Banen data Analyser for Fotgjenger Space-time Aktivitet Study

Summary

En pakke med Spatiotemporal bearbeidingsmetoder presenteres å analysere menneskelige banen data, for eksempel som samlet ved hjelp av en GPS-enhet, i den hensikt å modellering fotgjenger plass fritidsaktiviteter.

Abstract

Det er velkjent at menneskelig bevegelse i rom og tid dimensjoner har direkte innflytelse på smitteoverføring ^1-3. En smittsom sykdom sprer typisk via kontakt mellom smittede og utsatt enkeltpersoner i deres overlappende aktivitet mellomrom. Derfor kan daglig mobilitet-aktivitet informasjon brukes som en indikator for å måle eksponeringer mot risikofaktorer av infeksjon. Imidlertid, en stor vanskelighet og dermed årsaken til mangelen på studier av smittsomme sykdomsoverføring ved mikro skala oppstår fra mangel på detaljerte individuelle mobilitet data. Tidligere i transport og turisme forskning detaljerte space-time aktivitet data ofte stolt på tid-rom dagbok teknikk, som krever fag å aktivt registrere sin aktivitet i tid og rom. Dette er svært krevende for deltakerne og samarbeid fra deltakerne i stor grad påvirker kvaliteten på data ^4.

Moderneteknologier som GPS og mobilkommunikasjon har gjort det mulig å automatisk innhenting av banen data. De innsamlede data er imidlertid ikke ideelt for modellering humane plass fritidsaktiviteter, begrenset av de nøyaktighet på eksisterende enheter. Det er også ikke lett tilgjengelig verktøy for effektiv behandling av dataene for menneskelig adferd studien. Vi presenterer her en rekke metoder og en integrert ArcGIS desktop-baserte visuelt grensesnitt for pre-prosessering og Spatiotemporal analyser av banen data. Vi gir eksempler på hvordan en slik behandling kan brukes for å modellere humane plass fritidsaktiviteter, spesielt med feil-rike fotgjenger banen data, som kan være nyttige i folkehelsen studier som smittsomme smitteoverføring modellering.

Prosedyren presentert inkluderer pre-prosessering, bane segmentering, aktivitet plass karakterisering, tetthet estimering og visualisering, og noen få andre utforskende analysemetoder. Pre-processing er rengjøring av bråkete rå bane data. Vi introduserer en interaktiv visuell forbehandlende grensesnitt samt en automatisk modul. Mønsterhastighet segmentering ⁵ innebærer identifisering av innendørs og utendørs deler fra pre-behandlet rom-tid spor. Igjen, blir både interaktive visuell segmentering og automatisk segmentering støttes. Segmenterte rom-tid spor blir deretter analysert for å utlede egenskapene til en aktivitet plass, for eksempel aktivitet radius etc. Tetthet estimering og visualisering brukes til å undersøke store mengder banen data å modellere heteflekker og interaksjoner. Vi viser både tetthet overflaten kartlegging ⁶ og tetthet volumgjengivelse ^7. Vi inkluderer også et par andre utforskende dataanalyser (EDA) og visualiseringer verktøy, for eksempel Google Earth animasjon støtte og tilknytning analyse. Suiten av analytiske samt visuelle metoder presenteres i denne artikkelen kan brukes til noen bane data for stempo-time aktivitet studier.

