Trajectory data Analyser for fodgængere Space-time Aktivitet Study

Summary

En suite af Spatiotemporal forarbejdningsmetoder præsenteres til at analysere menneskers flyvevejsbaserede data, såsom der er indsamlet ved hjælp af en GPS-enhed, med henblik på modellering fodgænger rumtids aktiviteter.

Abstract

Det er velkendt, at menneskelig bevægelse i de rumlige og tidslige dimensioner har direkte indflydelse på sygdomsoverførsel ^1-3. En smitsom sygdom typisk spredes via kontakt mellem smittede og modtagelige individer i deres overlappede aktivitet rum. Derfor kan daglig mobilitet-aktivitet information kan anvendes som en indikator for at måle eksponering for risikofaktorer for infektion. Men en stor vanskelighed og dermed årsagen til mangel på studier af smitsomme sygdomme transmission på mikroskala skyldes manglen på detaljerede individuelle mobilitet data. Tidligere i transport og turisme forskning detaljerede rum-tid aktivitetsdata ofte påberåbt sig tid-rum dagbog teknik, som kræver emner til aktivt at registrere deres aktiviteter i tid og rum. Dette er meget krævende for deltagerne og samarbejde fra deltagerne i høj grad påvirker kvaliteten af data ^4.

Moderneteknologier såsom GPS og mobilkommunikation har gjort det muligt at automatisk opsamling af flyvevejsbaserede data. De indsamlede data er imidlertid ikke ideel til modellering af menneskelige rum-tid aktiviteter, begrænset af de nøjagtigheder af eksisterende enheder. Der er heller ingen let tilgængelige værktøj til effektiv behandling af data for human adfærd undersøgelse. Vi præsenterer her en suite af metoder og en integreret ArcGIS desktop-baseret visuel grænseflade til forbehandling og Spatiotemporal analyser af flyvevejsbaserede data. Vi giver eksempler på, hvordan en sådan behandling kan bruges til at modellere humane rum-tid aktiviteter, især med fejl-rige fodgængere flyvevejsbaserede data, der kan være nyttige i undersøgelser på folkesundhedsområdet, såsom smitsomme sygdomme transmission modellering.

Den fremlagte procedure omfatter forbehandling, bane segmentering, aktivitet space karakterisering, tæthed estimering og visualisering, og et par andre sonderende analysemetoder. Pre-processing er rengøring af støjende rå flyvevejsbaserede data. Vi indfører en interaktiv visuel forbehandling grænseflade samt en automatisk modul. Trajectory segmentering ⁵ omfatter identifikation af indendørs og udendørs dele fra forbehandlede rumtids spor. Igen er både interaktiv visuel segmentering og automatisk segmentering understøttes. Segmenteret rum-tids spor er derefter analyseret for at udlede kendetegn for en aktivitet plads, såsom aktivitet radius osv. Density estimation og visualisering anvendes til at undersøge store mængder flyvevejsbaserede data for at beregne hot spots og interaktioner. Vi viser begge densitet overflade kortlægning ⁶ og densitet volumengengivelse ^7. Vi har også et par andre sonderende dataanalyse (EDA) og visualiseringer værktøjer, såsom Google Earth animation støtte og tilslutning analyse. Pakken af ​​analytisk samt visuelle metoder i dette papir kan anvendes på enhver flyvevejsbaserede data for rtempo-time aktivitet undersøgelser.

Protocol

1. Kom data

1. Trajectory data kan indsamles med håndholdte GPS-enheder, GPS-aktiverede smart telefon tracking applikationer, såvel som A-GPS (Assisted GPS) enheder, såsom den, der anvendes i vores undersøgelse, en kommerciel barn tracker enhed.
2. Trajectory data er som regel gemt i tid-bredde-længde records. En ønsket tidsinterval bør fastsættes på grundlag af ansøgning behov. Ofte den hyppigste interval er ønsket for rum-tid aktivitet undersøgelser.
3. Konvertere data til kommaseparerede værdier, eller. Csv-filer med separate kolonner for record id, bredde, længde og tid, hhv. Derefter konvertere. Csv-filer i almindeligt anvendte Geografiske Informations Systemer (GIS) File Format (dvs. ESRI shapefile ^8).
4. Indlæs i en shapefile af bygge polygoner og en anden for grænsen af ​​undersøgelsesområdet med banen analysatoren. Indstil "ekstrudering" af bygningerne ordentligt for en 3D display og indstille "ekstrudering" og "åbenhed" af grænselaget korrekt at vise en rum-tid terning ^{6, 9} med x, y dimensioner repræsenterer plads og z dimensionen repræsenterer tiden.

