Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Biology

Bandata Analyser för fotgängare Space-time studieboken

doi: 10.3791/50130 Published: February 25, 2013

Summary

En svit av Spatiotemporal bearbetningsmetoder presenteras för att analysera mänskliga bana data, såsom att samlas med hjälp av en GPS-enhet, för att rumtiden modellering fotgängare aktiviteter.

Abstract

Det är väl känt att människans rörelse i de rumsliga och tidsmässiga dimensioner har direkt inflytande på smittspridning 1-3. En infektionssjukdom sprids vanligtvis via kontakt mellan smittade och mottagliga individer i deras överlappande verksamhet utrymmen. Därför kan daglig rörlighet-aktivitetsinformation användas som en indikator för att mäta exponering för riskfaktorer för infektion. Men en stor svårighet och därmed orsaken till bristen på studier av infektionssjukdomar överföring på mikro uppstår brist på detaljerade individuell rörlighet data. Tidigare i transport och turism forskning detaljerade rymd-tidsdata aktivitet ofta åberopats i tid och rymd dagbok teknik, som kräver individer att aktivt registrera sin verksamhet i tid och rum. Detta är mycket krävande för deltagarna och samarbete från deltagarna kraftigt påverkar kvaliteten på uppgifterna 4.

Moderntekniker som GPS och mobil kommunikation har gjort det möjligt att automatiskt samla bandata. De insamlade uppgifterna är dock inte idealiskt för modellering människor rumtiden verksamhet begränsas av noggrannheten hos befintliga enheter. Det finns heller inga tillgängliga verktyg för effektiv behandling av uppgifterna för mänskligt beteende studie. Vi presenterar här en uppsättning metoder och en integrerad ArcGIS Desktop-baserade visuellt gränssnitt för förbehandling och Spatiotemporal analyser av bana data. Vi ger exempel på hur en sådan behandling kan användas för att modellera mänskliga rumtiden aktiviteter, särskilt med fel-rika uppgifter fotgängare bana, som kan vara användbar i folkhälsan studier som infektionssjukdomar överföring modellering.

Förfarandet som presenteras inkluderar förbehandling, bana segmentering, aktivitet utrymme karakterisering, densitet uppskattning och visualisering, och några andra undersökande analysmetoder. Pre-processing är rengöring av bullriga rå bandata. Vi introducerar en interaktiv visuell förbehandling gränssnitt samt en automatisk modul. Trajectory segmentering 5 innebär identifiering av inomhus och utomhus delar från förbearbetade rumtiden spår. Återigen är både interaktiv visuell segmentering och automatisk segmentering stöds. Segmenterade rumtiden spåren analyseras sedan för att härleda egenskaper hos en aktivitet utrymme såsom aktivitet radie mm Densitet uppskattning och visualisering används för att undersöka stora mängder bandata att modellera värmefläckar och interaktioner. Vi visar både kartläggning densitet yta 6 och densitet volymåtergivning 7. Vi har även ett par andra förberedande dataanalyser (EDA) och visualiseringar verktyg, såsom Google Earth animering stöd och anslutning analys. Sviten av analytisk samt visuella metoder som presenteras i detta dokument kan tillämpas på alla bandata för stakt-time aktivitet studier.

Protocol

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

1. Få data

  1. Bana data kan samlas in med handhållen GPS-enheter, GPS-aktiverade smartphones applikationer spårning samt A-GPS (Assisted GPS) enheter såsom en anställd i vår studie, en kommersiell barn tracker enhet.
  2. Bandata sparas vanligtvis i termer av tid-latitud-longitud poster. En önskad tidsintervall bör ställas utifrån applikationsbehov. Ofta den vanligaste intervallet är önskvärd för rumtiden aktivitet studier.
  3. Konvertera data till kommaseparerade värden eller. Csv-filer med separata kolumner för Postens ID, latitud, longitud och tid, respektive. Sedan konvertera. CSV-filer till ofta använda Geografiska Informationssystem (GIS) filformat (dvs. ESRI shapefil 8).
  4. Fyll i en shapefil av byggnader polygoner och en annan av gränsen av studien området med banan analysatorn. Ställ in "extrudering" av byggnaderna på rätt sätt för en 3D display och ställ in "extrusion" och "öppenhet" i gränsskiktet ordentligt för att visa en rymd-tid kub 6, 9 med x, y dimensioner representerar utrymme och z-dimensionen representerar tid.

