zazwyczaj punkty trasy (wierzchołki) z nierealistyczną dużą prędkością lub nagłą zmianą kierunku oznaczają błędy. Wybierz je i usuń z oryginalnych trajektorii. Wybierz je i usuń z trajektorii 3D lub jej rzutowania 2D.</li>
 <li>Skupisko punktów trasy o kolczastych kształtach (rysunek 1) w przestrzeni i długim czasie trwania w czasie oznacza błędy, które najprawdopodobniej są spowodowane przez lokalizacje w pomieszczeniach, w których sygnał GPS jest słaby. Jeśli wybrana jest grupa tych punktów, program może obliczyć środek ciężkości czasoprzestrzennej wybranych punktów i dostosować ścieżkę tak, aby przechodziła przez środek ciężkości.</li>
 <li>Alternatywnie, jeśli z menu przetwarzania wstępnego wybrano opcję "Automatycznie", należy ustawić lokalizację wejścia i wyjścia, a także parametry empiryczne, które określają nienormalnie dużą prędkość i nagłe skręcanie punktów. Program przeszukuje załadowane dane trajektorii i uruchamia się automatycznie w oparciu o algorytm, który naśladuje podejście do wizualnego wykrywania błędów.</li>
</ol>
3. Segmentacja trajektorii i charakterystyka przestrzeni aktywności
<ol>
 <li>Segmentacja trajektorii wymaga warstwy budynku, więc upewnij się, że plik kształtu budynku jest załadowany.</li>
 <li>Kliknij narzędzie do segmentacji na pasku narzędzi, aby uruchomić funkcję. Ustaw dane wejściowe i wyjściowe oraz umieść plik kształtu budynku jako warstwę odniesienia. Użyj nazw budynków, aby oznaczyć trajektorię podzieloną na segmenty. Algorytm identyfikuje segmenty wewnętrzne na podstawie ustawionych lub domyślnych kryteriów, takich jak prędkość, czas trwania itp. punktów trasy, a także topologii przestrzennej w odniesieniu do budynków.</li>
 <li>Kliknij narzędzie do podsumowania przestrzeni aktywności, aby załadować trajektorie podzielone na segmenty i obliczyć wybrane atrybuty podsumowania, aby scharakteryzować przestrzeń aktywności, takie jak całkowity promień aktywności, promień w określonym przedziale czasu, stosunek całkowitego czasu spędzonego w pomieszczeniu do . na zewnątrz i tak dalej. </li>
 <li>Atrybuty można wyeksportować do arkusza kalkulacyjnego w celu modelowania ilościowego.</li>
</ol>
4. Mapowanie powierzchni gęstości
<ol>
 <li>Powierzchnia gęstości pokazuje gęstość działań w przestrzeni z zapadniętym wymiarem czasowym. Z listy rozwijanej w menu odwzorowania powierzchni zagęszczenia dostępne są trzy opcje.</li>
 <li>Jeśli wybrana jest opcja "Gęstość punktów trasy", wypełnij okno dialogowe informacjami wejściowymi i wyjściowymi, a następnie wybierz wyświetlanie w 3D lub 2D. Wszystkie wierzchołki z danych trajektorii są używane do obliczania gęstości skupisk punktów. Rysunek 2 przedstawia powierzchnię gęstości.</li>
 <li>W przypadku wybrania opcji "Gęstość ścieżki ścieżki" algorytm oblicza i wyświetla gęstość poszczególnych przebytych ścieżek (rysunek 3).</li>
