Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Biology

प्रक्षेपवक्र पैदल गतिविधि अंतरिक्ष समय अध्ययन के लिए डाटा विश्लेषण

doi: 10.3791/50130 Published: February 25, 2013

Summary

Spatiotemporal प्रसंस्करण विधियों की एक सूट है कि मॉडलिंग पैदल यात्री अंतरिक्ष समय गतिविधियों के प्रयोजन के लिए, एक जीपीएस डिवाइस का उपयोग कर एकत्र रूप में मानव प्रक्षेपवक्र डेटा का विश्लेषण करने के लिए प्रस्तुत कर रहे हैं.

Protocol

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

1. डेटा प्राप्त करने

  1. प्रक्षेपवक्र डेटा Handheld जीपीएस यूनिट, जीपीएस सक्षम स्मार्ट फोन ट्रैकिंग अनुप्रयोगों, के रूप में के रूप में अच्छी तरह से हमारे अध्ययन में कार्यरत एक, एक वाणिज्यिक बच्चे ट्रैकर डिवाइस के रूप में एक जीपीएस (असिस्टेड जीपीएस) उपकरणों के साथ एकत्र किया जा सकता है.
  2. प्रक्षेपवक्र डेटा आमतौर पर समय अक्षांश - देशांतर रिकॉर्ड के मामले में सहेजा जाता है. वांछित समय अंतराल के आवेदन की जरूरत के आधार पर निर्धारित किया जाना चाहिए. अक्सर सबसे लगातार अंतराल के समय अंतरिक्ष की गतिविधियों के अध्ययन के लिए वांछित है.
  3. कॉमा सेपरेटेड मान डेटा को बदलने, या रिकॉर्ड आईडी के लिए अलग - अलग कॉलम के साथ csv, अक्षांश, देशांतर, समय और फाइलें, क्रमशः. तब. Csv में आमतौर पर इस्तेमाल किया भौगोलिक सूचना प्रणाली (जीआईएस) फ़ाइल स्वरूप फ़ाइलें (यानी ESRI shapefile 8) परिवर्तित.
  4. निर्माण polygons और प्रक्षेपवक्र विश्लेषक के साथ अध्ययन के क्षेत्र की सीमा के एक के एक shapefile में लोड. इमारतों की "बाहर निकालना" ठीक से सेट के लिए एक 3 डी diटेढ़ा और "बाहर निकालना" और "पारदर्शिता" सीमा परत के सेट ठीक से प्रदर्शित करने के लिए एक अंतरिक्ष समय 6 एक्स, वाई अंतरिक्ष और z समय का प्रतिनिधित्व आयाम का प्रतिनिधित्व आयामों के साथ, घन 9.

2. पूर्व प्रसंस्करण

  1. पूर्व प्रसंस्करण शोर कच्चे प्रक्षेपवक्र डेटा के लिए दो विकल्प उपलब्ध हैं. एक पूर्व प्रसंस्करण मेनू की सूची ड्रॉप डाउन से चुन सकते हैं.
  2. यदि 'इंटरएक्टिव' चुना है, 3 डी प्रक्षेपवक्र की एक 2d प्रक्षेपण आसानी से देखने और चयन के लिए बनाई गई है. 3 डी प्रदर्शन में हेरफेर करने के लिए स्थान और समय में कच्चे प्रक्षेपवक्र की जांच करने के लिए. आकार, गति, और / या ट्रैक खंडों की टोपोलॉजी के आधार पर डेटा में त्रुटियों को पहचानें. आम तौर पर अवास्तविक उच्च गति या अचानक दिशा परिवर्तन के साथ ट्रैक अंक (कोने) त्रुटियों को दर्शाता है. चुनें और उन्हें मूल trajectories से हटा दें. चुनें और उन्हें या तो 3 डी प्रक्षेपवक्र या अपने 2D प्रक्षेपण से हटा दें.
  3. काँटेदार शा के साथ ट्रैक अंक का एक समूहpes (1 चित्रा) spatially और एक लंबी अवधि के अस्थायी त्रुटियों कि सबसे संभवतः इनडोर स्थानों जहां जीपीएस संकेत कमजोर है की वजह से कर रहे हैं दर्शाता है. अगर इन बिंदुओं में से एक समूह का चयन किया जाता है, इस कार्यक्रम के चयनित अंक की spatiotemporal केन्द्रक की गणना और केन्द्रक के माध्यम से जाने के लिए ट्रैक को समायोजित कर सकते हैं.
  4. वैकल्पिक रूप से, अगर 'स्वचालित' पूर्व प्रसंस्करण मेनू से चुना जाता है, इनपुट और आउटपुट स्थानों के रूप में के रूप में अच्छी तरह से अनुभवजन्य पैरामीटर है कि असामान्य उच्च गति और अंक के अचानक मोड़ निर्धारित सेट. लोड प्रक्षेपवक्र डेटा के माध्यम से कार्यक्रम खोजों और एक एल्गोरिथ्म है कि दृश्य त्रुटि का पता लगाने के दृष्टिकोण mimics के आधार पर स्वचालित रूप से चलता है.

