Summary
Eine Folge von Raumzeit-Verarbeitungsverfahren werden dargestellt, um die menschliche Trajektoriendaten, wie die Verwendung einer GPS-Einrichtung, zum Zweck der Modellierung Fußgängers Raumzeit Tätigkeiten gesammelten analysieren.
Abstract
Es ist allgemein anerkannt, dass die menschliche Bewegung in den räumlichen und zeitlichen Dimensionen direkten Einfluss auf die Übertragung von Krankheiten 1-3 hat. Eine ansteckende Krankheit in der Regel breitet sich über den Kontakt zwischen infizierten und anfälligen Personen in ihren überlappenden Aktivitäten Räumen. Daher kann tägliche Mobilität-Aktivität Informationen als Indikator für die Exposition zu messen, um Faktoren der Infektion riskieren verwendet werden. Allerdings ergeben sich eine große Schwierigkeit und damit die Ursache für wenigen Studien von Infektionskrankheiten Transmission bei der Mikromaßstab vom Fehlen detaillierter individuellen Mobilität Daten. Zuvor im Transport-und Tourismus-Forschung detaillierte Raum-Zeit-Aktivitätsdaten oft auf dem Raum-Zeit-Tagebuch Technik, die Themen aktiv zu erfassen ihre Tätigkeiten in Raum und Zeit erfordert verlassen. Dies ist sehr anspruchsvoll für die Teilnehmer und die Zusammenarbeit der Teilnehmer beeinflusst die Qualität der Daten 4.
ModerneTechnologien wie GPS und Mobilfunk möglich gemacht haben die automatische Sammlung von Bahndaten. Die gesammelten Daten ist jedoch nicht ideal für die Modellierung menschlichen Raum-Zeit-Aktivitäten, die von den Genauigkeiten von bestehenden Vorrichtungen beschränkt. Es gibt auch keine leicht verfügbaren Werkzeug zur effizienten Verarbeitung der Daten für das menschliche Verhalten Studie. Wir stellen Ihnen hier eine Reihe von Methoden und ein integriertes ArcGIS Desktop-basierte grafische Benutzeroberfläche für die Vorverarbeitung und raumzeitliche Analysen der Bahndaten. Wir bieten Beispiele, wie solche Verarbeitung kann verwendet werden, um menschliche Raum-Zeit-Aktivitäten zu modellieren, insbesondere mit Fehler-reiche Fußgängerzone Bahndaten werden, die nützlich sein könnten in der öffentlichen Gesundheit Studien wie Übertragung von Infektionskrankheiten Modellierung.
Das vorgestellte Verfahren umfasst Pre-Processing, Flugbahn Segmentierung Aktionsraum Charakterisierung, Dichte-Schätzung und Visualisierung, und ein paar andere explorative Analyse-Methoden. Pre-processing ist die Reinigung der lärmenden raw Bahndaten. Wir stellen eine interaktive visuelle Pre-Processing-Schnittstelle sowie eine automatische Modul. Trajectory Segmentierung 5 beinhaltet die Identifikation von Indoor-und Outdoor Teile aus vorbearbeitete Raum-Zeit-Spuren. Auch hier sind sowohl interaktive visuelle Segmentierung und automatische Segmentierung unterstützt. Segmented Raum-Zeit-Spuren werden dann analysiert, um daraus Merkmale einer Tätigkeit Raum wie Aktionsradius usw. Dichte Schätzung und Visualisierung verwendet werden, um große Menge von Bahndaten zu Hot Spots und Interaktionen zu modellieren untersuchen. Wir zeigen sowohl Dichte Oberfläche Mapping 6 und Dichte Volume Rendering 7. Wir berücksichtigen auch ein paar andere explorative Datenanalyse (EDA) und Visualisierungen Tools wie Google Earth Unterstützung für Animationen und Anschluss Analyse. Die Suite der analytischen als auch visuelle Methoden in diesem Papier können auf alle Bahndaten für s angewendet werdenTempo-time activity Studien.
Protocol
Ein. Abrufen von Daten
- Trajectory Daten können mit Handheld-GPS-Geräte, GPS-fähigen Smartphones Tracking-Anwendungen, sowie A-GPS (Assisted GPS)-Geräte wie die in unserer Studie beschäftigt, eine kommerzielle Kind tracker gesammelt werden.