 <li>W przypadku wybrania opcji "Gęstość punktów ponownie próbkowanych" algorytm ponownie próbkuje dane trajektorii przy użyciu ustalonego interwału czasu i odwzorowuje gęstości punktów rozłożonych równomiernie w czasie. Ta opcja jest przeznaczona dla urządzeń śledzących, które zbierają punkty śledzenia w nieregularnych odstępach czasu ze względu na różną czułość urządzeń w różnych warunkach fizycznych lub segmentowanych trajektoriach. Rysunek 4 przedstawia powierzchnie gęstości 2D i 3D trajektorii segmentowych.</li>
 <li>W przypadku wybrania opcji "Ustawianie ostrości czasowej" dla którejkolwiek z powyższych opcji, można przeprowadzić ogniskowanie czasowe10 w celu zbadania wzorców aktywności w różnych okresach czasu. Na przykład powierzchnie gęstości aktywności o różnych porach dnia mogą być wizualizowane w celu łatwej identyfikacji gorących punktów w czasie (rysunek 5).</li>
</ol>
5. Szacowanie objętości gęstości i renderowanie objętości
<ol>
 <li>Wizualizacja objętości gęstości wykorzystuje pojęcie sześcianu czasoprzestrzennego, tak jak w wizualizacji trajektorii. Istotą takiej wizualizacji jest dezagregacja przestrzeni na woksele11. Nasze podejście do wizualizacji gęstości, objętości najpierw szacuje objętość gęstości w poszczególnych wokselach, zliczając liczbę ścieżek czasoprzestrzennych, które przecinają się z wokselami. Na tym etapie można kliknąć opcję "Obliczanie objętości gęstości" w menu wizualizacji objętości gęstości.</li>
 <li>W przypadku wizualizacji objętości zagęszczenia dostępne są te same trzy opcje, co w przypadku wizualizacji powierzchni gęstości. </li>
 <li>Następnie kliknij "Renderowanie objętości", aby uruchomić interfejs wizualizacji objętości 3D do interaktywnego renderowania objętości12. Ustawiając liczbę podziałów wzdłuż każdej osi, można badać klastry w różnych skalach. Współczynnik Z służy do ustawiania przeskalowania pionowego w celu lepszej wizualizacji. Warstwa referencyjna, taka jak budynki, może być również wczytana w celu ułatwienia wizualizacji. Wyniki renderowania objętościowego można interaktywnie dostosowywać, manipulując funkcją transferu, która steruje odwzorowaniem od gęstości do koloru. (Rysunek 6).</li>
</ol>
6. Inne eksploracyjne analizy danych (EDA) i wizualizacje
<ol>
 <li>Dostępna jest procedura tworzenia seriali animowanych do wyświetlenia w programie Google Earth. W sekcji "Inne" kliknij "Eksportuj do KML dla EDA", aby uzyskać dostęp do tej procedury. Tworzy plik kml13, który otwiera się w programie Google Earth w celu interaktywnej animacji trajektorii.</li>
 <li>Można śledzić trajektorię, aby podróżować po środowisku w czasie, przewijając wzdłuż osi czasu w Google Earth.</li>
 <li>Dostępna jest procedura wizualizacji połączeń między interesującymi miejscami za pomocą "Analizy połączeń". Na przykład połączenia między różnymi budynkami na terenie kampusu uniwersyteckiego pochodzą z segmentowanych danych o trajektoriach, które zostały zebrane przez studentów (rysunek 7).</li>
 <li>Na podstawie pochodnych połączeń można zidentyfikować punkty zapalne, takie jak budynki o największym ruchu wychodzącym lub przychodzącym oraz węzły, które łączą miejsca o największym natężeniu ruchu.</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>