2. Forbehandling

1. To muligheder er tilgængelige for forbehandling de støjende rå flyvevejsbaserede data. Man kan vælge fra drop down listen af ​​præ-behandling menu.
2. Hvis 'Interactive' er valgt, er en 2D-projektion af 3D bane skabt til nem visning og udvælgelse. Manipulere 3D-visningen til at undersøge den rå bane i rum og tid. Identificere fejl i data baseret på formen, hastighed og / eller topologi sporsegmenter. Afsendes spor punkter (hjørnepunkter) med urealistisk høj hastighed eller pludselige retningsskift tilkendegiver fejl. Vælg og fjerne dem fra de originale baner. Vælg og fjerne dem fra enten 3D bane eller dens 2D projektion.
3. En klynge af sporpunkter med strittende shapes (Figur 1) rumligt og en lang varighed midlertidigt betyde fejl, som er mest muligvis forårsaget af indendørs lokaliteter, hvor GPS-signalet er svagt. Hvis en gruppe af disse punkter er valgt, kan programmet beregne Spatiotemporal geometriske tyngdepunkt for de valgte punkter og justere spor at gå gennem det geometriske tyngdepunkt.
4. Alternativt, hvis "Automatic" er valgt fra præ-behandling menu, skal du indstille input og output lokaliteter samt empiriske parametre, der bestemmer den unormale høj hastighed og pludselige drejning af point. Programmet søger gennem de indlæste flyvevejsbaserede data og kører automatisk baseret på en algoritme, der efterligner den visuelle fejldetektering tilgang.

3. Trajectory Segmentering & Activity Space Characterization

1. Trajectory segmentering kræver bygningen lag, så sikre opbygningen shape-fil er indlæst.
2. Klik på segmentering i værktøjslinjen for at starte funktionen.Indstil input og output og placeret bygningen shape-fil som reference lag. Brug bygningen navne til at mærke det segmenterede bane. Algoritmen identificerer indendørs segmenter baseret på sæt eller misligholdelse kriterier, såsom hastighed, varighed mv sporpunkter, samt den rumlige topologi med relation til bygninger.
3. Klik på aktiviteten plads sammendrag værktøj til at indlæse i segmenterede baner og beregne udvalgte sammenfattende attributter til at karakterisere sin aktivitet rum, såsom total aktivitet radius, radius på en bestemt tidsperiode, forholdet mellem samlede tid indendørs vs udendørs, og så videre.
4. Attributterne kan eksporteres til et regneark for kvantitative modellering anvendelser.

4. Density Surface Mapping

1. Density overflade viser tætheden af ​​aktiviteterne i rummet med den tidsmæssige dimension kollapsede. Tre muligheder er tilgængelige fra drop-down listen over tætheden overflade kortlægning menu.
2. Hvis 'Track punkttæthed' er valgt, skal du udfylde dialogboksen med input og output og vælge at få vist i enten 3D eller 2D. Alle knudepunkter fra banen data anvendes til at beregne kerne densiteter på punkterne. Figur 2 viser en densitet overflade.
3. Hvis 'Track sti tæthed' er valgt, algoritmen beregner og viser tætheden af individuelle rejste stier (Figur 3).
4. Hvis 'Re-samplet punkttæthed' er valgt, algoritmen re-prøver bane data ved hjælp af et sæt tidsinterval og kortlægger tætheder af punkter jævnt fordelt i tid. Denne indstilling er designet til sporing af enheder, der indsamler sporer punkter i uregelmæssige tidsintervaller på grund af varierende følsomhed af enhederne under forskellige fysiske forhold eller segmenterede køreplaner. Figur 4 viser de 2D-og 3D-density overflader af segmenterede baner.
5. Hvis "Temporal fokusering 'er valgt tilnhver af ovenstående muligheder, kan tidsmæssige fokusering ¹⁰ være udført for at undersøge aktivitetsmønstre i forskellige tidsperioder. For eksempel kan aktivitet tæthed overflader på forskellige tidspunkter på en dag visualiseres til nem identifikation af hot spots på tværs af tid (figur 5).

