Summary

Bahndaten Analysen für Fußgänger Raum-Zeit-Activity Study

Published: February 25, 2013
doi:

Summary

Eine Folge von Raumzeit-Verarbeitungsverfahren werden dargestellt, um die menschliche Trajektoriendaten, wie die Verwendung einer GPS-Einrichtung, zum Zweck der Modellierung Fußgängers Raumzeit Tätigkeiten gesammelten analysieren.

Abstract

Es ist allgemein anerkannt, dass die menschliche Bewegung in den räumlichen und zeitlichen Dimensionen direkten Einfluss auf die Übertragung von Krankheiten 1-3 hat. Eine ansteckende Krankheit in der Regel breitet sich über den Kontakt zwischen infizierten und anfälligen Personen in ihren überlappenden Aktivitäten Räumen. Daher kann tägliche Mobilität-Aktivität Informationen als Indikator für die Exposition zu messen, um Faktoren der Infektion riskieren verwendet werden. Allerdings ergeben sich eine große Schwierigkeit und damit die Ursache für wenigen Studien von Infektionskrankheiten Transmission bei der Mikromaßstab vom Fehlen detaillierter individuellen Mobilität Daten. Zuvor im Transport-und Tourismus-Forschung detaillierte Raum-Zeit-Aktivitätsdaten oft auf dem Raum-Zeit-Tagebuch Technik, die Themen aktiv zu erfassen ihre Tätigkeiten in Raum und Zeit erfordert verlassen. Dies ist sehr anspruchsvoll für die Teilnehmer und die Zusammenarbeit der Teilnehmer beeinflusst die Qualität der Daten 4.

ModerneTechnologien wie GPS und Mobilfunk möglich gemacht haben die automatische Sammlung von Bahndaten. Die gesammelten Daten ist jedoch nicht ideal für die Modellierung menschlichen Raum-Zeit-Aktivitäten, die von den Genauigkeiten von bestehenden Vorrichtungen beschränkt. Es gibt auch keine leicht verfügbaren Werkzeug zur effizienten Verarbeitung der Daten für das menschliche Verhalten Studie. Wir stellen Ihnen hier eine Reihe von Methoden und ein integriertes ArcGIS Desktop-basierte grafische Benutzeroberfläche für die Vorverarbeitung und raumzeitliche Analysen der Bahndaten. Wir bieten Beispiele, wie solche Verarbeitung kann verwendet werden, um menschliche Raum-Zeit-Aktivitäten zu modellieren, insbesondere mit Fehler-reiche Fußgängerzone Bahndaten werden, die nützlich sein könnten in der öffentlichen Gesundheit Studien wie Übertragung von Infektionskrankheiten Modellierung.

Das vorgestellte Verfahren umfasst Pre-Processing, Flugbahn Segmentierung Aktionsraum Charakterisierung, Dichte-Schätzung und Visualisierung, und ein paar andere explorative Analyse-Methoden. Pre-processing ist die Reinigung der lärmenden raw Bahndaten. Wir stellen eine interaktive visuelle Pre-Processing-Schnittstelle sowie eine automatische Modul. Trajectory Segmentierung 5 beinhaltet die Identifikation von Indoor-und Outdoor Teile aus vorbearbeitete Raum-Zeit-Spuren. Auch hier sind sowohl interaktive visuelle Segmentierung und automatische Segmentierung unterstützt. Segmented Raum-Zeit-Spuren werden dann analysiert, um daraus Merkmale einer Tätigkeit Raum wie Aktionsradius usw. Dichte Schätzung und Visualisierung verwendet werden, um große Menge von Bahndaten zu Hot Spots und Interaktionen zu modellieren untersuchen. Wir zeigen sowohl Dichte Oberfläche Mapping 6 und Dichte Volume Rendering 7. Wir berücksichtigen auch ein paar andere explorative Datenanalyse (EDA) und Visualisierungen Tools wie Google Earth Unterstützung für Animationen und Anschluss Analyse. Die Suite der analytischen als auch visuelle Methoden in diesem Papier können auf alle Bahndaten für s angewendet werdenTempo-time activity Studien.