- Trajectory Daten werden normalerweise in Form von Zeit-Längen-und Breitengraden Datensätze gespeichert. Ein gewünschtes Zeitintervall sollte basierend auf Anwendung Bedürfnisse eingestellt werden. Oft ist die häufigste Intervall für Raum-Zeit-Aktivität Studien gewünscht.
- Konvertieren der Daten in kommagetrennte Werte, oder. Csv-Dateien mit separaten Spalten für Datensatz-ID, Länge, Breite und Zeit sind. Dann wandeln die. Csv-Dateien in häufig verwendeten Geographic Information Systems (GIS) Dateiformat (zB ESRI Shapefile 8).
- Laden in einem Shapefile des Gebäudes Polygone und einer anderen von der Grenze des Untersuchungsgebietes mit der Trajektorie Analysator. Stellen Sie die "Extrusion" der Gebäude richtig für eine 3D-dispreizen und die "Extrusion" und "Transparenz" der Grenzschicht richtig ein Raum-Zeit-cube 6, 9 mit der x, y Abmessungen repräsentieren Raum und die z-Dimension darstellt Uhrzeit anzuzeigen.
2. Pre-processing
- Zwei Optionen stehen zur Vorverarbeitung der lärmenden raw Flugbahn Daten verfügbar. Man kann aus der Dropdown-Liste der Pre-Processing-Menü wählen.
- Wenn 'Interactive' gewählt wird, wird ein 2D-Projektion der 3D-Trajektorie für die einfache Anzeige und Auswahl erstellt. Manipulieren der 3D-Anzeige, um die rohen Trajektorie in Raum und Zeit zu untersuchen. Identifizieren von Fehlern in den Daten über die Form, Geschwindigkeit und / oder Topologie der Spursegmente basiert. Normalerweise Spur Punkte (Eckpunkte) mit unrealistisch hohen Geschwindigkeit oder abrupte Richtungswechsel bedeuten Fehler. Wählen und entfernen Sie sie von den ursprünglichen Bahnen. Wählen und entfernen Sie sie entweder aus der 3D-Trajektorie oder seine 2D-Projektion.
- Ein Cluster von Trackpunkte mit stacheligen shapes (Abbildung 1) räumlich und eine lange Dauer zeitlich bedeuten Fehler, die meisten möglicherweise von Innenräumen, wo GPS-Signal schwach ist verursacht werden. Wenn eine Gruppe von diesen Punkten ausgewählt wird, kann das Programm die Berechnung der raumzeitlichen Schwerpunkt der ausgewählten Punkten und stellen Sie die Spur durch den Schwerpunkt gehen.
- Alternativ, wenn 'Automatisch' aus dem Pre-Processing Menü gewählt wird, stellen Sie den Eingangs-und Ausgangs Standorten sowie empirische Parameter, die abnormal hohe Geschwindigkeit und abrupte Wendung Punkte zu bestimmen. Sucht das Programm durch den geladenen Trajektoriendaten und läuft automatisch basierend auf einem Algorithmus, der den visuellen Fehlererkennung Ansatz nachahmt.
3. Trajectory Segmentation & Activity Raum Charakterisierung
- Trajectory Segmentierung erfordert den Aufbau Schicht, so sicherzustellen, dass die Gebäude Shape-Datei geladen wird.
- Klicken Sie auf die Segmentierung in der Werkzeugleiste, um die Funktion zu starten.Stellen Sie den Eingang und Ausgang und befindet sich das Gebäude Shape-Datei als Referenz Schicht. Verwenden Sie die Gebäude Namen, um die segmentierten Flugbahn zu beschriften. Der Algorithmus identifiziert Innen Segmente am Set eingestellte Kriterien wie Geschwindigkeit, Dauer etc. der Trackpunkte sowie der räumlichen Topologie mit Bezug auf Gebäuden.
- Klicken Sie auf die Aktionsfläche Verdichtung Werkzeug, um in segmentierten Bahnen laden und berechnen ausgewählten Zusammenfassung Attribute ein Tätigkeit Raum, wie Gesamtaktivität Radius Radius an einer bestimmten Zeit, das Verhältnis von insgesamt verbrachte Zeit drinnen vs Freien, und so weiter zu charakterisieren.
