Summary
時空間処理方法のスイートは、モデリング·歩行者の時空間活動の目的のため、GPSデバイスを使用して収集されたものと人間の軌道データを分析するために提示されています。
Abstract
これはよく空間的および時間的な次元における人間の運動は病気伝送1-3直接的な影響力を持っていることが認識されている。感染症は、通常、それらの重なり活動空間における感染と感受性個体間の接触を介して広がっています。したがって、毎日のモビリティアクティビティ情報は、感染の危険因子への曝露を測定するための指標として使用することができる。しかし、このように大きな難題とミクロスケールでの感染症伝播の研究が不足している理由は、詳細な個人のモビリティデータの不足から生じる。以前はしばしば被験者が積極的に時間と空間での活動を記録するために必要な時間空間日記技術、に依存していた交通、観光研究の詳細な時空間活動データインチこれは非常に参加者からの参加者とのコラボレーションを求めている大幅にデータ4の品質に影響を与える。
現代のGPSやモバイル通信などの技術が可能軌跡データの自動収集を行っている。収集されたデータは、しかし、既存の機器の精度によって制限され、人間の時空間活動をモデル化するための理想的ではありません。人間行動研究のためのデータの効率的な処理のための容易に利用可能なツールもありません。私たちはここでのメソッドのスイートと軌跡データの前処理、時空間解析のための統合されたArcGISのデスクトップベースのビジュアルなインターフェイスを提示。我々は、特にそのような感染症の伝送モデリングなど、公衆衛生学に有用である可能性のあるエラーの豊富な歩行者の軌跡データと、人間の時空間活動をモデル化するために使用されるかもしれないか、このような処理の例を示します。
提示の手順では、前処理、軌道セグメンテーション、活動空間の特性、密度推定と可視化、および他のいくつかの予備的な解析手法を含む。プリprocessingがうるさい生の軌道データのクリーニングです。私たちは、対話型のビジュアル前処理インタフェースと同様に自動モジュールをご紹介します。軌道セグメンテーション5は前処理された時空のトラックから、屋内と屋外の部品の識別を必要とする。繰り返しになりますが、インタラクティブな視覚的セグメンテーションと自動セグメンテーションの両方がサポートされています。セグメント化された時空のトラックはその後派生するために分析されるような活動半径等密度推定と可視化など、1つの活動領域の特性は、ホットスポットとの相互作用をモデル化するために軌道に大量のデータを調べるために使用されます。我々は、密度表面マッピング6および密度ボリュームレンダリング7の両方を示しています。我々はまた、Google Earthのアニメーションをサポートし、接続の分析など、他の探索的データ解析(EDA)と視覚化ツールのカップルが含まれています。分析のスイートだけでなく、この論文で提示ビジュアルメソッドはsの任意の軌道データに適用してもよいペースタイム活性研究。
Protocol
1。データの取得
- 軌跡データはハンドヘルドGPSユニット、GPS対応スマートフォントラッキングアプリケーションだけでなく、A-GPS(GPSを支援)など、我々の研究で使用されている1つ、商業子トラッカー装置などの装置を使用して収集することができます。
- 軌跡データは、通常の時間緯度経度レコードの条件で保存されます。所望の時間間隔は、アプリケーションのニーズに基づいて設定する必要があります。多くの場合、最も頻繁な間隔は、時空間活動の研究のために望まれている。
- コンマで区切られた値にデータを変換したり、。それぞれのレコードIDごとに個別の列を持つcsvファイル、緯度、経度、時刻、。その後、一般的に使用される地理情報システムへ。csvファイル(GIS)のファイル形式( すなわち 、ESRIシェープファイル8)に変換します。
- 建物ポリゴンと軌道アナライザによる研究領域の境界の別のシェープファイルにロードします。 3Dディに対して適切に建物の "押し出し"を設定スプレイと空間と時間を表すz次元を表すx、yの次元と時空キューブ6,9を表示するには、適切に"押し出し"と境界層の"透明度"を設定します。
2。前処理
- 二つのオプションは、前処理うるさい生の軌道データに使用できます。一つは、前処理メニューのドロップダウンリストから選択することができます。
- '対話'が選択されている場合は、3次元軌跡の2D投影を簡単に表示および選択のために作成されます。空間的にも時間的に生の軌跡を調べるために3D表示を操作します。形状、速度および/またはトラックセグメントのトポロジに基づいて、データのエラーを特定します。非現実的な高速または突然の方向変化を伴う通常のトラックポイント(頂点)のエラーを意味する。選択して、元の軌道からそれらを削除します。選択して、3D軌道またはその2D投影のどちらかからそれらを削除します。