3. प्रक्षेपवक्र विभाजन और गतिविधि अंतरिक्ष विशेषता

  1. प्रक्षेपवक्र विभाजन इमारत परत की आवश्यकता है, तो यह सुनिश्चित इमारत आकार फ़ाइल लोड किया जाता है.
  2. कार्य शुरू करने के लिए उपकरण पट्टी में विभाजन उपकरण पर क्लिक करें.इनपुट और आउटपुट और संदर्भ परत के रूप में निर्माण आकार फ़ाइल स्थित सेट. इमारत के नाम का उपयोग करने के लिए खंडों प्रक्षेपवक्र लेबल. एल्गोरिथ्म इनडोर ट्रैक अंक की गति, अवधि, आदि, के रूप में के रूप में अच्छी तरह से इमारतों के संबंध के साथ स्थानिक टोपोलॉजी के रूप में सेट या डिफ़ॉल्ट मानदंड पर आधारित क्षेत्रों को पहचानती है.
  3. गतिविधि अंतरिक्ष संक्षिप्तीकरण उपकरण क्लिक करें खंडों trajectories में लोड, और चयनित सारांश विशेषताओं की गणना करने के लिए एक कुल गतिविधि त्रिज्या, एक निश्चित समय अवधि में त्रिज्या, कुल घर के अंदर बनाम बाहर बिताए समय का अनुपात, और इतने पर जैसे गतिविधि अंतरिक्ष, विशेषताएँ.
  4. गुण मात्रात्मक मॉडलिंग का उपयोग करता है के लिए एक स्प्रेडशीट के लिए निर्यात किया जा सकता है.

4. घनत्व भूतल मैपिंग

  1. घनत्व सतह से पता चलता है कि अंतरिक्ष में गतिविधियों के अस्थायी आयाम के साथ घनत्व ढह गई. घनत्व सतह मानचित्रण मेनू के ड्रॉप - डाउन सूची से तीन विकल्प उपलब्ध हैं.
  2. अगर 'ट्रैक बिंदु घनत्व' विकल्प चुना जाता है, इनपुट और आउटपुट जानकारी के साथ संवाद बॉक्स में भरने के लिए और या तो 3 डी या 2d में प्रदर्शित करने के लिए चुन. प्रक्षेपवक्र डेटा से सभी कोने अंक की कर्नेल घनत्व की गणना करने के लिए उपयोग किया जाता है चित्रा 2 एक घनत्व सतह से पता चलता है.
  3. यदि 'ट्रैक पथ घनत्व' चुना जाता है, एल्गोरिथ्म की गणना करता है और व्यक्तिगत कूच पथ (3 चित्रा) के घनत्व को प्रदर्शित करता है.
  4. यदि पुन नमूना बिंदु घनत्व 'विकल्प चुना जाता है, तो फिर नमूने एल्गोरिथ्म प्रक्षेपवक्र डेटा का उपयोग कर एक निर्धारित समय के अंतराल और नक्शे के घनत्व अंक समय में समान रूप से फैला. चित्रा 4 2 डी और 3 डी खंडों trajectories के घनत्व सतहों से पता चलता है. यह विकल्प ट्रैकिंग डिवाइस है कि अनियमित समय के अंतराल में विभिन्न शारीरिक स्थितियों या खंडों trajectories के तहत उपकरणों की संवेदनशीलता अलग होने के कारण ट्रैकिंग के अंक लेने के लिए बनाया गया है.
  5. यदि 'अस्थायी' ध्यान केंद्रित एक के लिए चुना हैऊपर दिए गए विकल्पों के ny, लौकिक ध्यान केंद्रित 10 के लिए अलग अलग समय अवधि में गतिविधि के पैटर्न की जांच करने के लिए किया जा सकता है. उदाहरण के लिए, एक दिन में अलग अलग समय पर गतिविधि घनत्व सतहों समय भर में हॉट स्पॉट (चित्रा 5) की आसान पहचान के लिए देखे जा सकते हैं.

