Baangegevens Analyses voor voetgangers Ruimte-tijd Activiteit Study

Summary

Een reeks tijdruimtelijke verwerkingsmethoden worden aan menselijke baangegevens, zoals verzameld met een GPS, met het oog op modellering voetgangersruimte-time te analyseren.

Abstract

Het is algemeen erkend dat de menselijke beweging in het ruimtelijke en temporele dimensies directe invloed op de overdracht van ziekten ^een-drie heeft. Een besmettelijke ziekte verspreidt zich meestal via contact tussen geïnfecteerde en gevoelige individuen in hun overlappende activiteiten ruimtes. Daarom kan de dagelijkse mobiliteit-activiteit informatie worden gebruikt als een indicator om de blootstelling te meten aan factoren van infectie riskeren. Een groot probleem en zo de reden voor gebrek aan studies overdracht van besmettelijke ziekten op microschaal voort uit het gebrek aan gedetailleerde individuele mobiliteit data. Eerder in het transport en toerisme onderzoek gedetailleerde ruimte-tijd gegevens over de activiteiten vaak gebaseerd op de tijd-ruimte dagboek techniek, die vereist dat proefpersonen om actief hun activiteiten noteren in tijd en ruimte. Dit is zeer veeleisend voor de deelnemers en de samenwerking van de deelnemers grote invloed op de kwaliteit van de gegevens ^4.

Moderntechnologieën zoals GPS en mobiele communicatie mogelijk hebben gemaakt de automatische verzameling van baangegevens. De verzamelde gegevens, echter, is niet ideaal voor het modelleren van de menselijke ruimte-tijd-activiteiten, beperkt door de nauwkeurigheid van bestaande apparaten. Er is ook geen gemakkelijk beschikbaar instrument voor een efficiënte verwerking van de gegevens voor het menselijk gedrag studie. We presenteren hier een suite van methoden en een geïntegreerde ArcGIS desktop-gebaseerde visuele interface voor de pre-processing en spatiotemporele analyses van baangegevens. We geven voorbeelden van hoe dergelijke verwerking kan worden gebruikt om menselijke ruimte-tijd-activiteiten te modelleren, in het bijzonder met fout-rijke voetgangers baangegevens, die nuttig zou kunnen zijn in de volksgezondheid studies, zoals besmettelijke ziekten transmissie modellering.

De gepresenteerde procedure omvat pre-processing, traject segmentatie, activiteit ruimte karakterisering, dichtheid schatting en visualisatie, en een paar andere verkennende analyse methoden. Pre-processing is het reinigen van luidruchtige ruwe baangegevens. We introduceren een interactieve visuele pre-processing interface en een automatische module. Traject segmentatie ⁵ betreft de identificatie van binnen en buiten onderdelen uit behandeld ruimte-tijd tracks. Opnieuw worden zowel interactieve visuele segmentatie en automatische segmentatie ondersteund. Gesegmenteerde tijdruimte tracks worden vervolgens geanalyseerd worden afgeleid zijn van een activiteit ruimte zoals actieradius etc. Density schatting en visualisatie worden gebruikt om grote hoeveelheden gegevens traject hot spots en interacties model te onderzoeken. We tonen zowel de dichtheid oppervlak in kaart brengen ⁶ en dichtheid volume rendering ^7. Wij bieden tevens een paar andere verkennende data-analyses (EDA) en visualisaties tools, zoals Google Earth animatie ondersteuning en verbinding analyse. De suite van analytische en visuele methoden die in dit document worden toegepast op elke baangegevens voor stempo-time activiteit studies.

Protocol

1. Aan de gegevens

1. Traject gegevens kunnen worden verzameld met handheld GPS-apparaten, GPS-enabled smartphone tracking-toepassingen, evenals A-GPS (Assisted GPS)-apparaten, zoals die werkzaam zijn in onze studie, een commercieel kind tracker apparaat.
2. Baangegevens is gewoonlijk opgeslagen in termen van tijd-breedte en lengte records. Een gewenste tijdsinterval moet worden ingesteld op basis van toepassingen. Vaak zijn de meest voorkomende interval is gewenst voor de ruimte-tijd-activiteit studies.
3. Zet de gegevens op door komma's gescheiden waarden, of. Csv-bestanden met aparte kolommen voor record id, breedte, lengte, en de tijd, respectievelijk. Dan zetten de. Csv-bestanden naar veelgebruikte Geografische Informatie Systemen (GIS)-bestandsformaat (bijv. ESRI shapefile ^8).
4. Plaats in een shapefile van bouwpolygonen en een van de grens van het onderzoek met de baan analyzer. Goed Stel de "extrusie" van de gebouwen voor een 3D-display en zet de "extrusie" en "transparantie" van de grenslaag goed om een ruimte-tijd kubus ^{6, 9} met de x-, y-afmetingen die ruimte en de z-dimensie die tijd weer te geven.

