Summary
وتعرض مجموعة من الطرق وتجهيز الزمانية المكانية لتحليل البيانات مسار الإنسان، مثل تلك التي تم جمعها باستخدام جهاز GPS، لغرض أنشطة النمذجة الزمكان المشاة.
Abstract
ومن المعروف جيدا أن حركة الإنسان في الأبعاد المكانية والزمانية لديها تأثير مباشر على المرض انتقال 1-3. مرض معد ينتشر عادة عن طريق الاتصال بين الأفراد المصابين وعرضة في المساحات النشاط المتراكبة. ولذلك، يمكن استخدام اليومي التنقل والنشاط المعلومات كمؤشر لقياس التعرض للعوامل الخطر للإصابة. ومع ذلك، فإن الصعوبة الرئيسية، وبالتالي سبب ندرة الدراسات من انتقال الأمراض المعدية على نطاق الصغيرة تنشأ من عدم وجود بيانات مفصلة تنقل الأفراد. سابقا في مجال النقل والسياحة أبحاث مفصلة بيانات النشاط الفضائي في الوقت تعتمد في كثير من الأحيان على تقنية مذكرات الزمكان، الأمر الذي يتطلب لتسجيل المواد الدراسية بنشاط أنشطتها في الزمان والمكان. هذا وتطالب جدا للمشاركين والتعاون من المشاركين يؤثر بشكل كبير على جودة البيانات 4.
حديثجعلت تقنيات مثل GPS والاتصالات المتنقلة من الممكن جمع البيانات التلقائي للمسار. البيانات التي تم جمعها، ولكن، ليست مثالية لنمذجة الإنسان الزمكان الأنشطة، محدودة بسبب دقة الأجهزة الموجودة. لا توجد أيضا أي أداة متاحة بسهولة للتجهيز الفعال للبيانات لدراسة السلوك البشري. نقدم هنا مجموعة من الأساليب ومتكاملة تستند إلى سطح المكتب برنامج ArcGIS اجهة مرئية للتحاليل ما قبل المعالجة والزمانية المكانية للبيانات مسار. نحن نقدم أمثلة على الكيفية التي يمكن أن تستخدم هذه المعالجة في تصميم نموذج الإنسان الزمكان الأنشطة، خاصة مع غنية الخطأ البيانات مسار للمشاة، التي يمكن أن تكون مفيدة في الدراسات الصحية العامة مثل الأمراض المعدية النمذجة الإرسال.
الإجراء يشمل قدمت قبل تجهيز تجزئة المسار، والنشاط توصيف الفضاء، وتقدير كثافة والتصور، وعدد قليل آخر من أساليب التحليل استكشافية. قبل معالجة التحويلز هو تنظيف صاخبة البيانات مسار الخام. ونحن نقدم تفاعلية البصرية السابقة للتجهيز واجهة وكذلك وحدة نمطية التلقائي. تجزئة المسار 5 على تحديد أجزاء داخلية وخارجية من المسارات الفضاء لمرة قبل معالجتها. مرة أخرى، دعم كلا تجزئة البصرية التفاعلية وتنويع قطاعات التلقائي. ثم تحليلها مجزأة الزمكان لاستخلاص المسارات خصائص الفضاء النشاط واحد مثل دائرة نصف قطرها النشاط وما إلى ذلك تقدير الكثافة والتصور وتستخدم لفحص كمية كبيرة من البيانات في تصميم نموذج مسار النقاط الساخنة والتفاعلات. علينا أن نبرهن على حد سواء رسم الخرائط السطحية كثافة 6 و كثافة جعل حجم 7. نحن تشمل أيضا اثنين من غيرها من تحليل البيانات استكشافية (EDA) وتصورات الأدوات، مثل دعم جوجل الأرض للرسوم المتحركة وتحليل الاتصال. ويمكن تطبيق مجموعة من التحليلية وكذلك الأساليب البصرية المعروضة في هذه الورقة إلى أية بيانات مسار لياليدراسات النشاط تيرة الوقت.
