Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Biology

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

doi: 10.3791/50130 Published: February 25, 2013

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

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

1. Obtention de données

  1. 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.
  2. 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'application. Souvent, l'intervalle le plus fréquent est souhaitée pour les études d'activité spatio-temporelles.
  3. Convertir les données en comma-separated values, ou. Csv avec des colonnes séparées pour les ID de l'enregistrement, la latitude, la longitude et l'heure, respectivement. Puis convertir les fichiers. Csv couramment utilisés dans les systèmes d'information géographiques format de fichier (SIG) (c. ESRI shapefile 8).
  4. Charger dans un fichier de formes de polygones de construction et un autre de la limite de la zone d'étude avec l'analyseur de trajectoire. Réglez le "extrusion" des bâtiments correctement pour une di 3Dsplay et l'option "extrusion" et la "transparence" de la couche limite appropriée pour afficher un cube espace-temps 6, 9 avec la dimensions X, Y représentant l'espace et la dimension z représentant le temps.

2. Pré-traitement

  1. Deux options sont disponibles pour le pré-traitement des données de trajectoire bruyants premières. On peut choisir à partir de la liste déroulante du menu de pré-traitement.
  2. Si «interactif» est choisie, une projection 2D de la trajectoire 3D est créé pour faciliter la visualisation et la sélection. Manipuler l'affichage 3D d'examiner la trajectoire brute dans l'espace et le temps. Identifier les erreurs dans les données en fonction de la forme, de la vitesse et / ou la topologie des segments de piste. Habituellement points de trace (sommets) à haute vitesse irréaliste ou changement de direction brusque signifier des erreurs. Sélectionnez-les et retirez-les trajectoires originales. Sélectionner et les supprimer soit de la trajectoire 3D ou sa projection 2D.
  3. Un groupe de points de suivi avec hérissés shapes (figure 1) dans l'espace et dans le temps d'une durée de temps signifient des erreurs qui sont le plus probablement causée par endroits à l'intérieur lorsque le signal GPS est faible. Si un groupe de ces points est sélectionné, le programme peut calculer le centroïde spatio-temporelle des points sélectionnés et ajuster la piste de passer par le centre de gravité.
  4. Par ailleurs, si "Automatique" est choisi dans le menu de pré-traitement, régler l'entrée et emplacements de sortie ainsi que des paramètres empiriques qui déterminent la vitesse anormalement élevée et tournant abrupt de points. Le programme recherche à travers les données de trajectoire chargés et s'exécute automatiquement selon un algorithme qui imite l'approche visuelle de détection d'erreur.

3. Segmentation de la trajectoire et caractérisation espace d'activités

  1. Segmentation trajectoire nécessite la couche de construction, de sorte que le fichier forme du bâtiment est chargé.
  2. Cliquez sur l'outil de segmentation dans la barre d'outils pour lancer la fonction.Réglez l'entrée et la sortie et le fichier localisé forme du bâtiment que la couche de référence. Utilisez les noms de construction pour marquer la trajectoire segmentée. L'algorithme identifie les segments intérieurs selon des critères définis par défaut ou comme la vitesse, durée, etc de points de suivi, ainsi que la topologie de l'espace par rapport aux bâtiments.
  3. Cliquez sur l'outil récapitulatif des activités spatiales pour charger et calculer des trajectoires segmentés attributs récapitulatifs sélectionnés pour caractériser l'espace son activité, tels que l'activité totale rayon, le rayon à une certaine période de temps, le ratio du temps total passé à l'intérieur par rapport à l'extérieur, et ainsi de suite.
  4. Les attributs peuvent être exportés vers un tableur pour des utilisations de modélisation quantitative.