- Die Attribute können in eine Tabellenkalkulation für die quantitative Modellierung Anwendungen exportiert werden.
4. Density Surface Mapping
- Dichte Oberfläche zeigt die Dichte der Aktivitäten im Raum mit der zeitlichen Dimension eingeklappt. Drei Optionen stehen aus der Dropdown-Liste der Dichte Oberflächen-Mapping-Menü zur Verfügung.
- Wenn die 'Track-Dichte' Option ausgewählt ist, im Dialog mit Ein-und Ausgabe von Informationen zu füllen, und wählen Sie in 2D-oder 3D anzuzeigen. Alle Ecken aus den Bahndaten werden verwendet, um Kernel-Dichte der Punkte zu berechnen. Abbildung 2 zeigt eine Dichte Oberfläche.
- Wenn 'Track Weg Dichte "ausgewählt ist, berechnet der Algorithmus und zeigt Dichte der einzelnen Pfade reiste (Abbildung 3).
- Wenn die 'Re-abgetastet Punktdichte "-Option ausgewählt ist, der Algorithmus re-Proben die Bahndaten mit einem festgelegten Zeitintervall und Karten die Dichten der Punkte gleichmäßig in der Zeit zu verbreiten. Diese Option ist für die Verfolgung von Geräten, die Tracking-Punkte sammeln in unregelmäßigen Zeitabständen aufgrund der unterschiedlichen Empfindlichkeit der Geräte unter verschiedenen physikalischen Bedingungen oder segmentierte Bahnen ausgelegt. Abbildung 4 zeigt die 2D-und 3D-Dichte Oberflächen von segmentierten Trajektorien.
- Wenn 'Temporal Schwerpunkt' wird für eine ausgewählteny der oben genannten Optionen können zeitliche Fokussierung 10 durchgeführt, um die Aktivität Muster an verschiedene Zeiträume zu untersuchen. Zum Beispiel kann Aktivitätsdichte Oberflächen zu unterschiedlichen Zeitpunkten in einem Tag visualisiert werden zur einfachen Identifikation von Hot-Spots in der Zeit (Abbildung 5).
5. Density Volume Schätzung und Volume Rendering
- Dichte Volumen Visualisierung verwendet den Begriff des Raum-Zeit-Würfel als in der Visualisierung von Trajektorien. Der Kern einer solchen Visualisierung ist die Aufschlüsselung der Raum in Voxel 11. Unser Ansatz zur Visualisierung Dichte Volumen ersten schätzt Dichte Volumen im einzelnen Voxel durch Zählen der Anzahl von Raum-Zeit-Spuren, die mit den Voxeln schneiden. Man kann 'Density Volumenberechnung' unter der Dichte Volumen-Visualisierung klicken Sie im Menü für diesen Schritt.
- Die gleichen drei Optionen sind für die Dichte Volumen-Visualisierung zur Verfügung wie für Dichte Oberfläche Visualisierung.
- Anschließend klicken Sie "Volume Rendering", um das 3D-Volumen-Visualisierung Schnittstelle für interaktive Volume Rendering 12 starten. Durch Einstellen der Anzahl der Teilungen längs jeder Achse, kann ein Cluster in unterschiedlichen Maßstäben zu untersuchen. Ein z-Faktor dient dazu, die vertikale Überhöhung zur besseren Visualisierung eingestellt. Ein Verweis Schicht wie den Gebäuden geladen Visualisierung sowie zu unterstützen. Die Ergebnisse der Volume-Rendering kann interaktiv durch die Manipulation der Transfer-Funktion, die die Zuordnung steuert von der Dichte der Farbe angepasst werden. (Abbildung 6).
6. Andere Exploratory Daten Analysen (EDA) und Visualisierungen
- Ein Verfahren zur Verfügung, um animierte Serie zu schaffen, um in Google Earth angezeigt werden. Unter "Sonstiges", klicken Sie auf "Export in KML für EDA", um diesen Vorgang zugreifen. Es schafft eine kml 13-Datei, die in Google Earth öffnet sich für interaktive Animation der Flugbahn.