5. घनत्व वॉल्यूम आकलन और प्रतिपादन वॉल्यूम

  1. घनत्व मात्रा दृश्य trajectories के दृश्य के रूप में एक घन अंतरिक्ष समय की धारणा का उपयोग करता है. इस तरह के दृश्य की कोर voxels 11 में अंतरिक्ष के disaggregation है. हमारे घनत्व मात्रा 1 visualizing दृष्टिकोण कि voxels के साथ एक दूसरे को काटना अंतरिक्ष समय पटरियों की संख्या की गणना के द्वारा व्यक्ति voxels में घनत्व की मात्रा का अनुमान है. इस कदम के लिए एक घनत्व मात्रा दृश्य मेनू के तहत 'घनत्व मात्रा गणना' क्लिक कर सकते हैं.
  2. घनत्व मात्रा दृश्य के लिए घनत्व सतह दृश्य के लिए ही तीन विकल्प के रूप में उपलब्ध हैं.
  3. अगला पर क्लिक करें 'प्रतिपादन मात्रा' के लिए इंटरैक्टिव मात्रा प्रतिपादन 12 के लिए 3 डी मात्रा दृश्य अंतरफलक शुरू. प्रत्येक अक्ष के साथ विभाजन की संख्या की स्थापना करके, एक अलग तराजू पर समूहों की जांच कर सकते हैं. एक z-कारक बेहतर दृश्य के लिए खड़ी अतिशयोक्ति सेट करने के लिए प्रयोग किया जाता है. इमारतों के रूप में इस तरह के एक संदर्भ परत दृश्य के रूप में अच्छी तरह से सहायता करने के लिए लोड किया जा सकता है. मात्रा प्रतिपादन के परिणामों interactively हस्तांतरण समारोह है कि घनत्व से रंग के मानचित्रण नियंत्रण जोड़ तोड़ द्वारा समायोजित किया जा सकता है. (6 चित्रा).

6. अन्य खोजपूर्ण डेटा विश्लेषण (EDA) और visualizations

  1. एक प्रक्रिया एनिमेटेड श्रृंखला बनाने के लिए Google धरती में प्रदर्शित किया जा के लिए उपलब्ध है. 'अन्य' के अंतर्गत, 'निर्यात EDA के लिए KML के लिए क्लिक करने के लिए इस प्रक्रिया का उपयोग. यह एक kml 13 फ़ाइल है कि प्रक्षेपवक्र के इंटरैक्टिव एनीमेशन के लिए Google धरती में खुलती बनाता है.
  2. एक प्रक्षेपवक्र का पालन करने के लिए traveएल Google धरती में समय के साथ स्क्रॉल करके समय में पर्यावरण.
  3. एक प्रक्रिया 'कनेक्शन विश्लेषण' के माध्यम से रुचि के स्थानों के बीच कनेक्शन कल्पना करने के लिए उपलब्ध है. उदाहरण के लिए, एक विश्वविद्यालय परिसर में विभिन्न भवनों के बीच कनेक्शन खंडों प्रक्षेपवक्र है कि छात्रों (7 चित्रा) द्वारा एकत्र किए गए डेटा से निकाली गई है.
  4. व्युत्पन्न कनेक्शन के आधार पर, सबसे आउटबाउंड या भीतर यातायात और केन्द्रों कि कनेक्ट सबसे अधिक अवैध व्यापार स्थानों की पहचान की जा सकती है के साथ उन इमारतों के रूप में आकर्षण के केंद्र हैं.