4. Surface Mapping densité

  1. Surface de densité montre la densité des activités dans l'espace avec la dimension temporelle s'est effondré. Trois options sont disponibles à partir de la liste déroulante du menu cartographie densité de surface.
  2. Si l'option 'Densité des pistes point »est sélectionné, remplissez la boîte de dialogue avec entrée et sortie d'informations et de choisir d'afficher soit en 3D ou 2D. Tous les sommets à partir des données de trajectoire sont utilisés pour calculer les densités noyau des points. Figure 2 montre une surface de densité.
  3. Si la «densité chemin Track" est sélectionné, l'algorithme calcule et affiche la densité des trajectoires individuelles parcourues (figure 3).
  4. Si l'option «densité Re-échantillonné point» est sélectionné, l'algorithme de ré-échantillonne les données de trajectoire en utilisant un intervalle de temps défini et les cartes des densités de points répartis uniformément dans le temps. Cette option est conçue pour les dispositifs de suivi qui collectent des points de suivi à intervalles irréguliers raison de la diversité de sensibilité des appareils sous diverses conditions physiques ou des trajectoires segmentés. Figure 4 montre les surfaces de densité 2D et 3D des trajectoires segmentés.
  5. Si «focalisation temporelle» est sélectionné pour unny des options ci-dessus, en se concentrant temporel 10 peut être réalisée afin d'examiner les modèles d'activité à des périodes différentes. Par exemple, les surfaces de densité d'activité à différents moments de la journée peuvent être visualisées pour faciliter l'identification des points chauds à travers le temps (figure 5).

5. Estimation du volume de densité et de volume de rendu

  1. Visualisation volumique Densité utilise la notion d'un cube espace-temps dans la visualisation des trajectoires. Le noyau de cette visualisation est la désagrégation de l'espace en voxels 11. Notre approche pour visualiser le volume de densité première estimation du volume de la densité des voxels individuels par comptage du nombre de titres d'espace-temps qui se croisent avec les voxels. On peut cliquer sur «calcul du volume Densité" dans le menu de visualisation densité volumique pour cette étape.
  2. Les trois mêmes options sont disponibles pour la visualisation de volume de densité que pour la visualisation de surface de densité.
  3. «Rendu de volume» Cliquez sur Suivant pour lancer l'interface du volume de visualisation 3D pour le rendu de volume interactif 12. En réglant le nombre de divisions le long de chaque axe, on peut examiner les grappes à différentes échelles. Un z-facteur sert à régler l'exagération verticale pour une meilleure visualisation. Une couche de référence tels que les bâtiments peuvent être chargées à l'aide de la visualisation ainsi. Les résultats de rendu de volume peut être ajustée de façon interactive par la manipulation de la fonction de transfert qui commande la mise en correspondance de densité de couleur. (Figure 6).

6. D'autres analyses exploratoires de données (EDA) et visualisations

  1. Une procédure est disponible pour créer des séries d'animation à afficher dans Google Earth. Rubrique «Autres», cliquez sur «Exporter vers un fichier KML pour EDA» pour accéder à cette procédure. Il crée un kml 13 fichier qui s'ouvre dans Google Earth pour l'animation interactive de la trajectoire.
  2. On peut suivre la trajectoire à travel 'environnement en temps en faisant défiler le long de la ligne de temps dans Google Earth.
  3. Une procédure est disponible pour visualiser les liens entre les lieux d'intérêt grâce à «l'analyse de connexion '. Par exemple, les liens entre les différents bâtiments sur un campus universitaire sont tirées des données de trajectoire segmentés qui ont été recueillies par les élèves (figure 7).
  4. Sur la base des connexions dérivées, les points chauds tels que les bâtiments avec le plus de trafic entrant ou sortant et les moyeux qui relient les endroits les plus trafiquées peuvent être identifiés.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

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 des résultats représentatifs. Trajectoires au sein de la zone du campus sont pour la plupart des trajectoires piétonnes, avec seulement une petite partie résultant de circulation entre les différents parkings et à l'extérieur du campus.

La représentation cube espace-temps des trajectoires en se référant aux bâtiments sur le campus de l'université est illustré à la figure 1. Figure 1A représente les données brutes recueillies par un étudiant d'enregistrement d'une journée de son activité sur le campus à l'aide d'un dispositif AGPS (un tracker commerciale des enfants) . Il est obprécédent que certains de longue durée des séjours à l'intérieur a donné lieu à des données bruitées (indiquée par la partie hérissés de la piste). Ceci est très fréquent dans les données de trajectoire des piétons. Figure 1B montre la trajectoire pré-traité et segmentée. Figure 1C montre la trajectoire pré-traité et segmentés avec des segments de couleur intérieure et extérieure dans le cube espace-temps.

