Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Biology

Yaya Uzay-zaman Aktivite Çalışmaları Yörünge Veri Analizleri

doi: 10.3791/50130 Published: February 25, 2013

Summary

Zamanmekansal işleme yöntemlerinin paketi gibi modelleme yaya uzay-zaman etkinliklerinin amacı, bir GPS cihazı kullanılarak toplanan bu kadar insan yörünge bilgilerinin analiz sunulmaktadır.

Abstract

Biliyorsunuz mekansal ve zamansal boyutlarda insan hareketi hastalık bulaşma 1-3 üzerinde doğrudan etkisi olduğu kabul edilmektedir. Bir bulaşıcı hastalık genellikle kendi çakışan etkinlik alanlarda enfekte ve duyarlı bireyler arasındaki temas yoluyla yayılır. Bu nedenle, günlük hareketlilik-etkinlik bilgileri enfeksiyon risk faktörlerine maruz ölçmek için bir gösterge olarak kullanılabilir. Ancak, böylece büyük bir zorluk ve mikro düzeyde bulaşıcı hastalık bulaşma çalışmaların azlığı nedeni ayrıntılı bireysel hareketlilik veri eksikliğinden kaynaklanmaktadır. Önceden ulaşım ve sıklıkla konuları aktif olarak zaman ve mekan içinde faaliyetlerini kayıt gerektiren uzay-zaman günlüğü tekniği, dayanıyordu turizm araştırma ayrıntılı uzay-zaman aktivitesi veri. Bu son derece katılımcıların katılımcı ve işbirliği için talep büyük ölçüde verilerin 4 kalitesini etkiler.

ModernGPS ve mobil iletişim gibi teknolojiler yörüngesini verilerin otomatik toplanması mümkün hale getirmiştir. Toplanan veriler, ancak, mevcut cihazların doğrulukları sınırlı insan uzay-zaman aktiviteleri, modellemek için ideal değildir. Insan davranışının çalışma için verilerin etkin işlenmesi için hiç hazır aracı da vardır. Burada yöntem bir takımdır ve yörünge veri ön işleme ve zamanmekansal analizler için entegre ArcGIS masaüstü tabanlı görsel arayüz sunmak. Biz böyle bulaşıcı hastalık bulaşma modelleme gibi kamu sağlığı çalışmalarında yararlı olabilecek bu tür işleme, özellikle hata zengin yaya yörünge verileri, insan uzay-zaman aktiviteleri modellemek için nasıl kullanılabileceğini örnekler verin.

Sunulan prosedür ön işleme, yörünge segmentasyon, aktivite alanı karakterizasyonu, yoğunluk tahmini ve görselleştirme, ve birkaç diğer keşfedici analiz yöntemleri içerir. Pre-processing gürültülü ham yörünge verileri temizleme. Bu etkileşimli bir görsel ön-işleme arayüzü hem de otomatik bir modüllerini içerir. Yörünge segmentasyonu 5 ön-işlenmiş uzay-zaman parça gelen iç ve dış parçaların tanımlanmasını içerir. Yine, etkileşimli görsel segmentasyonu ve otomatik segmentasyon desteklenmektedir. Dilimli uzay-zaman parçalar daha sonra böyle bir faaliyet yarıçapı vb Yoğunluk tahmini ve görselleştirme gibi bir faaliyet alanının özellikleri sıcak noktalar ve etkileşimleri modellemek için yörüngesini büyük miktardaki veriyi incelemek için kullanılan türetmek için analiz edilir. Biz yoğunluklu yüzey haritalama 6 ve yoğunluk volume rendering 7 de göstermektedir. Biz de bir başka keşfedici veri analizi çift (EDA) ve bu Google Earth animasyon desteği ve bağlantı analizi gibi görsel araçlar, dahil. De bu yazıda sunulan görsel olarak analitik yöntemler arasında paketi s herhangi yörünge veri uygulanabilirpace-zamanlı aktivite çalışmaları.