2. Pre-processing

1. Er zijn twee opties beschikbaar voor pre-processing van de lawaaierige ruwe baangegevens. Men kan kiezen uit de drop-down lijst van de pre-processing menu.
2. Als 'Interactive' wordt gekozen, wordt een 2D-projectie van het 3D-traject gemaakt voor het eenvoudig bekijken en selectie. Manipuleren van de 3D-weergave om de ruwe traject in ruimte en tijd te onderzoeken. Identificeer fouten in de data gebaseerd op de vorm, snelheid en / of topologie van spoorsegmenten. Meestal track-punten (hoekpunten) met onrealistische hoge snelheid of abrupte verandering van richting betekenen fouten. Selecteer en verwijder ze uit de oorspronkelijke trajecten. Selecteer en verwijder ze uit ofwel de 3D-traject of de 2D-projectie.
3. Een cluster van track-punten met stekelige shapes (figuur 1) ruimtelijk en een lange duur tijdelijk betekenen fouten die het meest waarschijnlijk veroorzaakt door indoor locaties waar het GPS-signaal zwak is. Als een groep van deze punten is geselecteerd, kan het programma het berekenen van de spatio-temporele zwaartepunt van de geselecteerde punten en stel de baan te gaan door het zwaartepunt.
4. Als alternatief, als 'Automatisch' wordt gekozen uit de pre-processing menu, stel de input en output locaties en empirische parameters die de abnormale hoge snelheid en abrupte draaien van punten te bepalen. Het programma doorzoekt de geladen baangegevens en draait automatisch op basis van een algoritme dat de visuele foutdetectie aanpak nabootst.

3. Traject Segmentatie & Activiteit Space Karakterisering

1. Traject segmentatie vereist het gebouw laag, dus zorg ervoor dat het gebouw vorm bestand wordt geladen.
2. Klik op de segmentatie tool in de werkbalk om de functie te starten.Stel de input en output en ligt het gebouw vormbestand als referentie laag. Gebruik het gebouw namen om de gesegmenteerde traject te labelen. Het algoritme identificeert binnen segmenten gebaseerd op of een standaard criteria zoals snelheid, duur enz. trackpunten, alsmede de ruimtelijke topologie met betrekking tot gebouwen.
3. Klik op de activiteit ruimte samenvatting instrument te laden in gesegmenteerde trajecten en geselecteerde samenvatting attributen te berekenen om een ​​activiteit van de ruimte, zoals het totale actieradius, straal in een bepaalde periode, de verhouding van de totale tijd doorgebracht binnen versus buiten, en ga zo maar door te karakteriseren.
4. De attributen kunnen worden geëxporteerd naar een spreadsheet voor kwantitatieve modellering toepassingen.

4. Dichtheid Surface Mapping

1. Dichtheid oppervlak toont de dichtheid van de activiteiten in de ruimte met de tijdsdimensie ingestort. Er zijn drie opties zijn beschikbaar in de keuzelijst van de dichtheid oppervlak in kaart brengen menu.
2. Als de 'Track puntdichtheid' optie is geselecteerd, vult u in het dialoogvenster met input en output gegevens in en kies voor weergave in 3D of 2D. Alle hoekpunten van de baan gegevens worden gebruikt om kernel dichtheden van de punten te berekenen. Figuur 2 toont een dichtheid oppervlak.
3. Als 'Track pad dichtheid' is geselecteerd, het algoritme berekent en toont de dichtheid van reisde individuele trajecten (figuur 3).
4. Als de 'Re-sampled puntdichtheid' optie is geselecteerd, het algoritme opnieuw monsters het traject gegevens met behulp van een ingesteld tijdsinterval en kaarten van de dichtheden van punten gelijkmatig gespreid in de tijd. Deze optie is bedoeld voor tracking-apparaten die volgen punten die in onregelmatige tijdsintervallen door variabele gevoeligheid van de apparaten onder verschillende fysische omstandigheden of gesegmenteerde trajecten. Figuur 4 toont de 2D en 3D dichtheid oppervlakken gesegmenteerde trajecten.
5. Als 'Temporal focussen' is geselecteerd voor eenny van de bovenstaande opties, kunnen tijdelijke focus ¹⁰ worden uitgevoerd om de activiteit patronen te onderzoeken op verschillende perioden. Bijvoorbeeld kan de activiteit dichtheid oppervlakken op verschillende malen per dag worden gevisualiseerd voor gemakkelijke identificatie van hot spots in de tijd (Figuur 5).

