Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Biology

Le analisi per i dati di traiettoria pedonale Lo spazio-tempo di attività di studio

doi: 10.3791/50130 Published: February 25, 2013

Summary

Una serie di metodi di elaborazione spazio-temporali vengono presentati per analizzare dati di traiettoria umani, come quelli raccolti utilizzando un dispositivo GPS, al fine di modellazione pedonali spazio-temporali attività.

Abstract

È ben noto che il movimento umano nelle dimensioni spaziali e temporali ha un'influenza diretta sulla trasmissione della malattia 1-3. Una malattia infettiva si diffonde in genere attraverso il contatto tra individui infetti e suscettibili nei loro spazi di attività sovrapposte. Pertanto, l'attività quotidiana mobilità-informazione può essere utilizzata come indicatore per misurare l'esposizione a fattori di rischio di infezione. Tuttavia, una difficoltà maggiore e quindi la ragione per scarsità di studi di trasmissione di malattie infettive in scala micro derivano dalla mancanza di dati dettagliati mobilità individuale. In precedenza nel trasporto e turismo di ricerca dettagliati spazio-temporali dei dati relativi all'attività spesso invocati lo spazio-tempo tecnica di diario, che richiede di registrare i soggetti attivamente le proprie attività nel tempo e nello spazio. Questo è molto impegnativo per i partecipanti e la collaborazione da parte dei partecipanti influisce notevolmente sulla qualità dei dati 4.

Modernotecnologie come il GPS e le comunicazioni mobili hanno reso possibile la raccolta automatica dei dati di traiettoria. I dati raccolti, tuttavia, non è ideale per modellare umani spazio-temporali attività, limitata dalla precisione dei dispositivi esistenti. Non ci è inoltre strumento prontamente disponibili per l'elaborazione efficiente dei dati per lo studio del comportamento umano. Vi presentiamo qui una serie di metodi e di un sistema integrato di ArcGIS desktop-based interfaccia visiva per le analisi di pre-elaborazione e spazio-temporale dei dati di traiettoria. Forniamo esempi di come tale processo possa essere utilizzato per modellare umani spazio-temporali delle attività, in particolare con i dati di errore pedonali ricchi di traiettoria, che potrebbero essere utili in studi sulla salute pubblica come la modellazione trasmissione di malattie infettive.

La procedura presentata include pre-processing, segmentazione traiettoria, spazio caratterizzazione attività, stima della densità e la visualizzazione, e alcuni altri metodi di analisi esplorative. Pre-processing è la pulizia dei dati rumorosi traiettoria grezzi. Si introduce una visuale interattivo pre-elaborazione interfaccia così come un modulo automatico. Segmentazione della traiettoria 5 comporta l'identificazione delle parti interne ed esterne di pre-lavorati spazio-temporali tracce. Ancora, sia segmentazione interattiva visiva e segmentazione automatica sono supportati. Segmentati spazio-temporali tracce vengono quindi analizzati per derivare le caratteristiche del proprio spazio di attività come stima raggio Densità attività ecc e visualizzazione sono utilizzati per esaminare grandi quantità di dati di traiettoria per modellare punti caldi e interazioni. Dimostriamo sia la mappatura densità superficiale e volume 6 il rendering densità 7. Abbiamo anche un paio di altre analisi esplorativa dei dati (EDA) e gli strumenti di visualizzazioni, come il supporto di animazione Google Earth e analisi della connessione. La suite di analitica e metodi visivi presentati in questo documento può essere applicato a tutti i dati di traiettoria per space-time attività consiste nello studio.

Protocol

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

1. Ricevere i dati

  1. I dati di traiettoria possono essere raccolti con palmari GPS, GPS-enabled applicazioni intelligenti di monitoraggio telefono, così come A-GPS (Assisted GPS) dispositivi come quello impiegato nel nostro studio, uno spot dispositivo tracker bambino.
  2. Dati di traiettoria in genere viene salvato in termini di tempo-latitudine-longitudine record. Un intervallo di tempo desiderato deve essere impostato in base alle esigenze applicative. Spesso l'intervallo più frequente è desiderata per lo spazio-temporali studi attività.
  3. Convertire i dati in valori separati da virgole, o. Csv con colonne separate per id record, latitudine, longitudine, e di tempo, rispettivamente. Poi convertire i. Csv file in uso comune Geographic Information Systems (GIS) formato di file (ad esempio ESRI shapefile 8).
  4. Caricare in uno shapefile di poligoni di costruzione e un altro del confine dell'area di studio con l'analizzatore traiettoria. Impostare il "estrusione" degli edifici adeguatamente per un 3D display e impostare il "estrusione" e "trasparenza" dello strato limite correttamente per visualizzare uno spazio-tempo cubo 6, 9 con il x, y rappresentano dimensioni spazio e la dimensione z rappresenta il tempo.