Protocol
1. الحصول على البيانات
- ويمكن جمع البيانات مع وحدات GPS مسار محمول وGPS تمكين تتبع الهاتف تطبيقات الذكية، فضلا عن نظام A-GPS (نظام تحديد المواقع بمساعدة) أجهزة مثل واحد العاملين في دراستنا، وتعقب الأطفال تجارية الجهاز.
- يتم حفظ البيانات عادة مسار من حيث الوقت خطوط العرض خط الطول السجلات. يجب تعيين فاصل زمني المطلوب على أساس احتياجات التطبيق. في كثير من الأحيان هو المطلوب الفاصل الأكثر شيوعا للدراسات النشاط الفضائي في الوقت.
- تحويل البيانات إلى قيم مفصولة بفواصل، أو ملفات CSV مع أعمدة منفصلة لمعرف السجل، خطوط العرض والطول، ومرة، على التوالي. ثم تحويل الملفات. CSV شائعة الاستخدام في نظم المعلومات الجغرافية (GIS) تنسيق ملف (أي ESRI بحلقات 8).
- تحميل بحلقات في المضلعات وبناء آخر من حدود منطقة الدراسة مع محلل مسار. تعيين "البثق" المباني بشكل صحيح لدي 3Dووسع تعيين "قذف" و "الشفافية" من الطبقة الحدودية بشكل صحيح لعرض المكعب الزمكان 6 و 9 مع العاشر، Y تمثل أبعاد الفضاء والبعد Z يمثل الوقت.
2. قبل المعالجة
- هناك خياران لمرحلة ما قبل تجهيز البيانات الخام مسار صاخبة. يمكن للمرء أن يختار من القائمة المنسدلة من القائمة السابقة للتجهيز.
- إذا ما تم اختيار "التفاعلية"، يتم إنشاء الإسقاط 2D 3D من مسار للعرض سهلة والاختيار. التلاعب في عرض 3D لدراسة مسار الخام في المكان والزمان. تحديد الأخطاء في البيانات استنادا إلى السرعة والشكل و / أو طوبولوجيا من شرائح المسار. نقاط المسار عادة (الرؤوس) مع سرعة عالية غير واقعية أو التغيير المفاجئ الاتجاه دلالة أخطاء. حدد وإزالتها من المسارات الأصلي. حدد وإزالتها من مسار إما 3D أو 2D توقعاته.
- هناك مجموعة من النقاط مع المسار شاء شائكالدائرة العامة (الشكل 1) مكانيا وزمنيا مدة طويلة دلالة على الأخطاء التي ربما هي الأكثر الناجمة عن المواقع GPS داخلي حيث الإشارة ضعيفة. إذا تم تحديد مجموعة من هذه النقاط، يمكن للبرنامج حساب النقطة الوسطى الزمانية المكانية من النقاط المحددة وضبط المسار من خلال الذهاب الى النقطة الوسطى.
- بدلا من ذلك، إذا ما تم اختيار 'التلقائي' من القائمة السابقة للتجهيز، ضبط الإدخال والإخراج المواقع وكذلك المعلمات التجريبية التي تحدد سرعة غير طبيعية تحول مفاجئ وارتفاع من النقاط. عمليات البحث من خلال برنامج مسار البيانات المحملة ويعمل تلقائيا على أساس خوارزمية الذي يحاكي نهج الكشف عن الخطأ البصرية.
3. الإنقسام مسار ونشاط توصيف الفضاء
- تجزئة المسار يتطلب بناء طبقة، لذا تأكد من تحميل ملف شكل المبنى.
- انقر فوق الأداة تجزئة في شريط الأدوات لبدء وظيفة.تعيين المدخلات والمخرجات ووضع الملف كما شكل بناء طبقة المرجعية. استخدام أسماء لتسمية بناء مسار مجزأة. الخوارزمية يحدد شرائح داخلية بناء على معايير محددة أو الافتراضية مثل السرعة، والمدة، وغير ذلك من النقاط المسار، فضلا عن طوبولوجيا المكانية وعلاقتها المباني.