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

प्रक्षेपवक्र डेटा Kean विश्वविद्यालय (न्यू जर्सी, संयुक्त राज्य अमरीका) से 2010 के वसंत में स्नातक छात्रों को स्वयं सेवा के द्वारा एकत्र की गई थी. उद्देश्य छात्रों को जो इन्फ्लूएंजा जो नहीं की तुलना में पकड़ा (चिकित्सक द्वारा निदान या आत्म निदान) की गतिविधि पैटर्न का अध्ययन किया गया था. आदेश में इस अखबार में प्रस्तुत तरीकों और प्रक्रिया का वर्णन करने के लिए हम उपनगरीय परिसर क्षेत्र के भीतर एकत्र करने के लिए प्रतिनिधि परिणाम उत्पन्न trajectories लिया. परिसर में क्षेत्र के भीतर trajectories ज्यादातर पैदल यात्री trajectories, केवल एक छोटे से हिस्से के साथ विभिन्न पार्किंग परिसर की और बहुत से बाहर के बीच ड्राइविंग से उत्पन्न है.

अंतरिक्ष समय विश्वविद्यालय परिसर में भवनों के संदर्भ के साथ trajectories के घन प्रतिनिधित्व चित्र 1 में दिखाया चित्रा 1A कच्चे परिसर में एक छात्र रिकॉर्डिंग उसकी गतिविधि के एक दिन एक AGPS डिवाइस (एक वाणिज्यिक बच्चे tracker) का उपयोग द्वारा एकत्र डेटा है . यह ओब हैvious है कि घर के अंदर रहता है की कुछ लंबी अवधि के शोर डेटा (ट्रैक के कँटीला भाग द्वारा इंगित) में हुई है. यह पैदल प्रक्षेपवक्र डेटा में बहुत आम है चित्रा 1B पूर्व प्रसंस्कृत और खंडों प्रक्षेपवक्र से पता चलता है. चित्रा 1C घन अंतरिक्ष समय में रंग कोडित इनडोर और आउटडोर क्षेत्रों के साथ पूर्व प्रसंस्कृत और खंडों प्रक्षेपवक्र से पता चलता है.

आंकड़े 2 से 4 घनत्व trajectories के एक सेट की सतह मानचित्रण वर्णन चित्रा 2 कच्चे ट्रैकिंग अंक शामिल करने के लिए एक 'ट्रैक बिंदु घनत्व' मानचित्रण (2A चित्रा) विकल्प और परिणामस्वरूप घनत्व नक्शा (चित्रा 2B) प्रदर्शन से पता चलता है. ट्रैकिंग अंक के घनत्व मानचित्रण के बजाय, चित्रा 3 कूच रास्तों का घनत्व के नक्शे. घनत्व मानचित्रण विशेष रूप से उपयोगी है जब trajectories की एक बड़ी राशि का विश्लेषण 4A चित्रा 470 trajectories के एक कुल को प्रदर्शित करता है.आंकड़े. 4B और 4C घनत्व सतह (बाएं) 2 डी और 3 डी (दाएं) अभ्यावेदन trajectories इनमें से फिर नमूना अंक का उपयोग कर दिखाते हैं.

एक घन अंतरिक्ष समय में अस्थायी आयाम के इंटरैक्टिव प्रदर्शन के अलावा, समय चर के माध्यम से करने के लिए अलग अलग समय अवधि में स्थानिक पैटर्न की जांच करने के लिए ध्यान केंद्रित अस्थायी संसाधित किया जा सकता है चित्रा 5 नमूना डेटा सेट है कि प्रक्षेपवक्र शामिल का उपयोग इस तरह के विश्लेषण के उदाहरण से पता चलता है. फ्लू के मौसम के दौरान छात्रों द्वारा एकत्र डेटा. यह स्पष्ट है कि उनकी गतिविधियों को दिन भर में विभिन्न स्थानों के आसपास केंद्रित कर रहे तल पर समग्र गतिविधि घनत्व नक्शा अंततः नेतृत्व.

