Summary
Um conjunto de métodos de processamento espaço-temporais são apresentados para analisar os dados trajetória humana, como a coletados através de um dispositivo GPS, com a finalidade de modelagem de pedestres espaço-tempo atividades.
Abstract
É bem reconhecido que o movimento humano nas dimensões espaciais e temporais tem influência directa sobre a transmissão da doença 1-3. Uma doença infecciosa normalmente se espalha através do contato entre indivíduos infectados e suscetíveis em seus espaços de atividades sobrepostas. Portanto, a informação da mobilidade actividade diária pode ser usado como um indicador para medir a exposição a factores de risco de infecção. No entanto, uma grande dificuldade e, portanto, a razão para a falta de estudos de transmissão de doenças infecciosas em escala micro surgem da falta de dados detalhados de mobilidade individual. Anteriormente, no transporte e pesquisa de turismo dados detalhados de espaço-tempo de atividade, muitas vezes dependiam da técnica de diário de tempo-espaço, o que requer que os sujeitos ativamente registrar suas atividades no tempo e no espaço. Isso é altamente exigente para os participantes e colaboração dos participantes afeta muito a qualidade dos dados 4.
Modernotecnologias como GPS e comunicações móveis, tornaram possível a recolha automática de dados da trajetória. Os dados coletados, no entanto, não é o ideal para a modelagem de humanos no espaço-tempo atividades, limitada pelas precisões de dispositivos existentes. Também não existe qualquer ferramenta prontamente disponível para o processamento eficiente dos dados para o estudo do comportamento humano. Apresentamos aqui um conjunto de métodos e uma interface de desktop integrado ArcGIS visual baseada nas análises de pré-processamento e espaço-temporal de dados da trajetória. Nós fornecemos exemplos de como esse tratamento pode ser usado para modelar humanos espaço-tempo atividades, especialmente com erro ricos em dados da trajetória de pedestres, que poderiam ser úteis em estudos de saúde pública, como a modelagem de doenças infecciosas de transmissão.
O procedimento apresentado inclui pré-processamento de segmentação trajetória, caracterização espaço de actividade, da densidade e visualização, e alguns outros métodos de análise exploratória. Pré-processing é a limpeza de dados ruidosos trajectória primas. Apresentamos uma interativo interface pré-processamento visual, bem como um módulo automático. Segmentação trajetória 5 envolve a identificação das partes interna e externa do pré-processados de espaço-tempo faixas. Mais uma vez, a segmentação interativa visual e segmentação automática são suportadas. Segmentados espaço-tempo trilhas são então analisados para obter características de um espaço de actividade, como a atividade de estimativa de densidade raio etc e visualização são usados para examinar grande quantidade de dados de trajetória para modelar pontos quentes e interações. Nós demonstrar tanto o mapeamento da superfície densidade 6 e renderização densidade volume 7. Nós também incluímos um par de outras análises de dados exploratórios (EDA) e visualizações ferramentas, como suporte ao Google Earth e animação análise de conexão. O conjunto de analítica, bem como métodos visuais apresentados neste artigo podem ser aplicadas a todos os dados de trajetória para sritmo tempo de estudos de atividade.
Protocol
1. Obtendo dados
- Trajetória de dados podem ser coletados com o GPS de navegação com GPS, aplicações de rastreamento de telefones inteligentes, bem como o A-GPS (GPS assistido) dispositivos como a empregada em nosso estudo, um dispositivo rastreador comercial criança.
- Dados da trajetória geralmente é salvo em termos de tempo de latitude e longitude registros. Um intervalo de tempo desejado deve ser definido com base nas necessidades de aplicação. Muitas vezes, o intervalo mais freqüente é desejado para estudos do espaço-tempo de atividade.
- Converter os dados em valores separados por vírgula, ou. Csv com colunas separadas para ID de registro, latitude, longitude e tempo, respectivamente. Em seguida, converter os arquivos. CSV em comumente usados Sistemas de Informação Geográfica (SIG) de formato de arquivo (ou seja, ESRI shapefile 8).