2. Förbehandling

  1. Det finns två alternativ för förbehandling bullriga råa bandata. Man kan välja från rullgardinsmenyn för förbehandling menyn.
  2. Om 'interaktiv "väljs, är en 2D-projektion av 3D bana som skapats för enkel visning och urval. Manipulera av 3D-visningen för att undersöka den råa bana i tid och rum. Identifiera fel i data baserat på formen, hastighet och / eller topologi spårsegment. Vanligtvis spårpunkter (hörn) med orealistiska hög hastighet eller plötslig riktningsändring betyder fel. Markera och ta bort dem från de ursprungliga banor. Välj och ta bort dem från antingen 3D bana eller dess 2D-projektion.
  3. Ett kluster av spårpunkter med taggiga shaPES (figur 1) rumsligt och en lång varaktighet tidsmässigt betyder fel som är mest möjligen orsakas av inomhus platser där GPS-signalen är svag. Om en grupp av dessa punkter väljs, kan programmet beräkna spatiotemporal centroiden för de valda punkterna och justera banan för att gå igenom centroiden.
  4. Alternativt, om "Automatisk" väljs från förbehandling menyn, ställ in ingången och platser output samt empiriska parametrar som bestämmer onormalt hög hastighet och plötsliga vändning av poäng. Programmet söker igenom de laddade bana data och körs automatiskt baserat på en algoritm som efterliknar den visuella metoden feldetektering.

3. Trajectory Segmentering & Activity Space Karakterisering

  1. Trajectory segmentering kräver byggnaden lagret, så se till att byggnaden formen filen laddas.
  2. Klicka på segmentering i verktygsfältet för att starta funktionen.Ställ in-och utdata och ligger i byggnaden formen filen som referens lagret. Använda byggnaden namnen att märka segmenterade bana. Algoritmen identifierar inomhus segment baserade på fastställda eller försummelse kriterier såsom hastighet, varaktighet osv av spårpunkter, liksom den rumsliga topologi med avseende på byggnader.
  3. Klicka aktiviteten verktyget rymden sammanfattas att ladda i segmenterade banor och beräkna utvalda sammanfattande attribut för att karakterisera en verksamhet utrymme, till exempel total aktivitet radie, radie vid en viss tidsperiod, förhållandet mellan den totala tid inomhus kontra utomhus, och så vidare.
  4. Attributen kan exporteras till ett kalkylblad för kvantitativ modellering användningsområden.

4. Densitet ytan kartläggning

  1. Densitet yta visar densiteten av aktiviteter i rymden med tidsdimensionen kollapsade. Det finns tre alternativ från den nedrullningsbara listan av densiteten ytan kartläggning menyn.
  2. Om "Track punkttätheten" är markerat, fyll i dialogrutan med ingång och utgång information och välja att visa antingen 3D eller 2D. Alla hörn från bandata används för att beräkna kärnan densiteterna hos punkterna. Figur 2 visar en densitet yta.
  3. Om "Track väg densitet" har valts, beräknar algoritmen och visar tätheten av enskilda reste banor (Figur 3).
  4. Om "nya prov punkttätheten" är markerat algoritmen re-prov banan data med en intervall inställd tid och kartor tätheten av punkter jämnt i tid. Detta alternativ är avsedd för spårningsverktyg som samlar spårningspunkter i oregelbundna tidsintervall beroende på varierande känslighet enheter under olika fysiska förhållanden eller segmenterade banor. Figur 4 visar 2D-och 3D densitet ytor segmenterade banor.
  5. Om "Temporal fokusering" är vald för enNY av ovanstående alternativ, kan temporal fokusering 10 utföras för att undersöka aktivitetsmönster vid olika tidsperioder. Till exempel kan aktivitet densitet ytor vid olika tidpunkter under en dag visualiseras för enkel identifiering av hot spots över tid (Figur 5).

5. Densitet Volym Uppskattning och Volume Rendering

  1. Densitet volym visualisering använder begreppet rumtiden kub som i visualiseringen av banor. Kärnan i en sådan visualisering är uppdelning av utrymme i voxlar 11. Vårt sätt att visualisera densitet volym första beräkningarna densitet volym i enskilda voxlar genom att räkna antalet rumtiden spår som skär med voxlar. Man kan klicka på "beräkna Densitet volym" under densiteten volym visualisering meny för detta steg.
  2. Samma tre alternativ för densitet volym visualisering som för densitet yta visualisering.
  3. Klicka sedan "Volume Rendering" för att starta 3D-gränssnitt volym visualisering för interaktiv volymåtergivning 12. Genom att ställa in antalet divisioner längs varje axel kan man undersöka kluster i olika skalor. En z-faktorn används för att ställa in det vertikala överdrift för bättre visualisering. En referens skikt såsom byggnader kan laddas för att hjälpa visualisering också. Resultaten av volymåtergivning kan interaktivt justeras genom att manipulera överföringsfunktionen som styr mappningen från densiteten till färg. (Figur 6).