2. Pre-elaborazione

  1. Sono disponibili due opzioni per la pre-elaborazione dei dati grezzi rumorosi traiettoria. Si può scegliere dal menu a discesa del menu di pre-elaborazione.
  2. Se 'Interactive' viene scelto, una proiezione 2D della traiettoria 3D è stato creato per facilitare la visualizzazione e la selezione. Manipolare lo schermo 3D per esaminare la traiettoria grezzo nello spazio e nel tempo. Individuare errori nei dati in base alla velocità di forma e / o topologia di segmenti di binario. Pronto punti (vertici) con realistico ad alta velocità o cambio di direzione improvviso significare errori. Selezionare e rimuoverli dalle traiettorie originali. Selezionare e rimuoverli da entrambi la traiettoria 3D o la sua proiezione 2D.
  3. Un cluster di punti di traccia con appuntite shapes (Figura 1) nello spazio e una lunga durata temporalmente significare errori che sono più probabilmente causati da luogo chiuso in cui il segnale GPS è debole. Se un gruppo di questi punti è selezionata, il programma può calcolare il centroide spazio-temporale dei punti selezionati e regolare la traccia di passare attraverso il baricentro.
  4. In alternativa, se 'Automatic' è scelto dal pre-trattamento di menu, impostare l'ingresso e posizioni di uscita nonché parametri empirici che determinano la velocità anomala alta e brusca svolta di punti. Il programma cerca attraverso i dati di traiettoria caricati e viene eseguito automaticamente in base a un algoritmo che simula la visuale approccio di rilevamento degli errori.

3. Traiettoria Segmentazione & Space Caratterizzazione di attività

  1. Segmentazione della traiettoria richiede il livello di edificio, in modo da assicurarsi che il file viene caricato forma dell'edificio.
  2. Fare clic sullo strumento di segmentazione nella barra degli strumenti per avviare la funzione.Impostare l'ingresso e uscita e trova il file di forma edificio come livello di riferimento. Utilizzare i nomi di costruzione di etichettare la traiettoria segmentato. L'algoritmo identifica i segmenti interni basato su criteri predefiniti o di default come velocità, durata, ecc di punti di traccia, così come la topologia spaziale con riferimento agli edifici.
  3. Istruzioni spazio strumento di attività summarization per caricare in traiettorie segmentati e calcolare gli attributi riassuntive selezionate per caratterizzare uno spazio di attività, come ad esempio raggio attività totale, raggio a un certo periodo di tempo, il rapporto del tempo totale trascorso in casa vs all'aperto, e così via.
  4. Gli attributi possono essere esportati in un foglio di calcolo per gli usi di modellazione quantitativa.

4. Densità superficiale Mapping

  1. Densità di superficie mostra la densità delle attività nello spazio con la dimensione temporale è crollato. Sono disponibili tre opzioni dal menu a discesa del menu mappatura densità superficiale.
  2. Se l'opzione 'densità di punti Track' è selezionato, compilare la finestra di dialogo con le informazioni di input e di output e scegliere di visualizzare sia in 3D o 2D. Tutti i vertici dei dati di traiettoria vengono utilizzati per calcolare la densità dei punti kernel. Figura 2 mostra una superficie di densità.
  3. Se la 'densità percorso Track' è selezionata, l'algoritmo calcola e visualizza la densità di percorsi individuali viaggiato (Figura 3).
  4. Se l'opzione 'densità Re-campionato punto' è selezionata, l'algoritmo di ri-campioni i dati di traiettoria con un intervallo di tempo e le mappe le densità di punti distribuiti in modo uniforme nel tempo. Questa opzione è progettata per i dispositivi di monitoraggio per la raccolta punti di monitoraggio a intervalli di tempo irregolari a causa della diversa sensibilità dei dispositivi in varie condizioni fisiche o le traiettorie segmentati. Figura 4 mostra le superfici di densità 2D e 3D di traiettorie segmentati.
  5. Se 'temporale di messa a fuoco' è stato selezionato per unny delle opzioni di cui sopra, temporale di messa a fuoco 10 può essere eseguita per esaminare i modelli di attività in periodi di tempo diversi. Ad esempio, le superfici di densità di attività in tempi diversi in un giorno possono essere visualizzati per una facile identificazione di hot spot attraverso il tempo (Figura 5).