- انقر فوق تلخيص الفضاء أداة لتحميل النشاط في مسارات مجزأة وحساب ملخص سمات المحددة لوصف مساحة واحدة النشاط، مثل دائرة نصف قطرها النشاط الكلي، طول في فترة زمنية معينة، ونسبة من إجمالي الوقت المنفق في الداخل مقابل في الهواء الطلق، وهلم جرا.
- يمكن تصدير سمات إلى جدول بيانات للاستخدامات النمذجة الكمية.
4. الكثافة السطحية رسم الخرائط
- يظهر سطح كثافة كثافة الأنشطة في الفضاء مع البعد الزمني انهارت. ثلاثة خيارات متاحة من القائمة المنسدلة من القائمة رسم الخرائط كثافة السطح.
- إذا تم تحديد الخيار "نقطة المسار الكثافة"، في ملء مربع الحوار مع المدخلات والمخرجات والمعلومات اختيار عرض إما في 3D أو 2D. وتستخدم كل القمم من البيانات لحساب كثافة مسار النواة من النقاط. ويبين الشكل 2 سطح الكثافة.
- إذا تم تحديد "مسار كثافة المسار '، الخوارزمية بحساب ويعرض كثافة المسارات الفردية السفر (الشكل 3).
- إذا تم تحديد الخيار 'إعادة كثافة عينات نقطة، خوارزمية إعادة عينات البيانات باستخدام مسار فاصل زمني مجموعة والخرائط كثافة من النقاط موزعة بالتساوي في الوقت المناسب. تم تصميم هذا الخيار للأجهزة التعقب التي تتبع جمع النقاط في فترات زمنية غير منتظمة بسبب حساسية متفاوتة من الأجهزة المختلفة في ظل ظروف مادية أو مسارات مجزأة. ويبين الشكل 4 السطوح الكثافة 2D و 3D من مسارات مجزأة.
- إذا تم تحديد "التركيز الزمني" لنيويورك من الخيارات المذكورة أعلاه، يمكن إجراء الزمنية لدراسة تركز 10 أنماط النشاط في فترات زمنية مختلفة. على سبيل المثال، قد السطوح كثافة النشاط في أوقات مختلفة في يوم واحد يمكن تصور لسهولة تحديد النقاط الساخنة عبر الزمن (الشكل 5).
5. الكثافة تقدير حجم وحدة التخزين التقديم
- كثافة حجم التصور يستخدم مفهوم مكعب الزمكان كما هو الحال في تصور مسارات. جوهر التصور هذا هو تفصيل في الفضاء voxels 11. نهجنا في تصور حجم الكثافة الأولى تقدر حجم الكثافة في voxels الفردية عن طريق حساب عدد الزمكان المسارات التي تتقاطع مع voxels. يمكن للمرء أن انقر فوق "حساب حجم الكثافة" في إطار التصور القائمة كثافة حجم لهذه الخطوة.
- نفس ثلاثة خيارات متاحة لتصور حجم الكثافة أما التصور سطح الكثافة.
- انقر فوق التالي 'تقديم وحدة تخزين "لإطلاق التصور 3D حجم واجهة تفاعلية لتقديم حجم 12. عن طريق تعيين عدد من الانقسامات على طول كل محور، يمكن للمرء أن دراسة المجموعات على مستويات مختلفة. ويستخدم Z-عامل لضبط الرأسي للمبالغة أفضل التصور. يمكن تحميل A طبقة مرجعية مثل المباني لمساعدة التصور أيضا. ويمكن تقديم نتائج تعديل حجم تفاعلي عن طريق التلاعب وظيفة النقل التي تسيطر على التعيين من كثافة اللون. (الشكل 6).
6. تحليل بيانات استطلاعية أخرى (EDA) والمرئيات
- A إجراء لإنشاء سلسلة الرسوم المتحركة ليتم عرضها في Google Earth. تحت "أخرى"، انقر فوق "تصدير إلى KML لجمعية الإمارات للغوص" للوصول إلى هذا الإجراء. يقوم بإنشاء ملف KML 13 الملف الذي يفتح في برنامج Google Earth للرسوم المتحركة التفاعلية للمسار.