Nie stwierdzono konfliktu interesów.

Do stworzenia interfejsu wykorzystaliśmy mechanizm dodatków firmy ArcGIS. Wszystkie interaktywne operacje zostały zaimplementowane przy użyciu języka C++. Wszystkie funkcje automatycznego przetwarzania i analizy zostały opracowane przy użyciu języka Python.
Dane AGPS lub dane GPS zbierane przez pieszych stanowią wyjątkowe wyzwanie w przetwarzaniu wstępnym, ponieważ błędy mogą być ogromne ze względu na sąsiedztwo budynków i częste zatrzymywanie się w pomieszczeniach. Co więcej, przetwarzanie ws...

<table><tbody><tr><td>WorldTracker</td><td>GPRS Tracking The World</td><td></td><td></td></tr><tr><td>Komputer osobisty do uruchamiania analiz</td><td></td><td></td><td></td></tr><tr><td>Oprogramowanie ArcGIS</td><td>ESRI</td><td></td><td></td></tr><tr><td>Trajectory Analyzer Extension</td><td></td><td></td><td></td></tr></tbody></table>

analizy danych trajektorii dla badania aktywności czasoprzestrzennej pieszych

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Powszechnie wiadomo, że ruch człowieka w wymiarze przestrzennym i czasowym ma bezpośredni wpływ na przenoszenie chorób1-3. Choroba zakaźna zazwyczaj rozprzestrzenia się poprzez kontakt między osobami zakażonymi i podatnymi w ich nakładających się na siebie przestrzeniach aktywności. W związku z tym informacje dotyczące codziennej mobilności i aktywności mogą być wykorzystywane jako wskaźnik do pomiaru narażenia na czynniki ryzyka zakażenia. Główną trudnością, a co za tym idzie powodem niedostatku badań nad przenoszeniem chorób zakaźnych w skali mikro, jest jednak brak szczegółowych danych dotyczących mobilności indywidualnej. Wcześniej w badaniach nad transportem i turystyką szczegółowe dane o aktywności czasoprzestrzennej często opierały się na technice dziennika czasoprzestrzennego, która wymaga od badanych aktywnego rejestrowania swoich działań w czasie i przestrzeni. Jest to bardzo wymagające dla uczestników, a współpraca ze strony uczestników ma ogromny wpływ na jakość danych4.
Nowoczesne technologie, takie jak GPS i komunikacja mobilna, umożliwiły automatyczne zbieranie danych o trajektoriach. Zebrane dane nie są jednak idealne do modelowania ludzkiej aktywności czasoprzestrzennej, ograniczonej dokładnością istniejących urządzeń. Nie ma również łatwo dostępnego narzędzia do efektywnego przetwarzania danych do badania zachowań ludzkich. Przedstawiamy tutaj zestaw metod i zintegrowany interfejs wizualny ArcGIS na komputery stacjonarne do wstępnego przetwarzania i analiz czasoprzestrzennych danych o trajektoriach. Podajemy przykłady, w jaki sposób takie przetwarzanie może być wykorzystane do modelowania ludzkiej aktywności czasoprzestrzennej, zwłaszcza z bogatymi w błędy danymi o trajektoriach pieszych, które mogą być przydatne w badaniach nad zdrowiem publicznym, takich jak modelowanie transmisji chorób zakaźnych.
Przedstawiona procedura obejmuje wstępne przetwarzanie, segmentację trajektorii, charakterystykę przestrzeni aktywności, szacowanie i wizualizację gęstości oraz kilka innych metod analizy eksploracyjnej. Przetwarzanie wstępne to czyszczenie zaszumionych surowych danych trajektorii. Wprowadzamy interaktywny wizualny interfejs wstępnego przetwarzania, a także moduł automatyczny. Segmentacja trajektorii5 polega na identyfikacji części wewnętrznych i zewnętrznych na podstawie wstępnie przetworzonych torów czasoprzestrzennych. Również w tym przypadku obsługiwana jest zarówno interaktywna segmentacja wizualna, jak i segmentacja automatyczna. Segmentowane ścieżki czasoprzestrzenne są następnie analizowane w celu uzyskania cech przestrzeni aktywności, takich jak promień aktywności itp. Szacowanie i wizualizacja gęstości są wykorzystywane do badania dużej ilości danych o trajektoriach w celu modelowania gorących punktów i interakcji. Demonstrujemy zarówno mapowanie powierzchni gęstości6, jak i renderowanie objętościowegęstości 7. Dołączamy również kilka innych eksploracyjnych analiz danych (EDA) i narzędzi do wizualizacji, takich jak obsługa animacji Google Earth i analiza połączeń. Zestaw metod analitycznych i wizualnych przedstawionych w tym artykule może być zastosowany do dowolnych danych trajektorii do badań aktywności czasoprzestrzennej.