Protocol

1. Få data

1. Banen data kan samles med håndholdte GPS-enheter, GPS-aktiverte smarttelefoner sporing applikasjoner, samt A-GPS (assistert GPS) enheter slik som den ansatte i vår studie, en kommersiell barn tracker enhet.
2. Banen data lagres vanligvis i form av tid-breddegrad-lengdegrad poster. En ønsket tidsintervall bør settes basert på behov. Ofte de mest hyppige intervall er ønskelig for space-time aktivitet studier.
3. Konvertere data til kommadelte verdier, eller. CSV-filer med egne kolonner for posten id, breddegrad, lengdegrad og tid, henholdsvis. Deretter konvertere. CSV filer til vanlig brukte Geografiske informasjonssystemer (GIS) filformat (dvs. ESRI Shapefile ^8).
4. Last i en Shapefile av bygg polygoner og en annen av grensen av studien med banen analysator. Still "ekstrudering" av bygningene riktig for en 3D dispriker og angi "ekstrudering" og "gjennomsiktighet" av grensesjiktet skikkelig å vise en rom-tid kube ^{6, 9} med X-, Y representerer dimensjoner plass og z dimensjon representerer tid.

2. Pre-processing

1. To alternativer er tilgjengelig for pre-prosessering støyende rå bane data. Man kan velge fra nedtrekkslisten av pre-prosessering menyen.
2. Hvis "interaktiv" er valgt, er en 2D-projeksjon av 3D banen opprettet for enkel visning og utvalg. Manipulere 3D visning for å undersøke den rå banen i rom og tid. Identifisere feil i de data som er basert på formen, hastigheten og / eller topologi av spor segmenter. Sendes sporpunkter (hjørner) med urealistisk høy hastighet eller brå retningsendring betegne feil. Velg og fjerne dem fra de opprinnelige baner. Velg og fjerne dem fra enten 3D banen eller dets 2D-projeksjon.
3. En klynge av sporpunkter med bustete shapes (Figur 1) romlig og en lang varighet midlertidig bety feil som er mest muligens forårsaket av innendørs steder der GPS-signalet er svakt. Hvis en gruppe av disse punktene er valgt, kan programmet beregne Spatiotemporal sentroiden av de valgte punkter og juster sporet å gå gjennom sentroiden.
4. Alternativt, hvis "Automatisk" er valgt fra pre-prosessering menyen, sett inn-og utgang steder samt empiriske parametre som bestemmer unormal høy hastighet og brå vending av poeng. Programmet søker gjennom de lastede bane data og kjører automatisk basert på en algoritme som etterligner den visuelle feildeteksjon tilnærming.

3. Mønsterhastighet Segmentering & Activity Space Karakterisering

1. Bane segmentering krever bygging lag, så sikre bygningen form filen er lastet.
2. Klikk segmentering verktøy på verktøylinjen for å starte funksjonen.Still inn-og utgang og ligger bygningen formfil som referanse laget. Bruke bygningen navnene å merke det segmenterte banen. Algoritmen identifiserer innendørs segmenter basert på sett eller standard kriterier som hastighet, varighet, etc. av sporpunktene samt romlig topologien med forhold til bygninger.
3. Klikk aktiviteten plass summarization verktøy for å laste inn segmenterte baner og beregne utvalgte sammendrag attributter for å karakterisere en virksomhet plass, for eksempel totale aktiviteten radius, radius på en viss tidsperiode, forholdet mellom total tid brukt innendørs vs utendørs, og så videre.
4. Attributtene kan eksporteres til et regneark for kvantitative modellering bruker.

4. Tetthet Surface Mapping

1. Tetthet overflaten viser tettheten av aktiviteter i verdensrommet med tidsdimensjonen kollapset. Tre alternativer er tilgjengelige fra drop-down liste over tettheten overflaten kartlegging menyen.
2. Hvis 'sporpunkt tetthet alternativet er valgt, fyll i dialogboksen med inngang og utgang informasjon og velger å vise enten 3D eller 2D. Alle hjørnene fra banen data brukes til å beregne kernel tettheter av punktene. Fig. 2 viser en tetthet overflate.
3. Hvis 'Spor banen tetthet' er valgt, beregner algoritmen og viser tettheten av individuelle baner reist (Figur 3).
4. Hvis 'Re-samplet punkt tetthet alternativet er valgt, algoritmen re-prøver banen data ved hjelp av et sett tidsintervall og kart tettheten av punkter spredt jevnt i tid. Dette alternativet er laget for sporing enheter som samler sporing poeng i uregelmessige tidsintervaller på grunn av varierende følsomhet for enhetene under ulike fysiske forhold eller segmenterte baner. Figur 4 viser 2D-og 3D-tetthet overflater segmenterte baner.
5. Hvis 'Temporal fokus er valgt for enny av alternativene ovenfor, kan temporal fokusering ¹⁰ utføres for å undersøke aktivitet mønstre i forskjellige tidsperioder. For eksempel kan aktivitet tetthet overflater til forskjellige tider på en dag bli visualisert for enkel identifisering av hot spots på tvers av tid (figur 5).

