Summary
Набор пространственно-временных методов обработки представлены для анализа человеческого данные траектории, такие как данные, собранные с помощью устройства GPS, с целью моделирования пешеходного пространства-времени деятельности.
Protocol
1. Получение данных
- Траектория данные могут быть собраны с ручных приборов GPS, GPS с поддержкой приложений для смарт-телефон отслеживания, а также A-GPS (Assisted GPS) устройств, таких как одного занятого в нашем исследовании, коммерческие устройства трекер ребенка.
- Траектория данных обычно хранится в терминах времени широта-долгота записей. Желаемого интервала времени должны быть установлены на основе потребностей приложений. Часто наиболее частых интервал желаемого для пространственно-временных исследований деятельности.
- Преобразование данных значений, разделенных запятыми, или. CSV файлов с отдельными колонками для записи идентификатора, широту, долготу и время, соответственно. Тогда преобразования. CSV файлов в широко используемых географических информационных систем (ГИС), формат файла (то есть шейп-файлов ESRI 8).
- Загрузите в шейп строительных полигонов и другое границы исследуемой области с траектории анализатора. Установить "выдавливание" из зданий должным образом для 3D-ди-скошенной и установить "выдавливание" и "прозрачность" пограничный слой должным образом для отображения пространства-времени куба 6, 9 с х, у размеры представляющих пространства и размерности г представляющие времени.
2. Предварительная обработка
- Два варианта доступны для предварительной обработки шумных исходные данные траектории. Можно выбрать из выпадающего списка предварительной обработки меню.
- Если «Интерактивные» выбрана, 2D проекции 3D траектории создан для удобного просмотра и выбора. Манипулирование 3D-дисплей для изучения сырья траектории в пространстве и времени. Определите ошибки в данных, основанных на формы, скорости и / или топология пути сегментах. Обычно трек точек (вершин) с нереально высокой скорости или резкого изменения направления означают ошибки. Выберите и удалите их из оригинальной траектории. Выберите и удалите их из любой 3D траектории или 2D проекции.
- Кластер точек трека с остроконечными шаPES (рис. 1) пространственно и длительность временного означают ошибки, которые наиболее вероятно вызванные закрытых помещениях, где GPS сигнал слабый. Если группа этих точек выбрано, программа может вычислить пространственно-временной тяжести выбранных точках и настроить трек, чтобы пройти через центр тяжести.
- Кроме того, если "Автоматически" выбирается из предварительной обработки меню, установить входные и выходные местах, а также эмпирические параметры, которые определяют аномально высокой скорости и крутых поворотах точек. Программа просматривает загруженные данные траектории и запускается автоматически на основе алгоритма, который имитирует визуальный подход обнаружения ошибок.
3. Сегментация траектории и характеристик космической деятельности
- Траектория сегментации требует создания слоя, поэтому убедитесь, файл формы здания загружен.
- Нажмите на сегментацию на панели инструментов, чтобы запустить функцию.Установка входных и выходных и расположен файл формы здания в качестве опорного слоя. Используйте здания имен для обозначения сегментирован траектории. Алгоритм определяет закрытый сегментов на основе набора или по умолчанию такие критерии, как скорость, длительность и т. д. точек трека, а также пространственной топологии по отношению к зданиям.
- Нажмите обобщения космической деятельности инструмент для загрузки в сегментированных траектории и вычислить выбранные атрибуты резюме характеризуют деятельность своего пространства, таких как общий радиус деятельности, радиусом в определенный период времени, отношение общее время, проведенное в помещении по сравнению открытом воздухе, и так далее.
- Атрибуты могут быть экспортированы в таблицы для использования количественных моделей.
4. Карты поверхностной плотности
- Плотность поверхности показана плотность деятельности в космосе с временной аспект рухнула. Три варианта из выпадающего списка отображения меню поверхностной плотности.