- يمكن للمرء أن تتبع مسار لtraveL البيئة في وقت عن طريق التمرير على طول الخط الزمني في برنامج Google Earth.
- A إجراء لتصور الروابط بين الأماكن ذات الأهمية من خلال "التحليل الاتصال". على سبيل المثال، وتستمد اتصالات بين المباني المختلفة في حرم جامعة من بيانات مجزأة مسار التي تم جمعها من قبل الطلاب (الشكل 7).
- بناء على اتصالات المستمدة، والنقاط الساخنة مثل تلك المباني مع مرور معظم الصادرة أو الواردة والمحاور التي تربط يمكن تحديد أكثر الأماكن المتاجر بهم.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
تم جمع البيانات عن طريق التطوع مسار طلاب المرحلة الجامعية من جامعة كين (NJ، الولايات المتحدة الأمريكية) في ربيع عام 2010. وكان الغرض من دراسة أنماط النشاط من الطلاب الذين اشتعلت الأنفلونزا (تشخيص من قبل الطبيب أو تشخيص الذاتي) بالمقارنة مع أولئك الذين لم يفعلوا ذلك. من أجل توضيح الأساليب والإجراءات الواردة في هذه الورقة اتخذنا مسارات جمع داخل منطقة الحرم الجامعي في الضواحي لتوليد نتائج ممثلة. مسارات داخل منطقة الحرم الجامعي في الغالب مسارات للمشاة، مع جزء صغير فقط الناتجة عن القيادة بين مختلف مواقف السيارات وخارج الحرم الجامعي.
يظهر تمثيل مكعب الفضاء لمرة ومسارات مع الإشارة إلى المباني داخل الحرم الجامعي في الشكل 1. الشكل 1A هي البيانات الخام التي تم جمعها من قبل طالب واحد في اليوم تسجيل نشاطه في الحرم الجامعي باستخدام جهاز AGPS (تعقب الطفل التجارية) . فمن OBvious أن بعض مدة طويلة من إقامة داخلية أسفرت عن بيانات صاخبة (المشار إليها جزء شائك للمسار). هذا أمر شائع جدا في مسار البيانات للمشاة. 1B الشكل يبين مسار ما قبل المعالجة ومجزأة. الشكل 1C يبين مسار ما قبل المعالجة ومجزأة مع مرمزة قطاعات داخلية وخارجية في المكعب الزمكان.
الأرقام 2-4 توضيح كثافة رسم الخرائط السطحية من مجموعة من المسارات. ويبين الشكل 2 نقاط تتبع الخام المشاركة لتنفيذ الخيار 'نقطة المسار الكثافة' رسم الخرائط (الشكل 2A) وخريطة الكثافة الناتجة (الشكل 2B). بدلا من تعيين الكثافة من نقطة التتبع، الشكل 3 خرائط كثافة من مسارات السفر. تعيين الكثافة مفيدة خاصة عند تحليل كمية كبيرة من المسارات. الشكل 4A يعرض مجموعه من 470 المسارات، وتشير الأرقام 4B و 4C تظهر على سطح كثافة في 2D (يسار) وتمثيلات 3D (يمين) باستخدام إعادة عينات من هذه المسارات نقطة.
بالإضافة إلى عرض تفاعلية للبعد الزمني في مكعب الزمكان، يمكن معالجة المتغير الوقت من خلال التركيز الزمنية لدراسة الأنماط المكانية في فترات زمنية مختلفة. ويبين الشكل 5 أمثلة على مثل هذا التحليل باستخدام مجموعة بيانات نموذج يحتوي على مسار البيانات التي تم جمعها من قبل الطلاب خلال موسم الانفلونزا. من الواضح أن تتركز أنشطتها حول مواقع مختلفة على مدار اليوم لتؤدي في النهاية إلى خريطة النشاط كثافة مركب في القاع.