Protocol

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

1. Veri alma

  1. Yörünge verileri el GPS üniteleri ve GPS özellikli akıllı telefon izleme uygulamaları, yanı sıra bizim çalışmamızın biri ticari bir çocuk izci cihaz olarak A-GPS (destekli GPS) cihazları ile toplanabilir.
  2. Yörünge verileri genellikle zaman-enlem-boylam kayıtları açısından kaydedilir. Bir istenen zaman aralığı uygulama ihtiyaçlarına göre ayarlanması gerekir. Genellikle en sık aralık uzay-zaman aktivite çalışmaları için arzu edilir.
  3. Virgülle ayrılmış değerler için veri dönüştürme ya. Sırasıyla kayıt kimliği için ayrı sütunlar csv dosyaları, enlem, boylam ve zaman. Sonra. Csv dosyaları sık kullanılan Coğrafi Bilgi Sistemleri içine (CBS) dosya biçimi (yani ESRI Shapefile 8) dönüştürebilirsiniz.
  4. Bina çokgen ve yörünge analizörü ile çalışma alanının sınır başka bir Shapefile içinde yükleyin. 3D di düzgün binaların "ekstrüzyon" Setyayvan ve düzgün x, uzay ve zamanı temsil z boyutu temsil eden y boyutlarında bir uzay-zaman küp 6, 9 görüntülemek için "ekstrüzyon" ve sınır tabakasının "şeffaflık" olarak ayarlayın.

2. Ön-işleme

  1. İki seçenek ön işleme gürültülü ham yörünge verileri için kullanılabilir. Bir ön işleme menü listesi açılır menüden seçebilirsiniz.
  2. 'İnteraktif' seçilirse, 3D yörünge bir 2D projeksiyon kolay görüntüleme ve seçme için oluşturulur. Uzay ve zaman içinde ham yörünge incelemek için 3D ekran işleyin. Şekil, hız ve / veya parça kesimleri topolojisi dayalı veri hataları belirleyin. Gerçekçi olmayan yüksek hız veya ani yön değişikliği ile Ortalama rota noktası (köşe) hataları bitişini. Seçin ve orijinal yörüngeleri çıkarın. Seçin ve 3D yörünge veya 2D projeksiyon birinden bunları kaldırın.
  3. Dikenli kiþilik iz noktaları bir kümepes (Şekil 1) mekansal ve uzun süreli zamansal en büyük olasılıkla GPS sinyali zayıf olduğu kapalı alanlarda neden hatalar anlamına gelir. Bu noktaların bir grup seçiliyse, program seçilen noktaların zamanmekansal Centroid hesaplamak ve Centroid geçmesi parça ayarlayabilirsiniz.
  4. 'Otomatik "ön-işlem menüden seçilen Alternatif olarak, giriş ve çıkış konumu hem de anormal yüksek hızlı ve ani dönüm noktaları belirlemek deneysel parametrelerini ayarlamak. Program yüklü yörünge verileri arar ve görsel hata algılama yaklaşımı taklit bir algoritma dayalı otomatik olarak çalışır.

3. Yörünge Segmentasyon & Aktivite Uzay Karakterizasyonu

  1. Yörünge segmentasyon bina tabakası gerektirir, bu yüzden binanın şekil dosyası yüklü olduğundan emin olun.
  2. Fonksiyonu başlatmak için araç çubuğundaki segmentasyon aracını tıklatın.Giriş ve çıkış ve bina şekline dosyayı referans katman olarak yer ayarlayın. Parçalara yörünge etiketlemek için bina adları kullanın. Algoritması, hız, süre, vb iz noktalarının yanı sıra binalar ile ilgili olarak mekansal topoloji olarak set veya varsayılan kriterlere göre kapalı bölümleri tanımlar.
  3. Parçalara yörüngeleri yükleyin ve bu tür benzeri toplam etkinlik yarıçapı, belirli bir zaman diliminde yarıçapı, kapalı vs dışarıda geçirilen toplam sürenin oranı, ve tek bir faaliyet alanı, karakterize etmek için seçilen özeti öznitelikleri hesaplamak için etkinlik alanı özetleme aracı tıklatın.
  4. Öznitelikleri kantitatif modelleme kullanımları için bir elektronik tablo ihraç edilebilir.