- Если опция 'Трек плотность точек' выбран, заполнить диалоговое окно с входной и выходной информации и выбрать для отображения в любом 3D или 2D. Все вершины с траектории данные используются для расчета ядро плотностью точек. 2 показана поверхностная плотность.
- Если «Трек пути плотности 'выбран, алгоритм вычисляет и отображает плотность отдельных путей поездки (рис. 3).
- Если опция 'Re-пробы плотность точек' выбран, алгоритм повторной образцы траекторию данных с использованием заданном интервале времени и карты плотности точек равномерно во времени. Эта опция предназначена для отслеживания устройств, которые собирают отслеживания точек в неравные промежутки времени из-за различной чувствительности устройства при различных физических условиях или сегментированные траектории. Рисунок 4 показывает 2D и 3D плотности поверхности сегментирован траектории.
- Если «Временная фокусировка выбран дляНью-Йорк из вышеперечисленных вариантов, временные фокусировки 10 могут быть выполнены, чтобы изучить деятельность моделей в различные периоды времени. Например, деятельность плотности поверхности в разное время в течение дня могут быть визуализированы для легкой идентификации горячих точках во времени (рис. 5).
5. Плотность оценка объема и объема Rendering
- Визуализации объемной плотности используется понятие пространства-времени куба, как в визуализации траектории. В основе такой визуализации разбивки пространства в вокселей 11. Наш подход к визуализации объемной плотности первые оценки объемной плотности в отдельных вокселей путем подсчета количества пространства-времени, треки, которые пересекаются с вокселей. Можно нажать 'Плотность расчета объема "под визуализации меню объемной плотности для этого шага.
- Те же три варианта для плотности визуализации объема, как и для плотности визуализации поверхности.
- Затем нажмите "Volume Rendering ', чтобы запустить 3D-интерфейс для визуализации объема интерактивный объемный рендеринг 12. Установив количество делений вдоль каждой оси, можно рассматривать кластеры в различных масштабах. Z-фактор используется для установки вертикального преувеличением для лучшей визуализации. Опорного слоя, такие как здания могут быть загружены, чтобы помочь визуализации, а также. Результаты объем оказания можно интерактивно регулировать путем манипулирования передаточной функцией, которая управляет отображением плотности цвета. (Рис. 6).
6. Другие поисковые анализа данных (РАД) и визуализаций
- Процедура доступна для создания анимационного сериала, который будет отображаться в Google Earth. В разделе "Прочее", нажмите кнопку "Экспорт в KML для EDA", чтобы получить доступ к этой процедуре. Это создает KML 13 файл, который открывает в Google Earth на интерактивной анимации траектории.
- Можно следовать траектории на травел окружающей среды во времени на прокрутку по временной шкале в Google Earth.
- Процедура доступна для визуализации связей между достопримечательностями через "Подключение анализа. Например, связи между различными зданий на кампусе университета являются производными от сегментированных данных траектории, которые были собраны студентами (рис. 7).
- На основании полученных соединений, горячие точки, такие как здания с самого исходящего или входящего трафика и концентраторы, которые соединяют наиболее посещаемых местах могут быть определены.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Траектория Данные были собраны на добровольных началах студентов из Кин университета (Нью-Джерси, США) весной 2010 года. Целью было изучить активность моделей студенты, которые поймали гриппа (диагноз врача или самостоятельно диагностировать) по сравнению с теми, кто этого не сделал. Для того чтобы проиллюстрировать методы и процедуры, представленные в этой работе приняли траектории, собранные на территории пригородной зоне кампуса для получения репрезентативных результатов. Траектории в кампусе области в основном пешеходные траектории, и только небольшая часть в результате движения между различными автостоянки и за пределами кампуса.