घनत्व मात्रा प्रतिपादन का एक उदाहरण चित्रा 6 में सचित्र है 6A चित्र से पता चलता है कि यह मुश्किल है के पैटर्न का पता लगाने अगर सभी अंतरिक्ष समय पटरियों विज़ की वजह से अंतरिक्ष समय के घन में कल्पना कर रहे हैं.ual clutters चित्रा. 6B इसी घनत्व मात्रा प्रतिपादन परिणामों से पता चलता है. चार चित्र हमारे घनत्व प्रतिपादन कार्यक्रम के हस्तांतरण समारोह के विभिन्न सेटिंग्स का प्रतिनिधित्व करते हैं, इस प्रकार अलग आवृत्ति पर्वतमाला पर घनत्व की मात्रा को उजागर.

आकर्षण के केंद्र को ढूँढने के लिए एक और तरीका है कनेक्शन विश्लेषण के माध्यम से 7 चित्रा हमारे नमूना डेटा सेट के साथ इस तरह के विश्लेषण का परिणाम दिखाता है. चित्रा 7A परिसर में सभी इमारतों के बीच सीधे लाइन कनेक्शन से पता चलता है. प्रकाश डाला इमारतों उच्चतम आउटबाउंड यातायात की मात्रा के साथ कर रहे हैं उन चित्रा 7B एक ही कनेक्शन, कनेक्शन के साथ सबसे अधिक अवैध व्यापार पर प्रकाश डाला से पता चलता है.

चित्रा 1
चित्रा 1. पूर्व प्रसंस्करण और segmen प्रक्षेपवक्र डेटा के tation: परिसर इमारतों की पृष्ठभूमि पर एक कच्चे प्रक्षेपवक्र के 2d दृश्य, बी: पूर्व प्रसंस्कृत प्रक्षेपवक्र, C: अंतरिक्ष समय खंडों प्रक्षेपवक्र के घन प्रतिनिधित्व बड़ा आंकड़ा देखने के लिए यहां क्लिक करें .

चित्रा 2
चित्रा 2. घनत्व सतह मानचित्रण: एक प्रक्षेपवक्र डेटा सेट के कच्चे ट्रैक अंक, बी: घनत्व सतह ट्रैक अंक से ली गई है.

चित्रा 3
चित्रा 3. प्रक्षेपवक्र रास्तों का घनत्व सतह.

"Alt =" 130fig4.jpg चित्रा 4 "के लिए: सामग्री चौड़ाई =" 4in "के लिए: src =" files/ftp_upload/50130/50130fig4highres.jpg / "/>
चित्रा 4. रंगीन घनत्व सतह एक मानचित्रण: 470 trajectories के कुल, बी: 2d में रंग घनत्व सतह, सी: 3 डी में रंग घनत्व सतह बड़ा आंकड़ा देखने के लिए यहां क्लिक करें .

चित्रा 5
चित्रा 5. घनत्व के मानचित्रण के लिए अस्थायी ध्यान केंद्रित: परिसर पर अलग अलग समय अवधि में छात्र गतिविधि घनत्व.

चित्रा 6
6 चित्रा. घनत्व मात्रा प्रतिपादन और visualizat आयन एक: दृश्य कच्चे trajectories से उत्पन्न clutters, बी. spatiotemporal अलग आवृत्ति पर्वतमाला पर घनत्व की मात्रा visualizing द्वारा प्रकाश डाला समूहों. बड़ा आंकड़ा देखने के लिए यहां क्लिक करें .

7 चित्रा
चित्रा 7. कनेक्शन विश्लेषण परिणाम: प्रक्षेपवक्र डेटा से सबसे अधिक अवैध इमारतों के साथ प्रकाश डाला, व्युत्पन्न एक विश्वविद्यालय परिसर में सभी इमारतों के बीच एक सीधी रेखा कनेक्शन, बी. परिसर में भवनों के बीच सबसे अधिक अवैध कनेक्शन बड़ा आंकड़ा देखने के लिए यहां क्लिक करें .

सामग्री "के लिए: रखने together.within पृष्ठ =" "हमेशा> चित्रा 8
चित्रा 8. एक गतिविधि एक छात्र द्वारा दर्ज की गई डायरी के भाग.

9 चित्रा
9 चित्रा. गतिविधि छात्रों के दो गुटों के घनत्व पैटर्न: गतिविधि फ्लू के मौसम के दौरान हल्के फ्लू के लक्षण के साथ छात्रों के घनत्व पैटर्न, बी. गतिविधि अधिक उल्लेखनीय फ्लू के लक्षण के साथ छात्रों के घनत्व पैटर्न.

