Summary
חבילה של שיטות עיבוד חלל ובזמן מוצגת לניתוח נתונים תלולים מסלול אנושיים, כמו שנאסף באמצעות מכשיר GPS, לצורך פעילות הולכי רגל דוגמנות חלל וזמן.
Abstract
היא מוכרת היטב כי תנועה אנושית בממדי המרחב וזמן יש לו השפעה ישירה על מחל הילוכי 1-3. מחלה זיהומית בדרך כלל מתפשטת באמצעות מגע בין אנשים שנדבקו ורגישים בחללי הפעילות החופפות שלהם. לכן, מידע יומי על ניידות פעילות יכול לשמש כאינדיקציה למדידת חשיפות לגורמי סיכון של זיהום. עם זאת, קושי גדול ולכן הסיבה למיעוט מחקרים של התפשטות מחלות מידבקות בקנה מידת מייקרו נובע מהמחסור בנתוני ניידות בודדים מפורטים. קודם לכן בתחום התחבורה ונתוני תיירות מחקר מפורטים חלל וזמן פעילות הסתמכו לעתים קרובות בטכניקת יומן מרחב זמן, המחייב נושאים פעילים לתעד את פעילותם בזמן ובמרחב. זה מאוד תובעני עבור המשתתפים ושיתוף הפעולה מצד המשתתפים מאוד משפיע על איכות הנתונים 4.
מודרניטכנולוגיות כגון תקשורת סלולרית וה-GPS היו מתאפשרות איסוף האוטומטי של נתוני מסלול. הנתונים שנאספו, לעומת זאת, אינם אידיאליים עבור דוגמנות פעילויות שטח בזמן אדם, מוגבלת על ידי בדיוק של מכשירים קיימים. אין גם כלי זמין לעיבוד יעיל של הנתונים למחקר התנהגות אנושית. אנו מציגים כאן חבילה של שיטות וממשק משולב ArcGIS שולחן עבודה מבוסס חזותי לניתוחים מראש העיבוד וחלל ובזמן של נתונים תלולים מסלול. אנו מספקים דוגמאות כיצד ניתן להשתמש בעיבוד כזה למודל פעילות אנושית בחלל זמן, במיוחד עם נתוני מסלול להולכי רגל עשירים בשגיאה, שיכול להיות שימושי במחקרי בריאות הציבור כגון דוגמנות העברת מחלה מדבקת.
ההליך הציג כולל, פילוח מראש עיבוד מסלול, אפיון מרחב פעילות, להערכת צפיפות והדמיה, וכמה שיטות ניתוח גישוש אחרות. טרום processinגר הוא ניקוי נתונים תלולים מסלול גלם רועשים. אנחנו מציגים את ממשק אינטרקטיווי חזותי מראש עיבוד, כמו גם מודול אוטומטי. פילוח המסלול 5 כולל זיהוי של חלקים פנימיים וחיצוניים ממסלולים מראש מעובדי חלל והזמן. שוב, גם פילוח ויזואלי אינטרקטיווי ופילוח אוטומטי נתמכים. מסלולים מפולחים חלל והזמן נותחו לאחר מכן לגזור מאפיינים של מרחב פעילותו שלו, כגון הערכת פעילות רדיוס וכו צפיפות והדמיה המשמשים לבדיקת כמות גדולה של נתונים תלולים מסלול לדגם כתמים ואינטראקציות חמים. אנו להפגין גם את מיפוי צפיפות משטחת 6 וטיוח נפח צפיפות 7. אנו גם כמה ניתוחי נתוני גישוש אחרים (EDA) וכלים חזותיים, כגון תמיכה ב-Google Earth אנימציה וניתוח חיבור. החבילה של אנליטית, כמו גם שיטות חזותיות שהוצגו במאמר זה יכול להיות מיושם על כל נתונים למסלול שלמחקרי פעילות הקצב זמן.
Protocol
1. קבלת נתונים
- נתוני מסלול ניתן לאסוף ביחידות כף יד GPS, יישומי מעקב GPS מופעלים טלפון חכמים, כמו גם A-GPS (GPS סייע) התקנים כגון זה של מועסקים במחקר שלנו, מכשיר גשש ילד מסחרי.