5. Tetthet Volum Estimering og Volume Rendering

1. Tetthet volum visualisering bruker begrepet om en rom-tid kube som i visualisering av baner. Kjernen av slik visualisering er disaggregation plass inn voksler ^11. Vår tilnærming til å visualisere tetthet volum første anslår tetthet volum i enkelte voksler ved å telle antall rom-tid spor som krysser med voksler. Man kan klikke "Tetthet volumberegning" under tetthet volum visualisering menyen for dette trinnet.
2. De samme tre alternativene som er tilgjengelige for tetthet volum visualisering som for tetthet overflaten visualisering.
3. Neste klikk 'Volume rendering "for å starte 3D-volumet visualisering grensesnitt for interaktiv volumgjengivelse ^12. Ved å sette antall divisjoner langs hver akse, kan man undersøke klynger på ulike skalaer. En z-faktor brukes til å angi den vertikale overdrivelse for bedre visualisering. En referanse lag slik som bygninger kan lastes til hjelpe visualisering samt. Resultatene av volumgjengivelse kan bli interaktivt justeres ved å manipulere transferfunksjonen som styrer kartleggingen fra tettheten til farge. (Figur 6).

6. Andre Utforskende data Analyser (EDA) og visualiseringer

1. En prosedyre er tilgjengelig for å lage animerte serien som skal vises i Google Earth. Under "Annet", klikker du "Eksporter til KML for EDA 'for å få tilgang til denne prosedyren. Det skaper en kml ¹³ fil som åpnes i Google Earth for interaktiv animasjon av banen.
2. Man kan følge banen til travel miljøet i tiden ved å rulle langs tidslinjen i Google Earth.
3. En prosedyre er tilgjengelig for å visualisere forbindelser mellom steder av interesse gjennom "Connection analyse". For eksempel er forbindelser mellom forskjellige bygninger på et universitet campus avledet fra segmenterte bane data som ble samlet inn av studenter (figur 7).
4. Basert på de utledede tilkoblinger, hotspots som disse bygningene med de mest utgående eller innkommende trafikk og nav som forbinder de mest trafikkerte stedene kan identifiseres.

Representative Results

Banen data ble samlet ved frivillig studenter fra Kean University (NJ, USA) våren 2010. Hensikten var å studere aktivitet mønstre av studenter som fanget influensa (diagnostisert av lege eller selv-diagnostisert) i forhold til de som ikke gjorde det. For å illustrere de metoder og prosedyrer presenteres i denne artikkelen vi tok baner samlet i forstads campus-området for å generere representative resultater. Baner innenfor campus-området er det meste fotgjenger baner, med bare en liten del som følge av kjøring mellom de ulike parkeringsplasser og utenfor campus.

Plass-tid kube representasjon av baner med referanse til bygninger på universitetsområdet er vist i figur 1. Figur 1a er rådata samlet av en student opptak en dag med aktivitet hans på campus ved hjelp av en AGPS-enhet (en kommersiell barn tracker) . Det er obrige at noen lang varighet av innendørs opphold har resultert i støyende data (indikert av spiky partiet av skinnen). Dette er svært vanlig i gågater bane data. Figur 1B viser pre-behandlet og segmentert bane. Figur 1C viser pre-behandlet og segmentert bane med fargekodede innendørs og utendørs segmenter i rom-tid kube.