Dane dotyczące trajektorii zostały zebrane przez studentów studiów licencjackich z Kean University (NJ, USA), którzy volunteered wiosną 2010 roku. Celem było zbadanie wzorców aktywności studentów, którzy zachorowali na grypę (zdiagnozowaną przez lekarza lub samodzielnie), w porównaniu do osób, które nie zachorowały. Aby zilustrować metody i procedury przedstawione w niniejszej pracy, wykorzystaliśmy trajektorie zebrane na obszarze przedmiejskiego kampusu w celu wygenerowania reprezentatywnych wyników. Trajektorie na obsz...

Zestaw metod przetwarzania czasoprzestrzennego jest prezentowany do analizy danych o trajektoriach człowieka, takich jak te zebrane za pomocą urządzenia GPS, w celu modelowania aktywności czasoprzestrzennej pieszych.

Analizy danych trajektorii dla badania aktywności czasoprzestrzennej pieszych

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

Ogólnym celem niniejszej procedury jest modelowanie aktywności czasowo-przestrzennych pieszych poprzez analizę spatiotemporealną i wizualizację danych o trajektoriach ludzkich. Jest to realizowane poprzez wstępne zebranie szczegółowych danych z globalnego systemu pozycjonowania (GPS) i wczytanie ich do analizatora trajektorii. Drugim krokiem jest wstępne przetwarzanie i segmentacja danych trajektorii.Następnie charakteryzuje się przestrzenie aktywności osobników. Ostatnim krokiem jest analiza wzorców czasoprzestrzennych za pomocą mapowania gęstości powierzchni, renderowania gęstości objętościowej lub obu tych metod. W końcowym etapie stosuje się inne metody eksploracyjnej analizy danych oraz wizualizacje, aby wykazać dodatkowe ukryte wzorce w danych.Główną zaletą tej techniki w porównaniu z istniejącymi metodami, takimi jak rozszerzenie FGIS opracowane przez SHNU do analizy trajektorii czasoprzestrzennych, jest to, że nie tylko zapewniamy interfejs do interaktywnej wizualizacji trajektorii, ale skupiamy się na metodzie przetwarzania, która oczyszcza dane trajektorii tras, segmentuje je, wyprowadza właściwości z danych TR oraz przeprowadza analizę eksploracyjną w celu odkrycia wzorców z dużej ilości danych trajektoryjnych. Metoda ta może pomóc w odpowiedzi na kluczowe pytania w dziedzinie badań nad czasoprzestrzenną aktywnością ludzi związanych z transmisją chorób w mikroskali, takich jak wpływ czasoprzestrzennej aktywności danej osoby na szansę na zakażenie lub to, jakie środowiska bądź zachowania czasoprzestrzenne prowadzą do wyższego ryzyka trajektorii. Dane mogą być gromadzone za pomocą przenośnych urządzeń GPS.Aplikacje do śledzenia w smartfonach z funkcją GPS, a także urządzenia wspomaganego GPS, takie jak to wykorzystane w niniejszym badaniu, które jest komercyjnym urządzeniem do śledzenia dzieci. Dane z trajektorii są zazwyczaj zapisywane w formie rekordów czasu, szerokości oraz długości geograficznej. Należy ustawić pożądany interwał czasowy w zależności od potrzeb aplikacji.W badaniach nad aktywnością czasowo-przestrzenną często pożądanym jest wyznaczenie najczęstszych odstępów czasu; należy przekonwertować dane do plików wartości rozdzielonych przecinkami (CSV) z osobnymi kolumnami odpowiednio dla identyfikatora rekordu, szerokości geograficznej, długości geograficznej oraz czasu. Następnie pliki CSV należy przekonwertować na powszechnie stosowany format plików systemów informacji