- 先端のとがったSHAとトラックポイントのクラスタPES( 図1)空間的にも時間的に最も長い期間、おそらくGPS信号が弱い屋内位置によって引き起こされるエラーを意味する。これらの点のグループが選択された場合は、プログラムが選択されているポイントの時空重心を計算し、重心を通過する軌道を調整することができます。
- '自動'は前処理メニューから選択された場合、あるいは、異常な高速性とポイントの突然の転換を決定し、入力と出力の場所としてだけでなく、経験的なパラメータを設定します。プログラムがロードされた軌道データを検索し、視覚的なエラー検出の手法を模倣したアルゴリズムに基づいて自動的に実行されます。
3。軌道セグメンテーション&アクティビティスペースの特性
- 軌道セグメンテーションは、建物の層を必要とするので、建物形状ファイルがロードされていることを確認してください。
- 機能を起動するには、ツールバーのセグメンテーションツールをクリックします。入力と出力を設定し、基準層として建物形状ファイルの場所を指定。セグメント化された軌道にラベルを付けるために建物名を使用します。アルゴリズムは、速度、時間などのトラックポイントだけでなく、建物との関係で空間トポロジーとして設定するか、デフォルトの基準に基づいて、室内のセグメントを識別します。
- セグメント化された軌道にロードすると、それに総活性半径、一定期間における半径、屋内対屋外で費やされる合計時間の比率、など、1つの活動空間を特徴づけるために選択したサマリー属性を計算する活動空間集約ツールをクリックします。
- 属性は、定量的なモデル化の目的で使用する場合は、スプレッドシートにエクスポートすることができます。
4。密度表面マッピング
- 密度表面は時間次元と空間での活動の密度が崩壊を示しています。 3つのオプションは、密度表面マッピング]メニューのドロップダウンリストから利用できます。
- "トラックポイントの密度 'オプションが選択されている場合、入力および出力情報を含むダイアログボックスに記入して3Dや2Dのいずれかで表示するように選択する。軌道データからすべての頂点がポイントのカーネル密度を計算するために使用される図2は密度面を示す。
- "トラックパス密度"を選んだ場合には、アルゴリズムが計算し、個々の走行経路( 図3)の密度が表示されます。
- "再サンプリングポイントの密度 'オプションが選択されている場合は、アルゴリズムの再サンプル点の密度が時間内に均等に広げ、設定された時間間隔とマップを使用して軌道データ。このオプションは、様々な物理的条件やセグメント化された軌道の下にあるデバイスの感度の違いにより、不規則な時間間隔でトラッキングポイントを集めるトラッキングデバイス用に設計されています図4は、セグメント化された軌道の2Dおよび3D密度面を示しています。
- '時空焦点'が選択されている場合上記のオプションのny、時間的な焦点10は 、異なる期間での活動パターンを調べるために行うことができる。たとえば、日中に様々なタイミングで活動密度面は時間を越えて、ホットスポット( 図5)の識別を容易にするために視覚化することができる。
5。密度ボリューム推定とボリュームレンダリング
- 密度のボリューム可視化は軌道の可視化のように時空キューブの概念を使用します。このような可視化の中核は、ボクセル空間11への分解である。視覚密度·ボリュームへの我々のアプローチは、最初のボクセルと交差時空トラックの数を数えることによって、個々のボクセルの密度の体積を推定する。一つは、このステップの密度のボリューム可視化メニューの下に "密度体積計算"をクリックすることもできます。
- 同じ3つのオプションは、密度表面を可視化するために密度のボリューム可視化のために用意されています。
- インタラクティブなボリュームレンダリング12のための3Dボリュームデータの可視化インタフェースを起動するには[次へ]をクリックして"ボリュームレンダリング"。各軸に沿った分割数を設定することで、一つは、異なるスケールでクラスタを調べるかもしれません。 Z値の倍率は、より良い視覚化のための垂直誇張を設定するために使用されています。建物などの基準層も同様に可視化を支援するためにロードすることができます。ボリュームレンダリングの結果を対話的密度からカラーへのマッピングを制御伝達関数を操作することによって調整することができます。 ( 図6)。