- Man kann folgen der Flugbahn zu travel die Umwelt in der Zeit durch Scrollen entlang der Zeitachse in Google Earth.
- Ein Verfahren zur Verfügung, um Verbindungen zwischen Orten von Interesse durch 'Connection Analyse "zu visualisieren. Beispielsweise werden Verbindungen zwischen verschiedenen Gebäuden auf einem Universitätscampus aus segmentierten Daten, die Trajektorie von Studenten (Abbildung 7) gesammelt wurden abgeleitet.
- Basierend auf den abgeleiteten Verbindungen Hotspots wie dieser Gebäude mit den meisten eingehenden oder ausgehenden Datenverkehr und-Hubs, die meist besuchten Orte identifiziert werden können, zu verbinden.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Bahndaten wurde durch ehrenamtliche Studenten von Kean University (NJ, USA) im Frühjahr 2010 gesammelt. Der Zweck war, Aktivitätsmuster von Studenten, die Influenza erwischt (diagnostiziert durch einen Arzt oder Selbst-Diagnose) im Vergleich zu denen, die nicht studieren. Um die Methoden und Verfahren in diesem Papier vorgestellten verdeutlichen haben wir die Bahnen innerhalb des S-Campus gesammelt, um repräsentative Ergebnisse zu generieren. Trajektorien innerhalb des Campus sind meist Fußgänger Bahnen, mit nur ein kleiner Teil aus der Fahrt zwischen den verschiedenen Parkplätzen und außerhalb des Campus.
Die Raum-Zeit-cube Darstellung Trajektorien mit Bezug auf Gebäude auf dem Campus der Universität ist in Abbildung 1 dargestellt. 1A ist die Rohdaten von einem Studenten die Aufnahme eines Tages seine Tätigkeit auf dem Campus mit einem AGPS-Gerät (ein kommerzielles Kind tracker) gesammelt . Es ist obbisherige dass einige lange Dauer der Innen Aufenthalte in verrauschten Daten (angezeigt durch die stacheligen Teil der Spur) führte. Dies ist sehr häufig in der Fußgängerzone Bahndaten. Abbildung 1B zeigt die vorbearbeitete und segmentierte Flugbahn. 1C zeigt die vorbearbeitete und segmentierte Flugbahn mit farbcodierten Indoor-und Outdoor-Segmente in der Raum-Zeit-Würfel.
Die Abbildungen 2 bis 4 zeigen Dichte Oberfläche Abbildung einer Menge von Trajektorien. Abbildung 2 zeigt die rohen Tracking-Punkte Beteiligten auf 'Track Punktdichte "Mapping-Option (2A) und die sich daraus ergebende Karte (2B) durchzuführen. Statt der Kartierung Dichten von Tracking-Punkte, Karten Abbildung 3 die Dichten reiste Wege. Density-Mapping ist besonders nützlich bei der Analyse von großen Menge von Trajektorien. 4A zeigt eine insgesamt 470 Bahnen. 4B und 4C zeigen die Dichte Oberfläche in einem 2D-(links) und 3D-Darstellungen (rechts) mit neu abgetastet Punkte aus diesen Bahnen.
Neben der interaktiven Anzeige der zeitlichen Dimension in einem Raum-Zeit-Würfels kann die Zeitvariable durch zeitliche Schwerpunkt um räumliche Muster an verschiedenen Zeiträumen untersuchen verarbeitet werden. 5 zeigt Beispiele für solche Analyse unter Verwendung der Probe Datensatz, der Trajektorie enthält Daten, die von Studenten während der Grippesaison gesammelt. Es ist offensichtlich, dass ihre Aktivitäten rund um verschiedenen Standorten den ganzen Tag zentriert sind, um schließlich zu der zusammengesetzten Aktivität density map auf der Unterseite.
Ein Beispiel der Dichte Volumen-Rendering ist in Abbildung 6 dargestellt. 6A zeigt, dass es schwer ist, Muster zu erkennen, wenn alle Raum-Zeit-Spuren im Raum-Zeit-cube visualisiert wegen der visUAL clutters. 6B zeigt die entsprechende Dichte Volumendarstellung Ergebnisse. Die vier Abbildungen repräsentieren verschiedene Einstellungen der Übertragungsfunktion der Dichte Rendering-Programm, damit markieren Dichte Volumina an unterschiedlichen Frequenzbereichen.