geograficznej (GIS). Przy użyciu analizatora trajektorii należy załadować plik kształtu (shapefile) z poligonami budynków oraz inny plik kształtu z granicą obszaru badań.Ustaw odpowiednio ekstruzję budynków dla wyświetlania 3D oraz odpowiednią ekstruzję i przezroczystość warstwy granicznej, aby wyświetlić kostkę czasoprzestrenną. Następnie otwórz trajektorię w kostce czasoprzestrzennej, w której wymiary XY reprezentują przestrzeń, a wymiar Z reprezentuje czas; do preprocessingu dostępne są dwie opcje.Zaszumione surowe dane trajektorii można wybrać z listy rozwijanej w menu wstępnego przetwarzania. W przypadku wybrania opcji interaktywnej tworzona jest projekcja 2D trajektorii 3D w celu ułatwienia przeglądania i zaznaczania.Manipuluj wyświetlaniem 3D, aby zbadać surową trajektorię w przestrzeni i czasie. Zidentyfikuj błędy w danych na podstawie kształtu, prędkości i/lub topologii segmentów ścieżki. Zazwyczaj punkty ścieżki o nierealistycznie wysokiej prędkości lub nagłej zmianie kierunku sygnalizują błędy; zaznacz je i usuń z trajektorii 3D lub jej projekcji 2D.Grupa punktów śledzenia o rozproszonym kształcie przestrzennym i długim czasie trwania w wymiarze czasowym wskazuje na błędy, które najprawdopodobniej są spowodowane przebywaniem w pomieszczeniach, gdzie sygnał GPS jest słaby. Po wybraniu grupy takich punktów program może obliczyć przestrzenno-czasowy OID wybranych punktów, a następnie skorygować tor śledzenia tak, aby przebiegał przez ten OID. Alternatywnie, po wybraniu opcji automatycznej z menu wstępnego przetwarzania, należy ustawić lokalizacje wejściowe i wyjściowe oraz parametry empiryczne określające nienaturalnie wysoką prędkość i gwałtowne zwroty punktów.Program przeszukuje załadowane dane trajektorii i uruchamia się automatycznie w oparciu o algorytm naśladujący metodę wizualnego wykrywania błędów. Segmentacja trajektorii wymaga warstwy budynku, dlatego należy upewnić się, że plik kształtu budynku jest gotowy. Aby uruchomić tę funkcję, kliknij narzędzie segmentacji na pasku narzędzi.Zdefiniuj dane wejściowe i wyjściowe oraz wskaż plik z kształtem budynków jako warstwę referencyjną. Użyj nazw budynków do etykietowania podzielonej trajektorii. Algorytm identyfikuje segmenty wewnętrzne na podstawie określonych lub domyślnych kryteriów, takich jak prędkość i czas trwania punktów ścieżki, a także na podstawie topologii przestrzennej.W odniesieniu do budynków, kliknij narzędzie do podsumowania przestrzeni aktywności, aby załadować posegmentowane trajektorie i obliczyć wybrane atrybuty podsumowujące w celu scharakteryzowania przestrzeni aktywności, takie jak całkowita aktywność, promień, promień w określonym przedziale czasowym, stosunek całkowitego czasu spędzonego wewnątrz i na zewnątrz budynków i tak dalej. Atrybuty te można wyeksportować do arkusza kalkulacyjnego do celów modelowania ilościowego. Powierzchnia gęstości pokazuje gęstość aktywności w przestrzeni przy zredukowanym wymiarze czasowym.Z rozwijanej listy menu mapowania powierzchni gęstości dostępne są trzy opcje. Jeśli wybrana zostanie opcja gęstości punktów ścieżki, należy wypełnić okno dialogowe informacjami wejściowymi i wyjściowymi, a następnie wybrać wyświetlanie w formacie 3D lub 2D. Wszystkie wierzchołki z danych trajektorii są wykorzystywane do obliczenia gęstości jądra punktów, jak