5. Dichtheid Volume Schatting en Volume Rendering

1. Dichtheid volume visualisatie maakt gebruik van het idee van een ruimte-tijd kubus als in de visualisatie van trajecten. De kern van een dergelijke visualisatie is het uiteenvallen van de ruimte in voxels ^11. Onze benadering van het visualiseren van de dichtheid volume eerst schat de dichtheid volume in individuele voxels door het tellen van het aantal ruimte-tijd tracks die kruisen met de voxels. Men kan op 'Density volumeberekening' onder de dichtheid volume visualisatie menu voor deze stap.
2. Dezelfde drie opties zijn beschikbaar voor de dichtheid volume visualisatie als voor dichtheid oppervlakte visualisatie.
3. Klik vervolgens 'Volume rendering' om het 3D-volume visualisatie interface voor interactieve volume rendering ¹² te lanceren. Door het instellen van het aantal divisies langs elke as, kan men onderzoeken clusters op verschillende schalen. A z-factor wordt gebruikt om de verticale overdrijving die voor een betere visualisatie. Een referentie laag, zoals de gebouwen kan worden geladen om visualisatie te helpen ook. De resultaten van volumeweergave interactief worden aangepast door het manipuleren van de overdrachtsfunctie die de mapping controle van dichtheid kleur. (Figuur 6).

6. Andere verkennende data Analyses (EDA) en visualisaties

1. Een procedure is beschikbaar voor geanimeerde serie te creëren die moet worden weergegeven in Google Earth. Onder 'Overige', klik op 'Exporteren naar KML voor EDA' om deze procedure te openen. Het creëert een ^{kml-13-bestand} dat in Google Earth opent voor interactieve animatie van het traject.
2. Men kan volgen het traject om travel het milieu in de tijd door te bladeren langs de tijdlijn in Google Earth.
3. Een procedure is beschikbaar voor verbindingen tussen bezienswaardigheden visualiseren door middel van 'Connection analyse'. Zo worden verbindingen tussen verschillende gebouwen op een campus van de universiteit afgeleid van gesegmenteerde traject gegevens die werden verzameld door studenten (Figuur 7).
4. Op basis van de afgeleide verbindingen, hotspots zoals die gebouwen met de meest inkomend of uitgaand verkeer en hubs die verbinding de meest bezochte plaatsen kan worden geïdentificeerd.

Representative Results

Traject gegevens werden verzameld door vrijwilligerswerk undergraduate studenten van Kean University (New Jersey, VS) in het voorjaar van 2010. Het doel was om de activiteit patronen van studenten die betrapt influenza (diagnose door arts of zelf-diagnose) in vergelijking met degenen die niet studeren. Met het oog op de regels en procedures die in dit artikel illustreren we met de trajecten verzameld in het suburbane campus gebied om representatieve resultaten te genereren. Trajecten binnen de campus gebied zijn meestal voetgangers trajecten, met slechts een klein deel als gevolg van het rijden tussen de verschillende parkeerterreinen en buiten de campus.

De ruimte-tijd kubus voorstelling van trajecten met betrekking tot gebouwen op de campus wordt getoond in figuur 1. Figuur 1A is de ruwe gegevens verzameld door een student opname een dag zijn activiteit op campus met een AGPS apparaat (een commercieel kind tracker) . Het obvorige sommige langdurige verblijven binnen geleid in lawaaierige data (aangegeven door de puntige gedeelte van het spoor). Dit is heel gebruikelijk in het voetgangersgebied baangegevens. Figuur 1B toont de pre-verwerkte en gesegmenteerde traject. Figuur 1C toont de pre-verwerkte en gesegmenteerde traject met kleur-gecodeerde binnen en buiten segmenten in de ruimte-tijd kubus.