5. Densità Stima Volume e Volume Rendering

  1. Volume di visualizzazione Densità utilizza la nozione di uno spazio-tempo cubo come nella visualizzazione di traiettorie. Il nucleo di visualizzazione quali è la disaggregazione di spazio in voxel 11. Il nostro approccio per visualizzare il volume prima densità stima del volume di densità in voxel singoli contando il numero di spazio-temporali tracce che si intersecano con i voxel. Si può fare clic su 'calcolo del volume di densità' nel menu di visualizzazione densità di volume per questo passo.
  2. Le stesse tre opzioni sono disponibili per la visualizzazione densità di volume come per la visualizzazione densità superficiale.
  3. Fare clic su Avanti 'Rappresentazione volumetrica' per lanciare l'interfaccia di visualizzazione 3D del volume per il rendering interattivo dei volumi 12. Impostando il numero di divisioni lungo ogni asse, si possono esaminare i cluster a scale diverse. Un fattore z viene utilizzato per impostare l'esagerazione verticale per una migliore visualizzazione. Uno strato di riferimento, come gli edifici possono essere caricati per aiutare la visualizzazione pure. I risultati di renderizzazione di volume può essere regolato in modo interattivo manipolando la funzione di trasferimento che controlla la mappatura di densità di colore. (Figura 6).

6. Altre analisi di dati esplorativi (EDA) e visualizzazioni

  1. Una procedura è disponibile per creare serie animata da visualizzare in Google Earth. Sotto 'Altro', fare clic su 'Esporta in KML per EDA' di accedere a questa procedura. Esso crea un file di 13 kml che si apre in Google Earth per l'animazione interattiva della traiettoria.
  2. Si può seguire la traiettoria di travel 'ambiente in tempo scorrendo lungo la linea temporale in Google Earth.
  3. Una procedura è disponibile per visualizzare le connessioni tra i luoghi di interesse attraverso 'l'analisi di connessione'. Ad esempio, le connessioni tra i diversi edifici in un campus universitario sono derivati ​​da dati di traiettoria segmentati che sono stati raccolti dagli studenti (Figura 7).
  4. Sulla base delle connessioni derivate, punti caldi, come gli edifici con il traffico più in uscita o in entrata e hub che collegano i luoghi più trafficate possono essere identificate.

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

I dati sono stati raccolti dalla traiettoria volontariato studenti universitari da Kean University (NJ, USA) nella primavera del 2010. Lo scopo era quello di studiare i modelli di attività degli studenti che catturati influenza (diagnosticata dal medico o auto-diagnosi) rispetto a coloro che non hanno. Al fine di illustrare le modalità e le procedure presentate in questo documento abbiamo preso le traiettorie raccolti all'interno dell'area suburbana campus per generare i risultati rappresentativi. Traiettorie all'interno dell'area del campus sono per lo più traiettorie pedonali, con solo una piccola parte derivante da guida tra i vari parcheggi e al di fuori del campus.

Lo spazio-tempo di rappresentazione delle traiettorie cubo con riferimento edifici del campus universitario è mostrato in Figura 1. Figura 1A è i dati grezzi raccolti da uno studente registrazione un giorno della sua attività nel campus utilizzando un dispositivo AGPS (un tracker bambino commerciale) . È obcedente che alcune lunga durata dei soggiorni interni ha portato a dati rumorosi (indicato dalla parte spinosa della pista). Questo è molto comune nei dati di traiettoria pedonali. Figura 1B mostra la traiettoria pre-elaborato e segmentato. Figura 1C mostra la traiettoria pre-elaborato e segmentato con segmenti interni ed esterni colorati nello spazio-tempo di cubo.