6. Andra Undersökande Data Analyser (EDA) och visualiseringar

  1. Ett förfarande är tillgängligt för att skapa animerade serien som ska visas i Google Earth. Under "Övriga", klicka på "Exportera till KML för EDA" för att komma åt denna procedur. Det skapar en KML 13 fil som öppnas i Google Earth för interaktiv animation av banan.
  2. Man kan följa banan för att traveL miljön i tiden genom att bläddra längs tidslinjen i Google Earth.
  3. Ett förfarande är tillgängligt att visualisera anslutningar mellan platser av intresse genom "Anslutning analys". Till exempel kopplingar mellan olika byggnader på ett universitetsområde som härrör från segmenterade bana data som samlades in av studenter (Figur 7).
  4. Baserat på de erhållna anslutningar, hotspots som dessa byggnader med de mest utgående eller inkommande trafik och nav som förbinder de mest trafikerade platserna kan identifieras.

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

Bandata samlades genom volontärarbete studenter från Kean University (NJ, USA) under våren 2010. Syftet var att studera aktivitet mönster av studenter som fångats influensa (diagnostiserad av läkare eller egenföretagare diagnostiserad) i jämförelse med dem som inte gjorde det. För att illustrera de metoder och förfaranden som presenteras i detta dokument tog vi banorna som samlas in inom förorts campusområdet för att generera representativa resultat. Banor inom campusområdet är mestadels fotgängare banor, med bara en liten del till följd av att köra mellan de olika parkeringsplatser och utanför campus.

Det rumtid kub representation av banor med hänvisning till byggnader på universitetsområdet visas i figur 1. Är de uppgifter som samlats av en student inspelning en dag av sin verksamhet på campus med en AGPS-enhet (en kommersiell barn tracker) Figur 1A . Det är obföregående att någon lång tid inomhus vistelser har resulterat i bullriga data (anges av taggiga delen av spåret). Detta är mycket vanligt i fotgängare bana data. Figur 1B visar förbehandlade och segmenterad bana. Figur 1C visar förbehandlade och segmenterad bana med färgkodade inomhus och utomhus segment i rumtiden kub.

Figurerna 2 till 4 illustrerar kartläggning densitet yta av en uppsättning banor. Figur 2 visar de råa spårningspunkter inblandade att utföra en "Track punkttätheten" kartläggning alternativ (figur 2A) och den resulterande densiteten kartan (Figur 2B). I stället för att kartlägga densiteter spårningspunkter, figur 3 kartor densiteterna för reste banor. Densitet kartläggning är speciellt användbar vid analys stor mängd banor. Figur 4A visar en totalt 470 banor. Figurerna 4b och 4c visar densiteten ytan i en 2D (vänster) och 3D-representationer (höger) med nya prov punkter från dessa banor.

Förutom den interaktiva displayen tidsdimensionen i en rumtid kub, kan tidsvariabeln bearbetas genom tidsmässig fokusering att undersöka rumsliga mönster vid olika tidsperioder. Figur 5 visar exempel på en sådan analys med användning av provet datauppsättningen som innehåller bana uppgifter som samlats in av studenter under influensasäsongen. Det är uppenbart att deras verksamhet är centrerade kring olika platser under dagen för att så småningom leda till den sammansatta aktiviteten densitet kartan på botten.

Ett exempel på densitet volymåtergivning illustreras i figur 6. Figur 6A visar att det är svårt att upptäcka mönster om alla rumtiden spåren visualiseras i rumtiden kub på grund av VISUAL skräpar. Figur 6B visar motsvarande densitet resultaten volym rendering. De fyra illustrationer representerar olika inställningar av överföringsfunktionen hos vår densitet rendering programmet sålunda lyfta densitet volymer vid olika frekvensområden.

Ett annat sätt att hitta hotspots är genom anslutning analys. Figur 7 visar resultatet av denna analys med vårt urval datamängd. Figur 7A visar den raka linjen kopplingar mellan alla byggnader på campus. De markerade byggnaderna är de med högst utgående trafik volym. Figur 7B visar samma anslutningar med de markerade mest trafikerade anslutningar.

Figur 1
Figur 1. Förbehandling och Segmen förandet av bandata A: 2D-vy av en rå bana på bakgrunden av campus byggnader, B:. förbehandlade bana, C:. rumtiden kub representation av segmenterad bana Klicka här för att se större bild .