4. Yoğunluk Yüzey Haritalama

  1. Yoğunluk yüzey zamansal boyutu ile uzayda faaliyetlerin yoğunluğu çöktü gösterir. Üç seçenek yoğunluklu yüzey haritalama menü açılır listeden mevcuttur.
  2. 'İz nokta yoğunluğu' seçeneği seçilirse, giriş ve çıkış bilgileri iletişim kutusunu doldurun ve 3D veya 2D birinde görüntülemeyi seçebilirsiniz. Yörünge verisinden tüm tepe noktalarının yoğunlukları çekirdek hesaplamak için kullanılır. Şekil 2, bir yüzey yoğunluğu gösterir.
  3. "Parça yol yoğunluk 'seçilirse, algoritma hesaplar ve seyahat tek yollar (Şekil 3) yoğunluğu gösterir.
  4. 'Yeniden örneklenmiş nokta yoğunluğu' seçeneği seçilirse, algoritma yeniden numune noktalarının yoğunlukları zaman içinde yayılır bir süre ayarlı ve haritalar kullanarak yörünge verileri. Bu seçenek, çeşitli fiziksel koşullar veya bölümlenmiş yörüngeleri altında cihazların hassasiyeti değişen nedeniyle düzensiz zaman aralıklarında izleme puan toplamak izleme cihazları için tasarlanmıştır. Şekil 4 segmente yörüngelerinin 2B ve 3B yoğunluk yüzeyleri gösterir.
  5. Eğer 'Geçici odaklanan' Bir için seçilirYukarıdaki seçeneklerin ny, zamansal odaklanarak 10 değişik zaman dilimlerinde aktivite kalıplarını incelemek için yapılabilir. Örneğin, bir gün içinde farklı zamanlarda aktivite yoğunluğu yüzeyleri zaman boyunca sıcak noktalar (Şekil 5) kolay tanımlanması için görüntülenebilir olabilir.

5. Yoğunluk Hacim Tahmin ve Volume Rendering

  1. Yoğunluk, hacim görselleştirme yörüngeleri arasında görselleştirme gibi bir uzay-zaman küp kavramını kullanır. Bu tür görselleştirilmesi Çekirdek vokseller 11 içine alan bir ayrıştırılması. İlk yoğunluk hacmi görselleştirmek yaklaşımımız vokselleri kesiştiği uzay-zaman parça sayısını sayarak bireysel vokseller yoğunluk hacmi tahmin ediyor. Bir bu adım için yoğunluk hacmi görselleştirme menüsü altında 'Yoğunluk, hacim hesaplama' tıklayabilirsiniz.
  2. Aynı üç seçenek yoğunluklu yüzey görselleştirme için yoğunluk hacmi görselleştirme için kullanılabilir.
  3. İnteraktif volume rendering 12 3D ses görselleştirme arayüzü başlatmak için İleri'yi tıklayın 'Volume rendering'. Her bir eksen boyunca tümen numarası ayarlayarak, bir farklı ölçeklerde kümeler inceleyebilir. Z-faktör daha iyi bir görüntü için dikey abartı ayarlamak için kullanılır. Gibi binalar gibi bir referans katmanı yanı görselleştirme yardımcı olmak için yüklenebilir. Hacmi render sonuçları etkileşimli yoğunluktan renk eşleme kontrol transfer fonksiyonu manipüle ederek ayarlanabilir. (Şekil 6).

6. Diğer Exploratory Data Analizleri (EDA) ve Görsel

  1. Bir prosedür Google Earth'te görüntülenen edilecek animasyon serisi oluşturmak için kullanılabilir. 'Diğer' altında, bu yordama erişmek için 'EDA için KML Aktar' ı tıklatın. Bu yörünge etkileşimli animasyon için Google Earth açılır bir kml 13 dosya oluşturur.
  2. Bir trave için yörüngesini takip edebilirsinizGoogle Earth'te zaman çizelgesi boyunca ilerleyerek zaman l çevre.
  3. Bir prosedür 'Bağlantı analizi' ile ilgi yerleri arasındaki bağlantıları görselleştirmek için kullanılabilir. Örneğin, bir üniversite kampüsünde farklı yapılar arasındaki bağlantıları öğrenciler (Şekil 7) ile toplanmıştır segmente yörünge verilerinden elde edilmektedir.
  4. Türetilmiş bağlantıları dayanarak, örneğin en giden veya gelen trafiğin ve en çok ticareti yapılan yerler tespit edilebilir bağlamak hub olan binalar gibi noktaları.

