Траектория Анализ данных для пешеходного пространства-времени активность исследование

Общая цель этой процедуры заключается в моделировании пространственно-временной деятельности пешеходов с помощью пространственно-временного анализа и визуализации данных о траекториях движения человека. Это достигается путем сбора подробных данных глобальной системы позиционирования или GPS и загрузки данных в анализатор траекторий. Второй шаг — предварительная обработка и сегментация данных о траектории.

Далее охарактеризованы пространства деятельности индивидов. Последним шагом является изучение пространственно-временных закономерностей через плотность, отображение поверхности, плотность, объемный рендеринг или и то, и другое. В конечном счете, используются другие методы исследовательского анализа данных и визуализации, чтобы показать дополнительные скрытые закономерности в данных.

Основное преимущество этого метода перед существующими методами, такими как расширение FGIS, разработанное SHNU для анализа пространственно-временных траекторий, заключается в том, что мы не только предоставляем интерфейс для интерактивной визуализации траекторий, но и фокусируемся на методе обработки, который заключается в том, что очистка данных траектории маршрута сегментирует их, извлекает свойства из данных TR и исследовательский анализ для обнаружения закономерностей из большого количества данных траекторий. Этот метод может помочь ответить на ключевые вопросы в области исследований пространственно-временной активности человека, связанные с микромасштабной передачей заболеваний, например, как пространственно-временная активность влияет на вероятность заражения, или какие условия или поведение в пространстве-времени приводят к траектории более высокого риска. Данные могут собираться с помощью портативных GPS-устройств.

Приложения для слежения за смартфонами с поддержкой GPS, а также вспомогательные устройства GPS, такие как используемое. В этом исследовании, которое представляет собой коммерческую траекторию устройства слежения за ребенком, данные обычно сохраняются в виде записей о времени, широте и долготе. Желаемый интервал времени должен быть установлен в зависимости от потребностей приложения.

Часто наиболее частый интервал желателен для исследований пространственно-временной активности, преобразуя данные в значения, разделенные запятыми, или в файлы CSV с отдельными столбцами для идентификатора записи, широты, долготы и времени соответственно. Затем преобразуйте файлы CSV в широко используемые географические информационные системы или формат файлов ГИС. Загрузите в фигурный файл полигоны зданий и еще один контур исследуемой территории с помощью траекторного анализатора.

Установите выдавливание зданий для 3D-отображения и правильно установите выдавливание и прозрачность пограничного слоя для отображения куба пространства-времени. Затем откройте траекторию в кубе пространство-время с измерениями XY, представляющими пространство, и измерением Z. Что касается времени, то для предварительной обработки доступны два варианта.

Зашумленные исходные данные траектории можно выбрать из выпадающего списка меню предварительной обработки. Если выбран интерактив. Для удобства просмотра и выбора создается 2D-проекция 3D-траектории.

Манипулируйте 3D-дисплеем, чтобы изучить исходную траекторию в пространстве и времени. Выявляйте ошибки в данных на основе формы, скорости и/или топологии сегментов пути. Обычно точки слежения с нереалистичной высокой скоростью или резкой сменой направления указывают на ошибки, выделяют и удаляют их либо из 3D траектории, либо из ее 2D проекции.

Скопление точек трека с остроконечными формами в пространстве и большой временной продолжительностью означают ошибки, которые, скорее всего, вызваны внутренними местами со слабым сигналом GPS. Если выбрана группа этих точек, программа может рассчитать пространственно-временной OID выбранных точек, а затем настроить трек для прохождения через OID. В качестве альтернативы, если в меню предварительной обработки выбран автоматический режим, задайте места входа и выхода, а также эмпирические параметры, определяющие аномально высокую скорость и резкий поворот точек.

Программа выполняет поиск по загруженным данным о траектории и запускается автоматически на основе алгоритма, который имитирует подход к визуальному обнаружению ошибок. Для сегментации траектории требуется слой здания, поэтому убедитесь, что файл формы здания готов. Щелкните инструмент сегментации на панели инструментов, чтобы запустить функцию.

Задайте входные и выходные данные и найдите файл формы здания в качестве опорного слоя. Используйте названия зданий для обозначения сегментированной траектории. Алгоритм идентифицирует внутренние сегменты на основе заданных или стандартных критериев, таких как скорость и продолжительность точек трека, а также пространственная топология.

Что касается зданий, щелкните инструмент суммирования пространства активности, чтобы загрузить сегментированные траектории и рассчитать выбранные суммарные атрибуты для характеристики пространства активности, такие как общая активность, радиус, радиус в определенный период времени, соотношение общего времени, проведенного в помещении и на открытом воздухе, и так далее. Атрибуты могут быть экспортированы в электронную таблицу для использования в количественном моделировании. Поверхность плотности показывает плотность активности в пространстве со свернутой временной размерностью.

В раскрывающемся списке меню отображения плотности поверхностей доступны три варианта. Если выбрана опция плотности точек трека, заполните диалоговое окно входной и выходной информацией и выберите отображение в 3D или 2D. Все вершины из данных траектории используются для вычисления ядерных плотностей точек, как показано здесь.