Figure da 2 a 4 illustrano superficie mappatura densità di un insieme di traiettorie. Figura 2 mostra i punti di rilevamento prime utilizzate per eseguire una funzione di mappatura 'densità di punti Track' (Figura 2A) e la mappa di densità risultante (Figura 2B). Invece di mappatura densità di punti di monitoraggio, figura 3 mappe di densità delle strade percorse. Mappatura densità è particolarmente utile quando si analizzano grandi quantità di traiettorie. Figura 4A mostra un totale di 470 traiettorie. 4B e 4C figure mostrano la superficie di densità in un 2D (a sinistra) e rappresentazioni 3D (a destra) con ri-campionati punti da queste traiettorie.

In aggiunta alla visualizzazione interattiva della dimensione temporale in uno spazio-tempo cubo, la variabile tempo può essere elaborato attraverso temporale focalizzazione esaminare modelli spaziali in periodi di tempo diversi. Figura 5 mostra esempi di tale analisi utilizzando il set di dati campione che contiene traiettoria dati raccolti dagli studenti durante la stagione influenzale. È ovvio che le loro attività sono centrate attorno posizioni differenti durante il giorno per infine condurre alla mappa composita densità dell'attività sul fondo.

Un esempio di rappresentazione densità di volume è illustrato nella Figura 6. Figura 6A mostra che è difficile da rilevare se tutti i modelli spazio-temporali tracce sono visualizzati nello spazio-tempo a causa del cubo vismanuale ingombra. Figura 6B mostra i risultati corrispondenti densità di rendering di volume. Le quattro figure rappresentano diverse impostazioni della funzione di trasferimento del nostro programma densità di rendering, mettendo in evidenza i volumi densità a diverse gamme di frequenza.

Un altro modo di trovare hotspot è attraverso l'analisi di connessione. Figura 7 illustra il risultato di tale analisi con il nostro set di campioni di dati. Figura 7A mostra le connessioni di linea retta tra tutti gli edifici del campus. Gli edifici evidenziati sono quelli con il più alto volume di traffico in uscita. Figura 7B mostra gli stessi collegamenti, con le connessioni più trafficate evidenziati.

Figura 1
Figura 1. Pre-elaborazione e di segmentazione zione dei dati di traiettoria A: vista 2D di una traiettoria prima sullo sfondo di edifici del campus, B:. pretrattato traiettoria C:. spazio-tempo rappresentazione cubo di traiettoria segmentato Clicca qui per ingrandire la figura .

Figura 2
Figura 2. Superficie mappatura Densità A:. Punti di traccia prime di una serie di dati traiettoria; B: superficie di densità derivato da punti di traccia.

Figura 3
Figura 3. Densità di superficie percorsi traiettoria.

130fig4.jpg "alt =" Figura 4 "fo: content-width =" 4in "fo: src =" / files/ftp_upload/50130/50130fig4highres.jpg "/>
Figura 4. Colorate la mappatura della superficie di densità A: un totale di 470 traiettorie, B:. Superficie di densità colorato in 2D, C:. Superficie di densità colorato in 3D Clicca qui per ingrandire la figura .

Figura 5
Figura 5. Messa a fuoco temporale per la mappatura della densità: densità di attività degli studenti all'interno del campus in periodi di tempo diversi.

Figura 6
Figura 6. Densità e volume rendering visualizat ione A: ingombra visive derivanti dalle traiettorie prime; B:. cluster spazio-temporali evidenziati visualizzando volumi densità a diverse gamme di frequenza. Clicca qui per ingrandire la figura .

Figura 7
Figura 7. Risultati delle analisi di collegamento A: i collegamenti di linea retta tra tutti gli edifici in un campus universitario derivati ​​da dati di traiettoria, con gli edifici più trafficate evidenziati, B:.. Le connessioni più trafficate tra edifici del campus Clicca qui per ingrandire la figura .

contenuto "fo: keep-together.within-page =" always "> Figura 8
Figura 8. Porzione di un diario dell'attività registrata da uno studente.