Пространственно-временной куб представление траекторий со ссылкой на зданиях на территории студенческого городка университета показано на рисунке 1. Рис. 1А является сырое данных, собранных студентом записи в один прекрасный день его деятельность на территории кампуса использованием устройства AGPS (коммерческий трекер ребенка) . Это наблюдаетсяпредыдущего, что некоторые длительность пребывания закрытый привело к зашумленных данных (указано колючие части трека). Это очень распространенная в пешеходной данные траектории. Рис. 1б показывает, предварительно обработанные и сегментированные траектории. Рис. 1С показывает, предварительно обработанные и сегментированные траектории с цветными крытый и открытый сегментов в пространстве-времени куба.
Цифры от 2 до 4 иллюстрируют поверхностной плотности отображение множества траекторий. 2 показана сырья пунктов слежения участие выполнять отображение 'Track плотность точек "вариант (рис. 2A) и в результате карта плотности (рис. 2В). Вместо сопоставления плотности отслеживания точек, на рисунке 3 карты плотности поездки путей. Плотность отображение особенно полезно при анализе большого количества траекторий. Рис. 4а отображает общей сложности 470 траекторий. Цифры 4B и 4C показывают, поверхностная плотность в 2D (слева) и 3D представлений (справа) с помощью повторной пробы пунктов из этих траекторий.
В дополнение к интерактивным дисплеем временного измерения в пространстве-времени куба, переменная времени могут быть оформлены через временные фокусировки для изучения пространственных структур в разные периоды времени. Рисунке 5 показаны примеры такого анализа с использованием набора выборочных данных, которая содержит траектории Данные, собранные студентами во время сезона гриппа. Очевидно, что их деятельность сосредоточена вокруг разных местах в течение дня, чтобы привести в конечном итоге к композитному карта плотности деятельность на дне.
Например плотности объемный рендеринг показано на рисунке 6. Фиг.6А показывает, что это трудно обнаружить, если все модели пространства-времени треков визуализируются в пространстве-времени кубе, потому что ВисUAL помех. Рисунок 6B показаны соответствующие результаты объемная плотность рендеринга. Четыре иллюстрации представляют различные параметры передаточной функции нашей программы оказания плотности, таким образом, выделить плотности объемов в различных диапазонах частот.
Другой способ нахождения точек доступа через подключение анализа. 7 иллюстрирует результат такого анализа с нашей установленного образца данных. Рис. 7а показывает прямую линию связи между всеми зданиями на территории кампуса. Выделенные зданий с наиболее высоким объемом исходящего трафика. Рис. 7B показывает те же соединения, с наиболее посещаемых соединения выделены.
Рисунок 1. Предварительная обработка и сегментации ции траектории данные: 2D вид сырья траектории на фоне зданий кампуса; B:. предварительно обработанные траектории; C:. пространства-времени куба представления сегментированных траектории Нажмите, чтобы увеличить показатель .
Рисунок 2. Плотность поверхности отображения. Сырья точек в треке множества траекторий данных; B: поверхностной плотности, полученные из точек трека.
Рисунок 3. Плотность поверхности траектория пути.
130fig4.jpg "ALT =" Рисунок 4 "FO: содержание ширина =" 4in "FO: SRC =" / files/ftp_upload/50130/50130fig4highres.jpg "/>
Рисунок 4. Цветное отображение поверхностной плотности: в общей сложности из 470 траекторий; B:. Цветные поверхностная плотность в 2D, C:. Цветные поверхностная плотность в 3D Нажмите, чтобы увеличить показатель .
Рисунок 5. Временные фокусировки для отображения плотности: плотность студенческой активности в университетском городке в разные периоды времени.
Рисунок 6. Плотность объемный рендеринг и visualizat ион: визуальный помех в результате сырье траекторий; B:. пространственно-временных кластеров подчеркнул, визуализируя плотности объемов в различных диапазонах частот. Нажмите, чтобы увеличить показатель .
Рисунок 7. Подключение результаты анализа: прямой линии связи между всеми зданиями на территории университета, полученные от траектории данным, с наиболее посещаемых зданий подчеркнул, B:.. Наиболее посещаемых связи между зданиями на территории кампуса Нажмите, чтобы увеличить показатель .