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

Yörünge verileri 2010 baharında Kean Üniversitesi (NJ, ABD) lisans öğrencisi gönüllü tarafından toplanmıştır. Amaç vermedi olanlara göre (doktor tarafından teşhis ya da kendi kendine teşhis) grip yakaladı öğrenci aktivite modelleri çalışma oldu. Bu çalışmada sunulan yöntem ve prosedürü göstermek için biz temsilcisi sonuçlar üretmek için banliyö kampüs alanı içinde toplanan yörüngeleri aldı. Kampüs alanı içinde Yörüngeler sadece küçük bir kısmı kampüsün çeşitli otoparklar ve dışarısı arasındaki sürüş kaynaklanan ile, çoğunlukla yaya yörüngeleri vardır.

Üniversite kampüsünde bina referans ile yörünge uzay-zaman küp gösterimi Şekil 1'de gösterilmiştir. Şekil 1A bir AGPS cihazı (ticari bir çocuk izci) kullanarak kampüste kendi faaliyet bir öğrenci kayıt bir gün tarafından toplanan ham veriler . Bu ob olduğunukapalı kalır bazı uzun süreli gürültülü veri (parça dikenli kısmı ile gösterilir) sonuçlandı zaten ispatlamıştı. Bu yaya yörünge verileri çok yaygındır. Şekil 1B önceden işlenmiş ve parçalı yörüngesini gösteriyor. Şekil 1C uzay-zaman küp renk kodlu açık ve kapalı bölümleri ile ön-işlenmiş ve parçalı yörüngesini gösteriyor.

Şekiller 2-4 yörüngesel bir dizi yoğunluklu yüzey eşleme göstermektedir. Şekil 2, bir 'Parça nokta yoğunluğu "eşleme seçenek (Şekil 2A) ve elde edilen yoğunluk haritası (Şekil 2B) gerçekleştirmek için söz konusu ham izleme noktalarını gösterir. Yerine izleme noktalarının yoğunlukları haritalama, Şekil 3 harita, seyahat yolları yoğunlukları. Yörüngeleri büyük miktarda analiz ederken Yoğunluk haritalama özellikle yararlıdır. Şekil 4A 470 yörüngeleri toplam görüntüler. Şekil 4B ve 4C bir 2D (solda) ve bu yörüngeleri re-örneklenmiş noktaları kullanarak 3D gösterimleri (sağda) yoğunluklu yüzey göstermektedir.

Bir uzay-zaman küp temporal boyut etkileşimli ekran ek olarak, değişik zaman aralıklarında farklı sürelerde uzamsal şekilleri incelemek için ağırlık geçici ile işlenebilir. Şekil 5, yörünge içeren örnek veri kümesi kullanılarak bu gibi analiz örneklerini göstermektedir veriler grip mevsiminde öğrenciler tarafından toplanan. Onların faaliyetleri altındaki kompozit aktivite yoğunluğu haritası sonunda yol için gün boyunca farklı yerlere etrafında toplanmış olduğu açıktır.

Yoğunluk hacim görüntüleme bir örnek Şekil 6'da gösterilmiştir. Şekil 6A tüm uzay-zaman parçaları nedeniyle vis uzay-zaman küp görselleştirildiği eğer desenleri tespit etmek zor olduğunu göstermektedirKitabında clutters. Şekil 6B, karşılık gelen yoğunluk oluşturulmuş hacim sonuçlarını gösterir. Dört çizimler farklı frekans aralıklarında yoğunluğu hacimleri vurgulamak, böylece bizim yoğunluğu oluşturma programı transfer fonksiyonunun farklı ayarları temsil eder.