10 चित्रा
10 चित्रा. कनेक्शन विश्लेषण के परिणाम के आधार पर छात्रों की प्रक्षेपवक्र डेटाफ्लू के मौसम के दौरान उल्लेखनीय फ्लू के लक्षण एक: सबसे अधिक अवैध इमारतों के साथ प्रकाश डाला इमारतों के बीच सीधे लाइन कनेक्शन, बी. सबसे अधिक अवैध व्यापार फ्लू के साथ छात्रों द्वारा उठाए गए कनेक्शन बड़ा आंकड़ा देखने के लिए यहां क्लिक करें .

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

हम ArcGIS के ऐड - इन तंत्र का इस्तेमाल करने के लिए इंटरफ़ेस का विकास. सभी इंटरैक्टिव कार्यों का उपयोग लागू किया गया सी + +. सभी स्वत: प्रसंस्करण और विश्लेषण कार्यों अजगर का उपयोग कर विकसित किया गया.

AGPS डेटा, या पैदल यात्री द्वारा जीपीएस डेटा एकत्र preprocessing में अद्वितीय चुनौती के रूप में प्रस्तुत त्रुटियों इमारतों और अक्सर घर के अंदर बंद हो जाता है संलग्नता के कारण बड़े पैमाने पर किया जा सकता है. इसके अलावा, का ध्यान केंद्रित preprocessing क्या आमतौर पर वाहन जीपीएस प्रक्षेपवक्र ट्रैकिंग अंक की पहले से ही स्पष्ट कमी के कारण डेटा के लिए किया जाता है डेटा के रूप में कमी नहीं होनी चाहिए. पैदल यात्री प्रक्षेपवक्र डेटा में स्पष्ट त्रुटि पैटर्न, तथापि, preprocessing अनूठा समाधान प्रदान करते हैं. मानक preprocessing एल्गोरिदम 14 का उपयोग कर के बजाय, हम अनुमानी (2.3) विधि है कि एक मैनुअल दृश्य त्रुटि का पता लगाने 2.2 में वर्णित दृष्टिकोण) mimics और प्रक्षेपवक्र डेटा में त्रुटियों को साफ विकसित की है. विशेष रूप से, यह (विशेषताओं की गणना गति और diपरिवर्तन एक 1 प्रक्षेपवक्र में प्रत्येक ट्रैक बिंदु के लिए rection). अवास्तविक उच्च गति और / या दिशा में परिवर्तन के साथ ट्रैक अंक हटा रहे हैं. यह तो प्रत्येक शेष ट्रैक बिंदु के लिए गुण (अवधि और दिशा में परिवर्तन) फिर से गणना और काँटेदार आकार (अचानक दिशा में परिवर्तन के साथ ट्रैक अंक की एक श्रृंखला) के साथ ट्रैक अंक के समूहों का पता लगाता है. अंत में प्रत्येक क्लस्टर के spatiotemporal केन्द्रक की गणना है और प्रक्षेपवक्र घट जाता है और केन्द्रक के माध्यम से जाना समायोजित.

स्वत: पूर्व प्रसंस्करण और प्रक्षेपवक्र विभाजन एल्गोरिदम पारंपरिक गतिविधि डायरी डेटा का उपयोग कर मूल्यांकन किया गया है. दस छात्रों को प्रत्येक एक AGPS ले प्रक्षेपवक्र डेटा एकत्र करने के लिए भर्ती किया गया और एक ही समय में करने के लिए सक्रिय रूप से अपने बंद हो जाता है और आंदोलनों रिकॉर्ड करने के लिए पूछा गया. एक विशिष्ट गतिविधि डायरी के भाग 8 चित्रा में सचित्र है. एक तीन दिवसीय प्रयोग 30 trajectories उत्पन्न. पूर्व प्रसंस्कृत और खंडों trajectories की तुलना में थेडायरी डेटा. परिणाम संकेत दिया कि) 1 संसाधित trajectories इनडोर गतिविधियों के बहुमत पर कब्जा कर लिया, 2) प्रक्षेपवक्र डेटा में दर्ज समय अधिक सटीक है डायरी खरीदार के रूप में अक्सर समय का एक मोटा अनुमान लिखने;) 3 प्रक्षेपवक्र डेटा उद्यानपथ रास्तों के सभी विवरण जबकि कब्जा केवल सीधे लाइन कनेक्शन डायरी डेटा से प्राप्त किया जा सकता है, और 4) कुछ गतिविधियों डायरी डेटा से याद कर रहे हैं के रूप में भाग लेने वालों को अक्सर बोझ के कारण रिकॉर्ड को छोड़. लेकिन हमारे दृष्टिकोण की एक सीमा है कि खंडों प्रक्षेपवक्र डेटा कभी कभी एक गलत इमारत में एक इनडोर खंड mislabel, खासकर जब दो इमारतों से जुड़े रहे हैं एक दूसरे को, जो हमारे प्रयोग में कुछ इमारतों के साथ मामला है. एल्गोरिथ्म के इस पहलू पर सुधार की जरूरत है.