ويتضح من مثال جعل حجم الكثافة في الشكل 6 الشكل 6A يوضح أنه من الصعب للكشف عن أنماط إذا كانت كافة المسارات الزمكان هي تصور في الفضاء لمرة ومكعب بسبب تجاهيو ايه ال يبعثر. الشكل 6B يبين حجم الكثافة تقديم نتائج المقابلة. الرسوم التوضيحية الاربع وإعدادات مختلفة من وظيفة نقل لدينا كثافة البرنامج تقديم، وبالتالي تسليط الضوء على حجم الكثافة في نطاقات التردد المختلفة.
طريقة أخرى لإيجاد النقاط الساخنة هي من خلال تحليل الاتصال. الشكل 7 يوضح نتيجة هذا التحليل مع العينة لدينا مجموعة البيانات. 7A يوضح الشكل اتصالات خط مستقيم بين جميع المباني في الحرم الجامعي. أبرز المباني هي تلك مع حجم حركة المرور أعلى الصادرة. 7B يوضح الشكل الاتصالات نفسها، ومعظم ضحايا الاتجار اتصالات المميزة.
الشكل 1. قبل تجهيز وsegmen tation البيانات مسار A: عرض 2D من مسار الخام على خلفية مباني الحرم الجامعي؛ B: ما قبل المعالجة مسار؛ C: الزمكان تمثيل مكعب من مسار مجزأة اضغط هنا لمشاهدتها بشكل اكبر شخصية .
الشكل 2. كثافة رسم الخرائط السطحية A:. نقاط المسار الخام من مسار البيانات المحددة؛ B: كثافة السطح المستمدة من نقاط المسار.
الشكل 3. سطح كثافة المسارات مسار.
130fig4.jpg "بديل =" الشكل 4 "FO: المحتوى العرض =" 4in "FO: SRC =" / files/ftp_upload/50130/50130fig4highres.jpg "/>
الشكل 4. رسم الخرائط الملونة سطح كثافة A: مجموعه من 470 المسارات، B: كثافة اللون في سطح 2D، C:. الملونة سطح كثافة في 3D اضغط هنا لمشاهدتها بشكل اكبر شخصية .
الشكل 5. تركز الزمنية لرسم خرائط الكثافة: كثافة النشاط الطلابي في الحرم الجامعي في فترات زمنية مختلفة.
الشكل 6. جعل حجم الكثافة وvisualizat أيون A: يبعثر البصرية الناتجة عن المسارات الخام؛ B: مجموعات الزمانية المكانية التي أبرزها تصور حجم الكثافة في نطاقات التردد المختلفة. اضغط هنا لمشاهدتها بشكل اكبر شخصية .
الشكل 7. نتائج تحليل الصدد A: اتصالات خط مستقيم بين جميع المباني في حرم الجامعة المستمدة من البيانات مسار، مع تسليط الضوء أكثر المباني المتجر؛ B:. الاتصالات الأكثر ضحايا الاتجار ضمن المباني في الحرم الجامعي اضغط هنا لمشاهدتها بشكل اكبر شخصية .
الشكل 8. جزء من مفكرة النشاط سجلت من قبل الطلاب.
الشكل 9. أنماط النشاط كثافة من مجموعتين من الطلاب A: أنماط الكثافة نشاط الطلاب مع أعراض انفلونزا خفيفة خلال موسم الانفلونزا؛ B: كثافة النشاط أنماط من الطلاب مع أكثر أعراض الأنفلونزا ملحوظا.
الشكل 10. نتائج تحليل الصدد استنادا إلى بيانات مسار الطلابكان الذين اعراض الانفلونزا ملحوظ خلال موسم الانفلونزا A: اتصالات خط مستقيم بين المباني مع معظم المباني المتجر أبرز؛ B:. معظم ضحايا الاتجار الاتصالات التي اتخذتها الطلاب بمرض أنفلونزا اضغط هنا لمشاهدتها بشكل اكبر شخصية .
Subscription Required. Please recommend JoVE to your librarian.