Les figures 2 à 4 illustrent la cartographie de surface de densité d'un ensemble de trajectoires. Figure 2 montre les points de suivi premières utilisées pour effectuer option de mappage d'une «densité Piste point» (figure 2A) et la carte de densité résultante (figure 2B). Au lieu de la cartographie des densités de points de suivi, la figure 3 cartes les densités des chemins parcourus. Cartographie densité est particulièrement utile lors de l'analyse des trajectoires grande quantité. Figure 4A affiche un total de 470 trajectoires. Figures 4B et 4C montrent la densité de surface en 2D (à gauche) et des représentations 3D (à droite) en utilisant ré-échantillonnés points de ces trajectoires.

En plus de l'affichage interactif de la dimension temporelle dans un cube de l'espace-temps, la variable temps peut être traité par focalisation temporelle pour examiner les tendances spatiales à des périodes différentes. Figure 5 montre des exemples d'une telle analyse en utilisant l'ensemble d'échantillons de données qui contient la trajectoire données recueillies par les élèves au cours de la saison de la grippe. Il est évident que leurs activités sont centrées autour de différents endroits tout au long de la journée pour conduire à terme à la carte de densité composite d'activité sur le fond.

Un exemple de rendu de volume de densité est illustrée à la figure 6. Figure 6A montre qu'il est difficile de déceler des tendances si toutes les pistes d'espace-temps sont visualisés dans l'espace-temps en raison de cube visuel encombre. figure 6B montre les résultats correspondants densité volumique de rendu. Les quatre illustrations représentent différents réglages de la fonction de transfert de notre programme de rendu densité, mettant ainsi en lumière les volumes de densité à différentes gammes de fréquences.

Une autre façon de trouver des hotspots à travers l'analyse de connexion. Figure 7 illustre le résultat de cette analyse avec l'échantillon de données de notre série. Figure 7A montre les connexions de lignes droites entre tous les bâtiments du campus. Les bâtiments sont mis en évidence ceux qui ont le plus haut volume de trafic sortant. Figure 7B montre les mêmes connexions avec les connexions les plus visitées en surbrillance.

Figure 1
Figure 1. Pré-traitement et segmentation tion des données de trajectoire A: vue 2D d'une trajectoire brute sur le fond des bâtiments du campus, B:. prétraitée trajectoire; C:. représentation cube espace-temps de la trajectoire segmentée Cliquez ici pour agrandir la figure .

Figure 2
Figure 2. Une cartographie de surface Densité:. Points de suivi de trajectoire premières données d'un ensemble; B: surface de densité dérivée de points de tracé.

Figure 3
Figure 3. Densité de surface des chemins de trajectoire.

130fig4.jpg "alt =" Figure 4 "fo: content-width =" 4in "fo: src =" / files/ftp_upload/50130/50130fig4highres.jpg "/>
Figure 4. Couleur cartographie de surface de densité A: un total de 470 trajectoires; B:. Surface de densité de couleur en 2D; C:. Surface de densité de couleur en 3D Cliquez ici pour agrandir la figure .

Figure 5
Figure 5. Focalisation temporelle pour la cartographie de densité: la densité d'activité des élèves sur le campus à des périodes différentes.

Figure 6
Figure 6. Rendu de volume et de densité visualizat Un ion: encombre visuels résultant de trajectoires premières; B:. grappes spatio-temporelles mises en évidence par la visualisation des volumes de densité à différentes gammes de fréquences. Cliquez ici pour agrandir la figure .

Figure 7
Figure 7. Résultats de l'analyse de raccordement A: raccordements de lignes droites entre tous les bâtiments sur un campus universitaire provenant des données de trajectoire, avec les bâtiments les plus fréquentées mis en évidence; B:.. Les liaisons les plus fréquentées au milieu d'édifices sur le campus Cliquez ici pour agrandir la figure .

contenu "fo: keep-together.within pages =" always "> Figure 8
Figure 8. Partie d'un journal d'activité enregistré par un étudiant.

Figure 9
Figure 9. Modèles de densité d'activité des deux groupes d'élèves A: modèles de densité d'activité des élèves présentant des symptômes grippaux légers au cours d'une saison de la grippe; B:. Modèles de densité d'activité des élèves ayant plus de symptômes de la grippe notables.

Figure 10
Figure 10. Résultats de l'analyse de connexion basée sur les données de trajectoire d'étudiantsqui avait des symptômes de grippe notables au cours d'une saison de la grippe A: les connexions de lignes droites entre les bâtiments avec les bâtiments les plus visitées en évidence; B:.. les connexions les plus fréquentées prises par les étudiants de la grippe Cliquez ici pour agrandir la figure .