घनत्व सतह मानचित्रण गतिविधि के पैटर्न का पता लगाने के लिए एक प्रभावी उपकरण है, खासकर जब प्रक्षेपवक्र डेटा की एक बड़ी राशि शामिल है चित्रा 4 से पता चलता है कि एक बड़े numtrajectories के दिसंबर स्पष्ट दृश्य अव्यवस्था की ओर जाता है अगर अपने मूल रूप में प्रदर्शित जबकि घनत्व मानचित्रण दिलचस्प पैटर्न से पता चलता है. इस का एक साधारण आवेदन सेट 2010 फ्लू के मौसम के दौरान Kean विश्वविद्यालय परिसर पर एकत्र डेटा का उपयोग कर आयोजित किया गया. जो छात्र फ्लू और छात्रों को, जो trajectories के दो सेट उत्पन्न नहीं था पकड़ा. छात्रों को भी उनके लक्षणों की गंभीरता के बारे में बातचीत की गई चित्रा 9 छात्रों के दो गुटों, एक केवल हल्के लक्षण (9A चित्रा) और एक अन्य दिखा अधिक उल्लेखनीय लोगों (9B चित्रा) दिखाने की गतिविधि घनत्व पैटर्न को दिखाता है. यहां यह उल्लेखनीय है कि असली बीमार छात्रों गतिविधि अंतरिक्ष एक विशेष इमारत के चारों ओर क्लस्टर जाता है. आगे की जांच के लिए इस प्रकार ऐसे क्लस्टरिंग के कारणों का निर्धारण करने के लिए आयोजित किया जा सकता है. इस प्रयोग से यह इंगित करता है कि विधि प्रक्षेपवक्र डेटा में छिपा पैटर्न प्रकट करने की क्षमता है.

ऊपर डेnsity सतह नक्शे, तथापि, अस्थायी आयाम गिर. घनत्व मात्रा दृश्य घन अंतरिक्ष समय की धारणा का उपयोग करता है और दोनों स्थानिक और लौकिक आयाम का प्रतिनिधित्व करता है चित्रा 6 इंगित करता है कि इस तरह के दृश्य दृश्य cluttering समस्याओं के साथ निपटने में कारगर है. एक बार इंटरैक्टिव बनाया है, यह एक प्रतिपादन में हेरफेर करने के लिए डेटा के पैटर्न का पता लगाने में अलग आवृत्ति पर्वतमाला को उजागर करने के लिए अनुमति देता है. हमारे वर्तमान दृष्टिकोण की एक सीमा है, तथापि, कि गाया मात्रा पूरी तरह से चिकनी प्रतीत नहीं होता है. हम घनत्व आकलन एल्गोरिथ्म में सुधार लाने के लिए इस मुद्दे के साथ निपटने की प्रक्रिया में हैं. कर्नेल घनत्व आकलन दृश्य प्रभाव में सुधार हो सकता है कि एक विचार है, लेकिन गणना समय बहुत लंबे समय तक बन जाएगा. अनुक्रमिक कर्नेल घनत्व आकलन 15 एक और विकल्प है कि हम जांच करेंगे हो सकता है.