Discussion
استخدمنا الوظيفة الإضافية آلية برنامج ArcGIS لتطوير واجهة. تم تنفيذ جميع العمليات التفاعلية باستخدام C + +. وقد وضعت كل وظائف المعالجة التلقائية التحليل باستخدام بيثون.
AGPS البيانات، أو بيانات GPS التي جمعتها المشاة يقدم تحديا فريدا من نوعه في تجهيزها والأخطاء يمكن أن تكون هائلة بسبب الجوار إلى المباني والأماكن المغلقة توقف متكررة. وعلاوة على ذلك، ينبغي أن تتركز تجهيزها لا تكون البيانات والحد من ما وعادة ما يتم للبيانات السيارة مسار GPS نظرا لندرة واضحة بالفعل من نقاط التتبع. أنماط خطأ واضح في مسار البيانات للمشاة، ومع ذلك، وتوفير حل فريد لتجهيزها. بدلا من استخدام خوارزميات تجهيزها مستوى 14، قمنا بتطوير طريقة الكشف عن مجريات الأمور (2.3) الذي يحاكي دليل الكشف عن الخطأ المذكورة في نهج البصرية 2.2) وينظف أخطاء في البيانات مسار. على وجه التحديد، فإنه يحسب سمات (السرعة وديrection تغيير) لكل نقطة في المسار مسار الأول. تتم إزالة نقاط المسار مع سرعات عالية غير واقعية و / أو تغييرات الاتجاه. من ثم إعادة يحسب سمات (مدة وتغير اتجاه) لكل نقطة المسار المتبقية ويكشف مجموعات من نقاط المسار مع الأشكال شائك (سلسلة من نقاط المسار مع التغييرات المفاجئة الاتجاه). وأخيرا يتم حساب النقطه الوسطى الزمانية المكانية من كل مجموعة ويتم تقليل مسار وتعديلها من خلال الذهاب الى النقطة الوسطى.
وقد تم تقييم الأنظمة الأوتوماتيكية لخوارزميات التجزئة السابقة للتجهيز واستخدام مسار البيانات التقليدية مذكرات النشاط. تم تجنيد كل عشرة طلاب لتحمل AGPS لجمع البيانات ومسار في نفس الوقت طلب لتسجيل نقاط بنشاط والحركات. ويتضح جزء من مذكرات النشاط نموذجية في الشكل 8. ولدت التجربة لمدة ثلاثة مسارات لمدة 30 يوما. وتمت مقارنة مسارات ما قبل المعالجة ومجزأة إلىيوميات البيانات. أشارت النتائج إلى أن 1) معالجة المسارات القبض على غالبية الأنشطة في الأماكن المغلقة؛ 2) وقت سجلت في البيانات مسار أكثر دقة وكثيرا ما يكتب مذكرات محتجزي أسفل تقدير تقريبي من الزمن؛ 3) البيانات مسار القبض على كافة تفاصيل مسارات الممشى في حين ويمكن الحصول على اتصالات فقط خط مستقيم من البيانات مذكرات، و4) بعض الأنشطة مفقودة من البيانات مذكرات كمشاركين في كثير من الأحيان تخطي السجلات بسبب العبء. ولكن واحدة من القيد نهجنا هو أن البيانات مسار مجزأة mislabel أحيانا قطعة داخلية في مبنى خاطئة، وخصوصا عندما ترتبط مبنيين لبعضها البعض، كما هو الحال مع بعض المباني في تجربتنا. تحتاج إلى تحسين في هذا الجانب من الخوارزمية.
