Summary
spatiotemporal 처리 방법의 스위트 룸은 이러한 모델링 보행자 공간 시간 활동의 목적을 위해 GPS 장치를 사용하여 수집하는 것과 같은 인간의 궤도 데이터를 분석 제공됩니다.
Abstract
이곳은 공간과 시간적 차원에서 인간의 움직임이 질병 전송 1-3에 직접적인 영향력을 갖고 인정 받고 있습니다. 전염성 질병이 일반적으로 중첩 활동 공간에서 감염 취약 개인 사이의 접촉을 통해 확산됩니다. 따라서, 매일 이동성 - 활동 정보는 감염의 요소를 위험 노출을 측정하는 지표로 사용될 수 있습니다. 그러나, 따라서 주요 어려움과 마이크로 스케일의 감염증 전송의 연구 소수의 이유는 자세한 개인 이동성 데이터의 부족에서 발생한다. 이전 운송 및 자주 과목 적극적으로 시간과 공간에서 자신의 활동을 기록하기 위해 필요한 시간 공간 일기 기술에 의존 관광 연구 세부 공간 시간 활동 데이터를 인치 이 높은 참가자에서 참가자와 협력을 위해 요구되는 것은 크게 데이터는 4의 품질에 영향을 미칩니다.
현대이러한 GPS 및 모바일 통신 등의 기술 궤적 데이터의 자동 수집이 가능했습니다. 수집 된 데이터는 그러나, 기존 장치의 정확도에 의해 제한 인간의 시공간 활동을 모델링하는 데에는 적합하지 않습니다. 인간 행동 연구에 대한 데이터의 효율적인 처리에 대한 즉시 사용할 수 도구는 없습니다. 여기 방법의 스위트 룸 및 궤도 데이터의 사전 처리 및 spatiotemporal 분석을위한 통합 ArcGIS 데스크탑 기반의 시각적 인터페이스를 제시한다. 우리는 감염증 전송 모델링과 같은 공중 보건 연구에 도움이 될 수있는 이러한 처리는 특히 오류가 풍부한 보행자 궤적 데이터와, 인간 공간 시간 활동을 모델링하는 데 사용할 수 있습니다하는 방법의 예를 제공합니다.
제시 절차는 사전 처리, 탄도 세분화, 활동 공간 특성, 밀도 추정 및 시각화, 그리고 몇 가지 다른 탐색 분석 방법이 포함되어 있습니다. 사전 processing는 시끄러운 원시 궤적 데이터의 청소입니다. 우리는 인터랙티브 영상 사전 처리 인터페이스뿐만 아니라 자동 모듈을 소개합니다. 탄도 세분화 5 미리 가공 시공간 트랙에서 실내 및 실외 부품의 식별을 포함한다. 다시 말하지만, 인터랙티브 영상 분할 및 자동 세분화 모두 지원됩니다. 세그먼트 공간 시간 트랙은 그러한 활동 반경 등 밀도 추정 및 시각화 같은 하나의 활동 공간의 특성 온천 명소 상호 작용을 모델링하기 위해 궤도 데이터의 많은 양의를 조사하는 데 사용됩니다를 유도하기 위해 분석하고 있습니다. 우리는 밀도 표면 매핑 6 밀도 볼륨 렌더링 7을 모두 보여줍니다. 우리는 또한 다른 탐색 데이터 분석의 몇 (EDA) 및 Google 어스 애니메이션 지원 및 연결 분석 시각화 도구를 포함합니다. 뿐만 아니라 본 논문에서 제시 시각적 인 방법으로 분석의 스위트 룸은 S에 대한 궤적 데이터에 적용 할 수 있습니다속도 - 시간 활동 연구.
Protocol
1. 데이터를 가져 오는 중
- 탄도 데이터는 핸드 헬드 GPS 단위, GPS 기반 스마트 폰 추적 응용 프로그램뿐만 아니라 우리의 연구에서 사용 된 하나 상용 아동 추적기 장치로 A-GPS는 (도움 GPS) 장치로 수집 할 수 있습니다.