5. Density Volume Estimation og Volume Rendering

1. Density volumen visualisering tales om en rum-tid terning som i visualiseringen af ​​baner. Kernen i denne visualisering er at opdele rummet i voxels ^11. Vores tilgang til visualisering af tæthed volumen første skøn tæthed volumen i de enkelte voxels ved at tælle antallet af rum-tids spor, der krydser med voxels. Man kan klikke på 'Density volumenberegning «under tæthed volumen visualisering menu til dette trin.
2. De samme tre muligheder er tilgængelige for tæthed volumen visualisering som for tæthed overflade visualisering.
3. Klik derefter 'Volume rendering' for at lancere 3D volumen visualisering interface til interaktiv volumen rendering ^12. Ved at indstille antallet af divisioner langs hver akse, kan man undersøge klynger i forskellige målestoksforhold. En z-faktor anvendes til at indstille den vertikale overdrivelse for bedre visualisering. En reference lag, såsom bygningerne kan indlæses til at hjælpe visualisering så godt. Resultaterne af volumengengivelse kan interaktivt justeres ved at manipulere overføringsfunktionen, der styrer afbildningen fra densiteten til farve. (Figur 6).

6. Andre forsøgsprojekter vedrørende Analyser (EDA) og visualiseringer

1. En procedure er tilgængelig til at skabe animerede serie, der skal vises i Google Earth. Under 'Andet', klik på 'Eksporter til KML for EDA' for at få adgang til denne procedure. Det skaber en kml ¹³ fil, der åbnes i Google Earth for interaktiv animation af banen.
2. Man kan følge den bane at travel miljøet i tiden ved at rulle langs tidslinjen i Google Earth.
3. En procedure er tilgængelig til at visualisere forbindelser mellem steder af interesse gennem "Forbindelse analyse«. For eksempel er forbindelser mellem forskellige bygninger på et universitetsområde afledt af segmenterede flyvevejsbaserede data, der blev indsamlet af studerende (figur 7).
4. Baseret på de afledte forbindelser, hotspots såsom disse bygninger med de mest udgående eller indgående trafik og nav, der forbinder de mest trafikerede steder kan identificeres.

Representative Results

Trajectory data blev indsamlet ved frivilligt bachelorstuderende fra Kean University (NJ, USA) i foråret 2010. Formålet var at undersøge aktivitet mønstre af studerende, der fangede influenza (diagnosticeret af læge eller selvstændig diagnosticeret) i forhold til dem, der ikke gjorde. For at illustrere de metoder og den procedure, der præsenteres i dette papir, vi tog banerne indsamlet som led i forstæder campusområde at generere repræsentative resultater. Baner på campusområdet er for det meste fodgængere baner, med kun en lille del skyldes kørsel mellem de forskellige parkeringspladser og uden for campus.

Den rum-tid terning repræsentation af baner med henvisning til bygninger på universitetsområdet er vist i figur 1. Figur 1A er de rå data indsamlet af en studerende optagelse én dag i hans aktivitet på campus ved hjælp af en AGPS-enhed (en kommerciel barn tracker) . Det er obforrige at nogle lange varighed af indendørs ophold har resulteret i støjfyldte data (angivet ved strittende del af sporet). Det er meget almindeligt i fodgængere flyvevejsbaserede data. Figur 1B viser præ-forarbejdede og segmenteret bane. 1C viser præ-forarbejdede og segmenteret bane med farvekodede indendørs og udendørs segmenter i rum-tid terning.