Noktaları bulma başka bir yolu bağlantısı analizi geçer. Şekil 7 bizim örnek veri seti ile bu analizin sonucu göstermektedir. Şekil 7A Kampüsteki tüm binaların arasında düz bir çizgi bağlantılarını gösterir. Vurgulanan binalar yüksek giden trafik hacmine sahip olanlardır. Şekil 7B vurgulanan en çok ticareti bağlantıları ile aynı bağlantıları gösterir.

Şekil 1
Şekil 1. Ön-işleme ve segmen yörünge verileri tation A: kampüs binalarının arka plan üzerinde bir ham yörünge 2B görünümü, B:. önceden işlenen yörünge; C:. segmente yörünge uzay-zaman küp gösterimi büyük bir rakam görmek için buraya tıklayın .

Şekil 2,
Şekil 2. Yoğunluk yüzey haritalama A:. Bir yörünge veri kümesinin ham rota noktası; B: rota noktasına türetilen yoğunluklu yüzey.

Şekil 3
Şekil 3,. Yörünge yollarının yoğunluğu yüzey.

130fig4.jpg "alt =" Şekil 4 "fo: content-width =" 4in "fo: src =" / files/ftp_upload/50130/50130fig4highres.jpg "/>
Şekil 4. Renkli yoğunluklu yüzey haritalama A: 470 yörüngeleri toplam; B:. 2D renkli yoğunluklu yüzey; C:. 3D renkli yoğunluklu yüzey büyük bir rakam görmek için buraya tıklayın .

Şekil 5,
Şekil 5,. Temporal yoğunluğu haritalama için duruluyor: öğrenci aktivite yoğunlukları kampüste değişik zaman dilimlerinde.

Şekil 6
Şekil 6. Yoğunluk, hacim oluşturma ve visualizat iyon A: Ham yörüngeleri kaynaklanan görsel clutters; B:. farklı frekans aralıklarında yoğunluğu hacimleri görselleştirme tarafından vurgulanan zamanmekansal kümeleri. büyük bir rakam görmek için buraya tıklayın .

Şekil 7
Şekil 7. Bağlantı analizi sonuçları A: vurgulanan en çok ticareti yapılan binalar, yörünge verilerinden türetilen bir üniversite kampüsünde bütün binaların arasında düz bir hat bağlantıları; B:.. Kampüs binaları arasında en çok ticareti yapılan bağlantıların büyük bir rakam görmek için buraya tıklayın .

içeriği "fo: keep-together.within-page =" always "> Şekil 8,
Şekil 8. Bir öğrenci tarafından kaydedilen bir etkinlik günlüğü kısmı.

Şekil 9
9 Şekil. Iki öğrenci grubunun Aktivite yoğunluğu desen A: Bir grip mevsiminde hafif grip belirtileri olan öğrencilerin aktivite yoğunluğu desenleri; B:. Daha önemli grip belirtileri olan öğrencilerin aktivite yoğunluğu desenler.

Şekil 10
10 Şekil. Bağlantı analizi sonuçları öğrencilerin yörüngesi verilerine dayanarakkim bir grip mevsiminde önemli grip belirtileri vardı A: vurgulanan en çok ticareti yapılan binalar ile binalar arasındaki düz çizgi bağlantıları, B:.. gribi ile öğrenciler tarafından çekilen en çok ticareti yapılan bağlantıların büyük bir rakam görmek için buraya tıklayın .

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

Biz arayüzü geliştirmek için ArcGIS eklenti mekanizması kullanılır. Tüm interaktif işlemler kullanılarak uygulanmıştır C + +. Tüm otomatik işleme ve analiz fonksiyonları Python kullanarak geliştirilmiştir.