كثافة رسم الخرائط السطحية هو أداة فعالة لاستكشاف أنماط النشاط، وخصوصا عندما تشارك كمية كبيرة من البيانات مسار. ويبين الشكل 4 أن الأسطوانات الكبيرةالبر من المسارات يؤدي إلى فوضى بصرية واضحة إذا عرض في شكله الأصلي حين تعيين الكثافة يكشف أنماط مثيرة للاهتمام. وأجري هذا تطبيق بسيط باستخدام البيانات التي تم جمعها على تعيين كين الحرم الجامعي خلال موسم الانفلونزا عام 2010. الطلاب الذين اشتعلت الانفلونزا والطلاب الذين لم لدت مجموعتين من المسارات. وأجريت مقابلات مع الطلاب فيما يتعلق أيضا من شدة الأعراض. الشكل 9 يوضح أنماط الكثافة نشاط مجموعتين من الطلاب، واحدة تظهر سوى أعراض خفيفة (الشكل 9A) وآخر تلك تظهر أكثر ملحوظة (الشكل 9B). وتجدر الإشارة إلى أن الفضاء الحقيقي للطلاب المرضى 'النشاط يميل إلى التجمع حول مبنى معين. وبالتالي يمكن إجراء مزيد من التحقيقات ستجرى لتحديد أسباب مثل هذه المجموعات. هذه التجربة تشير إلى أن الأسلوب لديه القدرة على الكشف عن الأنماط الخفية في البيانات مسار.
دي أعلاهخرائط سطح nsity، ومع ذلك، ينهار البعد الزمني. كثافة حجم التصور يستخدم مفهوم مكعب الفضاء لمرة ويمثل كل من الأبعاد المكانية والزمانية. الشكل 6 يشير إلى أن مثل هذا التصور فعالية في التعامل مع مشاكل بصرية التبعثر. مرة واحدة التفاعلية، فإنه يسمح احد لمعالجة تقديم لتسليط الضوء على نطاقات التردد المختلفة في البيانات للكشف عن الأنماط. واحد الحد من نهجنا الحالي، ومع ذلك، هو أن حجم المقدمة لا يبدو أن يكون سلسا تماما. نحن في عملية تحسين خوارزمية تقدير كثافة للتعامل مع هذه القضية. أحد الاعتبارات هو أن النواة تقدير الكثافة قد تحسين المؤثرات البصرية، ولكن الوقت اللازم للحساب سيصبح أطول من ذلك بكثير. يمكن تقدير كثافة النواة متتابعة 15: لا يمكن أن خيار آخر فإننا التحقيق.
بالإضافة إلى الكشف عن مجموعات النشاط (النقاط الساخنة) في الزمان والمكان، ومethod قدمنا في 7.2 بالكشف عن نوع آخر من النقاط الساخنة التي تتعلق اتصالات بين الأماكن. مرة أخرى مع مجموعة جمع البيانات المتوفرة لدينا من قبل الطلاب خلال موسم الانفلونزا، أجري تحليل لتحديد اتصال صلات قوية بين مباني الحرم الجامعي بناء على كل البيانات مسار (الشكل 7) وكذلك هؤلاء الطلاب الذين تظاهروا يمثلون فقط اعراض الانفلونزا البارزة (الشكل 10). مقارنة الرقمين، ونحن نرى أن اتصال واحد (بين مبنى يسمى مركز جامعة وآخر يسمى بناء CAS) يبدو أن هناك علاقة قوية بشكل عام (الشكل 7) ولكن مفقود من مجموعة من صلات قوية حددت للطلاب المرضى (الشكل 10). واتصالين القوية التي تبقى في الأخير هي واحدة بين مركز الجامعة ومبنى العلوم ومبنى آخر بين العلوم، وقاعة قاعة Hennings هاتشينسون. المعرفة فيما يتعلق بهذه مباني الحرم الجامعي إنديكاقسم التدريب والامتحانات أن مركز جامعة هي المحطة أشد وطأة الاتجار في الحرم الجامعي مع كافتيريا وقاعات الترفيه في الداخل. يمكن أن يكون مركزا المحتملة مخاطر عالية خلال موسم الانفلونزا عندما يتفاعل الطلاب مع بعضهم لفترة طويلة من الزمن في مكان مكتظ بالناس. وعلم أيضا أن يتم إرفاق جميع المباني الثلاثة المعنية في الاتصال الثاني مع بعضها البعض مع مسارات داخلية. هذه المباني والفصول الدراسية حيث يمكن للطلاب قضاء ساعات عديدة في الداخل أخذ دروس دون الحاجة إلى الذهاب خارج المبنى. هذه المباني هي أيضا قديمة نسبيا مع الانشاءات أنظمة التهوية العمر التي يمكن أن تزيد من مخاطر انتقال الأمراض التنفسية. المبنى الذي يظهر في CAS الاتصال في الشكل 7 ولكن ليس في الشكل 10، من ناحية أخرى، هو بناء العلامة التجارية الجديدة، وتقف في حد