- נתוני מסלול בדרך כלל נשמרו במונחים של זמן רשום בקווי רוחב, אורך ורוחב. מרווח זמן רצוי שמבוסס על צרכי יישום. לעתים קרובות המרווח השכיח ביותר הוא רצוי ללימודי פעילות שטח בזמן.
- להמיר את הנתונים לערכים המופרדים באמצעות פסיקים, או. קבצי CSV עם עמודות נפרדות לid שיא, קו רוחב, קו אורך, וזמן, בהתאמה. לאחר מכן להמיר את הקבצים. Csv למערכות מידע גיאוגרפיים נפוץ בשימוש בפורמט קובץ (GIS) (כלומר ESRI shapefile 8).
- טען בshapefile הפוליגונים בנייה ועוד לגבולו של אזור המחקר עם מנתח המסלול. הגדרה "החול" של הבניינים כראוי ל3D דיפסוק ולהגדיר את "חול" ואת "שקיפות" של שכבת הגבול מתאים להצגת קוביית מרחב ובזמן 6, 9 עם x, y מייצגים ממדי מרחב וממד הזמן z מייצג.
2. טרום עיבוד
- שתי אפשרויות עומד לרשות את נתוני מסלול הגלם הרועשים מראש העיבוד. אחד יכול לבחור מתוך רשימה הנפתחת של התפריט מראש העיבוד.
- אם 'אינטראקטיב' נבחר, הקרנת 2D של מסלול 3D נוצרה עבור צפייה ובחירה קלות. לתפעל את תצוגת 3D לבחון את מסלול הגלם במרחב ובזמן. לזהות טעויות בנתונים המבוססים על הצורה, מהירות ו / או הטופולוגיה של מסלול מגזרים. בדרך כלל נקודות במסלול (קודקודים) עם מהירות גבוהה מציאותית או שינוי כיוון פתאומי מסמנות שגיאות. בחר ולהרחיק אותם מהמסלולים המקוריים. לבחור ולהסירם מכל מסלול 3D או 2D הקרנתו.
- מקבץ של נקודות במסלול עם הקוצים shaPES (איור 1) במרחב ובזמן ארוך באופן זמני מסמן שגיאות שנגרמות ככל הנראה על ידי רוב המקומות מקורים שבו אות GPS חלשה. אם קבוצה של נקודות אלה נבחרה, התכנית יכולה לחשב את centroid החלל ובזמן של נקודות הנבחרות ולהתאים את המסלול לעבור centroid.
- לחלופין, אם "אוטומטי" נבחר מהתפריט מראש העיבוד, להגדיר את הקלט ומיקומי פלט כמו גם פרמטרים אמפיריים הקובעים את המהירות הגבוהה והחריגה מפנה פתאומי של נקודות. חיפושי התכנית באמצעות נתוני המסלול הטעונים ופועל באופן אוטומטי בהתבסס על אלגוריתם המחקה את גישת זיהוי שגיאות החזותית.
3. פילוח מסלול ואפיון שטח פעילות
- פילוח מסלול דורש שכבת הבניין, כדי להבטיח את קובץ צורת הבניין הוא טעון.
- לחץ על כלי הפילוח בסרגל הכלים כדי להפעיל את הפונקציה.הגדר את הקלט והפלט ואתר את קובץ צורת הבניין כרובד ההתייחסות. השתמש בשמות הבנייה לתייג את המסלול המפולח. האלגוריתם מזהה קטעי מקורים על פי קריטריונים שנקבעו כברירת מחדל או כמו מהירות, משך, וכו 'של נקודות במסלול, כמו גם את הטופולוגיה המרחבית ביחס למבנים.
- לחץ על כלי תמצות מרחב הפעילות לטעינה במסלולים מפולחים ולחשב תכונות סיכום נבחרות לאפיין מרחב פעילותו של אחד, כגון רדיוס סך פעילות, רדיוס בפרק זמן מסוים, יחס בין סך כל הזמן בילה בבית לעומת בחוץ, וכן הלאה.