Tall 2-4 illustrerer tetthet overflaten kartlegging av et sett av baner. Figur 2 viser de rå sporing punktene involverte å utføre en 'Spor Densitet' kartlegging alternativet (figur 2A) og den resulterende tetthet map (figur 2B). I stedet for å kartlegge tettheter av sporing poeng, Figur 3 over tettheten av reist baner. Tetthet kartlegging er særlig nyttige ved analyse store mengder baner. Fig. 4A viser en totalt 470 baner. Figurer 4B og 4C viser tettheten overflaten i en 2D (til venstre) og 3D-fremstillinger (høyre) ved hjelp av re-samplede poeng fra disse baner.

I tillegg til den interaktive visning av tidsdimensjonen i en rom-tid kube, kan tidsvariabel bli behandlet gjennom temporale fokusering å undersøke romlige mønstre i forskjellige tidsperioder. Figur 5 viser eksempler på slike analyser ved prøven datasettet som inneholder banen data innsamlet av studenter under influensasesongen. Det er åpenbart at deres virksomhet er sentrert rundt forskjellige steder i løpet av dagen til å lede til slutt til den sammensatte aktivitet tetthet kartet på bunnen.

Et eksempel av tetthet volumgjengivelse er illustrert i figur 6. Figur 6A viser at det er vanskelig å oppdage mønstre hvis alle rom-tid spor er visualisert i rom-tid kube pga visual clutters. Figur 6B viser de tilsvarende tetthet volumgjengivelse resultater. De fire illustrasjoner representerer forskjellige innstillinger av overføring funksjon av vår tetthet rendering program, og dermed markere tetthet volumer på ulike frekvensområder.

En annen måte å finne hotspots er gjennom forbindelse analyse. Figur 7 illustrerer resultatet av en slik analyse med utvalget vårt datasett. Figur 7A viser den rette linjen forbindelser mellom alle bygninger på campus. De markerte bygningene er de med høyest utgående trafikk. Figur 7B viser de samme tilkoblinger, med de mest trafikkerte tilkoblinger markerte.

Figur 1. Pre-prosessering og segmentering tering av banen data A: 2D-visning av en rå bane på bakgrunn av campus bygninger, B:. pre-behandlet banen, C:. space-time kube representasjon av segmentert bane Klikk her for å se større figur .

Figur 2. Tetthet overflaten kartlegging A:. Rå sporpunkter av en bane datasett, B: tetthet overflaten stammer fra sporpunkter.

Figur 3. Tetthet overflaten av banen baner.

130fig4.jpg "alt =" Figur 4 "fo: content-width =" 4in "fo: src =" / files/ftp_upload/50130/50130fig4highres.jpg "/>
Figur 4. Farget tetthet overflaten kartlegging A: totalt 470 baner, B:. Farget tetthet overflaten i 2D, C:. Farget tetthet overflaten i 3D Klikk her for å se større figur .

Figur 5. Temporal fokus for tetthet kartlegging: student aktivitet tettheter på campus i forskjellige tidsperioder.

Figur 6. Tetthet volumgjengivelse og visualizat ion A: visuelle clutters som følge av rå baner, B:. Spatiotemporal klynger markerte ved å visualisere tetthet volumer på ulike frekvensområder. Klikk her for å se større figur .

Figur 7. Tilkobling analyseresultater A: rett linje forbindelser mellom alle bygninger på et universitet campus stammer fra banen data, med de mest trafikkerte bygningene markerte, B:.. De mest trafikkerte forbindelser mellom bygninger på campus Klikk her for å se større figur .

innhold "fo: keep-together.within-page =" always ">
Figur 8. Del av en aktivitet dagbok av en student.

Figur 9. Aktivitet tetthet mønstre av to grupper av studenter A: aktivitet tetthet mønstre av studenter med milde influensasymptomer under en influensa sesong, B:. Aktivitet tetthet mønstre av studenter med mer kjente influensasymptomer.