Subscription Required. Please recommend JoVE to your librarian.

Discussion

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

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'intérieur. En outre, la mise au point de pré-traitement ne devrait pas être la réduction de données que ce que l'on fait habituellement pour les données de trajectoire du véhicule GPS à cause de la rareté déjà évident de points de suivi. Les schémas d'erreurs évidentes dans les données de trajectoire des piétons, cependant, fournir une solution unique de pré-traitement. Au lieu d'utiliser des algorithmes de prétraitement standard de 14, nous avons développé la méthode heuristique (2,3) qui imite un manuel approche visuelle de détection d'erreur mentionné à la section 2.2) et nettoie les erreurs dans les données de trajectoire. Plus précisément, il calcule les attributs (vitesse et direction changement) pour chaque point de tracé dans une première trajectoire. Points de suivi avec irréalistes vitesses élevées et / ou des changements de direction sont supprimés. Il a ensuite re-calcule les attributs (durée et changement de direction) pour chaque point de trace restante et détecte les grappes de points de suivi avec des formes pointues (une série de points de tracé avec changements de direction brusques). Enfin le centre de gravité spatio-temporelle de chaque groupe est calculé et la trajectoire est réduite et ajusté à passer par le centre de gravité.

Les algorithmes de segmentation automatique de pré-traitement et de la trajectoire ont été évaluées à l'aide des données du journal d'activité traditionnels. Dix étudiants ont été recrutés pour porter chacun un AGPS pour collecter les données de trajectoire et dans le même temps ont été invités à contribuer activement enregistrer leurs arrêts et les mouvements. Partie d'un journal d'activité typique est illustré à la figure 8. Une expérience de trois jours généré 30 trajectoires. Trajectoires pré-traitées et segmentés ont été comparés àles données des journaux. Les résultats indiquent que 1) les trajectoires traitées capturé la majorité des activités d'intérieur, 2) l'heure enregistrées dans les données de trajectoire est plus précis que les preneurs agenda souvent écrire une estimation approximative du temps; 3) les données de trajectoire capturé tous les détails de chemins de passerelle tout en seules les connexions de lignes droites pourrait être obtenue à partir de données du journal et 4) certaines activités ne figurent pas dans les données du journal que les participants ont souvent sauter des enregistrements raison de la charge. Mais une des limites de notre approche est que les données de trajectoire segmentés parfois mislabel un segment à l'intérieur dans un bâtiment mal, surtout quand deux bâtiments sont reliés les uns aux autres, ce qui est le cas pour certains bâtiments de notre expérience. Amélioration sur cet aspect de l'algorithme est nécessaire.

Cartographie de surface de densité est un outil efficace pour explorer les modèles d'activité, en particulier lorsque de nombreuses données de trajectoire est impliqué. Figure 4 montre qu'un grand numnombre de trajectoires conduit à un encombrement visuel apparent si elle est affichée dans sa forme originale tout en cartographie densité révèle des tendances intéressantes. Une simple application de la présente a été réalisée en utilisant l'ensemble des données recueillies sur le campus de l'université Kean au cours de la saison 2010 de grippe. Les étudiants qui ont attrapé la grippe et les étudiants qui n'ont pas donné lieu à deux ensembles de trajectoires. Les étudiants ont également été interrogés au sujet de la gravité de leurs symptômes. Figure 9 illustre les modèles de densité d'activité des deux groupes d'étudiants, l'un montrant que des symptômes bénins (figure 9A) et l'autre celles montrant les plus notables (figure 9B). Il est à noter que l'espace d'activité des étudiants réels malades a tendance à se regrouper autour d'un bâtiment particulier. Une enquête plus poussée pourrait donc être menée afin de déterminer les causes de ce genre de regroupement. Cette expérience indique que la méthode a le potentiel de révéler des tendances cachées dans les données de trajectoire.

Le dessus decartes de surface nsity, cependant, s'effondre la dimension temporelle. Visualisation volumique Densité utilise la notion d'un cube espace-temps et représente les deux dimensions spatiales et temporelles. Figure 6 indique que la visualisation est efficace dans le traitement des problèmes visuels qui encombrent. Une fois rendu interactif, il permet de manipuler le rendu de mettre en évidence différentes gammes de fréquences dans les données pour détecter les tendances. Une des limites de notre approche actuelle, cependant, est que le rendu de volume ne semble pas être complètement lisse. Nous sommes dans le processus d'amélioration de l'algorithme d'estimation de densité pour faire face à la question. Une considération est que l'estimation des noyaux de densité peut améliorer l'effet visuel, mais le temps de calcul serait beaucoup plus longtemps. Séquentielle estimation de la densité du noyau 15 pourrait être une autre option que l'on allait enquêter.