Ein anderer Weg zu finden Hotspots ist durch die Verbindung Analyse. Abbildung 7 zeigt das Ergebnis einer solchen Analyse mit unserem Sample-Daten-Set. 7A zeigt die gerade Linie Verbindungen zwischen allen Gebäuden auf dem Campus. Die markierten Gebäude sind diejenigen mit der höchsten ausgehenden Datenverkehr Volumen. 7B zeigt die gleichen Anschlüsse, mit den am häufigsten frequentierten Verbindungen hervorgehoben.
Abbildung 1. Pre-Processing und Segmentierung tation der Bahndaten A: 2D-Ansicht von einem rohen Trajektorie auf dem Hintergrund der Campus-Gebäude, B:. vorbearbeitete Flugbahn; C:. Raum-Zeit-cube Darstellung von segmentierten Flugbahn Klicken Sie hier für eine größere Abbildung zu sehen .
Abbildung 2. Dichte Oberfläche Abbildung A:. Raw Trackpunkte einer Trajektorie Datensatzes; B: Dichte Oberfläche von Trackpunkte abgeleitet.
Abbildung 3. Dichte Oberfläche Flugbahnen.
130fig4.jpg "alt =" Figure 4 "fo: content-width =" 4in "fo: src =" / files/ftp_upload/50130/50130fig4highres.jpg "/>
Abbildung 4. Farbige Dichte Oberfläche Abbildung A: insgesamt 470 Bahnen, B:. Farbigen Dichte Oberfläche in 2D; C:. Farbigen Dichte Oberfläche in 3D Klicken Sie hier für eine größere Abbildung zu sehen .
Abbildung 5. Temporal Schwerpunkt für die Dichte-Mapping: studentische Aktivitäten Dichten auf dem Campus in verschiedenen Zeiträumen.
Abbildung 6. Density Volume Rendering und visualizat Ion A: visual clutters aus rohen Trajektorien, B:. raumzeitliche Clustern durch Visualisierung Dichte Volumina bei verschiedenen Frequenzbereichen hervorgehoben. Klicken Sie hier für eine größere Abbildung zu sehen .
Abbildung 7. Anschluss Analyseergebnisse A: Gerade Verbindungen zwischen allen Gebäuden auf dem Campus einer Universität von Bahndaten abgeleitet, mit den am häufigsten frequentierten Gebäuden hervorgehoben; B:.. Die meistbesuchten Verbindungen zwischen Gebäuden auf dem Campus Klicken Sie hier für eine größere Abbildung zu sehen .
Abbildung 8. Teil einer Aktivität Tagebuch eines Schülers aufgezeichnet.
Abbildung 9. Activity Dichte Muster von zwei Gruppen von Schülern A: Aktivität Dichtemuster von Studenten mit leichten Grippesymptomen während einer Grippesaison, B:. Aktivität Dichtemuster von Studierenden mit mehr bemerkenswerte Grippe-Symptome.
Abbildung 10. Anschluss Analyse Ergebnisse auf Bahndaten von Studenten basiertWer hatte bemerkenswerte Grippe-Symptome während einer Grippesaison A: Gerade Verbindungen zwischen Gebäuden mit den am häufigsten frequentierten Gebäuden hervorgehoben; B:.. die meistbesuchten Verbindungen von Studenten mit Grippe genommen Klicken Sie hier für eine größere Abbildung zu sehen .
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Wir verwendeten Add-In Mechanismus der ArcGIS, um die Schnittstelle zu entwickeln. Alle interaktiven Funktionen implementiert wurden unter Verwendung von C + +. All die automatische Verarbeitung und Analyse-Funktionen wurden unter Verwendung von Python.