pokazano tutaj.Jeśli wybrana zostanie gęstość ścieżek (track path density), algorytm oblicza i wyświetla gęstość poszczególnych przebytych ścieżek. Jeśli wybrana zostanie opcja gęstości punktów zreprobkowanych (resampled point density), algorytm przeprowadza reprobkowe próbkowanie danych trajektorii przy użyciu ustalonego odstępu czasu i mapuje gęstość punktów rozłożonych równomiernie w czasie. Opcja ta została zaprojektowana dla urządzeń śledzących, które zbierają punkty w nieregularnych odstępach czasu ze względu na zmienną czułość urządzeń w różnych warunkach fizycznych lub w przypadku trajektorii segmentowanych.Tutaj przedstawiono dwuwymiarowe (2D) i trójwymiarowe (3D) powierzchnie gęstości ssegmentowanych trajektorii. Jeśli dla którejkolwiek z opcji wybrano ogniskowanie czasowe, można je przeprowadzić w celu zbadania wzorców aktywności w różnych przedziałach czasowych. Przykładowo, można zwizualizować powierzchnie gęstości aktywności o różnych porach dnia, aby łatwo zidentyfikować punkty zapalne w czasie; wizualizacja objętości gęstości czasowej wykorzystuje koncepcję kostki czasoprzestrzennej, podobnie jak w wizualizacji trajektorii.Podstawą takiej wizualizacji jest podział przestrzeni na voksele. Metoda zastosowana tutaj do wizualizacji objętości gęstości polega najpierw na oszacowaniu objętości gęstości w poszczególnych vokselach poprzez zliczenie liczby trajektorii czasoprzestrzennych przecinających dane voksele. W przypadku wizualizacji objętości gęstości dostępne są te same trzy opcje, co w przypadku wizualizacji powierzchni gęstości.Następnie należy kliknąć jedną z opcji, aby uruchomić interfejs wizualizacji wolumetrycznej 3D do interaktywnego renderowania objętości. Poprzez ustawienie liczby podziałów wzdłuż każdej osi można badać klastry w różnych skalach. Do ustawienia przerysowania pionowego w celu lepszej wizualizacji wykorzystuje się współczynnik Z.W celu wspomagania wizualizacji można również załadować warstwę referencyjną, np. budynki. Wyniki renderowania objętościowego można interaktywnie dostosowywać poprzez manipulowanie funkcją transferu, która steruje mapowaniem gęstości na kolor. Dostępna jest procedura tworzenia serii animowanych do wyświetlania w programie Google Earth.W innej opcji kliknij eksport do KML dla EDA, aby uzyskać dostęp do tej procedury; tworzy ona plik KML, który otwiera się w programie Google Earth w celu interaktywnej animacji trajektorii. Można śledzić trajektorię, przemieszczając się po środowisku w czasie poprzez przewijanie osi czasu. W programie Google Earth dostępna jest procedura wizualizacji połączeń między interesującymi miejscami za pomocą analizy połączeń.Na przykład połączenia między różnymi budynkami na kampusie uniwersyteckim są wyprowadzane z podzielonych danych trajektorii zebranych przez studentów na podstawie wyznaczonych połączeń; w ten sposób można zidentyfikować punkty koncentracji (hotspoty), takie jak budynki z największym ruchem wyjazdowym lub wjazdowym, oraz węzły łączące najbardziej uczęszczane miejsca. Dane trajektorii zostały zebrane przez studentów studiów licencjackich z Keen University w ramach wolontariatu wiosną 2010 roku. Celem było zbadanie wzorców aktywności studentów, którzy zachorowali na grypę, w porównaniu do tych, którzy nie zachorowali.W celu zilustrowania przedstawionych w