Figur 10. Tilkobling analyseresultater basert på banen data av studentersom hadde bemerkelsesverdige influensasymptomer under en influensa sesong A: rett linje forbindelser mellom bygninger med de mest trafikkerte bygningene markerte, B:.. de mest trafikkerte tilkoblinger tatt av studenter med influensa Klikk her for å se større figur .

Discussion

Vi brukte tillegget mekanisme ArcGIS å utvikle grensesnittet. Alle de interaktive operasjoner ble gjennomført ved hjelp av C + +. Alle automatisk behandling og analyse funksjoner ble utviklet ved hjelp av Python.

AGPS data, eller GPS-data samlet inn av fotgjenger presenterer unik utfordring i forbehandling som feilene kan være massive grunn tilstøter bygninger og hyppige innendørs stopper. Videre bør fokus for preprosessering ikke være data reduksjon som det som vanligvis gjøres for kjøretøy GPS banen data pga allerede opplagt knapphet på sporing poeng. De åpenbare feil mønstre i fotgjenger bane data gir imidlertid unik løsning for å forbehandling. I stedet for å bruke standard preprosessering algoritmer ^14, utviklet vi den heuristiske metoden (2.3) som etterligner en manuell visuell feildeteksjon tilnærming nevnt i 2.2) og rydder opp feil i banen data. Spesifikt, beregner det attributter (hastighet og direction endring) for hvert spor peker i en bane først. Sporpunkter med urealistiske høye hastigheter og / eller retning endringer er fjernet. Det deretter re-beregner attributter (varighet og retningsendring) for hver gjenværende spor punkt og oppdager klynger av sporpunktene med spiky former (en serie sporpunkter med brå retningsendringer). Endelig Spatiotemporal sentroiden av hver klynge beregnes og banen blir redusert og justert til å gå gjennom sentroiden.

De automatiske pre-prosessering og bane segmentering algoritmer har blitt evaluert ved hjelp av tradisjonelle aktivitet dagbok data. Ti studenter ble rekruttert til hver gjennomføre en AGPS å samle banen data og samtidig ble bedt om å aktivt spille inn sine stopper og bevegelser. Del av en typisk aktivitet dagbok er illustrert i figur 8. En tre-dagers eksperiment generert 30 baner. Pre-behandlet og segmentert baner ble sammenlignet medDagboken data. Resultatene indikerte at 1) de bearbeidede baner fanget flertallet av innendørs aktiviteter, 2) tid registrert i banen data er mer nøyaktig som dagbok takers skriver ofte ned et grovt estimat av tiden, 3) banen data fanget alle detaljene i gangvei stier mens bare rett linje tilkoblinger kan fås fra dagbok data, og 4) noen aktiviteter mangler fra dagboken data som deltakere ofte hoppe poster på grunn av byrden. Men en begrensning av vår tilnærming er at segmenterte bane dataene iblant mislabel innendørs segment i en feil bygningen, spesielt når to bygninger er koblet til hverandre, noe som er tilfelle med noen bygninger i vårt eksperiment. Forbedring på dette aspektet av algoritmen er nødvendig.

Tetthet overflaten kartlegging er et effektivt verktøy for å utforske aktivitet mønstre, spesielt når store mengder banen data er involvert. Figur 4 viser at en stor numBER av baner fører til tydelig visuell rot hvis vises i sin opprinnelige form, mens tettheten kartlegging avslører interessante mønstre. En enkel anvendelse av dette ble utført ved hjelp av datasettet samlet på Kean universitet campus i løpet av 2010 influensasesongen. Studenter som fanget influensa og elever som ikke genereres to sett med baner. Studentene ble også intervjuet om alvorlighetsgraden av symptomene. Figur 9 illustrerer aktivitet tetthet mønstre av to grupper av studenter, en viser bare milde symptomer (figur 9A) og en annen viser mer bemerkelsesverdige seg (figur 9B). Det skal bemerkes at de virkelige syke elevenes aktivitet plass tendens til å klynge rundt en bestemt bygning. Videre undersøkelser kan dermed bli gjennomført for å fastslå årsakene til slike clustering. Dette forsøk indikerer at metoden har potensial til å avdekke skjulte mønstre i banen data.