Если выбрана плотность пути трека, алгоритм вычисляет и отображает плотность отдельных пройденных путей. Если выбрана опция плотности пересчитанных точек, алгоритм пересчитывает данные траектории с использованием заданного интервала времени и отображает плотности точек, равномерно распределенных во времени. Этот вариант предназначен для устройств слежения, которые собирают точки слежения через нерегулярные промежутки времени из-за различной чувствительности устройств при различных физических условиях или сегментированных траекториях.

Здесь показана 2D и 3D плотностная поверхность сегментированных траекторий. Если для любого из вариантов выбрана временная фокусировка, временная фокусировка может быть выполнена для изучения паттернов активности в разные периоды времени. Например, поверхности плотности активности в разное время суток могут быть визуализированы для легкой идентификации горячих точек по плотности времени; объемная визуализация использует понятие куба пространства-времени, как и при визуализации траекторий.

В основе такой визуализации лежит разукрупнение пространства на воксели. Подход, используемый здесь для визуализации объема плотности, сначала оценивает объем плотности в отдельных вокселях путем подсчета количества треков пространства-времени, которые пересекаются с вокселями. Для визуализации плотности, объема доступны те же три варианта, что и для визуализации плотности поверхности.

Затем нажмите на один из вариантов, чтобы запустить интерфейс 3D объемной визуализации для интерактивного объемного рендеринга. Установив количество делений по каждой оси, можно рассмотреть кластеры в разных масштабах. Коэффициент Z используется для установки вертикального преувеличения для лучшей визуализации.

Базовый слой, такой как здания, также может быть загружен для облегчения визуализации. Результаты объемного рендеринга могут быть интерактивно скорректированы путем манипулирования передаточной функцией, которая управляет сопоставлением от плотности к цвету. Доступна процедура для создания анимационных серий для отображения в Google Планета Земля.

При другом нажатии кнопки «Экспорт в KML», чтобы EDA получила доступ к этой процедуре, создается файл KML, который открывается в Google Earth для интерактивной анимации траектории. Можно следовать траектории для путешествия по окружающей среде во времени, прокручивая временную шкалу. В Google Earth доступна процедура визуализации связей между объектами интереса с помощью анализа соединений.

Например, соединения между различными зданиями в университетском кампусе выводятся из сегментированных данных о траекториях, которые были собраны студентами на основе производных горячих точек подключений, таких как здания с наибольшим объемом исходящего или входящего трафика, и узлы, соединяющие места с наибольшим трафиком. Данные о траектории были собраны студентами-добровольцами из Университета Кина весной 2010 года. Цель состояла в том, чтобы изучить модели активности студентов, которые заболели гриппом, по сравнению с теми, кто не заразился.

Чтобы проиллюстрировать методы и процедуры, представленные в этой статье, для получения репрезентативных результатов были использованы траектории, собранные в пригородной зоне кампуса. Здесь показано представление траектории в виде куба пространства-времени относительно зданий на территории университетского кампуса. Необработанные данные, собранные студентом, записывающим один день своей деятельности в кампусе с помощью устройства A GPS, показывают, что некоторая длительная продолжительность пребывания в помещении привела к появлению шумных данных, обозначенных остроконечной частью трека.

Это очень распространено в данных о траекториях движения пешеходов. На этом рисунке представлена предварительно обработанная и сегментированная траектория, в то время как здесь представлена предварительно обработанная и сегментированная траектория с цветными сегментами внутри и снаружи в кубе пространства-времени. Здесь показано картографирование плотности поверхности набора траекторий.

Можно визуализировать исходные точки трекинга, участвующие в выполнении опции сопоставления плотности точек трека, и результирующую карту плотности. И наоборот, плотность пройденных путей также может быть отображена на карте. Картографирование плотности особенно полезно при анализе большого количества траекторий.

Всего на этой карте показано 470 траекторий. Поверхность плотности также может быть отображена в 2D и 3D представлениях с использованием пересчитанных точек с этих траекторий. В дополнение к интерактивному отображению временного измерения в кубе пространства-времени, временная переменная может быть обработана с помощью временной фокусировки для изучения пространственных закономерностей в различные периоды времени.

Ниже приведены примеры такого анализа. Использование примера набора данных, содержащего данные о траекториях, собранные учащимися во время сезона гриппа. Очевидно, что их деятельность сосредоточена вокруг разных мест в течение дня.

Чтобы в конечном итоге привести к составной карте плотности активности на нижней плотности, также можно выполнить объемную визуализацию, как показано здесь, трудно обнаружить закономерности, если все пространственно-временные треки визуализируются в кубе пространство-время. Из-за визуального беспорядка здесь соответствующие данные визуализируются в виде объемного рендеринга плотности. На четырех иллюстрациях представлены различные настройки передаточной функции программы рендеринга плотности и, таким образом, выделены объемы плотности в разных частотных диапазонах.

Еще один способ поиска горячих точек — анализ соединений. Здесь показаны прямые соединения между всеми зданиями кампуса. Выделены здания с наибольшим объемом исходящего трафика.

Здесь показаны те же соединения, которые чаще всего трафикуются, выделены черным цветом. При выполнении этой процедуры важно помнить о том, что необходимо начать с этапа предварительной обработки, прежде чем переходить к сегментации, исследовательскому анализу и другим методам визуализации. Другие методы, такие как статистический анализ атрибутов, категоризация пространства активности или анализ последовательностей, такой как выравнивание последовательностей, могут быть выполнены для ответа на дополнительные вопросы, такие как то, как активность, пространство и последовательности могут повлиять на вероятность заражения.