niniejszym opracowaniu metod i procedur, do wygenerowania reprezentatywnych wyników wykorzystano trajektorie zebrane na obszarze kampusu podmiejskiego. Przedstawiona jest tutaj reprezentacja trajektorii w formie kostki czasoprzestrzennej w odniesieniu do budynków na kampusie uniwersyteckim. Surowe dane zebrane przez studenta rejestrującego jeden dzień swojej aktywności na kampusie za pomocą urządzenia A GPS ujawniają, że długotrwałe pobyty wewnątrz budynków spowodowały powstanie szumów w danych, co objawia się poszarpanym fragmentem ścieżki.Jest to bardzo powszechne w danych dotyczących trajektorii pieszych. Rycina ta przedstawia przetworzoną wstępnie i posegmentowaną trajektorię, natomiast tutaj zaprezentowano przetworzoną wstępnie i posegmentowaną trajektorię z kolorowo oznaczonymi segmentami wewnętrznymi i zewnętrznymi w kostce czasoprzestrzennej. Przedstawiono tutaj mapowanie powierzchni gęstości zestawu trajektorii.Można zwizualizować surowe punkty śledzenia wykorzystane do wykonania mapowania gęstości punktów śledzenia oraz powstałą w wyniku tego mapę gęstości. Z drugiej strony można również mapować gęstość przebytych ścieżek. Mapowanie gęstości jest szczególnie użyteczne podczas analizowania dużej liczby trajektorii.Mapa ta przedstawia łącznie 470 trajektorii. Powierzchnia gęstości może być również wyświetlana w reprezentacjach 2D i 3D z wykorzystaniem punktów prze samplerowanych z tych trajektorii. Oprócz interaktywnej prezentacji wymiaru czasowego w sześcianie czasoprzestrzennym, zmienna czasu może być przetwarzana poprzez ogniskowanie czasowe w celu zbadania wzorców przestrzennych w różnych okresach.Poniżej przedstawiono przykłady takiej analizy. Wykorzystano zestaw danych próbkowych zawierający dane o trajektoriach zebrane przez studentów podczas sezonu grypowego. Wyraźnie widać, że ich aktywności koncentrują się wokół różnych lokalizacji w ciągu dnia.Aby ostatecznie uzyskać złożoną mapę gęstości aktywności, na dole można również przeprowadzić renderowanie objętościowe gęstości, jak pokazano tutaj; wykrycie wzorców jest utrudnione, jeśli wszystkie ścieżki czasoprzestrzenne są wizualizowane w kostce czasoprzestrzennej. Ze względu na nadmiar elementów wizualnych, odpowiednie dane są przedstawione w formie renderowania objętościowego gęstości. Cztery ilustracje reprezentują różne ustawienia funkcji transferu programu do renderowania gęstości, a tym samym podkreślają objętości gęstości w różnych zakresach częstotliwości.Inną metodą wyszukiwania punktów zapalnych (hotspots) jest analiza połączeń. Przedstawiono tutaj połączenia liniowe pomiędzy wszystkimi budynkami na kampusie. Podświetlone budynki to te, które charakteryzują się największym wolumenem ruchu wychodzącego.Tutaj przedstawiono te same połączenia, przy czym najczęściej uczęszczane zostały wyróżnione na czarno. Podczas wykonywania tej procedury należy pamiętać o rozpoczęciu od etapu wstępnego przetwarzania przed przejściem do segmentacji, analizy eksploracyjnej i innych metod wizualizacji zgodnie z opisaną procedurą. W celu odpowiedzi na dodatkowe pytania, takie jak wpływ aktywności, przestrzeni i sekwencji na prawdopodobieństwo infekcji, można zastosować inne metody, m.in. analizę statystyczną atrybutów, kategoryzację przestrzeni aktywności lub analizę sekwencji, na przykład dopasowanie sekwencji.