Fig 2-4 illustrerer densitet overflade kortlægning af et sæt af baner. Figur 2 viser de rå sporing point involverede at udføre en "Track punkttæthed 'mapping option (figur 2A), og den resulterende densitet kortet (figur 2B). I stedet for at kortlægge tætheder af sporing point, kort Figur 3 tætheder af rejste stier. Density mapping er særlig anvendelig, når man analyserer store mængder baner. 4A viser i alt 470 baner. Figur 4B og 4C viser tætheden overflade i en 2D (til venstre) og 3D repræsentationer (til højre) ved hjælp af re-prøvepunkter fra disse baner.

Ud over den interaktive visning af den tidsmæssige dimension i et rum-tid terning, kan den tid variabel behandles gennem tidsmæssig fokusering at undersøge rumlige mønstre i forskellige tidsperioder. Figur 5 viser eksempler på en sådan analyse under anvendelse prøven datasæt, som indeholder bane data indsamlet af de studerende i løbet af influenzasæsonen. Det er indlysende, at deres aktiviteter er centreret omkring forskellige steder i løbet af dagen for at føre til sidst til den sammensatte aktivitet tæthed kort på bunden.

Et eksempel på densitet volumengengivelse er illustreret i fig. 6. Figur 6A viser, at det er svært at opdage mønstre, hvis alle rum-tids spor er visualiseret i rum-tid terning på grund af overduel clutters. Figur 6B viser de tilsvarende densitet volumengengivelse resultater. De fire illustrationer repræsenterer forskellige indstillinger af overføringsfunktionen for vores tæthed rendering program, og dermed fremhæve densitet mængder ved forskellige frekvensområder.

En anden måde at finde hotspots er gennem tilslutning analyse. 7 illustrerer resultatet af en sådan analyse med vores prøve datasæt. Figur 7A viser den rette linie forbindelser mellem alle bygninger på campus. De fremhævede bygninger er dem med den højeste udgående trafik volumen. 7B viser de samme forbindelser med de mest trafikerede fremhævede forbindelser.

Figur 1. Forbehandling og segmen førelsen af flyvevejsbaserede data A: 2D-visning af en rå bane på baggrund af campus bygninger B:. pre-forarbejdet bane, C:. rum-tid terning repræsentation af segmenteret bane Klik her for at se større figur .

Figur 2. Density overflade kortlægning A:. Rå sporpunkter i en bane datasæt B: density overflade stammer fra sporpunkter.

Figur 3. Densitet overflade flyvevejsbaserede stier.

130fig4.jpg "alt =" Figur 4 "fo: indhold-bredde =" 4in "fo: src =" / files/ftp_upload/50130/50130fig4highres.jpg "/>
Figur 4. Farvet tæthed overflade kortlægning A: i alt 470 baner, B:. Farvet tæthed overflade i 2D, C:. Farvet tæthed overflade i 3D Klik her for at se større figur .

Figur 5. Temporal fokusering for tæthed mapping: elevaktivitet tætheder på campus i forskellige tidsperioder.

Figur 6. Density volumen rendering og visualizat ion A: visuelle clutters følge af rå baner B:. Spatiotemporal klynger fremhævet ved at visualisere tæthed volumener på forskellige frekvensområder. Klik her for at se større figur .

Figur 7. Tilslutning analyseresultater A: retlinede forbindelser mellem alle bygninger på et universitetsområde afledt af flyvevejsbaserede data, med de mest trafikerede fremhævede bygninger B:.. De mest trafikerede forbindelser mellem bygninger på campus Klik her for at se større figur .

indhold "fo: keep-together.within-page =" altid ">
Figur 8. Del af en aktivitet dagbog indspillet af en elev.

Figur 9. Aktivitet tæthed mønstre af to grupper af studerende A: aktivitet tæthed mønstre af studerende med milde influenza symptomer under en influenza sæsonen, B:. Aktivitet tæthed mønstre af studerende med mere bemærkelsesværdige influenzasymptomer.