- 탄도 데이터는 일반적으로 시간 위도 경도 - 기록의 측면에 저장됩니다. 원하는 시간 간격은 응용 프로그램의 필요에 따라 설정해야합니다. 종종 가장 자주 간격이 공간 시간 활동 공부를 원하는 수 있습니다.
- 쉼표로 구분 된 값으로 데이터를 변환, 또는. 각각 기록 이드에 대한 별도의 항목으로 CSV 파일, 위도, 경도, 시간. 그런 다음. csv 파일 일반적으로 사용되는 지리 정보 시스템에 (GIS) 파일 형식 (예 : ESRI shapefile 8) 변환합니다.
- 건물 다각형 및 궤도 분석기와 연구 영역의 경계의 또 다른의 shapefile에로드합니다. 3D 디에 대해 올바르게 건물의 "압출"를 설정보기 흉한하고 적절하게 x, 공간과 시간을 나타내는 Z 치수를 나타내는 Y 크기와 공간 시간 큐브 6, 9를 표시 할 수있는 "압출"와 경계 층의 "투명성"을 설정합니다.
2. 사전 처리
- 두 옵션은 사전 처리 시끄러운 원시 궤적 데이터를 사용할 수 있습니다. 하나는 사전 처리 메뉴의 드롭 다운 목록에서 선택할 수 있습니다.
- '대화 형'이 선택되어 있으면 3D 궤도의 2D 투영을 쉽게 확인하고 선택할 생성됩니다. 공간과 시간의 원시 궤도를 검토 3D 디스플레이를 조작. 모양, 속도 및 / 또는 트랙 세그먼트의 토폴로지에 따라 데이터의 오류를 식별합니다. 비현실적인 높은 속도 돌연 방향을 변경 보통 트랙 포인트 (정점) 오류를 의미. 선택하고 원래의 궤도에서 그들을 제거합니다. 선택하고 3D 궤도 또는 2D 프로젝션 중 하나에서 제거합니다.
- 뾰족한 SHA와 트랙 포인트의 클러스터PES (그림 1) spatially와 긴 기간 시간적으로 가장 가능성이 GPS 신호가 약한 실내 위치로 인해 발생하는 오류를 의미. 이러한 점 그룹이 선택되어 있으면, 프로그램은 선택된 점의 spatiotemporal 중심을 계산하고 중심을 통과 할 수있는 트랙을 조정할 수 있습니다.
- '자동'이 사전 처리 메뉴에서 선택하는 경우 또는, 입력 및 출력 위치뿐만 아니라 이상 높은 속도와 포인트의 갑작스런 모퉁이를 결정하는 경험적 매개 변수를 설정합니다. 프로그램로드 궤적 데이터를 통해 검색 및 영상 오류 검출 방식을 모방 알고리즘에 따라 자동으로 실행됩니다.
3. 탄도의 세분화 및 활동 공간 특성
- 탄도 세분화이 건물 레이어가 필요하기 때문에, 건물 모양 파일이로드되어 있는지 확인합니다.
- 기능을 시작하려면 도구 모음의 분류 도구를 클릭합니다.입력 및 출력 건물 모양 파일 참조 레이어로 위치를 설정합니다. 세그먼트 궤도에 라벨을 건물 이름을 사용합니다. 이 알고리즘은 속도, 시간 등을 추적 점뿐만 아니라 건물과 관련있는 공간 토폴로지으로 설정 또는 기본 기준에 따라 실내 세그먼트를 식별합니다.
- 분할됐던로드와 같은 등등 총 활동 반경, 특정 기간 동안의 반경, 실내 대 실외을 보냈다 총 시간의 비율과 같은 하나의 활동 공간을 특성화하기 위해 선택한 요약 속성을 계산하는 활동 공간 요약 summarization 도구를 클릭합니다.