- את התכונות ניתן לייצא לגיליון אלקטרוני לשימושי דוגמנות כמותיים.
4. מיפוי שטח צפיפות
- משטח צפיפות מציג את הצפיפות של פעילות במרחב עם ממד הזמן התמוטטה. שלוש אפשרויות זמינות ברשימה הנפתחת של תפריט מיפוי שטח הצפיפות.
- אם האפשרות 'צפיפות נקודת המסלול' נבחרה, מלא את תיבת השיח עם קלט ופלט מידע ולבחור להציג באו 3D או 2D. כל קודקודים מנתוני המסלול משמשים לחישוב צפיפות ליבה של נקודות. איור 2 מראה משטח צפיפות.
- אם 'צפיפות נתיב מסלול "מסומנת, אלגוריתם מחשב ומציג את הצפיפות של שבילים בודדים נסעו (איור 3).
- אם האפשרות 'צפיפות נקודת העניין שנדגמו' נבחרה, האלגוריתם מחדש את נתוני דגימות התלולות המסלול באמצעות מרווח זמן מוגדר ומפות הצפיפות של נקודות בצורה שווה בזמן. אפשרות זו מיועדת להתקני מעקב שאוספים נקודתי מעקב במרווחי זמן סדירים בשל רגישות שונה של המכשירים בתנאים פיסיים שונים או מסלולים מפולחים. איור 4 מראה את משטחי צפיפות 2D and 3D של מסלולים מפולחים.
- אם 'התמקדות זמנית "נבחר עבורניו יורק מהאפשרויות הנ"ל, תוך התמקדות 10 זמניים ניתן לבצע כדי לבחון את דפוסי פעילות בתקופות זמן שונות. לדוגמה, צפיפות משטחי פעילות בזמנים שונים ביום עשויים להיות דמיינו לזיהוי קל של נקודות חמות על פני זמן (איור 5).
5. הערכה וטיוח נפח נפח צפיפות
- הדמית נפח צפיפות משתמשת ברעיון של קוביית מרחב ובזמן כמו בהדמיה של מסלולים. הליבה של הדמיה כזו היא החלוקה של שטח ל11 voxels. הגישה שלנו להמחשת נפח הצפיפות הראשונה מעריכה נפח צפיפות בvoxels הבודד על ידי ספירת מספר מסלולי שטח בזמן שמצטלב עם voxels. אפשר ללחוץ על 'חישוב נפח צפיפות "תחת תפריט הדמית נפח הצפיפות לצעד זה.
- אותם השלוש אפשרויות זמינות להדמית נפח צפיפות כלהדמית משטח צפיפות.
- "טיוח עצמה 'לחץ על הבא כדי להפעיל את ממשק הדמית נפח 3D טיוח נפח אינטרקטיווי 12. על ידי הגדרת מספר החטיבות לאורך כל ציר, ניתן לבחון אשכולות בקני מידה שונים. Z-גורם משמש להגדרת ההגזמה האנכית להדמיה טובה יותר. שכבת התייחסות כגון בניינים יכולה להיות טעונה כדי לסייע להדמיה גם כן. התוצאות של טיוח נפח יכולות להיות מותאמות באופן אינטרקטיווי על ידי המניפולציה של פונקציית ההעברה, השולטת במיפוי מצפיפות לצבע. (איור 6).
6. ניתוחים אחרים גישוש נתונים (EDA) ופריטים חזותיים
- נוהל קיים כדי ליצור סדרת אנימציה שיוצגה ב-Google Earth. תחת 'אחר', לחץ על 'יצוא לKML לEDA' לגשת להליך זה. זה יוצר 13 קובץ kml שנפתח ב-Google Earth לאנימציה אינטראקטיבית של המסלול.
- אפשר לעקוב אחר מסלולו לtraveאני בסביבה בזמן על ידי גלילה לאורך ציר הזמן ב-Google Earth.