Figur 10. Tilslutning analyseresultater baseret på flyvevejsbaserede data af studerendeder havde bemærkelsesværdige influenza symptomer i løbet af en influenza sæson A: retlinede forbindelser mellem bygninger med de mest trafikerede fremhævede bygninger B:.. de mest trafikerede forbindelser, der træffes af studerende med influenza Klik her for at se større figur .

Discussion

Vi brugte add-in mekanisme af ArcGIS at udvikle interface. Alle de interaktive operationer blev gennemført ved hjælp af C + +. Alle de automatisk behandling og analyse funktioner blev udviklet ved hjælp af Python.

AGPS data eller GPS-data indsamlet af fodgænger præsenterer unik udfordring i forbehandling, da fejl kan være massiv pga. naboskab til bygninger og hyppige indendørs stop. Desuden bør fokus for forbehandling ikke være datareduktion som hvad sker normalt for køretøjer GPS flyvevejsbaserede data på grund af den allerede indlysende mangel af tracking point. De åbenlyse fejl mønstre i fodgængere flyvevejsbaserede data giver dog unik løsning til forbehandling. I stedet for at bruge standard forbehandlingsfiltre algoritmer ^14, udviklede vi den heuristiske metode (2,3), der efterligner en manuel visuel fejldetektering tilgang som nævnt i 2,2) og renser op fejl i flyvevejsbaserede data. Specifikt er det beregner attributter (hastighed og direction ændring) for hvert spor punkt i en bane først. Sporpunkter med urealistiske høje hastigheder og / eller retning ændringer er fjernet. Derefter re-beregner attributter (varighed og retningsskift) for hver resterende sporpunkt og registrerer klynger af sporpunkter med strittende former (en serie af sporpunkter med pludselige retningsskift). Endelig Spatiotemporal centroiden i hver gruppe beregnes, og banen reduceres og justeres til at gå gennem det geometriske tyngdepunkt.

De automatiske forbehandling og bane segmentering algoritmer er blevet evalueret ved brug af traditionelle aktivitet dagbog data. Ti elever blev rekrutteret til hver bære en AGPS at indsamle flyvevejsbaserede data og samtidig blev bedt om at aktivt at registrere deres stoppesteder og bevægelser. Del af en typisk aktivitet dagbog er illustreret i figur 8. En tre-dages forsøg genererede 30 baner. Forbehandlede og segmenteret baner blev sammenlignet meddagbogen data. Resultaterne viste, at 1) de forarbejdede baner erobrede flertallet af indendørs aktiviteter, 2) tid, der registreres i flyvevejsbaserede data er mere nøjagtig som dagbog takers ofte nedskrive et groft skøn over tid, 3) den bane data erobrede alle oplysninger om gangbro stier, mens kun lige ledningsforbindelser kunne opnås fra dagbog data og 4) nogle aktiviteter mangler fra dagbogen data som deltagere ofte springe optegnelser på grund af byrden. Men en begrænsning af vores metode er, at de segmenterede flyvevejsbaserede data undertiden mislabel en indendørs segment i en forkert bygning, især når to bygninger er forbundet med hinanden, hvilket er tilfældet med nogle bygninger i vores eksperiment. Forbedring af dette aspekt af algoritmen er nødvendig.

Density overflade mapping er et effektivt redskab til at udforske aktivitetsmønstre, især når store mængder flyvevejsbaserede data er involveret. Figur 4 viser, at et stort numtallet af baner fører til tilsyneladende visuelt rod, hvis vises i sin oprindelige form, mens tætheden kortlægning afslører interessante mønstre. En simpel anvendelse af dette blev udført ved hjælp af datasættet indsamlet om Kean universitetscampus i løbet af 2010 influenzasæson. Studerende, der fanget influenza og studerende, der ikke genererede to sæt baner. Eleverne blev også interviewet om sværhedsgraden af deres symptomer. Figur 9 illustrerer aktiviteten tæthed mønstre af to grupper af studerende, den ene viser kun milde symptomer (figur 9A) og et der angiver mere bemærkelsesværdige dem (figur 9B). Det bemærkes, at de virkelige syge studerendes aktivitet plads tendens til at klynge omkring en bestemt bygning. Yderligere undersøgelse kan således udføres for at bestemme årsagerne til en sådan klyngedannelse. Dette forsøg viser, at metoden har potentiale til at vise skjulte mønstre i flyvevejsbaserede data.