- 속성은 양적 모델링 용도에 스프레드 시트로 내보낼 수 있습니다.
4. 밀도 표면 매핑
- 밀도 표면은 시간적 차원과 공간에서 활동의 밀도가 붕괴 보여줍니다. 세 가지 옵션은 밀도 표면 매핑 메뉴의 드롭 다운 목록에서 사용할 수 있습니다.
- '트랙 포인트 밀도'옵션을 선택하면, 입력 및 출력 정보를 대화 상자에 입력하고 3D 또는 2D 하나에 표시를 선택합니다. 궤적 데이터의 모든 꼭지점은 점의 커널 밀도를 계산하는 데 사용됩니다. 그림 2는 밀도 표면을 보여줍니다.
- '추적 경로 밀도'가 선택되어있는 경우 알고리즘은 계산하고 여행을 개별 경로 (그림 3)의 밀도를 표시합니다.
- '다시 샘플 점 밀도'옵션이 선택되어 있으면, 알고리즘 재 샘플 점의 밀도는 시간에 균일하게 확산 설정된 시간 간격과지도를 사용하여 궤도 데이터입니다. 이 옵션은 다양한 신체 조건이나 분할 궤도 아래에있는 장치의 감도를 변화로 인해 불규칙적 인 시간 간격으로 추적 포인트를 수집 추적 장치를 위해 설계되었습니다. 그림 4 분할 궤도의 2D 및 3D 밀도 표면을 보여줍니다.
- 만약 '시간적 초점을 맞춘'은이 선택되어위의 옵션 중 뉴욕, 시간적 초점 (10)는 다른 기간에 활동 패턴을 조사하기 위해 수행 할 수 있습니다. 예를 들어, 하루에 여러 시간에 활동 밀도 표면은 시간에 걸쳐 핫스팟 (그림 5)을 쉽게 식별 시각화 할 수 있습니다.
5. 밀도 볼륨 추정 및 볼륨 렌더링
- 밀도 볼륨 시각화는 궤도의 시각화에서와 같이 공간 시간 큐브의 개념을 사용합니다. 이러한 시각화의 핵심은 voxels 11로 공간의 disaggregation입니다. 제 1 밀도 볼륨을 시각화에 대한 우리의 접근 방식은 voxels과 교차 시공간 트랙의 수를 계산하여 개별 voxels의 밀도 볼륨을 예측할 수 있습니다. 하나는이 단계의 밀도 볼륨 시각화 메뉴에서 '밀도 볼륨 계산'을 클릭 할 수 있습니다.
- 같은 세 가지 옵션은 밀도 표면 시각화를 위해 같은 밀도 볼륨 시각화를 위해 사용할 수 있습니다.
- 양방향 볼륨 렌더링을 12 3D 볼륨 시각화 인터페이스를 시작하려면 '다음'을 클릭 '볼륨 렌더링'. 각 축을 따라 부서의 수를 설정하면, 하나는 서로 다른 스케일에서 클러스터를 검토 할 수 있습니다. Z-팩터는 더 나은 시각화를 위해 수직 과장을 설정하는 데 사용됩니다. 같은 건물과 같은 참조 레이어뿐만 아니라 시각화를 지원하기 위해로드 할 수 있습니다. 볼륨 렌더링의 결과는 대화식으로 밀도에서 색 맵핑을 제어하는 전송 기능을 조작하여 조정할 수 있습니다. (그림 6).
6. 기타 탐색 데이터 분석 (EDA) 및 시각화
- 절차는 Google 어스에 표시 할 애니메이션 시리즈를 만들 수 있습니다. '기타'에서이 절차를 액세스 할 수 'EDA에 대한 KML로 내보내기'를 클릭하십시오. 그것은 궤도의 상호 작용 애니메이션 Google 어스에서 열리는 KML 13 파일을 만듭니다.
- 하나는 지나가는하는 궤도를 따라 할 수 있습니다Google 어스에서 타임 라인을 따라 스크롤하여 시간 전 환경.