- הליך זמין לדמיין קשרים בין מקומות של עניין באמצעות 'ניתוח חיבור'. לדוגמה, קשרים בין בניינים שונים בקמפוס אוניברסיטה, נגזרים מנתונים מפולחים תלולים מסלול שנאספו על ידי תלמידים (איור 7).
- בהתבסס על קשרים נגזרים, נקודות חמות, כגון הבניינים האלה עם התנועה ורכזות המחברות את המקומות בעלי התעבורה הגדולים ביותר יכולים להיות מזוהים היוצאת או הנכנסת ביותר.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
נתונים נאספו על ידי מסלול התנדבות סטודנטים לתואר ראשונים מאוניברסיטת קין (ניו ג'רזי, ארה"ב) באביב 2010. המטרה הייתה ללמוד דפוסי פעילות של תלמידים שתפסו שפעת (שאובחן על ידי רופא או עצמי אובחן-) בהשוואה לאלו שלא. כדי להמחיש את השיטות והנהלים שהוצגו במאמר זה לקחנו את המסלולים שנאספו בשטח הקמפוס הפרברי ליצירת תוצאות מייצגות. מסלולים בתוך שטח הקמפוס הם בעיקר מסלולים להולכי רגל, ורק חלק קטן כתוצאה מנסיעה בין מגרשי החנייה והשונים מחוץ לקמפוס.
ייצוג קוביית מרחב ובזמן של מסלולים תוך התייחסות למבנים בקמפוס האוניברסיטה הוא שמוצג באיור 1. איור 1 א 'הוא הנתונים הגולמיים שנאספו על ידי ביום סטודנט הקלטה אחת מפעילותו בקמפוס באמצעות מכשיר AGPS (גשש ילד מסחרי) . זה obף שנמשך זמן ארוך של שהייה מקורה הביא נתונים רועשים (שצוין על ידי החלק הקוצני של המסלול). זה נפוץ מאוד בנתונים תלולים מסלול להולכי רגל. 1B האיור מציג את המסלול מראש מעובד, ומפולח. התרשים 1C מציג את המסלול מראש מעובד, ומקטעים פנימיים וחיצוניים בצבעים בקוביית מרחב ובזמן.
איורים 2-4 להמחיש מיפוי שטח צפיפות של קבוצה של מסלולים. איור 2 מראה את נקודתי מעקב גלם מעורב, לביצוע האפשרות 'צפיפות נקודת מסלול' המיפוי (איור 2 א) וכתוצאה מכך מפת צפיפות (איור 2 ב '). במקום מיפוי צפיפויות של נקודתי מעקב, איור 3 מפות את הצפיפויות של נתיבים נסעו. מיפוי צפיפות הוא שימושי במיוחד בעת ניתוח כמות גדולה של מסלולים. איור 4A מציג בסך הכל 470 מסלולים4B. ו4C נתונים מראים משטח הצפיפות ב2D (משמאל) וייצוגי 3D (מימין) באמצעות נקודות מחדש נדגמו-ממסלולים אלה.
בנוסף לצג האינטרקטיווי של ממד הזמן בקוביית מרחב ובזמן, הזמן משתנה יכול להיות מעובד באמצעות התמקדות לבחון תבניות המרחביות בתקופות זמן שונים זמני. איור 5 מראה דוגמאות של ניתוח כזה באמצעות מדגם ערכת נתונים המכילה מסלול נתונים שנאספו על ידי תלמידים במהלך עונת השפעת. ברורה שפעילותם התרכזה סביב מקומות שונים לאורך היום להוביל סופו של דבר למפת צפיפות הפעילות המורכבת בחלקו התחתון.
דוגמה לטיוח נפח צפיפות מודגמת באיור 6. איור 6A מראה שקשה לזהות דפוסים אם כל מסלולי שטח בזמן הם דמיינו בקוביית מרחב ובזמן בגלל מולרע"מ clutters. איור 6B מציג את תוצאות עיבוד נפח הצפיפות המתאימות. הארבעה האיורים מייצגים הגדרות שונות של פונקצית העברת תכנית טיוח הצפיפות שלנו, ובכך להדגיש את כרכי צפיפות בתדרים שונים.