Listen density overflate kartene imidlertid kollapser tidsdimensjonen. Tetthet volum visualisering bruker begrepet om en rom-tid kube og representerer både romlige og tidsmessige dimensjoner. Figur 6 indikerer at en slik visualisering er effektive i arbeidet med visuelle cluttering problemer. Gang gjort interaktiv, gjør det en å manipulere rendering å markere ulike frekvensområder i dataene for å oppdage mønstre. En begrensning av vår nåværende tilnærming, er imidlertid at det gjengitte volumet ikke synes å være helt glatt. Vi er i ferd med å forbedre tettheten estimering algoritmen for å håndtere problemet. En vurdering er at Kernel tetthet estimering kan forbedre den visuelle effekten, men beregningen tid ville bli mye lenger. Sekvensiell kjernen tetthet estimering ¹⁵ kunne være et annet alternativ som vi ville undersøke.

I tillegg til å oppdage aktivitet klynger (hot spots) i tid og rom, Method vi introdusert i 7,2 oppdager en annen type hot spots som er knyttet til forbindelser mellom steder. Igjen med våre datasett innsamlet av studenter under en influensa sesongen, ble forbindelsen analyse gjennomført for å identifisere sterke forbindelser mellom campus bygninger basert på alle bane data (figur 7) samt de representerer bare studenter som demonstrerte bemerkelsesverdige influensasymptomer (Figur 10). Sammenligne de to tallene, ser vi at én tilkobling (mellom en bygning kalt University Center og en annen som heter CAS bygningen) ser ut til å være en sterk sammenheng generelt (figur 7), men mangler fra settet med sterke forbindelser identifisert for syke studenter (figur 10). De to sterke forbindelser som forblir i sistnevnte er en mellom University Center og Realfagbygget og en annen blant Science Building, Hennings Hall og Hutchinson Hall. Kunnskap om disse campus bygninger indicates at University Center er den mest trafikkerte stopp på campus med en kafeteria og rekreasjon rom inne. Det kan være en potensiell høy risiko knutepunkt under influensasesongen når elevene samhandle med hver for en lengre periode i et overfylt rom. Det er også lært at de tre bygningene involvert i den andre forbindelsen er alle festet til hverandre med innendørs trasé. Disse bygningene har klasserom hvor elevene kan tilbringe mange timer innendørs ta klasser uten å måtte gå utenfor en bygning. Disse bygningene er også relativt gamle konstruksjoner med alderen ventilasjonsanlegg som kan øke risikoen for luftveislidelser overføring. CAS bygning som vises i den forbindelse i figur 7, men ikke i fig 10, på den annen side, er en helt ny bygning og står av seg selv i store åpne rom. God ventilasjon og det faktum at student aktivitet må involvere utendørs tidsperiode når du tar klasser elsewhere både kan føre til lavere risiko. Disse er selvfølgelig spekulasjoner, men beviser at en slik analyse, som andre metoder presenteres i denne artikkelen kan være et nyttig undersøkende analyse verktøy for å avdekke skjulte mønstre. Denne pakken, imidlertid på ingen måte inkluderer alle mulige metoder som er nyttige for banen dataanalyser. Vi holder vår innsats skal utvikle og innarbeide mer analytisk så vel som visuelle funksjoner i systemet vårt.

Materials

Name	Company	Catalog Number	Comments
WorldTracker GPRS	Tracking The World
A personal computer for running the analysis
ArcGIS software	ESRI
Trajectory Analyzer Extension