- 절차는 '연결 분석'을 통해 관심 장소 간의 연결을 시각화 할 수 있습니다. 예를 들어, 대학 캠퍼스에서 다른 건물 사이에 연결 학생들 (그림 7)에 의해 수집 된 세그먼트 궤도 데이터에서 파생됩니다.
- 파생 연결을 바탕으로 가장 아웃 바운드 또는 인바운드 트래픽과 가장 트래픽이 곳을 식별 할 수 있습니다 연결 허브와 그 건물과 핫스팟.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
탄도 데이터는 2010 년 봄에 Kean 대학 (NJ, USA)에서 학부 학생들이 자원 봉사에 의해 수집되었다. 목적은하지 못한 이들에게 비교 (의사의 진단이나자가 진단) 독감을 잡은 학생들의 활동 패턴을 연구하는 것이 었습니다. 본 논문에서 제시 한 방법과 절차를 설명하기 위해 우리는 대표 결과를 생성하기 위해 교외 캠퍼스 지역 내에서 수집 된 궤도를했다. 캠퍼스 지역 내 궤도는 작은 부분 캠퍼스의 다양한 주차장과 외부 사이의 운전으로 인한과 함께 대부분 보행자 궤도입니다.
대학 캠퍼스에서 건물을 참조하여 궤도의 공간 시간 큐브 표현은 그림 1에 표시됩니다. 그림 1A는 AGPS 장치 (상업 아이 트래커)를 사용하여 캠퍼스에 자신의 활동의 학생 기록 일일에 의해 수집 된 원시 데이터입니다 . 이 OB입니다실내 숙박의 긴 기간은 소음 데이터 (트랙의 뾰족한 부분으로 표시)이 발생했다는 vious. 이 보행자 궤적 데이터에 매우 일반적입니다. 그림 1B는 사전 처리 및 세그먼트 탄도를 보여줍니다. 그림 1C는 공간 - 시간 큐브의 색으로 구분되는 실내 및 실외 세그먼트로 사전 처리 및 세그먼트 탄도를 보여줍니다.
2-4 수치는 궤도의 집합의 밀도 표면 매핑을 보여줍니다. 그림 2는 '트랙 포인트 밀도'매핑 옵션 (그림 2A) 및 결과 밀도지도를 (그림 2B)을 수행하기 위해 관련된 원시 추적 점을 보여줍니다. 대신 추적 점의 밀도를 매핑, 그림 3은지도 여행 경로의 밀도를. 궤도 많은 양을 분석 할 때 밀도 매핑은 특정 유용합니다. 그림 4A는 470 궤도 총을 표시합니다. 인물 4B와 4C는 2D (왼쪽)와이 궤도에서 다시 샘플 포인트를 사용하여 3D 표현 (오른쪽)의 밀도 표면을 보여줍니다.
공간 시간 큐브의 시간적 차원의 인터랙티브 디스플레이뿐만 아니라, 시간 변수는 서로 다른 시간대에 공간 패턴을 조사하는 초점 시간적를 통해 처리 할 수 있습니다. 그림 5 탄도를 포함하는 샘플 데이터 세트를 사용하여 이러한 분석의 예를 보여줍니다 데이터는 독감 시즌 학생들이 수집. 이 활동은 하단의 복합 활동 밀도지도에 결국 이끌어 하루 종일 다른 위치를 중심으로하는 명백한 것입니다.
밀도 볼륨 렌더링의 예는 그림 6에 도시된다. 그림 6A 모든 공간 시간 트랙이 때문에 마주의 공간 시간 큐브에서 시각화 경우는 패턴을 감지하기 어렵다 보여줍니다, 무슨 일 클러 터. 그림 6B는 해당 밀도 볼륨 렌더링 결과를 보여줍니다. 네 가지 그림은 다른 주파수 범위에서 밀도 볼륨을 강조함으로써, 우리의 밀도 렌더링 프로그램의 전달 함수의 다른 설정을 나타냅니다.
