Summary

Les analyses des données de trajectoire pour étudier l'activité piétonne l'espace-temps

Published: February 25, 2013
doi:

Summary

Une série de méthodes de traitement spatio-temporelles sont présentés pour analyser les données de trajectoire de l'homme, comme celle recueillie à l'aide d'un GPS, dans le but de modélisation spatio-temporelles piétons activités.

Abstract

Il est bien connu que le mouvement humain dans les dimensions spatiales et temporelles a une influence directe sur la transmission de la maladie de 1-3. Une maladie infectieuse se propage habituellement par contact entre les individus infectés et réceptifs dans leurs espaces d'activités qui se chevauchent. Par conséquent, tous les jours à mobilité activité d'information peut être utilisé comme un indicateur pour mesurer l'exposition aux facteurs de risque d'infection. Cependant, une difficulté majeure et donc la raison pour manque d'études sur la transmission des maladies infectieuses à l'échelle micro résulter de l'absence de données détaillées sur la mobilité individuelle. Auparavant, dans les transports et le tourisme de la recherche des données détaillées sur l'activité spatio-temporelles souvent invoqués sur la technique journal l'espace-temps, qui nécessite sujets activement enregistrer leurs activités dans le temps et dans l'espace. Ceci est très exigeant pour les participants et la collaboration des participants influe grandement sur ​​la qualité des données 4.

Modernetechnologies telles que le GPS et les communications mobiles ont rendu possible la collecte automatique des données de trajectoire. Les données recueillies, cependant, n'est pas idéal pour la modélisation spatio-temporelles de l'homme des activités, limitées par la précision des dispositifs existants. Il ya aussi pas d'outil facilement disponible pour un traitement efficace des données pour l'étude du comportement humain. Nous présentons ici un ensemble de méthodes et une approche intégrée ArcGIS Desktop basé sur une interface visuelle pour les analyses de pré-traitement et spatio-temporelle des données de trajectoire. Nous fournissons des exemples de la façon dont un tel traitement peut être utilisé pour modéliser l'homme spatio-temporelles des activités, en particulier avec d'erreur riches en données de trajectoire des piétons, qui pourraient être utiles dans les études de santé publique telles que la modélisation des maladies infectieuses de transmission.

La procédure présentée comprend de pré-traitement de segmentation trajectoire, la caractérisation espace d'activité, l'estimation de la densité et de la visualisation, et quelques autres méthodes d'analyse exploratoire. Pré-processing est le nettoyage de bruyants données de trajectoire premières. On introduit un visuel interactif de pré-traitement d'interface et un module automatique. 5 trajectoire segmentation consiste à identifier les parties intérieures et extérieures de pré-traitées spatio-temporelles pistes. Encore une fois, à la fois visuelle et interactive de segmentation segmentation automatique sont pris en charge. Segmentés spatio-temporelles pistes sont ensuite analysées pour dériver des caractéristiques de l'espace d'activité tels que son rayon d'action, etc estimation de densité et de visualisation sont utilisés pour examiner grande quantité de données pour modéliser la trajectoire des points chauds et des interactions. Nous démontrons la fois la cartographie de surface de densité 6 et le rendu de volume de densité 7. Nous incluons également une couple d'autres analyses exploratoires de données (EDA) et des outils de visualisations, comme le soutien de Google animation de la Terre et de l'analyse de connexion. La suite de l'analyse ainsi que des méthodes visuelles présentées dans ce document peuvent être appliqués à toutes les données de trajectoire pour sétudes d'activité pace-temps.

Protocol

1. Obtention de données Données de trajectoire peuvent être collectées avec les unités GPS de poche, GPS-enabled applications intelligentes de téléphone de suivi, ainsi que A-GPS (Assisted GPS) des dispositifs tels que celui utilisé dans notre étude, un dispositif commerciale des enfants tracker. Données de trajectoire est généralement enregistré en termes de temps-latitude-longitude dossiers. Un intervalle de temps désirée doit être réglée en fonction des besoins de l'applicat…

Representative Results

Données de trajectoire ont été recueillis par le bénévolat des étudiants de premier cycle de Kean University (New Jersey, États-Unis) au printemps 2010. Le but était d'étudier les habitudes des étudiants qui ont attrapé la grippe (diagnostiqué par un médecin ou un auto-diagnostic) par rapport à ceux qui n'en ont pas. Afin d'illustrer les modalités et la procédure présentées dans ce document, nous avons pris les trajectoires collectées dans la zone du campus de banlieue afin de générer de…

Discussion

Nous avons utilisé complément d'ArcGIS mécanisme de développer l'interface. Toutes les opérations interactives ont été mises en œuvre en C + +. Tout le traitement automatique et des fonctions d'analyse ont été développés en utilisant Python.

Données AGPS ou les données GPS collectées par les piétons présente défi unique en prétraitement que les erreurs peuvent être massives en raison de la contiguïté des bâtiments et des arrêts fréquents à l'intérie…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Ce travail est financé par le NIH 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