6。他の探索的データ解析(EDA)とビジュアライゼーション
- 手順は、Google Earthに表示されるアニメーションシリーズを作成することが可能です。 "その他"の下では、この手順にアクセスする "EDAのKMLへのエクスポート"をクリックします。それは軌道のインタラクティブなアニメーションにGoogle Earthで開くKML 13ファイルを作成します。
- 一つは、ラーベする軌道をたどることがGoogle Earthのタイムラインに沿ってスクロールして時間内にlは環境。
- 手順は、 "接続の分析 'を通じて興味のある場所同士のつながりを視覚化することが可能です。例えば、大学キャンパス内の異なる建物間の接続は、学生( 図7)によって収集されたセグメント化された軌道データから導出されます。
- 派生した接続に基づいて、そのようなほとんどの発信または着信トラフィックと最もトラフィックの多い場所をつなぐハブとそれらの建物のようにホットスポットを識別することができる。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
軌跡データは、2010年春にキーン大学(ニュージャージー州、米国)からの学部学生をボランティアにより収集した。目的はなかった人と比較して(医師によって診断や自己診断)がインフルエンザをひいた生徒の行動パターンを研究することであった。本稿で提案手法や手順を説明するために、我々は代表的な結果を生成するために郊外キャンパスエリア内で収集軌道を取った。キャンパスエリア内の軌道は、様々な駐車場や、キャンパスの外間運転に起因するわずかな部分のみで、主に歩行者の軌跡である。
大学のキャンパスにある建物を参照して軌跡の時空間立体表現を図1に示します。 図1Aは、AGPSのデバイス(市販子トラッカー)を使用して、キャンパス内の彼の活動の学生記録1日までに収集された生データです。それはOBです屋内滞在のいくつかの長い期間はノイズの多いデータ(トラックの先端のとがった部分で示される)をもたらしたことをvious。これは歩行者の軌跡データでは非常に一般的です。 図1Bは、前処理されたとセグメント化された軌跡を、 図1Cは時空キューブに色分けされた屋内および屋外のセグメントを持つ前処理されたとセグメント化された軌跡を示しています。
図2〜図4は、軌道の集合の密度表面マッピングを示しています。 図2 "トラックポイントの密度'マッピングオプション( 図2A)、得られた密度マップ( 図2B)を実行するために関与して生のトラッキングポイントを示しています。代わりにトラッキングポイント、走行パスの密度は図3のマップの密度をマッピングする。軌道を大量に分析する際に密度マッピングは、特に便利です。 図4Aは、470軌道の合計を表示します。 図4B、4Cは 、これらの軌道から再サンプリングされたポイントを使用して、2D(左)と3D表示(右)に密度面を示しています。
時空キューブの時間次元の対話的なディスプレイに加えて、時間変数は、異なる期間における空間パターンを調べるために焦点時空を介して処理することができます。 図5は、軌道が含まれているサンプルデータセットを使用して、このような分析の例を示します。データは、インフルエンザシーズン中に生徒が収集した。それは、彼らの活動は底の複合アクティビティ密度マップに最終的につながるように1日を通してさまざまな場所を中心にしていることは明白である。
密度のボリュームレンダリングの例を図6に示します。 図6Aは、すべての時空間トラックが原因のVI時空キューブに可視化される場合、それはパターンを検出することは困難であることを示していますUALクラッタ。 図6Bは、対応する密度のボリュームレンダリング結果を示しています。 4イラストは異なる周波数範囲における密度のボリュームを強調するので、我々の密度の描画プログラムの伝達関数のさまざまな設定を表します。
ホットスポットを見つけるもう一つの方法は、接続分析を介して行われます。 図7は、我々のサンプルデータセットを使用してこのような分析の結果を示している。 図7Aは、キャンパス内のすべての建物の間で直線接続を示しています。ハイライトされた建物は、最高アウトバウンドトラフィック量を有するものである。 図7Bは、強調最もトラフィックの接続で、同じ接続を示しています。
図1。前処理およびsegmen軌跡データのテーション:キャンパスの建物の背景に生の軌跡の2Dビュー、B:前処理された軌跡、C:セグメント化された軌道の時空間立体表現拡大図を表示するにはここをクリック 。
図2。密度表面マッピング:軌跡データセットの生のトラックポイント、B:トラックポイントから派生した密度面。