- Carregar em um shapefile de polígonos de construção e outro do limite da área de estudo com o analisador de trajetória. Defina o "extrusão" dos edifícios adequadamente para um di 3Dsplay e definir a "extrusão" e "transparência" da camada limite corretamente para exibir um cubo espaço-tempo-6, 9, com x, y dimensões representando o espaço ea dimensão z representa o tempo.
2. Pré-processamento
- Duas opções estão disponíveis para pré-processamento dos dados ruidosos trajetória primas. Pode-se escolher entre a lista suspensa do menu de pré-processamento.
- Se "Interativo" é escolhido, uma projeção 2D da trajetória 3D é criado para facilitar a visualização e seleção. Manipular a exibição em 3D para analisar a trajetória prima no espaço e no tempo. Identificação de erros nos dados com base na forma, velocidade e / ou da topologia dos segmentos de calha. Normalmente pontos de trilha (vértices) com alta velocidade irrealistas ou mudança de direção abrupta significar erros. Selecione e removê-los das trajetórias originais. Selecione e removê-los a partir de qualquer trajetória do 3D ou sua projeção 2D.
- Um conjunto de pontos de trilha com espetado shapes (Figura 1) espacialmente e uma longa duração temporalmente significar erros que são mais possivelmente causadas por locais fechados onde o sinal de GPS é fraco. Se um grupo desses pontos é selecionada, o programa pode calcular o centróide espaço-temporal dos pontos selecionados e ajustar a faixa de passar pelo centróide.
- Alternativamente, se "Automático" é escolhido a partir do menu de pré-processamento, defina a entrada e locais de saída, bem como parâmetros empíricos que determinam a velocidade anormal elevada e viragem brusca de pontos. O programa pesquisa entre os dados da trajetória carregados e executa automaticamente com base em um algoritmo que imita a abordagem detecção visual de erros.
3. Segmentação de trajetória e Caracterização Espaço Ativo
- Segmentação trajetória requer a camada de construção, para garantir que o arquivo forma edifício é carregado.
- Clique na ferramenta de segmentação na barra de ferramentas para iniciar a função.Ajuste a entrada e saída de e localizado o ficheiro de forma de construção como a camada de referência. Use os nomes de construção para rotular a trajetória segmentada. O algoritmo identifica segmentos interiores baseado em conjunto ou por defeito critérios tais como velocidade, duração, etc, de pontos de trilha, bem como a topologia espacial com relação aos edifícios.
- Clique na atividade ferramenta de sumarização espaço para carregar em trajetórias segmentados e calcular atributos sumárias selecionados para caracterizar um espaço de actividade, tais como raio total da atividade, raio em um determinado período de tempo, a relação do tempo total gasto dentro de casa contra ao ar livre, e assim por diante.
- Os atributos podem ser exportados para uma planilha para utilização de modelagem quantitativa.
4. Mapeamento de Superfície densidade
- Superfície de densidade mostra a densidade de atividades no espaço com a dimensão temporal desabou. Três opções estão disponíveis a partir da lista drop-down do menu de mapeamento de densidade de superfície.
- Se a opção 'densidade de pontos da trilha' é selecionado, preencha a caixa de diálogo com informações de entrada e saída e optar por exibir ou em 3D ou 2D. Todos os vértices a partir dos dados de trajectória são utilizadas para calcular as densidades de kernel dos pontos. Figura 2 mostra uma superfície de densidade.
- Se "densidade caminho Track 'é selecionado, o algoritmo calcula e exibe densidade de caminhos individuais viajou (Figura 3).