Figur 2
Figur 2. Densitet yta kartläggning A:. Råa spårpunkter en bana datasats; B: densitet yta härrör från spårpunkter.

Figur 3
Figur 3. Densitet yta bana banor.

130fig4.jpg "alt =" Bild 4 "fo: content-width =" 4I "FO: src =" / files/ftp_upload/50130/50130fig4highres.jpg "/>
Figur 4. Färgad densitet yta kartläggning A: totalt 470 banor, B:. Färgad densitet yta i 2D, C:. Färgad densitet yta i 3D Klicka här för att se större bild .

Figur 5
Figur 5. Temporal fokus på täthet kartläggning: densiteter studentaktivitet på campus vid olika tidsperioder.

Figur 6
Figur 6. Densitet volym rendering och visualizat ion A: visuella skräpar följd råa banor, B:. Spatiotemporal kluster markerade genom att visualisera densitet volymer på olika frekvensområden. Klicka här för att se större bild .

Figur 7
Figur 7. Anslutning analysresultat A: rätlinjiga anslutningar bland alla byggnader på ett universitetsområde som härrör från bana data med de markerade mest trafikerade byggnader, B:.. Den mest trafikerade anslutningar mellan byggnader på campus Klicka här för att se större bild .

innehåll "fo: keep-together.within-page =" alltid "> Figur 8
Figur 8. Del av en verksamhet dagbok registreras av en student.

Figur 9
Figur 9. Aktivitet densitet mönster av två grupper av studenter A: aktivitet densitet mönster av studenter med lindriga influensaliknande symptom under en influensasäsong, B:. Aktivitet densitet mönster av studenter med mer anmärkningsvärda influensaliknande symptom.

Figur 10
Figur 10. Anslutning analysresultat baserade på bana uppgifter av studentersom hade betydande influensaliknande symptom under en influensa säsong A: rätlinjiga anslutningar mellan byggnader med de markerade mest trafikerade byggnader, B:.. den mest trafikerade anslutningar tagna av studenter med influensa Klicka här för att se större bild .

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

Vi använde tillägg mekanism ArcGIS för att utveckla gränssnittet. Alla interaktiva verksamheten genomfördes med C + +. All automatisk behandling och analysfunktioner har utvecklats med hjälp av Python.

AGPS data eller GPS-data som samlats in av fotgängare innebär en unik utmaning i förbehandling eftersom fel kan vara massiva grund närhet till byggnader och täta inomhus stopp. Dessutom bör fokus förbehandling inte datareduktion som vad görs vanligen för fordon GPS bana data på grund av redan uppenbara bristen på spårningspunkter. De uppenbara fel mönster i fotgängare bana data dock ge en unik lösning för förbehandling. Istället för att använda vanliga förbehandling algoritmer 14 utvecklade vi den heuristiska metoden (2,3) som efterliknar en manuell visuell inflygning felsökning nämns i 2,2) och rensar upp fel i bandata. Specifikt beräknar det attribut (hastighet och digering förändring) för varje spår punkt i en bana först. Spårpunkter med orealistiska höga hastigheter och / eller ändrar riktning tas bort. Den sedan åter beräknar attribut (varaktighet och riktningsändring) för varje återstående spår punkt och upptäcker kluster av spårpunkter med taggiga former (en serie av spårpunkter med abrupta riktningsförändringar). Slutligen spatiotemporal centroiden för varje kluster beräknas och banan minskas och justeras för att gå igenom centroiden.

Den automatiska förbehandling och bana segmentering algoritmer har utvärderats med hjälp av traditionella uppgifter aktivitet dagbok. Tio studenter rekryterades till varje bära en AGPS att samla in bana data och samtidigt ombads att aktivt spela in sina hållplatser och rörelser. Del av en typisk aktivitetsdagbok illustreras i figur 8. En tre dagars försök genererade 30 banor. Förbearbetade och segmenterade banor jämfördes medDagboken data. Resultaten visade att 1) ​​de bearbetade banorna fångade flesta inomhusaktiviteter, 2) tid registreras i banan uppgifterna är mer exakt som dagbok tagare ofta skriva ner en grov uppskattning av tid, 3) banan uppgifter fångade alla detaljer i gångväg vägar medan endast rätlinjiga anslutningar kan erhållas från dagbok data, och 4) Vissa aktiviteter saknas dagboken data som deltagarna ofta hoppa register på grund av bördan. Men en begränsning av vår strategi är att de segmenterade bandata ibland mislabel en inomhus segment i fel byggnad, särskilt när två byggnader är anslutna till varandra, vilket är fallet med vissa byggnader i vårt experiment. Förbättring på denna aspekt av algoritmen behövs.