Figuren 2 tot 4 illustreren dichtheid surface mapping van een aantal trajecten. Figuur 2 toont de ruwe volgen punten die een 'Track puntdichtheid' mapping optie (Figuur 2A) en de resulterende dichtheid kaart (Figuur 2B) uit te voeren. In plaats van het in kaart brengen dichtheden van het bijhouden van punten, figuur 3 kaarten de dichtheden van reisde paden. Dichtheid mapping is vooral handig bij het ​​analyseren van grote hoeveelheden trajecten. Figuur 4A geeft een totaal van 470 trajecten. Figuren 4B en 4C tonen de dichtheid oppervlak in een 2D-(links) en 3D-voorstellingen (rechts) met behulp van opnieuw worden bemonsterd punten van deze trajecten.

Naast de interactieve weergave van de tijdsdimensie in een ruimte-tijd kubus kan de tijd variabele worden verwerkt via tijdelijke gericht om ruimtelijke patronen te onderzoeken op verschillende tijdstippen. Figuur 5 toont voorbeelden van dit onderzoek met de sample data set bevat dat traject gegevens verzameld door studenten tijdens het griepseizoen. Het is duidelijk dat hun activiteiten zijn in verschillende locaties in de dag uiteindelijk leiden tot de samengestelde activiteit dichtheid map op de bodem.

Een voorbeeld van dichtheid volumeweergave is weergegeven in figuur 6. Figuur 6A toont dat het moeilijk is te detecteren patronen of alle tijdruimte tracks gevisualiseerd in ruimte-tijd kubus door visduele clutters. Figuur 6B toont de overeenkomstige dichtheid volume rendering resultaten. De vier afbeeldingen representeren verschillende instellingen van de overdrachtsfunctie van onze dichtheid rendering programma ook duidelijkheid dichtheid volumes op verschillende frequentiegebieden.

Een andere manier van het vinden van hotspots is door middel van verbinding analyse. Figuur 7 illustreert de resultaten van de analyse met onze steekproef dataset. Figuur 7A toont de rechte lijn verbindingen tussen alle gebouwen op de campus. De gemarkeerde gebouwen zijn die met de hoogste uitgaande verkeersvolume. Figuur 7B toont dezelfde aansluitingen, met de gemarkeerde meest bezochte verbindingen.

Figuur 1. Pre-verwerking en segmentatie uitvoering van baangegevens A: 2D-weergave van een ruwe traject op de achtergrond van de campus gebouwen, B:. voorbewerkte traject, C:. ruimte-tijd kubus weergave van gesegmenteerde traject Klik hier om een grotere afbeelding te bekijken .

Figuur 2. Dichtheid oppervlak in kaart brengen. A: rauwe track-punten van een traject dataset, B: dichtheid oppervlakte afgeleid van track-punten.

Figuur 3. Dichtheid oppervlak van traject paden.

130fig4.jpg "alt =" Figuur 4 "fo: inhoud-width =" 4in "fo: src =" / files/ftp_upload/50130/50130fig4highres.jpg "/>
Figuur 4. Gekleurde dichtheid oppervlak in kaart brengen A: totaal 470 trajecten, B:. Gekleurde dichtheid oppervlak in 2D, C:. Gekleurde dichtheid oppervlakte in 3D Klik hier om een grotere afbeelding te bekijken .

Figuur 5. Temporele scherpstelling voor dichtheid in kaart brengen: student activiteit dichtheden op de campus in verschillende perioden.

Figuur 6. Dichtheid volume rendering en visualizat ion A: visuele onoverzichtelijk als gevolg van ruwe trajecten, B:. spatiotemporele clusters gemarkeerd door het visualiseren van de dichtheid volumes op verschillende frequentiegebieden. Klik hier om een grotere afbeelding te bekijken .

Figuur 7. Aansluiting analyseresultaten A: rechte lijn verbindingen tussen alle gebouwen op een universitaire campus afgeleid van baangegevens, met de gemarkeerde meest bezochte gebouwen, B:.. De meest bezochte verbindingen tussen gebouwen op de campus Klik hier om een grotere afbeelding te bekijken .

content "fo: keep-together.within-page =" always ">
Figuur 8. Deel van een activiteit dagboek opgetekend door een student.