- Se a opção 'densidade Re-amostrados ponto' é selecionado, o algoritmo de re-amostragem dos dados da trajetória usando um intervalo de tempo definido e mapas a densidade de pontos distribuídos uniformemente no tempo. Esta opção é projetado para dispositivos de rastreamento que coletam pontos de rastreamento em intervalos de tempo irregulares devido à variação de sensibilidade dos dispositivos sob várias condições físicas ou trajetórias segmentados. Figura 4 mostra as superfícies de densidade 2D e 3D de trajetórias segmentados.
- Se 'Temporal foco' é selecionado para umny das opções acima, temporal 10 de focagem pode ser realizado para examinar os padrões de atividade em períodos de tempo diferentes. Por exemplo, superfícies de densidade de atividade em horários diferentes em um dia pode ser visualizado para facilitar a identificação de pontos quentes ao longo do tempo (Figura 5).
5. Estimativa de volume e densidade Volume Rendering
- Visualização volumétrica densidade usa a noção de um cubo de espaço-tempo como na visualização de trajetórias. O núcleo de visualização tal é a desagregação do espaço em voxels 11. Nossa abordagem para visualizar o volume primeira densidade estima volume de densidade em voxels individuais através da contagem do número de faixas de espaço-tempo que se cruzam com os voxels. Pode-se clicar em "cálculo de volume Densidade" no menu de visualização densidade de volume para essa etapa.
- As mesmas três opções estão disponíveis para visualização volumétrica densidade como para a visualização da superfície densidade.
- 'Volume rendering' clique em Avançar para iniciar a interface de visualização 3D de volume para renderização interativa de volume 12. Ao definir o número de divisões ao longo de cada eixo, pode-se analisar os clusters em diferentes escalas. A z-fator é usado para definir o exagero vertical para melhor visualização. A camada de referência, tais como os edifícios podem ser carregados para ajudar a visualização, bem. Os resultados do processamento de volume pode ser ajustado por meio da manipulação interactivamente a função de transferência, que controla o mapeamento de densidade de cor. (Figura 6).
6. Outros exploratórios Análise de Dados (EDA) e Visualizações
- Um procedimento está disponível para criar série de animação a ser exibido no Google Earth. Em "outros", clique em "Exportar para o KML para a EDA" para aceder a este procedimento. Ele cria um arquivo de 13 kml que se abre no Google Earth para animação interativa da trajetória.
- Pode-se seguir a trajetória de travel o ambiente em tempo de deslocamento ao longo da linha do tempo no Google Earth.
- Um procedimento está disponível para visualizar as conexões entre os locais de interesse através de "análise de ligação". Por exemplo, conexões entre diferentes edifícios em um campus universitário são derivados de dados da trajetória segmentados que foram coletados pelos alunos (Figura 7).
- Com base nas ligações derivadas, tais como hotspots esses edifícios com o maior tráfego de saída ou de entrada e hubs que ligam os lugares mais traficadas podem ser identificados.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Trajetória dados foram coletados por voluntários estudantes de graduação da Kean University (NJ, EUA), na primavera de 2010. O objetivo foi estudar os padrões de atividade dos alunos que capturados influenza (diagnosticada por médico ou auto-diagnosticada) em comparação com aqueles que não o fizeram. A fim de ilustrar os métodos e procedimentos apresentados neste trabalho que levou as trajetórias recolhidas na zona campus suburbano para gerar resultados representativos. Trajetórias dentro da área do campus são principalmente trajetórias de pedestres, com apenas uma pequena parcela resultante da condução entre os estacionamentos diversos e fora do campus.
A representação do cubo do espaço-tempo de trajetórias com referência a prédios do campus universitário é mostrado na Figura 1. Figura 1A são os dados em bruto recolhidos pelo estudante um dia de gravação de sua atividade no campus usando um dispositivo de AGPS (um tracker criança comercial) . É obrior que alguns longa duração das estadias interiores resultou em dados ruidosos (indicado pela parte pontiaguda da pista). Isso é muito comum em dados da trajetória de pedestres. Figura 1B mostra a trajetória pré-processados e segmentada. Figura 1C mostra a trajetória pré-processado e segmentado, com um código de cores segmentos interior e exterior do cubo espaço-tempo.