Figura 9
Figura 9. Modelli di attività di densità di due gruppi di studenti A: modelli di attività densità di studenti con sintomi influenzali lievi nel corso di una stagione influenzale; B: modelli di attività. Densità di studenti con più sintomi influenzali notevoli.

Figura 10
Figura 10. I risultati delle analisi di connessione sulla base di dati di traiettoria degli studentiche ha avuto sintomi influenzali notevoli nel corso di una stagione influenzale A: i collegamenti di linea retta tra edifici con gli edifici più trafficate evidenziati; B:.. le connessioni più trafficate scattate dagli studenti con l'influenza Clicca qui per ingrandire la figura .

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

Abbiamo usato aggiuntivo meccanismo di ArcGIS sviluppare l'interfaccia. Tutte le operazioni interattive sono state realizzate in C + +. Tutto il trattamento automatico e funzioni di analisi sono state sviluppate utilizzando Python.

Dati AGPS, o dati GPS raccolti da pedonale presenta sfida unica nel pre-elaborazione, come gli errori possono essere enormi a causa di adiacenza agli edifici e alle frequenti fermate interne. Inoltre, la messa a fuoco di pre-elaborazione non dovrebbe essere la riduzione di dati come quello che di solito è fatto per i veicoli dati di traiettoria GPS a causa della scarsità già evidente di punti di monitoraggio. I modelli di evidente errore nei dati di traiettoria pedonali, tuttavia, fornire una soluzione unica per pre-elaborazione. Invece di utilizzare algoritmi di pre-elaborazione standard 14, abbiamo sviluppato il metodo euristico (2.3) che simula un manuale visivo approccio rilevamento degli errori di cui al punto 2.2) e pulisce gli errori nei dati di traiettoria. Specificamente, esso calcola attributi (velocità e direzione cambio) per ogni punto di traccia in una prima traiettoria. Punti di traccia con irrealistiche alte velocità e / o cambi di direzione vengono rimossi. E poi ri-calcola gli attributi (durata e cambio di direzione) per ogni punto di traccia rimanente e rileva gruppi di punti di traccia con forme appuntite (una serie di punti di traccia, con cambi di direzione improvvisi). Infine il centroide spazio-temporale di ciascun cluster è calcolato e la traiettoria è ridotta e regolata per passare attraverso il baricentro.

Gli algoritmi di segmentazione automatica di pre-elaborazione e la traiettoria sono stati valutati usando i tradizionali dati del diario di attività. Dieci studenti sono stati assunti per effettuare ciascuna un AGPS per raccogliere i dati di traiettoria e al tempo stesso è stato chiesto di registrare attivamente le fermate e movimenti. Porzione di un diario di attività tipica è illustrata nella Figura 8. Una tre giorni di esperimento generato 30 traiettorie. Traiettorie pre-elaborati e segmentata sono stati confrontati coni dati del diario. I risultati hanno indicato che 1) le traiettorie trattati catturato maggior parte delle attività al coperto, 2) tempo registrato nei dati di traiettoria è più preciso come acquirenti diario spesso scrivere una stima approssimativa del tempo, 3) i dati della traiettoria acquisiti tutti i dettagli dei percorsi passerella mentre solo le connessioni di linea retta può essere ottenuto dai dati del diario, e 4) alcune attività non sono presenti i dati del diario come partecipanti spesso ignorare i record a causa del peso. Ma una limitazione del nostro approccio è che i dati di traiettoria segmentati volte mislabel un segmento coperta in un edificio sbagliato, specialmente quando due edifici sono collegati tra loro, che è il caso di alcuni edifici del nostro esperimento. Miglioramento di questo aspetto dell'algoritmo è necessaria.

Superficie mappatura densità è uno strumento efficace per esplorare modelli di attività, soprattutto quando grandi quantità di dati di traiettoria è coinvolto. Figura 4 mostra che una grande numro di traiettorie porta a apparente confusione visiva se visualizzato nella sua forma originale, la mappatura della densità rivela interessanti modelli. Una semplice applicazione di questo è stata condotta utilizzando il set di dati raccolti nel campus universitario Kean durante la stagione 2010 influenzale. Gli studenti che hanno catturato l'influenza e gli studenti che non hanno generato due serie di traiettorie. Gli studenti sono stati intervistati anche per quanto riguarda la gravità dei sintomi. Figura 9 illustra i modelli di densità di attività dei due gruppi di studenti, una che mostra solo lievi sintomi (Figura 9A) e un altro quelle che mostrano più notevoli (Figura 9B). Si noti che lo spazio di attività degli studenti veri malati 'tende a raggrupparsi intorno a un particolare edificio. Ulteriori indagini potrebbero quindi essere condotti per determinare le cause di tale raggruppamento. Questo esperimento indica che il metodo ha il potenziale per rivelare modelli nascosti in dati di traiettoria.