Рисунок 8. Доля деятельность дневнике записал на студента.
Рисунок 9. Деятельность плотности модели из двух групп студентов: деятельность плотности шаблонов студентов с легкими симптомами гриппа во время сезона гриппа B:. Деятельности плотности шаблонов студентов с наиболее заметных симптомов гриппа.
Рисунок 10. Результаты Подключение анализ, основанный на данных траектории студентовкоторые были заметные симптомы гриппа во время сезона гриппа: прямые линии связи между зданиями с наиболее посещаемых зданий подчеркнул, B:.. наиболее посещаемых соединений приняты студенты с гриппом Нажмите, чтобы увеличить показатель .
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Мы использовали дополнения в механизме ArcGIS для разработки интерфейса. Все интерактивные операции были реализованы с помощью C + +. Все автоматической обработки и анализа функций были разработаны с использованием Python.
AGPS данных или GPS данных, собранных пешеходных представляет уникальные задачи в предварительной обработке, как ошибки могут быть массивными за счет близости от зданий и частыми остановками закрытый. Кроме того, в центре внимания предварительная обработка не должна быть обработка данных, как то, что обычно делается для автомобильных GPS траекторию данных в связи с уже очевидно, нехватка отслеживания точек. Очевидно паттернов ошибок в пешеходной данные траектории, однако, предоставить уникальное решение для предварительной обработки. Вместо того чтобы использовать стандартные алгоритмы предварительной обработки 14, был разработан эвристический метод (2,3), которая имитирует ручную визуального захода на посадку обнаружения ошибок, упомянутых в 2,2) и очищает ошибки в траектории данных. В частности, он рассчитывает атрибуты (скорость и ди-Rection изменения) для каждого трека точка в траектории в первую очередь. Трек точки с нереально высокой скорости и / или направления изменения будут удалены. Затем он повторно вычисляет атрибуты (продолжительность и направление изменений) для каждой оставшейся точке трека и обнаруживает скопления точек траектории с колючие формы (серия точек трека с резким изменением направления). Наконец пространственно-временной центр тяжести каждой группы рассчитывается и траектории уменьшается, и регулировать, чтобы пройти через центр тяжести.
Автоматическая предварительная обработка и траектории алгоритмы сегментации были оценены с использованием традиционных данных дневнике деятельности. Десять студентов были привлечены к каждому нести AGPS, чтобы собрать траекторию данных и в то же время было предложено активно записывать их остановки и движения. Доля типичный дневник активности показано на рисунке 8. Трехдневного эксперимента генерируется 30 траекторий. Предварительно обработанную и сегментированные траектории были по сравнению сДневник данных. Результаты показали, что: 1) обрабатываются траектории захватили большинство крытый деятельности; 2) время, записанные в траекторию данные более точны, как дневник, берущих часто записывают приблизительную оценку времени; 3) траектории данными, полученными все детали дорожки путей в то время как Только прямой линии связи могут быть получены из дневника данных и 4) некоторые виды деятельности, которые отсутствуют в дневнике данным участников часто пропустить записи в связи с бременем. Но одно ограничение нашего подхода является то, что сегментированные данные траектории иногда неправильно маркировать закрытый сегмент в неправильном здания, особенно, когда два здания соединены друг с другом, что и в случае с некоторыми зданиями в нашем эксперименте. Улучшение на этот аспект алгоритма не требуется.