핫스팟을 찾는 또 다른 방법은 연결을 분석하는 것입니다. 그림 7의 예제 데이터 세트와 같은 분석의 결과를 보여줍니다. 그림 7A이 캠퍼스에있는 모든 건물 중 직선 연결을 보여줍니다. 강조 건물은 가장 높은 아웃 바운드 트래픽 볼륨있는 사람입니다. 그림 7B 강조 가장 트래픽이 연결과 같은 연결을 표시합니다.
1 그림. 사전 처리와 segmen 궤적 데이터의 tation A : 캠퍼스 건물의 배경에 원시 궤도의 2D보기, B :. 사전에 가공 궤적, C :. 분할 궤도의 공간 시간 큐브 표현 보다 큰 그림을 보려면 여기를 클릭하십시오 .
그림 2. 밀도 표면 매핑 A :. 궤적 데이터 집합의 원시 트랙 포인트, B : 트랙 포인트에서 파생 된 밀도 표면.
그림 3. 탄도 경로의 밀도 표면.
130fig4.jpg "ALT ="그림 4 "구경 : 콘텐츠 폭 ="4in "강한 : SRC ="/ files/ftp_upload/50130/50130fig4highres.jpg "/>
4 그림. 컬러 밀도 표면 매핑 : 470 궤도의 총, B :. 차원의 색 밀도 표면; C :. 3D로 색의 밀도 표면 큰 그림을 보려면 여기를 클릭하십시오 .
그림 5. 시간적 밀도 매핑에 초점을 맞추고 : 학생 활동 밀도를 캠퍼스에서 서로 다른 시간대에.
6 그림. 밀도 볼륨 렌더링 및 visualizat 이온 A : 원료 궤도에서 발생하는 시각적 인 클러 터, B :. 다른 주파수 범위에서 밀도 볼륨을 시각화하여 강조 spatiotemporal 클러스터가. 큰 그림을 보려면 여기를 클릭하십시오 .
그림 7. 연결 분석 결과 A : 강조 가장 트래픽이 건물과 함께 궤도 데이터에서 파생 대학 캠퍼스에있는 모든 건물들 사이에서 직선 연결, B :.. 캠퍼스 건물 중 가장 트래픽이 연결 큰 그림을 보려면 여기를 클릭하십시오 .
그림 8. 학생 기록 활동 일기의 일부.
9 그림. 학생들은 두 그룹의 활동 밀도 패턴 A : 독감 시즌 동안 가벼운 독감 증상이있는 학생들의 활동 밀도 패턴, B :. 더 중요한 독감 증상이있는 학생들의 활동 밀도 패턴.
10 그림. 연결 분석 결과는 학생들의 궤적 데이터를 바탕으로누가 독감 시즌 동안 주목할만한 인플루엔자 증상을 가지고 A : 강조 가장 트래픽이 건물 건물 사이에 직선 연결을, B :.. 독감으로 학생들이 촬영에서 가장 트래픽이 연결 큰 그림을 보려면 여기를 클릭하십시오 .
Subscription Required. Please recommend JoVE to your librarian.
Discussion
우리는 인터페이스를 개발하기 위해 ArcGIS의 추가 기능 메커니즘을 사용했습니다. 모든 대화 형 작업이 사용하여 구현 된 C + +. 모든 자동 처리 및 분석 기능은 Python을 사용하여 개발되었습니다.