AGPS Daten oder GPS-Daten von Fußgängerzone gesammelt präsentiert einzigartige Herausforderung in der Vorverarbeitung die Fehler können massiv sein aufgrund Nachbarschaft zu Gebäuden und häufige Innen stoppt. Darüber hinaus sollte der Schwerpunkt der Vorverarbeitung nicht Datenreduktion wie das, was geschieht in der Regel für Fahrzeug-GPS Bahndaten aufgrund der bereits offensichtliche Mangel an Tracking-Punkte sein. Die offensichtlichen Mustern in der Fußgängerzone Bahndaten jedoch vorsehen, einzigartige Lösung zur Vorverarbeitung. Anstelle der Verwendung von Standard-Vorverarbeitungsalgorithmen 14, entwickelten wir die heuristische Methode (2,3), die eine manuelle visuelle Fehlererkennung Ansatz in 2,2 erwähnt) imitiert und bereinigt Fehler in den Bahndaten. Insbesondere berechnet es Attribute (Geschwindigkeit und dirichtung ändern) für jede Spur in einem Punkt Trajektorie zuerst. Trackpunkte mit unrealistischen hohen Geschwindigkeiten und / oder Richtung verändert werden entfernt. Es dann neu berechnet Attribute (Dauer und Richtung ändern) für jede verbleibende Trackpunkt und detektiert Clustern Trackpunkte mit spitzen Formen (eine Reihe von Trackpunkte mit abrupten Richtungsänderungen). Schließlich wird die Raumzeit-Zentroid jedes Clusters wird berechnet und die Trajektorie gekürzt und um durch den Schwerpunkt gehen.
Die automatische Pre-Processing und die Flugbahn Segmentierungsalgorithmen ausgewertet wurden mit traditionellen Tätigkeit Tagebuch Daten. Zehn Studenten wurden rekrutiert, um tragen jeweils ein AGPS, um die Flugbahn Daten zu sammeln und zur gleichen Zeit wurden aufgefordert, aktiv erfassen ihre Haltestellen und Bewegungen. Teil einer typischen Tätigkeit Tagebuch ist in Abbildung 8 dargestellt. Ein Drei-Tage-Experiment erzeugten 30 Bahnen. Vorbearbeitete und segmentierte Bahnen wurden im Vergleichdie Tagebuch-Daten. Die Ergebnisse zeigten, dass 1) die verarbeiteten Bahnen Mehrheit der Indoor-Aktivitäten erfasst, 2) Zeit in den Flugbahn aufgezeichnet ist genauer als Tagebuch Abnehmer oft schreiben Sie eine grobe Schätzung der Zeit, 3) die Bahndaten erfasst alle Details der Gehweg Wege, während nur gerade Leitungsverbindungen könnten von diary Daten erhalten werden, und 4) einige Aktivitäten aus dem Tagebuch Daten fehlen, wie die Teilnehmer oft Datensätze überspringen aufgrund der Belastung. Aber eine Einschränkung des Ansatzes ist, dass die segmentierten Trajektoriendaten manchmal mislabel einen Innen-Segments in einer falschen Gebäude, insbesondere wenn zwei Gebäude zueinander, was der Fall bei einigen Gebäuden in unserem Experiment verbunden sind. Verbesserung auf diesem Aspekt der Algorithmus benötigt.
Dichte Oberflächen-Mapping ist ein wirksames Instrument, um die Aktivität Mustern zu erkunden, vor allem, wenn große Menge von Bahndaten beteiligt ist. Abbildung 4 zeigt, dass eine große number von Trajektorien führt zu deutlich Sichtunordnung, wenn in seiner ursprünglichen Form angezeigt, während Dichte Mapping zeigt interessante Muster. Eine einfache Anwendung dieser wurde unter Verwendung der Datensatz auf Kean Campus während der 2010 Grippesaison gesammelt. Studierende, die die Grippe und Studenten, die nicht zwei Sätze von Trajektorien hat generiert gefangen. Die Studenten wurden befragt über die Schwere ihrer Symptome. Abbildung 9 zeigt die Aktivität Dichtemuster von zwei Gruppen von Studenten, eine zeigt nur leichte Symptome (9A) und weitere zeigt umso bemerkenswerter ones (9B). Es wird darauf hingewiesen, dass die wirkliche kranken Schüler Tätigkeit Raum gruppieren sich um ein bestimmtes Gebäude neigt. Weitere Untersuchungen könnten so durchgeführt werden, um die Ursachen für solche Cluster zu bestimmen. Dieses Experiment zeigt, dass das Verfahren das Potenzial, versteckte Muster in Trajektoriendaten offenbaren aufweist.