Figuur 9. Activiteit dichtheid patronen van twee groepen studenten A: activiteit dichtheid patronen van studenten met milde griepverschijnselen tijdens een griepseizoen, B:. Activiteit dichtheid patronen van studenten met meer opmerkelijke griepverschijnselen.

Figuur 10. Aansluiting analyseresultaten op basis van baangegevens van studentendie opmerkelijke griep symptomen had tijdens een griepseizoen A: rechte lijn verbindingen tussen gebouwen met de gemarkeerde meest bezochte gebouwen, B:.. de meest bezochte verbindingen die door studenten met griep Klik hier om een grotere afbeelding te bekijken .

Discussion

We add-mechanisme van ArcGIS de interface te ontwikkelen. Alle interactieve handelingen werden uitgevoerd met behulp van C + +. Alle automatische verwerking en analyse functies werden ontwikkeld met behulp van Python.

AGPS gegevens, of GPS-gegevens verzameld door voetgangers presenteert unieke uitdaging in preprocessing als de fouten kunnen worden massaal als gevolg van nabijheid van gebouwen en frequente indoor stopt. Bovendien moet de focus van preprocessing niet datareductie als wat meestal voor auto GPS baangegevens door de reeds duidelijke tekort aan punten volgen. De voor de hand liggende fout patronen in het voetgangersgebied baangegevens echter bieden unieke oplossing voor preprocessing. In plaats van met behulp van standaard preprocessing algoritmes ^14, ontwikkelden we de heuristische methode (2.3) dat een handmatige visuele foutdetectie benadering vermeld onder 2.2) bootst en ruimt fouten in de baangegevens. Bijzonder berekent kenmerken (snelheid en diting verandering) voor elke track punt in een traject eerst. Trackpunten met onrealistische hoge snelheden en / of richtingsveranderingen worden verwijderd. Het vervolgens opnieuw berekent attributen (duur en richting verandering) voor iedere resterende wegpunten en detecteert clusters van track-punten met stekelige vormen (een reeks van track-punten met een abrupte verandering van richting). Tenslotte de tijdruimtelijke zwaartepunt van elk cluster wordt berekend en het traject verminderd en aangepast om door het zwaartepunt.

De automatische pre-processing en traject segmentatie algoritmen zijn geëvalueerd met behulp van traditionele activiteit dagboek data. Tien studenten geworven voor elke overdracht van een AGPS de baangegevens verzamelen en tegelijkertijd gevraagd actief worden opgenomen de aanslag en bewegingen. Gedeelte van een typische activiteitenagenda wordt geïllustreerd in figuur 8. Een drie-daagse experiment gegenereerd 30 trajecten. Pre-verwerkte en gesegmenteerde trajecten werden vergeleken methet dagboek data. De resultaten gaven aan dat 1) de verwerkte trajecten meerderheid van de indoor-activiteiten gevangen, 2) de tijd die in het traject van gegevens is nauwkeuriger als dagboek takers vaak schrijf een ruwe schatting van de tijd, 3) het traject gegevens die zijn vastgelegd alle details van de loopbrug paden, terwijl alleen rechte lijn verbindingen zou kunnen worden verkregen uit het dagboek van gegevens, en 4) een aantal activiteiten ontbreken in de agenda gegevens als deelnemers vaak overslaan administratie als gevolg van de last. Maar een beperking van onze aanpak is dat de gesegmenteerde baangegevens soms een binnen segment verkeerd te ettiketeren in een verkeerde gebouw, met name wanneer twee gebouwen met elkaar verbonden, wat het geval is bij sommige gebouwen in ons experiment. Verbetering op dit aspect van de algoritme nodig.