Densitet yta kartläggning är ett effektivt verktyg för att utforska aktivitetsmönster, speciellt när stora mängder bandata är inblandad. Figur 4 visar att en stor numBER på banor leder till uppenbar visuell röran om visas i sin ursprungliga form, medan tätheten kartläggning avslöjar intressanta mönster. En enkel tillämpning av denna genomfördes med hjälp av data som samlats in på Kean universitetsområdet under 2010 influensasäsongen. Studenter som fångas influensa och elever som inte genererat två uppsättningar banor. Eleverna intervjuades också om allvaret i sina symtom. Figur 9 illustrerar de mönster aktivitet täthet av två grupper av studenter, en visar endast lindriga symtom (Figur 9A) och en annan som visar mer anmärkningsvärda sådana (Figur 9B). Det noteras att de verkliga sjuka studenternas aktivitet utrymme tenderar att koncentreras kring en viss byggnad. Ytterligare undersökning skulle således utföras för att bestämma orsakerna till sådana kluster. Detta experiment visar att metoden har potential att avslöja dolda mönster i bandata.

Ovanstående density yta kartor, men kollapsar tidsdimensionen. Densitet volym visualisering använder begreppet rumtiden kub och representerar både rumsliga och tidsmässiga dimensioner. Figur 6 visar att sådan visualisering är effektiv i hanteringen av visuella rörigt problem. När göras interaktivt, gör det en manipulera återgivningen för att markera olika frekvensområden i data för att upptäcka mönster. En begränsning hos vår nuvarande tillvägagångssätt är emellertid att den återgivna volymen inte verkar vara helt slät. Vi är i färd med att förbättra algoritmen densitet uppskattning att ta itu med frågan. Ett övervägande är att Kernel densitet uppskattning kan förbättra den visuella effekten, men beräkningstiden skulle bli mycket längre. Sekventiell kärna densitet uppskattning 15 kan vara ett annat alternativ som vi skulle undersöka.

Förutom att detektera aktivitet kluster (hotspots) i tid och rum, MMETOD vi infördes 7,2 upptäcker en annan typ av hot spots som är relaterade till anslutningar mellan platser. Igen med våra uppgifter set samlas in av studenter under en influensa säsongen, anslutning analys för att identifiera starka kopplingar mellan campus byggnader baserade på alla bana data (Figur 7) samt de föreställande studenter som demonstrerade betydande influensaliknande symptom (Figur 10). Jämföra de två siffror, ser vi att en anslutning (mellan en byggnad som kallas University Center och en annan som kallas CAS byggnaden) verkar vara en stark koppling i allmänhet (Figur 7), men saknas i uppsättningen av starka kopplingar identifierats för sjuka studenter (Figur 10). De två starka kopplingar som finns kvar i den senare är en mellan University Center och Science Building och annan bland Science Building, Hennings Hall och Hutchinson Hall. Kunskap om dessa campus byggnader indicaTES som University Center är den mest trafikerade stopp på campus med en cafeteria och rum rekreation inuti. Det kan vara en potentiell hög risk nav under influensasäsongen när eleverna interagerar med varandra under en lång tid i ett trångt utrymme. Det är också lärt sig att de tre byggnaderna som deltar i den andra anslutningen alla är fästa vid varandra med inomhus vägar. Dessa byggnader har klassrum där eleverna kan tillbringa många timmar inomhus tar klasser utan att behöva gå utanför en byggnad. Dessa byggnader är också relativt gamla konstruktioner med åldern ventilationssystem som kan öka risken för luftvägssjukdomar överföring. CAS byggnaden som visas i anslutningen i figur 7, men inte i fig 10, å andra sidan, är en helt ny byggnad och står för sig själv i stor öppen yta. Bra ventilation och det faktum att eleven verksamhet måste involvera utomhus tidsperiod när du tar lektioner elsewhere båda kan leda till lägre risker. Dessa är naturligtvis spekulationer, men bevisar att en sådan analys, liksom andra metoder som presenteras i detta dokument kan vara ett användbart explorativ analys verktyg för att avslöja dolda mönster. Detta paket emellertid ingalunda innefattar alla möjliga metoder är användbara för bana dataanalyser. Vi håller våra ansträngningar kommer att utveckla och införliva mer analytisk och visuella funktioner i vårt system.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Inga intressekonflikter deklareras.

Acknowledgments

Detta arbete är finansierat av NIH bidrag 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).
Bandata Analyser för fotgängare Space-time studieboken
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