Quanto sopra demappe di superficie nsity, però, crolla la dimensione temporale. Volume di visualizzazione Densità utilizza la nozione di uno spazio-tempo del cubo e rappresenta entrambe le dimensioni spaziali e temporali. Figura 6 indica che la visualizzazione del genere è efficace nel trattare con problemi visivi ingombrano. Una volta reso interattivo, permette di manipolare il rendering per evidenziare diverse gamme di frequenza nei dati per rilevare schemi. Una limitazione del nostro approccio attuale, tuttavia, è che il volume reso non sembra essere completamente liscia. Siamo nel processo di miglioramento di stima della densità di affrontare il problema. Una considerazione è che stima la densità kernel può migliorare l'effetto visivo, ma il tempo di calcolo sarebbe diventato molto più a lungo. Sequenziale stima della densità kernel 15 potrebbe essere un'altra opzione che vogliamo investigare.

Oltre a rilevare i cluster di attività (hot spot) nel tempo e nello spazio, il metodo abbiamo introdotto al punto 7.2 rileva un altro tipo di hot spot che è legato alle connessioni tra luoghi. Sempre con i nostri set di dati raccolti dagli studenti nel corso di una stagione influenzale, l'analisi è stata condotta per il collegamento di identificare le connessioni forti tra edifici del campus basato su tutti i dati di traiettoria (Figura 7), così come gli studenti che hanno dimostrato che rappresentano solo i sintomi di influenza notevole (Figura 10). Confrontando le due figure, si vede che una connessione (tra un edificio chiamato Center University e un altro chiamato l'edificio CAS) sembra essere una forte connessione in generale (Figura 7), ma manca l'insieme di connessioni forti individuati per studenti malati (Figura 10). I due forti legami che rimangono nella seconda sono uno tra il Centro Universitario e il Palazzo delle Scienze e un altro tra Science Building, Hennings Hall e Hutchinson Hall. La conoscenza in merito a questi edifici del campus indicates che il Centro Universitario è la fermata più trafficato del campus con una caffetteria e sale ricreative all'interno. Potrebbe essere un hub potenziale rischio elevato durante la stagione influenzale quando gli studenti interagiscono tra per un lungo periodo di tempo in uno spazio affollato. È anche appreso che i tre edifici coinvolti nella seconda connessione sono tutti collegati tra loro con percorsi interni. Questi edifici hanno aule dove gli studenti possono trascorrere molte ore in ambienti interni a prendere lezioni senza dover andare al di fuori di un edificio. Questi edifici sono relativamente vecchie costruzioni con sistemi di ventilazione di età che possono aumentare il rischio di trasmissione di malattie respiratorie. L'edificio CAS che appare nel collegamento in figura 7, ma non in figura 10, invece, è un nuovo edificio e sta a sé in grande spazio aperto. Una buona ventilazione e il fatto che l'attività dello studente deve coinvolgere periodo di tempo all'aperto durante l'assunzione di elsewher classie entrambi possono portare a una riduzione dei rischi. Questi, sono speculazioni di corso ma dimostra che tale analisi, come altri metodi presentati in questo documento può essere un utile strumento di analisi esplorativa per rivelare modelli nascosti. Questo pacchetto, tuttavia, in alcun modo include tutti i possibili metodi utili per l'analisi di dati di traiettoria. Stiamo mantenendo i nostri sforzi in corso per sviluppare e integrare più analitica e funzioni visive nel nostro sistema.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Nessun conflitto di interessi dichiarati.

Acknowledgments

Questo lavoro è finanziato dalla sovvenzione del 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).
Le analisi per i dati di traiettoria pedonale Lo spazio-tempo di attività di studio
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