As Figuras 2 a 4 ilustram o mapeamento de densidade de superfície de um conjunto de trajectórias. Figura 2 mostra os pontos de localização primas envolvidas para executar uma opção de "densidade de ponto Track 'mapeamento (Figura 2A) e o mapa de densidade resultante (Figura 2B). Em vez de mapear densidades de pontos de rastreamento, Figura 3 mapeia as densidades de caminhos percorridos. Mapeamento de densidade é particularmente útil quando se analisam grande quantidade de trajetórias. Figura 4A mostra um total de 470 trajetóriasFiguras 4B e 4C. Mostrar a densidade em uma superfície 2D (esquerda) e representações 3D (direita) usando re-amostrados pontos dessas trajetórias.
Além do visor interactivo da dimensão temporal de um cubo de espaço-tempo, a variável de tempo pode ser processado através de temporais de focagem para examinar os padrões espaciais em períodos de tempo diferentes. Figura 5 mostra exemplos de tal análise utilizando a amostra de conjunto de dados que contém trajectória dados coletados pelos alunos durante a temporada de gripe. É óbvio que as suas actividades são centradas em torno de locais diferentes ao longo do dia para conduzir eventualmente à actividade mapa composto densidade na parte inferior.
Um exemplo de processamento de volume densidade é ilustrado na Figura 6. Figura 6A mostra que é difícil de detectar se todos os padrões de faixas de espaço-tempo são visualizadas em espaço-tempo por causa do cubo visual desordens. Figura 6B mostra os resultados correspondentes da densidade de volume de processamento. As quatro figuras representam configurações diferentes da função de transferência do nosso programa de processamento de densidade, assim destacar volumes de densidade em diferentes gamas de frequências.
Outra forma de encontrar hotspots é através da análise de ligação. Figura 7 ilustra o resultado de tal análise com o nosso conjunto de dados de amostra. Figura 7A mostra as conexões de linha reta entre todos os prédios do campus. Os edifícios destacados são aqueles com maior volume de tráfego de saída. Figura 7B mostra as mesmas ligações, com as conexões mais traficadas destaque.
Figura 1. Pré-processamento e segmentação tação de dados da trajetória A: vista 2D de uma trajetória prima no fundo de prédios do campus, B:. pré-processado trajetória; C:. espaço-tempo representação do cubo da trajetória segmentada Clique aqui para ver maior figura .
Figura 2. Mapeamento de densidade de superfície A:. Pontos de trilha primas de um conjunto de dados de percurso: B: Superfície de densidade derivada de pontos de trilha.
Figura 3. Superfície de densidade de caminhos trajetória.
130fig4.jpg "alt =" Figura 4 "fo: conteúdo largura =" 4in "fo: src =" files/ftp_upload/50130/50130fig4highres.jpg / "/>
Figura 4. Mapeamento de superfície colorida densidade A: um total de 470 trajetórias; B:. Superfície densidade colorido em 2D; C:. Superfície densidade colorido em 3D Clique aqui para ver maior figura .
Figura 5. Temporal com foco para o mapeamento de densidade: densidade de atividades estudantis no campus em períodos de tempo diferentes.
Figura 6. Densidade de volume de processamento e visualizat Um íon: desordens visuais resultantes de trajetórias primas; B:. aglomerados espaço-temporais destacados, visualizando volumes de densidade em diferentes faixas de frequência. Clique aqui para ver maior figura .
Figura 7. Os resultados da análise de ligação A: conexões de linha reta entre todos os edifícios em um campus universitário derivados de dados de trajetória, com os edifícios mais destacados traficadas; B:.. Das conexões de maior tráfego entre os edifícios do campus Clique aqui para ver maior figura .
Figura 8. Parte de um diário de atividades gravado por um aluno.