ذاته في فضاء مفتوح واسع. جيدة التهوية، وحقيقة أن النشاط الطلابي أن تنطوي في الهواء الطلق الفترة الزمنية عندما أخذ دروس في مكان آخره يمكن أن تؤدي على حد سواء لتقليل المخاطر. يمكن لهذه، هي من التكهنات ولكن بالطبع يثبت أن مثل هذا التحليل، مثل الطرق الأخرى المعروضة في هذه الورقة أن يكون أداة مفيدة للتحليل للكشف عن أنماط استكشافية المخفية. هذه الحزمة، ومع ذلك، بأي حال من الأحوال تشمل جميع الطرق الممكنة مفيدة لتحليل البيانات مسار. اننا نبقي جهودنا سوف لتطوير ودمج المزيد من التحليل فضلا عن وظائف البصرية في نظامنا.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
الإعلان عن أي تضارب في المصالح.
Acknowledgments
ويتم تمويل هذا العمل من قبل المعاهد الوطنية للصحة منح 1R03AI090465.
Materials
| Name | Company | Catalog Number | Comments |
| WorldTracker GPRS | Tracking The World | ||
| A personal computer for running the analysis | |||
| ArcGIS software | ESRI | ||
| Trajectory Analyzer Extension |
References
- Stoddard, S. T., Morrison, A. C., et al. The role of human movement in the transmission of vector-borne pathogens. PLoS Negl. Trop. Dis. 3 (7), e10 (2009).
- Morens, D. M., Folkers, G. K., et al. The challenge of emerging and re-emerging infectious diseases. Nature. 430, 242-249 (2004).
- Viboud, C., Bjornstad, O. N., et al. Synchrony, waves, and spatial hierarchies in the spread of influenza. Science. 312, 447-451 (2006).
- Shoval, N., Isaacson, M. The Application of tracking technologies to the study of pedestrian spatial behaviour. The Professional Geographer. 58 (2), 172-183 (2006).
- Yu, H. Spatio-temporal GIS design for exploring interactions of human activities. Cartography and Geographic Information Science. 33 (1), 3-19 (2006).
- Kwan, M. Interactive geovisualization of activity-travel patterns using three-dimensional geographical information systems: a methodological exploration with a large data set. Transportation Research Part C. 8, 185-203 (2000).
- Demšar, U., Virrantaus, K. Space-time density of trajectories: exploring spatio-temporal patterns in movement data. International Journal of Geographical Information Science. 24 (10), 1527-1542 (2010).
- ESRI Shapefile Technical Description [Internet]. , Environmental Systems Research Institute, Inc. Available from: http://www.esri.com/library/whitepapers/pdfs/shapefile.pdf (1998).
- 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).
- 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).
- Levory, M. Display of surfaces from volume data. IEEE Computer Graphics and Application. 8 (5), 29-37 (1998).
- Drebin, R. A., Carpenter, L., et al. Volume Rendering. Computer Graphics. , (1998).
- KML | OGC(R) [Internet]. , Open Geospatial Consortium, Inc. Available from: http://www.opengeospatial.org/standards/kml/ (2012).
- Lee, W., Krumm, J. Trajectory preprocessing. Computing with Spatial Trajectories. Zheng, Y., Zhou, X. , Springer, Bucher. 3-34 (2011).
- Han, B., Comaniciu, D., et al. Sequential kernel density approximation and its application to real-time visual tracking. IEEE Transactions on Pattern Analysis and Machine Intelligence. , (2007).