דרך נוספת למציאת נקודות חמות היא באמצעות ניתוח קשר. איור 7 ממחיש את התוצאה של ניתוח כזה עם קבוצת מדגם הנתונים שלנו. 7A האיור מציג את חיבורי קו הישרים בין כל הבניינים בקמפוס. הבניינים המוארים הם אלו עם נפח התנועה הגבוהה ביותר היוצא. 7B האיור מציג את אותם קשרים, עם החיבורים הנסחרים ביותר המודגשים.
איור 1. טרום עיבוד וsegmen סימטרייה של נתוני מסלול: תצוגת 2D של מסלול גלם על רקע בנייני קמפוס; B:. מראש מעובד מסלול; C:. ייצוג קוביית מרחב ובזמן של מסלול מפולח לחץ כאן לצפייה בדמות גדולה.
איור 2. מיפוי צפיפות משטחת:. נקודתי מסלול גלם של קבוצת נתוני מסלול; B: משטח צפיפות נגזר מנקודות במסלול.
איור 3. משטח צפיפות של שבילים תלולים מסלול.
130fig4.jpg "alt =" איור 4 "fo: תוכן רוחב =" 4in "fo: src =" / files/ftp_upload/50130/50130fig4highres.jpg "/>
איור 4. מיפוי צבעוני צפיפות משטחת: סך של 470 מסלולים; B:. משטח בצבע צפיפות ב2D; C:. משטח צפיפות צבעוני ב-3D לחץ כאן לצפייה בדמות גדולה.
איור 5. התמקדות זמנית למיפוי צפיפות: צפיפות פעילות סטודנטים בקמפוס בתקופות זמן שונות.
איור 6. טיוח וvisualizat נפח צפיפות יון: clutters החזותי הנובע ממסלולי גלם; B:. אשכולות חלל ובזמן מודגש באמצעות חזיית כרכי צפיפות בתחומי תדר שונים. לחצו כאן לצפייה בדמות גדולה.
איור 7. תוצאות ניתוח חיבור: חיבור קו ישר בין כל המבנים בקמפוס אוניברסיטה נגזרים מנתונים תלולים מסלול, עם הבניינים הנסחרים ביותר המודגשים; B:. את החיבורים. הנסחרים ביותר בקרב בניינים בקמפוס לחץ כאן לצפייה בדמות גדולה.
איור 8. חלק מיומן פעילות נרשם על ידי תלמיד.
איור 9. דפוסי פעילות של צפיפות שתי קבוצות של תלמידים: דפוסי פעילות של צפיפות תלמידים עם תסמינים מתונים שפעת במהלך עונת שפעת; B: צפיפות. דפוסי פעילות של תלמידים עם תסמיני שפעת בולטים יותר.
איור 10. תוצאות ניתוח המבוססות על חיבור נתונים תלולים מסלול של תלמידיםשהיה לו תסמיני שפעת בולטים במהלך עונת שפעת: חיבורי קו ישרים בין בניינים עם הבניינים הנסחרים ביותר המודגשים; B:. את החיבורים. הנסחרים ביותר שצולמו על ידי תלמידים בשפעת לחצו כאן לצפייה בדמות גדולה.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
אנחנו השתמשנו מנגנון תוספת של ArcGIS לפתח ממשק. כל הפעולות האינטראקטיביות יושמו באמצעות C + +. כל העיבוד האוטומטי ופונקציות ניתוח פותחו באמצעות פייתון.