En plus de détecter les grappes d'activité (hot spots) dans le temps et dans l'espace, le méthode nous avons introduit en 7.2 détecte un autre type de points chauds qui sont liées à des liens entre les lieux. Encore une fois avec nos ensemble de données recueillies par les élèves au cours d'une saison de la grippe, l'analyse de connexion a été réalisée pour identifier les connexions solides entre les bâtiments du campus sur la base de toutes les données de trajectoire (Figure 7) ainsi que les étudiants qui ont manifesté représentant uniquement des symptômes de grippe notables (figure 10). En comparant les deux figures, on constate que d'une connexion (entre un bâtiment appelé le Centre de l'Université et un autre appelé le bâtiment CAS) semble être un lien très fort en général (figure 7), mais est absent de l'ensemble des liens forts identifiés pour les élèves malades (Figure 10). Les deux liens solides qui restent dans ce dernier sont l'un entre le Centre de l'Université et de la science du bâtiment et un autre entre la science du bâtiment, Hennings Hall et Hutchinson Hall. Les connaissances concernant ces bâtiments du campus indicates que le Centre de l'Université est l'arrêt le plus fort trafic sur le campus d'une cafétéria et des salles de loisirs à l'intérieur. Ce pourrait être une plaque tournante du risque potentiel élevé pendant la saison de la grippe lorsque les élèves interagissent les uns avec pendant une longue période de temps dans un espace encombré. Il est également appris que les trois bâtiments impliqués dans la deuxième connexion sont tous reliés les uns aux autres avec des voies intérieures. Ces bâtiments ont des salles de classe où les élèves peuvent passer de nombreuses heures à l'intérieur des cours sans avoir à aller à l'extérieur d'un bâtiment. Ces bâtiments sont aussi des constructions relativement anciennes avec les systèmes de ventilation âgées qui pourraient augmenter les risques de transmission de maladies des voies respiratoires. Le bâtiment CAS qui apparaît dans la connexion à la figure 7, mais pas dans la figure 10, d'autre part, est un bâtiment flambant neuf et se tient par lui-même dans l'espace grand ouvert. Une bonne ventilation et le fait que l'activité des élèves doit impliquer période de temps à l'extérieur lors de la prise elsewher des classese pourrait conduire à la fois à réduire les risques. Ceux-ci, sont des spéculations de cours, mais prouve qu'une telle analyse, comme les autres méthodes présentées dans ce document peuvent être un outil d'analyse utile exploratoire de révéler des tendances cachées. Ce forfait, cependant, en aucun cas inclut toutes les méthodes possibles utiles à l'analyse des données de trajectoire. Nous maintenons nos efforts en cours pour développer et incorporer plus analytique ainsi que les fonctions visuelles dans notre système.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Aucun conflit d'intérêt déclaré.

Acknowledgments

Ce travail est financé par le NIH 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

DOWNLOAD MATERIALS LIST

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. ESRI Shapefile Technical Description [Internet]. Environmental Systems Research Institute, Inc. Available from: http://www.esri.com/library/whitepapers/pdfs/shapefile.pdf (1998).
  9. 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).
  10. 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).
  11. Levory, M. Display of surfaces from volume data. IEEE Computer Graphics and Application. 8, (5), 29-37 (1998).
  12. Drebin, R. A., Carpenter, L., et al. Volume Rendering. Computer Graphics. (1998).
  13. KML | OGC(R) [Internet]. Open Geospatial Consortium, Inc. Available from: http://www.opengeospatial.org/standards/kml/ (2012).
  14. Lee, W., Krumm, J. Trajectory preprocessing. Computing with Spatial Trajectories. Zheng, Y., Zhou, X. Springer, Bucher. 3-34 (2011).
  15. 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).
Les analyses des données de trajectoire pour étudier l'activité piétonne l'espace-temps
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

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).More

Qi, F., Du, F. Trajectory Data Analyses for Pedestrian Space-time Activity Study. J. Vis. Exp. (72), e50130, doi:10.3791/50130 (2013).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
simple hit counter