오류가 건물과 자주 실내 정류장 인접으로 인해 엄청난 수로 보행자에 의해 수집 된 AGPS 데이터 또는 GPS 데이터 전처리에 독특한 도전을 제공합니다. 또한, 전처리의 초점은 추적 점 이미 명백한 부족으로 인해 차량의 GPS 궤적 데이터를 일반적으로 이미 일어난 일 같은 데이터 절감 할 수 없습니다. 보행자 궤적 데이터의 명백한 오류 패턴 그러나, 전처리에 고유 한 솔루션을 제공합니다. 대신 표준 전처리 알고리즘에게 14를 사용하는, 우리는 2.2에서 언급 수동 시각적 오류 검출 방식)를 모방하고 궤적 데이터의 오류를 청소하는 경험적 방법 (2.3) 개발했습니다. 특히,이 속성을 (계산 속도와 디먼저 궤도에있는 각 트랙 포인트 rection 변경). 비현실적인 높은 속도 및 / 또는 방향 변경 트랙 포인트가 제거됩니다. 그런 다음 각 나머지 트랙 포인트에 대한 속성을 (기간 및 방향 변경) 재 계산하고 뾰족한 모양 (갑작스런 방향 변경을 추적 일련의 점)와 트랙 포인트의 클러스터를 감지합니다. 마지막으로 각 클러스터의 spatiotemporal 중심이 계산되고 궤도가 감소하고 중심을 통과하도록 조정됩니다.
자동 사전 처리와 탄도 분류 알고리즘은 기존의 활동 일기 데이터를 사용 평가되었습니다. 열 학생들은 각 궤도 데이터를 수집하기 위해 AGPS를 수행하기 위해 고용 된과 동시에 적극적으로 자신의 정류장과 움직임을 기록하도록 요청했다. 전형적인 활동 일기의 부분은 그림 8에 도시된다. 사흘 실험은 30 탄도를 생성. 사전 처리 및 세그먼트 궤도를 비교 한일기 데이터입니다. 일기을 빼앗고은 종종 시간의 대략적인 견적을 적어로 궤적 데이터에 기록 된 시간이 더 정확합니다) 2; 결과는 1) 처리 궤도는 실내 활동의 대부분을 캡처 한 것으로 표시 3) 궤적 데이터 산책로 경로의 모든 세부 사항 잠시 캡처 만 직선 연결 일기 데이터에서 얻을 수있는, 그리고 참가자가 종종 부담으로 인해 기록을 건너 뛸으로 4) 어떤 활동 일기 데이터에서 누락되었습니다. 하지만 우리의 접근 방식 중 하나를 제한 세그먼트 궤적 데이터는 때때로 두 개의 건물은 우리의 실험의 일부 건물의 경우입니다 서로 연결되어 특히 잘못된 건물에 실내 세그먼트를 이름표를 잘못 붙이 것입니다. 알고리즘이 부분에 대한 개선이 필요합니다.
밀도 표면 매핑 궤적 데이터의 많은 양의가 관련되어 특히, 활동 패턴을 탐색 할 수있는 효과적인 도구입니다. 그림 4는 그 큰 NUM밀도 매핑이 흥미로운 패턴을 보여 동안 원래의 형태로 표시 할 경우 궤도의 BER은 명백한 시각적 인 혼란이 생깁니다. 이 간단한 응용 프로그램은 2010 년 독감 시즌 동안 Kean 대학 캠퍼스에서 수집 설정 데이터를 사용하여 실시되었다. 궤도의 두 세트를 생성하지 않은 독감과 학생들을 잡았 학생. 학생들은 또한 증상의 심각도에 관한 인터뷰했다. 그림 9는 학생들의 두 그룹 만 가벼운 증상 (그림 9A)와 또 다른 보여 더 유명한 사람을 (9B 그림) 보여 하나의 활동 밀도 패턴을 보여줍니다. 그것은 진짜로 아파 학생들의 활동 공간이 특정 건물 주변 클러스터 경향이 있다고 지적하고 있습니다. 또한 조사 따라서 이러한 클러스터링의 원인을 결정하기 위해 실시 될 수 있습니다. 이 실험은 방법 궤적 데이터에 숨겨진 패턴을 표시하는 방법으로 가능성이 있음을 나타냅니다.