Ovenstående density overflade maps, men kollapser den tidsmæssige dimension. Density volumen visualisering tales om en rum-tid terning og repræsenterer både rumlige og tidslige dimensioner. Figur 6 viser, at en sådan visualisering er effektiv i behandlingen af visuelle roder problemer. Når gjort interaktiv, det tillader en at manipulere rendering til at fremhæve forskellige frekvensområder i de data, der opdage mønstre. En begrænsning ved vores nuværende fremgangsmåde, er imidlertid, at den præsterede rumfang ikke synes at være helt glat. Vi er i færd med at forbedre tætheden estimering algoritme til at beskæftige sig med spørgsmålet. En overvejelse er, at Kernel density estimation kan forbedre den visuelle effekt, men beregningstiden ville blive meget længere. Sekventiel kerne tæthed estimering ¹⁵ kunne være en anden mulighed, at vi ville undersøge.

Ud over at afsløre aktivitet klynger (hot spots) i tid og rum, Metode vi introducerede i 7,2 detekterer en anden form for hot spots, der er relateret til forbindelser mellem steder. Igen med vores datasæt indsamlet af studerende i løbet af en influenza-sæsonen, blev forbindelsen analyse udført for at identificere stærke forbindelser mellem campus bygninger baseret på alle flyvevejsbaserede data (fig. 7), samt dem, der repræsenterer kun studerende, som demonstrerede bemærkelsesværdige influenza symptomer (figur 10). Ved sammenligning af de to figurer, ser vi, at en forbindelse (mellem en bygning kaldet University Center og en anden kaldet CAS bygningen) synes at være en stærk forbindelse i almindelighed (fig. 7), men mangler fra sættet af stærke forbindelser identificeret til syge studerende (figur 10). De to stærke forbindelser, der forbliver i sidstnævnte er en mellem University Center og Science Building og en anden blandt Science Building, Hennings Hall og Hutchinson Hall. Viden om disse campus bygninger indicates, at University Center er den mest trafikerede stop på campus med et cafeteria og opholdsrum inde. Det kunne være en potentiel høj risiko hub i influenza-sæsonen, når de studerende interagerer med hinanden i en lang periode i en overfyldt rum. Det er også erfaret, at de tre bygninger, der er involveret i den anden forbindelse alle er fastgjort til hinanden med indendørs veje. Disse bygninger har klasseværelser, hvor eleverne kan bruge mange timer indendørs tage klasser uden at skulle gå uden for en bygning. Disse bygninger er også relativt gamle konstruktioner med alderen ventilationsanlæg, der kan øge risikoen for respiratorisk sygdom transmission. CAS bygning, der vises i forbindelse med figur 7, men ikke i figur 10, på den anden side er en helt ny bygning og fastholder sig selv i store åbne rum. God ventilation og den kendsgerning, at studerende aktivitet har at inddrage udendørs tidsperiode, når du tager klasser elsewhere både kan føre til lavere risiko. Disse er selvfølgelig spekulationer, men beviser, at en sådan analyse, ligesom andre metoder præsenteret i dette papir kan være et nyttigt eksplorativ analyse værktøj til at afsløre skjulte mønstre. Denne pakke imidlertid på ingen måde omfatter alle mulige metoder er nyttige til flyvevejsbaserede dataanalyser. Vi holder vores indsats går på at udvikle og indarbejde mere analytisk såvel som visuelle funktioner i vores system.

Materials

Name	Company	Catalog Number	Comments
WorldTracker GPRS	Tracking The World
A personal computer for running the analysis
ArcGIS software	ESRI
Trajectory Analyzer Extension