図3。軌道経路の密度面。
130fig4.jpgの "alt ="図4 "のfo:コンテンツの幅=" 4インチ "のfo:SRC =" / files/ftp_upload/50130/50130fig4highres.jpg "/>
図4。着色された密度の表面マッピング :470軌跡の合計は、B:2Dに着色された密度面、C:3Dで着色された密度の表面拡大図を表示するには、ここをクリックしてください 。
図5。密度マッピングのための一時的なフォーカス:異なる期間でのキャンパスでの生徒の活動密度。
図6。密度のボリュームレンダリングとvisualizatイオン:生の軌跡から得られる視覚的クラッタ、B:。異なる周波数範囲における密度のボリュームを視覚化することによって強調時空クラスタが大きい図を表示するには、ここをクリックしてください 。
図7。接続の分析結果 :強調最もトラフィックの多い建物で、軌跡データから導出された大学のキャンパス内にあるすべての建物の間で直線接続、B:。キャンパスにある建物の中で最も売買された接続が大きい図を表示するには、ここをクリックしてください 。
図8。学生によって記録された活動日記の一部。
図9。学生の2つのグループの活動密度パターン :インフルエンザシーズン中に軽度のインフルエンザ症状のある学生の活動密度パターン; B:もっと注目すべきインフルエンザの症状を持つ学生の活動密度パターン。
図10。学生の軌道データに基づいて、接続の分析結果誰がインフルエンザシーズン中に顕著なインフルエンザの症状を持っていた:強調最もトラフィックの建物と建物の間の直線接続は、B:。インフルエンザを持つ学生が撮影した最もトラフィックの接続。 拡大図を表示するには、ここをクリックしてください 。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
我々は、インターフェースを開発するために、ArcGISのアドインのメカニズムを使用していました。すべての対話的な操作を使用して実装されたC + +です。すべて自動処理と分析機能がPythonを使って開発されました。
エラーが原因で建物や頻繁な屋内停留所に隣接する大規模なことができるように歩行者が収集したAGPSデータ、またはGPSデータは、前処理に特有の課題を提示します。また、前処理の焦点は、トラッキングポイントの既に明白な不足に起因する車両のGPS軌跡データに対して通常行われているものとして、データ削減すべきではない。歩行者の移動軌跡データの明らかな誤りパターンは、しかし、前処理に固有のソリューションを提供します。代わりに標準前処理アルゴリズム14を使用するのではなく、我々は、2.2で述べたマニュアルビジュアルエラー検出アプローチを模倣)と軌跡データのエラーをクリーンアップヒューリスティック法(2.3)を開発しました。具体的には、属性(計算速度とディ第1軌道の各トラックポイントの統率変化)。非現実的な高い速度および/または方向の変更でトラックポイントが削除されます。その後、残りの各トラックポイントの属性を(持続時間と方向の変化)を再計算して、先端のとがった形状(突然の方向が変化するとトラックポイントのシリーズ)とトラックポイントのクラスタを検出します。最後に、各クラスタの時空重心が計算され、軌道が減少し、重心を通過するように調整されます。
自動前処理および軌道分割アルゴリズムは、従来の活動日記のデータを用いて評価されています。 10名の学生は、各軌道データを収集するためにAGPSを運ぶために募集されたと同時に、積極的に停止して、動きを記録するように求めていた。典型的な活動の日記の一部を図8に示します。 30軌道を生成した3日間の実験。前処理されたとセグメント化された軌道を比較した日記のデータ。その結果、1)加工軌跡は、屋内活動の大半を捕捉することが示された。2)日記の受験者は、しばしば時間の概算を書き留めるように軌跡データに記録された時間がより正確である、3)軌道データは、歩道·パスのすべての詳細はしばらく捕捉唯一の直線接続は日記のデータから得ることができる、そして、参加者は多くの場合、負担のためのレコードをスキップするように4)いくつかの活動は日記のデータから欠落している。しかし、我々のアプローチの1つの制限は、セグメント化された軌道データは、時々私達の実験ではいくつかの建物がそうであるが、二つの建物が相互に接続されている場合は特に、間違った建物に屋内セグメントが違ったレッテルを貼ることです。アルゴリズムのこの局面の改善が必要とされている。