Protocol

Ein. Abrufen von Daten Trajectory Daten können mit Handheld-GPS-Geräte, GPS-fähigen Smartphones Tracking-Anwendungen, sowie A-GPS (Assisted GPS)-Geräte wie die in unserer Studie beschäftigt, eine kommerzielle Kind tracker gesammelt werden. Trajectory Daten werden normalerweise in Form von Zeit-Längen-und Breitengraden Datensätze gespeichert. Ein gewünschtes Zeitintervall sollte basierend auf Anwendung Bedürfnisse eingestellt werden. Oft ist die häufigste Intervall für Raum-Zeit-Aktivität…

Representative Results

Bahndaten wurde durch ehrenamtliche Studenten von Kean University (NJ, USA) im Frühjahr 2010 gesammelt. Der Zweck war, Aktivitätsmuster von Studenten, die Influenza erwischt (diagnostiziert durch einen Arzt oder Selbst-Diagnose) im Vergleich zu denen, die nicht studieren. Um die Methoden und Verfahren in diesem Papier vorgestellten verdeutlichen haben wir die Bahnen innerhalb des S-Campus gesammelt, um repräsentative Ergebnisse zu generieren. Trajektorien innerhalb des Campus sind meist Fußgänger Bahnen, mit nur ei…

Discussion

Wir verwendeten Add-In Mechanismus der ArcGIS, um die Schnittstelle zu entwickeln. Alle interaktiven Funktionen implementiert wurden unter Verwendung von C + +. All die automatische Verarbeitung und Analyse-Funktionen wurden unter Verwendung von Python.

AGPS Daten oder GPS-Daten von Fußgängerzone gesammelt präsentiert einzigartige Herausforderung in der Vorverarbeitung die Fehler können massiv sein aufgrund Nachbarschaft zu Gebäuden und häufige Innen stoppt. Darüber hinaus sollte der …

Disclosures

The authors have nothing to disclose.

Acknowledgements

Diese Arbeit wird durch NIH 1R03AI090465 finanziert.

Materials

Name of the reagent Company Catalogue number Comments (optional)
WorldTracker GPRS Tracking The World
A personal computer for running the analysis
ArcGIS software ESRI
Trajectory Analyzer Extension

References

  1. 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).
  2. Morens, D. M., Folkers, G. K., et al. The challenge of emerging and re-emerging infectious diseases. Nature. 430, 242-249 (2004).
  3. Viboud, C., Bjornstad, O. N., et al. Synchrony, waves, and spatial hierarchies in the spread of influenza. Science. 312, 447-451 (2006).
  4. Shoval, N., Isaacson, M. The Application of tracking technologies to the study of pedestrian spatial behaviour. The Professional Geographer. 58 (2), 172-183 (2006).
  5. Yu, H. Spatio-temporal GIS design for exploring interactions of human activities. Cartography and Geographic Information Science. 33 (1), 3-19 (2006).
  6. 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).
  7. 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).
  8. Kraak, M., Koussoulakous, A., Fisher, P. . A visualization environment for the space-time cube. , 189-200 (2004).
  9. MacEachren, A. M., Polsky, C., et al. Visualizing spatial relationships among health, environmental, and demographic statistics: interface design issues. , 880-887 (1997).
  10. Levory, M. Display of surfaces from volume data. IEEE Computer Graphics and Application. 8 (5), 29-37 (1998).
  11. Drebin, R. A., Carpenter, L., et al. Volume Rendering. Computer Graphics. , (1998).
  12. Lee, W., Krumm, J., Zheng, Y., Zhou, X. Trajectory preprocessing. Computing with Spatial Trajectories. , 3-34 (2011).
  13. 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).

Play Video

Cite This Article
Qi, F., Du, F. Trajectory Data Analyses for Pedestrian Space-time Activity Study. J. Vis. Exp. (72), e50130, doi:10.3791/50130 (2013).

View Video