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

Research

JoVE Journal

Biology

Biologia

Analizy danych trajektorii dla badania aktywności przestrzenno-czasowej pieszych

Ten protokół jest używany do oceny przestrzennych i czasowych zmiennych chodu pacjentów neurologicznych/ortopedycznych i osób starszych za pomocą niedawno wprowadzonego systemu fotokomórek opartych na podłodze.

Kliniczna ocena parametrów chodu czasoprzestrzennego u pacjentów i osób starszych

Przedstawiono protokół do charakterystyki zachowania pieszych w terenie i symulacji wynikającej z tego reakcji strukturalnej. Testy terenowe pokazują, że zidentyfikowane in situ tempo stymulacji i tempo synchronizacji między uczestnikami stanowią istotny wkład w symulację i weryfikację obciążeń wywołanych przez człowieka.

Symulacja drgań wywołanych przez człowieka w oparciu o scharakteryzowane zachowanie pieszych w terenie

Celem było uzasadnienie optymalnego wykorzystania technik zbierania danych do analizy chodu i postawy nordic walking. Trójwymiarowe przechwytywanie ruchu powinno być stosowane podczas analizy krótkotrwałej (tj. pojedynczego cyklu chodu), podczas gdy akcelerometria powinna być stosowana do analizy o dłuższym czasie trwania (tj. powtarzających się cykli), takich jak 6-minutowy test chodu.

Uzasadnienie odpowiednich technik przechwytywania ruchu do oceny chodu i postawy nordic walking u osób starszych

Tutaj prezentujemy nowatorski protokół do pomiaru stabilności pozycyjnej w kluczowych momentach podczas jazdy z pozycji siedzącej do stojącej i chodzącej, wykorzystując środek nacisku do odległości środka ciężkości całego ciała. Zostało to wyprowadzone z platformy siłowej i technologii trójwymiarowego przechwytywania ruchu. Paradygmat jest wiarygodny i może być wykorzystany do oceny osób z zaburzeniami neurologicznymi.

Siedzenie, stanie i chodzenie od 120% wysokości kolan: nowatorskie podejście do oceny dynamicznej kontroli postawy niezależnie od kończyny prowadzącej

Ten manuskrypt opisuje metodę testowania równoczesnej ważności pomiarów kinematycznych zarejestrowanych przez aplikację na smartfony w porównaniu z systemem przechwytywania ruchu 3D w płaszczyźnie strzałkowej. Protokół ten umożliwi lekarzom skonfigurowanie smartfonów do rejestrowania ruchu człowieka.

Wideoanaliza ruchu za pomocą smartfonów (ViMAS): badanie pilotażowe

W tym badaniu przedstawiono przyjazną dla klinicystów metodę trójwymiarowej analizy chodu, która została zaprojektowana do przeprowadzenia w klinice rehabilitacyjnej. Metoda składa się z uproszczonej metody pomiaru i intuicyjnych danych liczbowych, które ułatwiają lekarzom zrozumienie wyników.

Klinicznie zorientowana metoda trójwymiarowej analizy chodu do oceny zaburzeń chodu

Ten protokół opisuje użycie symulatora chodu, który służy jako bezpieczna i ekologicznie poprawna metoda badania zachowania pieszych w obecności ruchu ulicznego.

Wykorzystanie symulatora chodu w wirtualnej rzeczywistości do badania zachowań pieszych

Ten artykuł opisuje materiał i metodę opracowaną do badania organizacji posturalnej inicjacji chodu. Metoda opiera się na zapisach platformy siłowej i na bezpośredniej zasadzie mechaniki do obliczania kinematyki środka ciężkości i środka nacisku.

Posturalna organizacja inicjacji chodu do analizy biomechanicznej z wykorzystaniem nagrań platformy siłowej

Testowanie wrażliwości wizualnej u jaszczurek przy operant paradygmat klimatyzacji, która zatrudnia odtwarzania wideo losowych punktów, kinematograms i generowanych komputerowo bezkręgowców.

Badania wizualne Wrażliwość na prędkość i kierunek ruchu w Jaszczurki

Bodźce wygenerowane komputerowo z wykorzystaniem smoka Jacky jako modelu.

Komputerowo generowane bodźce dla modeli zwierzęcych

Poznaj metody analizy trajektorii GPS do modelowania aktywności czasoprzestrzennej pieszych. Techniki wizualizacji gęstości i przestrzenno-czasowe ujawniają ukryte wzorce ruchu w danych przestrzennych.

Analizy danych trajektorii dla badania aktywności czasoprzestrzennej pieszych

Przeglądaj więcej filmów