Summary

轨迹数据分析行人时空活性研究

Published: February 25, 2013
doi:

Summary

甲套件时空处理方法以分析人类的轨迹数据,如建模行人的空间 – 时间活动的目的,使用GPS设备收集。

Abstract

众所周知,人体运动的空间和时间维度,直接影响疾病传播的1-3。通常是通过感染者和易感个体重叠的活动空间之间的接触传播的传染病。因此,每日行动不便的活动信息可以用来作为一个指标来测量暴露感染危险因素。然而,一个主要的困难,因此产生的原因缺乏传染病传播的研究在微观尺度上缺乏详细的个人移动数据。此前在运输和旅游研究的详细时间的活动空间往往依赖于时间,空间日记的技术,它需要的主题,积极记录他们的活动在时间和空间上的数据。这是要求很高的从参与者参与者和协作极大地影响数据4的质量。

现代如GPS和移动通信的技术提供了可能的轨迹数据的自动采集。收集的数据,然而,这不是理想的模拟人类的空间 – 时间的活动,限制由现有设备的精度。也没有现成的工具是人类行为研究的数据的高效处理。在这里,我们提出了一套方法和一个集成的ArcGIS的轨迹数据的前处理和时空分析的基于桌面的可视化界面。我们提供的例子,这样的处理可以用来模拟人类的空间活动,特别是丰富的错误行人轨迹数据,这可能是有用的公共健康研究,如传染性疾病的传播模型。

程序包括前处理,轨迹分割,活动空间特征密度估计和可视化,和其他一些探索性的分析方法。前处理者g是喧闹的原始轨迹数据的清洗。我们引入交互式可视化前处理接口,以及一个自动的模块。弹道分割5涉及的室内和室外部分,从处理前的空间-时间轨迹的识别。同样的原因,交互式可视化分割和自动分割的支持。分段的时空轨迹进行分析,然后得出一个人的活动空间,如活动半径密度估计和可视化的特点,是用来检查大量的轨迹数据模型的热点和互动。我们演示这两种密度的表面映射6和密度容积再现7。我们还包括一些其他的探索性数据分析(EDA)和可视化工具,如谷歌地球的动画支持和关联分析。一套分析以及视觉本文提出的方法可以适用于任何轨迹数据的s步伐活性的研究。

Protocol

1。获取数据手持GPS装置,GPS功能的智能手机跟踪应用程序,以及A-GPS(辅助GPS)设备,如我们的研究中,一个商业儿童跟踪器轨迹数据可以被收集。 轨道数据通常保存在的时间,经纬度记录。所需的时间间隔应根据应用的需要。通常情况下,最频繁的时间间隔是需要时间的活动空间研究。 将数据转换为以逗号分隔的值,或单独记录的id列。csv文件,经度,纬度,时间,分别?…

Representative Results

轨迹数据收集志愿本科学生肯恩大学(NJ,USA)在2010年春季。其目的是研究谁抓住了流感(医生诊断或自我诊断)相比,那些谁没有学生的活动模式。为了说明本文提出的方法和程序,我们把收集的轨迹在郊区的校园面积,产生具有代表性的结果。校园内的区域大多是行人的运动轨迹轨迹,只有一小部分驾驶之间的各种停车场和校园外的。 参照大学校园的建筑物的轨迹的空?…

Discussion

我们使用附加的机制的ArcGIS开发的接口。所有的交互操作,使用C + +。使用Python开发的自动处理和分析功能。

AGPS数据,或行人所收集的GPS数据的预处理,提出了独特的挑战,,由于邻接建筑物和频繁的室内站的错误可能是巨大的。此外,预处理的重点不应该是数据通常是车辆GPS轨迹数据由于稀缺的跟踪点已经明显减少。最明显的错误行人轨迹数据的模式,但是,提供独特的?…

Disclosures

The authors have nothing to disclose.

Acknowledgements

这项工作的经费由美国国立卫生研究院授予1R03AI090465。

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