密度表面マッピングは、軌道に大量のデータが関係している場合は特に、活動パターンを探索するための効果的なツールです。 図4に示すように大きなNUM密度マッピングは興味深いパターンを明らかにしながら、元の形式で表示された場合、軌道のBERが明らかビジュアル乱雑につながる。この簡単なアプリケーションは、2010年のインフルエンザシーズン中に、キーンの大学のキャンパスで収集されたデータセットを用いて行った。インフルエンザや軌道の2セットを生成しなかった生徒を捕まえ学生。学生は、自分の症状の重症度に関する面接調査を行った。 図9は、学生の2つのグループの活動密度パターンのみ軽度の症状( 図9A)と別示すより注目すべきものがあります( 図9B)を示す1を示しています。それは本当の病人、学生の活動空間は、特定の建物の周りにクラスタに傾向があることに留意されたい。詳しい調査は、このように、クラスタリングの原因を決定するために実施することができます。この実験は、メソッドが軌道データに隠されたパターンを明らかにする可能性があることを示している。
上記のデnsity面マップは、しかし、時間次元が折りたたまれます。密度のボリューム可視化が時空キューブの概念を使用しており、空間的、時間的な両方の寸法を表しています。 図6は、このような視覚化は、視覚乱雑に問題に対処するのに有効であることを示しています。一度インタラクティブに、それは1つのパターンを検出するためのデータで異なる周波数範囲を強調表示するためにレンダリングを操作することができます。我々の現在のアプローチの1つの制限は、しかし、レンダリングされたボリュームが完全に平滑であることが表示されないということです。私たちは、問題に対処するために密度推定アルゴリズムの改良の過程にある。 1つの考慮はカーネル密度推定は、視覚効果を高めるかもしれませんが、計算時間が非常に長くなるだろうということです。シーケンシャルカーネル密度推定15は、我々が調査するだろうと別のオプションかもしれない。
時間と空間で活動クラスタ(ホットスポット)を検出することに加えて、メートル我々は7.2で導入されたethodは場所間の接続に関係しているホットスポットの別の種類を検出します。我々のデータはインフルエンザのシーズン中に生徒が収集した設定で再度、接続の分析はすべての軌道データ( 図7)と同様に顕著なインフルエンザの症状があります( 図10)を示したものを表すだけでなく、学生に基づいてキャンパスの建物間の強い接続を識別するために実施された。 2つの図を比較すると、我々は1つの接続(CASの建物と呼ばれる大学のセンターと呼ばれる建物と別の間)に、一般的に強いつながります( 図7)であるように見えることがわかりますが、病気の生徒のために識別された強力な接続のセットから欠落している( 図10)。後者に残る2強力な接続が大学センターと科学の建物と別の科学棟のうち、ヘニング·ホールとホールの間でハッチンソン1アール。これらのキャンパスの建物のインディカに関する知識大学センターでは、内部の食堂やレクリエーションルームのあるキャンパスで最もトラフィックの多い停留所であることをTES。学生は混雑した空間で長期間それぞれと対話するとき、それはインフルエンザシーズン中に潜在的な危険性が高いのハブである可能性があります。また、第二の接続には、三つの建物は、すべての屋内経路で互いに接続されていることを学んだ。これらの建物は、学生が建物の外に移動することなく授業を取って多くの時間を室内で過ごすことができる教室を持っています。これらの建物はまた、呼吸器疾患の伝播のリスクを高めることができる高齢者の換気システムと比較的古い構造である。はなく、 図10に、図7の接続で使用され、CASの建物は、他の一方で、真新しい建物で、広いオープンスペースに単独で立っている。通気性の良さと学生の活動は、クラスelsewherを撮るとき屋外期間を巻き込むことがあるという事実eの両方が低いリスクにつながる可能性があります。これらは、当然の推測であるが、本論文で提示された他のメソッドと同様に、そのような分析を証明するには、隠れたパターンを明らかにするために有用な探索的解析ツールとなることができます。このパッケージには、しかし、決して軌跡データの解析に有用な可能性のあるすべてのメソッドが含まれています。我々は、我々のシステムに分析だけでなく、視覚的な機能を開発し、より多く組み込むしようとして我々の努力を続けています。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
特別な利害関係は宣言されません。
Acknowledgments
この作品は、NIHの助成金1R03AI090465によって賄われています。
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).