위의 드nsity 표면지도는 그러나, 시간적 차원을 축소. 밀도 볼륨 시각화는 공간 시간 큐브의 개념을 사용하여 공간과 시간적 차원 모두를 나타냅니다. 그림 6은 이러한 시각화는 시각적으로 복잡하게 문제를 처리에 효과적입니다 나타냅니다. 일단 인터랙티브 한, 그것은 하나가 패턴을 감지 할 수있는 데이터에 서로 다른 주파수 범위를 강조하기 위해 렌더링을 조작 할 수 있습니다. 현재 접근 방법 중 하나 제한하지만, 렌더링 볼륨이 완전히 부드럽게 될 표시되지 않을 수 있습니다. 우리는 문제를 해결하기 위해 밀도 추정 알고리즘을 개선하는 과정에 있습니다. 하나의 고려 사항은 커널 밀도 추정은 시각적 인 효과를 향상시킬 수 있습니다하지만 계산 시간이 훨씬 더 오래 될 것입니다. 연속 커널 밀도 추정 15 우리가 조사 할 것입니다 또 다른 옵션이 될 수 있습니다.
시간과 공간의 활동 클러스터 (핫스팟), m을 검출 할뿐만 아니라우리가 7.2에서 소개 ethod는 곳 중 연결과 관련 핫스팟 다른 종류를 감지합니다. 우리 데이터가 독감 시즌 동안 학생들이 수집 한 세트로 다시 연결 분석은 모든 궤도 데이터 (그림 7)뿐만 아니라 유명한 독감의 증상을 (그림 10) 입증 그 대표 학생들 만을 기준으로 캠퍼스 건물들 사이 강한 연결을 확인하기 위해 실시되었다. 두 수치를 비교, 우리는 하나의 연결 (CAS 건물이라는 대학의 센터라는 건물과 다른 사이) 일반적으로 강한 연결 (그림 7)으로 나타납니다 볼 수 있지만 병이 학생들을 위해 식별 강한 연결의 집합에서 누락 (그림 10). 후자에 남아있는 두 개의 강력한 연결은 대학 센터 및 과학 빌딩 및 다른 과학 빌딩들, Hennings 홀과 홀 사이 허친슨 하나입니다. 이 캠퍼스 건물에게 indica에 관한 지식대학 센터는 카페테리아와 내부 레크리에이션 객실 캠퍼스에서 가장 크게 인신 매매 정류장입니다 tes. 학생들이 혼잡 한 공간에서 오랜 기간 동안 각각의 상호 작용 때 독감 시즌 동안 잠재적 위험도가 높은 허브가 될 수 있습니다. 또한 두 번째 연결에 관련된 세 개의 건물이 모두 실내 통로로 서로 연결되어 있다는 것을 알게된다. 이 건물은 학생들이 건물의 외부 이동하지 않고 수업을 몇 시간 실내 지출 교실을 갖추고 있습니다. 이 건물은 또한 호흡기 질병 전송 위험을 증대시킬 수 노인 환기 시스템과 비교적 오래된 건축입니다. 그러나 그림 10과 그림 7에서 연결에 나타납니다 CAS 건물은, 반면에, 새로운 건물로 대형 오픈 스페이스에서 자체적으로 자리 잡고 있습니다. 좋은 환기 및 학생 활동이 클래스 elsewher을 볼 때 야외 기간을 포함하는 사실전자 모두 낮은 위험으로 이어질 수 있습니다. 이, 물론 상상력의이지만, 본 논문에서 제시 다른 방법과 마찬가지로 이러한 분석을 증명 숨겨진 패턴을 표시하는 방법으로 유용한 탐색 분석 도구가 될 수 있습니다. 이 패키지는, 그러나, 아니에 의해 궤도 데이터 분석에 유용 가능한 모든 방법을 포함하고 있습니다. 우리는 우리의 시스템에 영상 기능을 개발하고뿐만 아니라 더 많은 분석 통합 할 우리의 노력을 유지하고 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
관심 없음 충돌이 선언 없습니다.
Acknowledgments
이 작품은 NIH 보조금 1R03AI090465으로 운용되고 있습니다.
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).