נתוני AGPS, או נתונים שנאספו על ידי GPS להולכי רגל מציג אתגר ייחודי בpreprocessing כשגיאות יכולות להיות מסיביות בשל שכנות לבניינים ותחנות פנימיות תכופות. יתר על כן, במוקד preprocessing לא צריך להיות הפחתת נתונים כמו מה שנעשה בדרך כלל לנתונים תלולים מסלול GPS רכב עקב המחסור כבר הברור של נקודתי מעקב. דפוסי טעות בנתונים תלולים מסלול להולכי רגל, לעומת זאת, מספקים פתרון ייחודי לpreprocessing. במקום להשתמש באלגוריתמי preprocessing תקן 14, שפתחנו את השיטה היוריסטית (2.3) המחקה את גישה ידנית חזותית שגיאת זיהוי מוזכר ב2.2) ומנקה את השגיאות בנתונים התלולים המסלול. באופן ספציפי, היא מחשבת תכונות (מהירות ודיז'אדיר שינוי) עבור כל נקודת מסלול במסלול הראשון. נקודות במסלול עם מהירויות גבוהות לא מציאותיות ו / או שינויי כיוון יוסרו. לאחר מכן הוא מחשב מחדש תכונות (משך ושינוי כיוון) עבור כל נקודת מסלול נותרת ומזהה אשכולות של נקודות במסלול עם צורות מחודדות (סדרה של נקודות במסלול עם שינויי כיוון פתאומיים). לבסוף centroid החלל ובזמן של כל אשכול ומחושב המסלול מופחת ומותאם לעבור centroid.
האלגוריתמים האוטומטיים הפילוח מראש עיבוד, ומסלול עברו הערכה באמצעות נתוני יומן פעילות מסורתיות. עשרה תלמידים גויסו לכל אחד לשאת AGPS כדי לאסוף את נתוני המסלול ובה בעת התבקשו באופן פעיל כדי להקליט התחנות ותנועותיהם. חלק מיומן פעילות אופיינית מודגם באיור 8. ניסוי של שלושה ימים נוצר 30 מסלולים. מסלולים מראש מעובד ומפולחים הושוואת נתוני היומן. התוצאות הראו, כי 1) את מסלולי המעובדים נתפסו רוב הפעילויות מקורות, 2) הזמן שנרשם בנתוני המסלול מדויק יותר כנוטלי יומן לעתים קרובות לכתוב את הערכה גסה של זמן; 3) את נתוני המסלול כבשו את כל הפרטים בשבילי שבילים תוך רק חיבורים של קווים ישרים ניתן היו להפיק מנתוני יומן ו4) כמה פעילויות חסרות את נתוני היומן כמשתתפים לעתים קרובות לדלג רשומים עקב העומס. אבל מגבלה אחת של הגישה שלנו היא שנתוני המסלול המפולחים לפעמים mislabel קטע מקורה בבניין הלא נכון, במיוחד כאשר שני בניינים מחוברים זה לזה, שהוא במקרה של בניינים מסוימים בניסוי שלנו. שיפור בהיבט זה של האלגוריתם הוא זקוקים.
מיפוי שטח צפיפות הוא כלי יעיל כדי לחקור דפוסי פעילות, במיוחד כאשר הכמות גדולה של נתונים תלולים מסלול מעורב. האיור 4 מראה שnum גדולבער של מסלולים מוביל לעומס חזותי ברור אם מוצגים בצורתו המקורית תוך מיפוי צפיפות מגלה דפוסים מעניינים. יישום פשוט של זה נערך תוך שימוש בנתונים שנאספו בנקבעו קמפוס אוניברסיטת קין במהלך עונת השפעת 2010. תלמידים שזכו בשפעת ותלמידים שלא נוצרה שתי קבוצות של מסלולים. תלמידים גם רואיינו בנוגע לחומרת הסימפטומים שלהם. איור 9 ממחיש את דפוסי הפעילות של צפיפות שתי קבוצות של תלמידים, אחד מראה רק סימפטומים קלים (איור 9 א) ועוד אלה בולטים יותר מראים (איור 9 ב). יצוין, כי מרחב הפעילות של התלמידים החולים האמיתיים נוטה להתאגד סביב בניין מסוים. חקירה נוספת ולכן יכולה להיות שנערכה כדי לקבוע את הסיבות להתקבצות כזו. ניסוי זה מצביע על כך שהשיטה יש פוטנציאל לגלות דפוסים נסתרים בנתונים תלולים מסלול.