Отображение поверхностной плотности является эффективным инструментом для изучения деятельности узоры, особенно когда большое количество траекторию данных идет речь. Рисунок 4 показывает, что большое числоBER траекторий приводит к очевидным визуальный беспорядок, если он отображается в своем первоначальном виде в то время как плотность отображения показывает интересные закономерности. Простое применение этого был проведен с использованием набора данных, собранных на территории кампуса университета Кин в течение 2010 сезона гриппа. Студенты, которые поймали гриппа и студентов, которые не генерируются два набора траекторий. Студенты были также опрошены о тяжести их симптомов. Рисунке 9 показано деятельности плотности модели из двух групп студентов, один показывает только легкие симптомы (рис. 9А), а другой показывает наиболее заметных из них (рис. 9Б). Он отметил, что космическая деятельность реальных больных студентов имеет тенденцию группироваться вокруг конкретного здания. Дальнейшее исследование может быть проведено таким образом, чтобы определить причины таких кластеров. Этот эксперимент показывает, что метод имеет потенциал, чтобы выявить скрытые закономерности в данных траектории.
Выше де-Карты nsity поверхности, однако, разрушается временном измерении. Визуализации объемной плотности используется понятие пространства-времени кубе и представляет собой пространственные и временные измерения. Рисунок 6 показывает, что такое визуализация является эффективным в борьбе с визуальным захламление проблем. После сделан интерактивным, он позволяет манипулировать рендеринга для выделения различных диапазонах частот в данных для выявления шаблонов. Одним из ограничений нашего нынешнего подхода, однако, является то, что объем оказанных-видимому, не вполне гладко. Мы находимся в процессе совершенствования алгоритма оценки плотности справиться с проблемой. Одним из аспектов является то, что оценка плотности ядра может улучшить визуальный эффект, но время вычислений станет гораздо больше. Последовательное оценивание плотности ядра 15 может быть другой вариант, что мы будем исследовать.
В дополнение к обнаружению деятельности кластеров (хот-спотов) во времени и пространстве, мethod мы ввели в 7,2 обнаруживает другого вида горячих точек, которые связаны с переходами между местами. Опять же с нашими набор данных, собранных студентами во время сезона гриппа, связи был проведен анализ для выявления сильных связей между зданий кампуса на основе всех данных траектории (рис. 7), а также тех, кто представляет только студенты, которые продемонстрировали заметные симптомы гриппа (рисунок 10). Сравнивая две цифры, мы видим, что одно соединение (между зданием называется University Center и еще называли здание CAS), как представляется, сильные связи в целом (рис. 7), но отсутствует множество прочных связей, определенных для больных студентов (рис. 10). Два прочных связей, которые остаются в последнем являются одной между университетом и Центром науки Строительство и другая Среди науки Строительство, Хеннингс зал и зал Хатчинсон. Знания об этих зданий кампуса показателейTES, что университет Центр является наиболее интенсивным движением остановка на кампусе с кафетерием и комнаты отдыха внутри. Это может быть потенциально высоким риском центром в течение сезона гриппа, когда студенты взаимодействуют друг с в течение длительного периода времени в переполненном пространстве. Он также узнал, что три здания, участвующих во втором связи все привязались друг к другу с крытым путей. Эти здания имеют классах, где студенты могут проводить многие часы в помещении с классами без необходимости выходить за пределы здания. Эти здания также являются относительно старыми конструкциями с престарелыми системы вентиляции, которые могут увеличить риск передачи заболевания дыхательной. Здание CAS, который появляется в связи на рисунке 7, но не на рисунке 10, с другой стороны, представляет собой совершенно новое здание и стоит сам по себе в большом открытом пространстве. Хорошая вентиляция и тот факт, что студент деятельность должна включать открытый период времени, когда посещал занятия elsewherэлектронной и могут привести к снижению рисков. Это, разумеется спекуляций, но доказывает, что такой анализ, как и другие методы, представленные в этой статье могут быть полезны поисковый инструмент анализа выявить скрытые закономерности. Этот пакет, однако, никоим образом не включает в себя все возможные методы, полезные для траектории анализа данных. Мы держим наших усилий будет развиваться и включать более аналитической, а также зрительных функций в нашу систему.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Нет конфликта интересов объявлены.
Acknowledgments
Эта работа финансируется за счет грантов 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).