Die oben density Oberfläche Karten, jedoch bricht die zeitliche Dimension. Dichte Volumen Visualisierung verwendet den Begriff des Raum-Zeit-Würfel und vertritt sowohl räumlichen und zeitlichen Dimensionen. Abbildung 6 zeigt, dass solche Visualisierung ist effektiv im Umgang mit visuellen überladen Probleme. Sobald gebildet interaktiven, ermöglicht es ein um das Rendering zu manipulieren, um verschiedene Frequenzbereiche in den Daten, um Muster zu erkennen, zu markieren. Eine Einschränkung in unserem aktuellen Ansatz ist jedoch, dass das Volumen gerendert scheint nicht völlig glatt. Wir sind in den Prozess der Verbesserung der Dichte Schätzalgorithmus mit dem Thema befassen. Eine Überlegung ist, dass Kernel Dichteschätzung kann die optische Wirkung zu verbessern, aber die Rechenzeit werden würde viel länger. Sequential Kernel Dichte-Schätzung 15 könnte eine weitere Option, dass wir zu untersuchen.
Neben der Erkennung Aktivität Cluster (hot spots) in Raum und Zeit, die methode führten wir in 7,2 erkennt eine andere Art von hot spots, die Verbindungen zwischen Orten in Beziehung steht. Wieder mit unserem Datensatz von Studenten während einer Grippesaison gesammelt, wurde Verbindung Analyse durchgeführt, um starke Verbindungen zwischen Campus-Gebäude auf allen Bahndaten (Abbildung 7) sowie Vertreter von nur Studenten, die bemerkenswerte Grippe-Symptome (Abbildung 10) zeigte zu identifizieren. Vergleicht man die beiden Zahlen sehen wir, dass eine Verbindung (zwischen einem Gebäude namens University Center und anderen genannt CAS Gebäude) eine starke Verbindung im Allgemeinen (Abbildung 7) zu sein scheint, sondern aus der Menge der starken Verbindungen für kranke Schüler identifiziert fehlende (Abbildung 10). Die beiden starken Verbindungen, die in der letzten bleiben, sind ein zwischen der University Center und dem Science Building und anderen unter den Science Building, Hennings Hall und Hutchinson Hall. Wissen über diese Campus-Gebäude indicates, dass die University Center der am stärksten befahrenen Haltestelle auf dem Campus mit einer Cafeteria und Aufenthaltsräume im Inneren ist. Es könnte ein potenzielles hohes Risiko Nabe während Grippesaison werden, wenn die Schüler mit jedem interagieren, für eine lange Zeit in einem überfüllten Raum. Es wird auch gelehrt, dass die drei Gebäuden in der zweiten Verbindung beteiligten alle miteinander mit Innen Wege angebracht. Diese Gebäude haben Klassenzimmer, in denen Schüler viele Stunden drinnen verbringen kann mit dem Unterricht ohne außerhalb eines Gebäudes gehen. Diese Gebäude sind auch relativ alten Konstruktionen mit alten Lüftungsanlagen, die Risiken von Atemwegserkrankungen Übertragung erhöhen könnte. Der CAS Gebäude, das im Anschluss in Abbildung 7 erscheint, aber nicht in Abbildung 10, auf der anderen Seite, ist ein Neubau und steht selbst in großen, offenen Raum. Gute Belüftung und die Tatsache, dass studentische Aktivitäten im Freien Zeitraum beinhalten, wenn man Klassen elsewher hate sowohl könnten zu niedrigeren Risiken führen. Diese sind natürlich Spekulationen, sondern beweist, dass eine solche Analyse, wie andere Methoden in diesem Papier kann eine nützliche explorative Analyse-Tool, um versteckte Muster offenbaren. Dieses Paket jedoch keineswegs alle möglichen Methoden nützlich Trajektoriendaten Analysen. Wir halten unsere Bemühungen gehen zu entwickeln und zu integrieren mehr analytische sowie visuelle Funktionen in unserem System.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Keine Interessenskonflikte erklärt.
Acknowledgments
Diese Arbeit wird durch NIH 1R03AI090465 finanziert.
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).