דה לעילמפות שטח nsity, לעומת זאת, מתמוטטות ממד הזמן. הדמית נפח צפיפות משתמשת ברעיון של קוביית מרחב ובזמן, ומייצגת שני ממדי מרחב וזמן. האיור 6 מציין כי להדמיה כזו היא יעילה בהתמודדות עם בעיות שהצטברו חזותיות. עשה פעם אינטראקטיבית, הוא מאפשר לאדם לשנות את העיבוד כדי להדגיש תחומי תדרים שונים בנתונים כדי לזהות דפוסים. מגבלה אחת של הגישה הנוכחית שלנו, לעומת זאת, היא כי ההיקף שניתנו אינו מופיע להיות חלק לגמרי. אנחנו נמצאים בתהליך של שיפור אלגוריתם הערכת הצפיפות כדי להתמודד עם הבעיה. שיקול אחד הוא שהערכת צפיפות ליבה עשויה לשפר את האפקט החזותי, אך זמן החישוב יהיה עוד הרבה זמן. הערכת צפיפות ליבת משכית 15 יכולה להיות אפשרות נוספת שהיינו בחקירה.
בנוסף לאיתור מקבצי פעילות (נקודות חמות) בזמן ובמרחב, מ 'ethod הצגנו ב7.2 מזהה עוד סוג של נקודות חמות שקשורה לקשרים בין מקומות. שוב עם הנתונים שלנו להגדיר שנאסף על ידי תלמידים במהלך עונת שפעת, ניתוח חיבור נערך על מנת לזהות קשרים חזקים בין בנייני קמפוס על בסיס כל הנתונים התלולים המסלול (איור 7), כמו גם אלה רק תלמידים המייצגים שהפגינו תסמיני שפעת בולטים (איור 10). השוואה בין שתי דמויות, אנו רואים כי חיבור אחד (בין בניין הנקרא המרכז האוניברסיטאי ואחר הנקרא בניין CAS) נראה כי קשר חזק באופן כללי (איור 7) אך חסרים במערכת של קשרים חזקים שזוהו לתלמידים חולים (איור 10). שני הקשרים החזקים שנשארים בזה האחרון הם אחת בין המרכז האוניברסיטאי ובניין מדעים ועוד בין מדע הבניין, נינגס הול והאצ'ינסון הול. ידע לגבי בנייני קמפוס אלה אינדיקהtes שהמרכז האוניברסיטאי הוא תחנת הסחר ביותר בכבדות בקמפוס עם קפיטריה וחדרי בילוי בפנים. זה יכול להיות רכזת סיכון גבוהה פוטנציאל בעונת שפעת, כאשר סטודנטים לתקשר אחד עם לתקופה ארוכה של הזמן בחלל צפוף. כמו כן הוא למד כי שלושת הבניינים המעורבים בחיבור 2 כל מחוברים זה לזה עם מסלולים מקורים. בניינים אלה יש כיתות שבו תלמידים יכולים לבלות שעות רבות בבית לוקחים שיעורים מבלי ללכת מחוץ לבניין. מבנים אלה הם גם מבנים ישנים יחסית עם מערכות אוורור בגיל שעלול להגדיל סיכון להעברת מחלות בדרכי נשימה. בניין CAS שמופיע בחיבור באיור 7, אך לא באיור 10, לעומת זאת, הוא בניית מותג חדשה ועומד בפני עצמו בחלל גדול ופתוח. אוורור טוב והעובדה שפעילות התלמיד יש לערב תקופת זמן חיצוני כאשר לוקח elsewher כיתותדואר הן עלולה להוביל לסיכונים נמוכים יותר. אלה, הם של ספקולציות, כמובן, אבל מוכיח שניתוח כזה, כמו שיטות אחרות שהוצגו במאמר זה יכול להיות כלי שימושי לניתוח גישוש לחשוף דפוסים נסתרים. חבילה זו, עם זאת, בשום אופן כוללת את כל השיטות השימושיות לניתוח נתונים תלולים מסלול האפשריות. אנחנו שומרים את המאמצים שלנו הולכים לפתח ולשלב יותר אנליטית, כמו גם פונקציות חזותיות במערכת שלנו.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
אין ניגודי האינטרסים הכריזו.
Acknowledgments
עבודה זו מומנה על ידי מענק NIH 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).