समय और अंतरिक्ष में गतिविधि (हॉट स्पॉट) समूहों, मीटर का पता लगाने के अलावाहम 7.2 में शुरू की ethod हॉट स्पॉट का एक और प्रकार है कि स्थानों के बीच कनेक्शन से संबंधित है का पता लगाता है. फिर साथ हमारे डेटा के छात्रों द्वारा एक फ्लू के मौसम के दौरान एकत्र सेट, कनेक्शन विश्लेषण परिसर सभी प्रक्षेपवक्र डेटा (चित्रा 7) के रूप में के रूप में अच्छी तरह से उन लोगों का प्रतिनिधित्व केवल छात्रों को, जो उल्लेखनीय फ्लू के लक्षण (10 चित्रा) का प्रदर्शन पर आधारित इमारतों के बीच मजबूत संबंध की पहचान करने के लिए आयोजित किया गया. दो आंकड़े की तुलना में, हम देखते हैं कि एक कनेक्शन (विश्वविद्यालय के सेंटर नामक इमारत और एक अन्य कैस इमारत बुलाया के बीच) के लिए सामान्य रूप में एक मजबूत संबंध (7 चित्रा) प्रतीत होता है, लेकिन बीमार छात्रों के लिए पहचान की मजबूत कनेक्शन के सेट से गायब (10 चित्रा). दो मजबूत कनेक्शन है कि बाद में रहने के एक विश्वविद्यालय केंद्र और विज्ञान भवन और एक अन्य के बीच विज्ञान भवन, हेनिंग्स हॉल और हचिंसन हॉल के बीच में हैं. इन परिसर इमारतों इंडिका के बारे में ज्ञानtes है कि विश्वविद्यालय के सेंटर एक कैफेटेरिया और मनोरंजन के कमरे के अंदर के साथ परिसर पर सबसे भारी तस्करी बंद है. यह एक संभावित फ्लू के मौसम के दौरान उच्च जोखिम केंद्र हो सकता है जब छात्रों को एक भीड़ अंतरिक्ष में एक समय की लंबी अवधि के लिए प्रत्येक के साथ बातचीत कर सकता है. यह भी पता चला है कि तीन इमारतों 2 कनेक्शन में शामिल सभी इनडोर रास्ते के साथ एक दूसरे से जुड़े हैं. इन इमारतों को कक्षाओं जहां छात्रों को कई घंटे घर के अंदर खर्च करने के लिए एक इमारत के बाहर जाने के लिए बिना कक्षाएं ले सकते है. इन इमारतों को भी आयु वर्ग वेंटिलेशन सिस्टम है कि श्वसन रोग संचरण का जोखिम बढ़ सकता है के साथ अपेक्षाकृत पुराने निर्माण कर रहे हैं. कैस इमारत है कि लेकिन नहीं चित्रा 10 में 7 चित्रा में संबंध में प्रकट होता है, दूसरे हाथ पर, एक ब्रांड नई इमारत है और बड़ी खुली जगह में ही खड़ा है. अच्छा वेंटिलेशन और तथ्य यह है कि छात्र गतिविधि आउटडोर समय अवधि शामिल जब वर्गों elsewher लेने के लिए हैई दोनों कम जोखिम के लिए हो सकता है. ये पाठ्यक्रम कयासबाजी कर रहे हैं, लेकिन है कि इस तरह के विश्लेषण इस अखबार में प्रस्तुत अन्य तरीकों की तरह साबित होता है, एक उपयोगी खोजपूर्ण विश्लेषण उपकरण छिपा पैटर्न प्रकट हो सकता है. यह पैकेज है, लेकिन किसी भी तरह से सभी संभव प्रक्षेपवक्र डेटा विश्लेषण के लिए उपयोगी तरीके शामिल हैं. हम अपने को विकसित करने के लिए और अधिक विश्लेषणात्मक शामिल के रूप में के रूप में अच्छी तरह से हमारे सिस्टम में दृश्य कार्य के लिए जा रहा प्रयास रख रहे हैं.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

ब्याज की कोई संघर्ष की घोषणा की.

Acknowledgments

यह काम NIH अनुदान 1R03AI090465 द्वारा वित्त पोषित है.

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).
प्रक्षेपवक्र पैदल गतिविधि अंतरिक्ष समय अध्ययन के लिए डाटा विश्लेषण
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