Figura 9. Padrões de atividade de densidade de dois grupos de estudantes A: padrões de atividade densidade de alunos com sintomas de gripe amenas durante uma temporada de gripe, B:. Padrões de atividade densidade de alunos com sintomas de gripe mais notáveis.
Figura 10. Os resultados da análise de conexão com base em dados da trajetória de estudantesque tinha sintomas de gripe notáveis durante uma temporada de gripe A: conexões de linha reta entre os edifícios com os edifícios mais destacados traficadas; B:.. as conexões mais traficadas tomadas por estudantes com gripe Clique aqui para ver maior figura .
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Utilizou-add-in mecanismo de ArcGIS para desenvolver a interface. Todas as operações interactivas foram implementados usando C + +. Todo o processamento automático e funções de análise foram desenvolvidos utilizando Python.
AGPS dados ou dados GPS coletados por pedestres apresenta desafio único no pré-processamento como os erros podem ser maciça devido a adjacência para edifícios e freqüentes paradas de interiores. Além disso, o foco de pré-processamento de dados não deve ser de redução como o que é normalmente feito para os dados de GPS de veículos trajectória devido à escassez já evidente de pontos de rastreamento. Os padrões de erro evidente de dados da trajetória de pedestres, no entanto, fornecer a solução única para pré-processamento. Em vez de usar algoritmos de pré-processamento padrão 14, foi desenvolvido o método heurístico (2,3) que imita uma abordagem de detecção manual visuais erro mencionado em 2.2) e limpa erros nos dados de trajetória. Especificamente, ele calcula atributos (velocidade e direcção mudança) para cada ponto de controle em uma trajetória em primeiro lugar. Pontos de trilha com irrealistas altas velocidades e / ou mudanças de direção são removidos. Em seguida, re-calcula atributos (duração e mudança de direção) para cada ponto de pista restante e detecta conjuntos de pontos de trilha com formas pontiagudas (uma série de pontos de trilha com mudanças de direcção bruscas). Finalmente, o centróide de cada cluster spatiotemporal é calculada e a trajectória é reduzida e ajustada para percorrer o centróide.
Os algoritmos de segmentação automática de pré-processamento e trajetória foram avaliados usando dados diários tradicionais de atividade. Dez estudantes foram recrutados para transportar cada um AGPS para coletar os dados de trajetória e, ao mesmo tempo foram convidados a gravar ativamente suas paradas e movimentos. Porção de um diário actividade típica é ilustrada na Figura 8. A experiência de três dias gerado 30 trajetórias. Trajetórias pré-processados e segmentada foram comparados comos dados do diário. Os resultados indicaram que: 1) as trajetórias processados capturado maioria das atividades internas; 2) O tempo registrado nos dados de trajetória é mais preciso como tomadores diário, muitas vezes escrever uma estimativa de tempo; 3) os dados da trajetória capturado todos os detalhes de caminhos de passagem, enquanto apenas conexões de linha reta poderia ser obtido a partir de dados do diário e 4) algumas atividades estão em falta a partir dos dados do diário como os participantes muitas vezes saltar registros devido à carga. Mas uma limitação da nossa abordagem é a de que os dados da trajectória segmentadas por vezes mislabel um segmento interior de um edifício errado, especialmente quando duas construções estão ligados uns aos outros, o que é o caso com algumas construções em nossa experiência. Melhoria neste aspecto do algoritmo é necessária.
Mapeamento da superfície de densidade é uma ferramenta eficaz para explorar os padrões de atividade, especialmente quando grande quantidade de dados de trajetória está envolvido. Figura 4 mostra que um grande númemero de trajetórias leva à confusão visual aparente se apresentado em sua forma original, enquanto o mapeamento densidade revela padrões interessantes. Uma simples aplicação desta foi realizado utilizando o conjunto de dados coletados em Kean campus da universidade durante a temporada de gripe de 2010. Os estudantes que chamou a gripe e os alunos que não gerou dois conjuntos de trajetórias. Os alunos também foram entrevistados sobre a gravidade dos seus sintomas. Figura 9 ilustra os padrões de atividade densidade de dois grupos de estudantes, um mostrando apenas sintomas leves (Figura 9A) e outro que apresentaram mais notáveis (Figura 9B). Note-se que o espaço que os alunos reais doentes "actividade tende a agrupar em torno de um edifício. Outras investigações podem, assim, ser conduzidos para determinar as causas do agrupamento tal. Esta experiência indica que o método tem o potencial de revelar padrões ocultos em dados de trajectória.