Dichtheid oppervlak in kaart brengen is een effectief instrument om de activiteit patronen ontdekken, vooral wanneer grote hoeveelheid baangegevens is betrokken. Figuur 4 laat zien dat een groot number van trajecten leidt tot schijnbare visuele rommel als weergegeven in zijn oorspronkelijke vorm, terwijl de dichtheid in kaart brengen onthult interessante patronen. Een eenvoudige toepassing van deze werd uitgevoerd met behulp van de dataset verzameld over Kean campus van de universiteit tijdens de 2010 griepseizoen. Studenten die betrapt de griep en studenten die niet gegenereerd twee sets van trajecten. Studenten werden ook geïnterviewd over de ernst van hun symptomen. Figuur 9 illustreert de activiteit dichtheid patronen van twee groepen studenten, een waarin slechts lichte symptomen (figuur 9A) en een andere die meer opmerkelijke degenen (figuur 9B). Opgemerkt wordt dat de echte zieke studenten activiteitenruimte meestal cluster rond een gebouw. Nader onderzoek kan dus worden uitgevoerd om de oorzaken van dergelijke clustering te bepalen. Dit experiment geeft aan dat de werkwijze de mogelijkheid om verborgen patronen zichtbaar in baangegevens heeft.

Bovenstaande density oppervlak kaarten, echter, zakt de tijdsdimensie. Dichtheid volume visualisatie maakt gebruik van het idee van een ruimte-tijd kubus en vertegenwoordigt zowel ruimtelijke en temporele dimensies. Figuur 6 geeft aan dat een dergelijke visualisatie is effectief in het omgaan met visuele verrommeling problemen. Zodra interactieve gemaakt, kan men de rendering manipuleren aan verschillende frequentiebereiken markeren in de data om patronen te detecteren. Een beperking van de huidige benadering is echter dat het weergegeven volume niet lijkt volledig glad. We zijn in het proces van verbetering van de dichtheid schattingsalgoritme om de kwestie. Een overweging is dat Kernel dichtheid schatting kan het visuele effect te verbeteren, maar de rekentijd zou veel langer. Sequentiële kernel dichtheid schatting ¹⁵ zou een andere optie die we onderzoeken zijn.

Naast het detecteren van activiteit clusters (hot spots) in tijd en ruimte, de mMETHODE introduceerden we in 7.2 detecteert ander soort hot spots die gerelateerd is aan verbindingen tussen plaatsen. Opnieuw met onze dataset verzameld door studenten tijdens een griep seizoen, werd verbinding analyse uitgevoerd om sterke verbindingen tussen de campus gebouwen op basis van alle baangegevens (figuur 7), alsmede de vertegenwoordigers van alleen studenten die konden aantonen opmerkelijke griepverschijnselen (figuur 10) te identificeren. Vergelijking van de twee figuren, zien we dat een verbinding (tussen een gebouw genoemd University Center en een zogenaamde CAS gebouw) blijkt een sterke band in het algemeen (figuur 7), maar ontbreekt in de set van sterke verbanden voor zieke studenten (Figuur 10). De twee sterke verbindingen die blijven in de laatste zijn die tussen het Universitair Centrum en het Science Building en een ander onder Science Building, Hennings Hall en Hutchinson Hall. Kennis met betrekking tot deze campus gebouwen indicates die het Universitair Centrum is het meest zwaar belaste stop op de campus met een cafetaria en recreatie kamers binnen. Het zou een potentieel hoog risico hub tijdens het griepseizoen wanneer studenten met elkaar voor een lange tijd in een drukke ruimte. Het is ook geleerd dat de drie gebouwen bij de tweede aansluiting allemaal aan elkaar binnen trajecten. Deze gebouwen hebben klassen waar leerlingen kunnen besteden vele uren binnenshuis op het nemen van lessen zonder dat u buiten een gebouw. Deze gebouwen zijn ook relatief oude constructies met oude ventilatiesystemen die zou kunnen verhogen risico van respiratoire aandoeningen transmissie. De CAS gebouw dat in de verbinding in Figuur 7 maar niet in figuur 10, daarentegen, is een nieuw gebouw en op zichzelf staat in grote open ruimte. Goede ventilatie en het feit dat student activiteit moet buiten tijd te betrekken bij het nemen van lessen elsewhere beide kan leiden tot lagere risico's. Deze, zijn natuurlijk speculaties, maar bewijst dat een dergelijke analyse, net als andere methoden die in dit artikel kan een nuttig verkennende analyse tool om verborgen patronen te onthullen zijn. Dit pakket is echter op geen enkele wijze omvat alle mogelijke methoden nuttig voor traject data-analyses. Wij houden onze inspanningen gaan ontwikkelen en meer analytische nemen en visuele functies in ons systeem.

Materials

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