O de cimamapas de superfície nsity, no entanto, cai na dimensão temporal. Visualização volumétrica densidade usa a noção de um cubo de espaço-tempo e representa ambas as dimensões espaciais e temporais. Figura 6 indica que a visualização é tão eficaz para lidar com problemas visuais bagunçando. Uma vez feito interactivo, que permite manipular o processamento para realçar diferentes gamas de frequências nos dados para a detecção de padrões. Uma limitação da nossa abordagem actual, no entanto, é que o volume processado não parece ser completamente lisa. Estamos no processo de melhoria do algoritmo de estimação de densidade para lidar com a questão. Uma consideração é a de que a estimativa da densidade Kernel pode melhorar o efeito visual, mas o tempo de computação poderia tornar-se muito mais tempo. Estimativa da densidade seqüencial do kernel 15 poderia ser uma outra opção que gostaríamos de investigar.
Além de detectar grupos de atividade (hot spots) no tempo e no espaço, o método introduzimos em 7,2 detecta outro tipo de hot spots que estão relacionados a conexões entre lugares. Mais uma vez com os nossos dados coletados pelos alunos durante uma temporada de gripe, análise de conexão foi realizada para identificar conexões fortes entre prédios do campus com base em todos os dados de trajetória (Figura 7), bem como os estudantes representam apenas que demonstraram sintomas de gripe notáveis (Figura 10). Comparando as duas figuras, vemos que uma conexão (entre um edifício chamado do Centro Universitário e outro chamado o prédio CAS) parece ser uma forte ligação em geral (Figura 7), mas está faltando a partir do conjunto de conexões fortes identificados para alunos doentes (Figura 10). As duas conexões fortes que permanecem no segundo são um entre o Centro Universitário e do Edifício Ciência e outro entre Ciência Building, Salão Hennings e Hall Hutchinson. O conhecimento sobre estes prédios do campus indicates de que o Centro Universitário é a parada mais fortemente traficadas no campus com uma cafetaria e salas de recreação dentro. Que poderia ser um risco potencial de cubo elevado durante a estação de gripe quando os alunos interagem com cada um para um longo período de tempo num espaço cheio. Também se descobriu que as três construções envolvidas na segunda conexão estão todos ligados uns aos outros com vias interiores. Estes edifícios têm salas de aula, onde os alunos podem passar muitas horas dentro de casa tendo aulas sem ter que ir para fora de um edifício. Estes edifícios são também construções relativamente antigos com sistemas de ventilação velhos que poderiam aumentar os riscos de transmissão de doenças respiratórias. O edifício CAS que aparece na ligação na Figura 7, mas não na Figura 10, por outro lado, é um edifício novo e representa por si só em espaços abertos de grandes dimensões. Boa ventilação e do fato de que a atividade dos alunos tem de envolver período de tempo ao ar livre ao tomar elsewher aulase tanto pode levar a riscos mais baixos. Estes, são de especulações curso, mas prova que tal análise, como os outros métodos apresentados neste trabalho pode ser uma ferramenta útil de análise exploratória para revelar padrões escondidos. Este pacote, no entanto, de modo algum inclui todos os métodos possíveis úteis para análises de dados de trajetória. Estamos mantendo nossos esforços em curso para desenvolver e incorporar mais analítica, bem como funções visuais em nosso sistema.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Não há conflitos de interesse declarados.
Acknowledgments
Este trabalho é financiado pelo NIH concessão 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).