Hataları binalar ve sık kapalı duraklarına yakınlığı nedeniyle büyük olabilir gibi yaya tarafından toplanan AGPS veri veya GPS veri önişleme eşsiz bir meydan okuma sunuyor. Ayrıca, ön işleme odağı izleme noktaları daha önce açık olması sayesinde araç GPS yörünge veri için genellikle yapılır ne kadar veri azaltma olmamalıdır. Yaya yörünge verileri bariz hata desenleri, ancak önişleme için benzersiz bir çözüm sağlar. Bunun yerine standart önişleme algoritmaları 14 kullanarak, biz 2.2 'de belirtilen bir manuel görsel hata algılama yaklaşımı) taklit ve yörünge veri hataları temizler sezgisel metot (2.3) gelişti. Özellikle, bu özelliklerini (hesaplar hızı ve diÖnce bir yörünge her parçanın noktası için belirsizlik ortamını takiben değişiklik). Gerçekçi yüksek hızlarda ve / veya yön değişiklikleri ile İz noktaları kaldırılır. Daha sonra kalan her iz noktası için öznitelikler (süre ve yön değişimi) yeniden hesaplar ve dikenli şekiller (ani yön değişiklikleri ile iz noktaları bir dizi) ile rota noktasına kümeleri algılar. Sonunda her kümenin zamanmekansal Centroid hesaplanır ve yörünge azalır ve Centroid geçmesi ayarlanır.

Otomatik ön-işleme ve yörünge bölütleme algoritmaları geleneksel aktivite günlüğü verileri kullanılarak değerlendirilmiştir. On öğrencilerin her yörünge verileri toplamak için bir AGPS taşımak için alındı ​​ve aynı zamanda aktif olarak durur ve hareketleri kaydetmeleri istendi. Tipik bir günlük aktivite kısmı Şekil 8 'de gösterilmiştir. Üç günlük bir deneme 30 yörüngeleri oluşturulur. Önceden işlenmiş ve parçalı yörüngeleri karşılaştırıldıgünlüğü veri. Günlüğü girenlerin çoğu zaman kaba bir tahmin yere yazın yörünge verileri kaydedildi zaman daha doğru olur) 2; sonuçları 1) işlenmiş yörüngeleri kapalı faaliyetler çoğunluğu ele belirtti 3) yörünge verileri geçit yolları tüm detayları ederken yakalandı Sadece düz bir hat bağlantıları günlüğü verileri elde edilebilir ve katılımcılar genellikle yükü nedeniyle kayıtları atlamak gibi 4) bazı faaliyetler günlük veriler eksik. Ama bizim yaklaşımın bir sınırlama segmentli yörünge verileri bazen iki bina deneyimiz bazı binaların durumda olduğu, birbirine bağlı, özellikle yanlış bir binada kapalı segmenti yanlış etiketlendirirseniz olmasıdır. Algoritma bu yönü üzerinde iyileştirme gereklidir.

Yoğunluk yüzey haritalama yörüngesini verilerin büyük miktarda katılır, özellikle aktivite desenleri keşfetmek için etkili bir araçtır. Fiekil 4'de geniş bir numyoğunluğu haritalama ilginç desenler ortaya çıkarırken orijinal biçiminde görüntüleniyorsa yörüngelerinin ber belirgin görsel dağınıklığı yol açar. Bu basit bir uygulama 2010 grip mevsiminde Kean üniversite kampüsünde toplanan veri seti kullanılarak yapılmıştır. Yörüngeleri iki takım oluşturulur vermedi grip ve öğrenciler yakaladı öğrenciler. Öğrenciler ayrıca semptomların şiddetine ilişkin görüşmeler yapılmıştır. Şekil 9 iki öğrenci grubunun, sadece hafif semptomlar (Şekil 9A) ve başka gösteren daha önemli olanları (9B Şekil) gösteren bir faaliyet yoğunluğu desenleri göstermektedir. Bu gerçek hasta öğrencilerin etkinlik alanı belirli bir binanın çevresinde kümelenme eğiliminde olduğunu kaydetti. Soruşturma ilerledikçe, bu nedenle böyle bir kümelenme nedenlerini belirlemek için yürütülmüştür. Bu deney yöntemi yörünge veri gizli desenleri ortaya potansiyeline sahip olduğunu gösterir.

Yukarıda density yüzey haritaları, ancak, zamansal boyut çöker. Yoğunluk, hacim görselleştirme bir uzay-zaman küp kavramını kullanır ve mekansal ve zamansal boyutları hem de temsil eder. Şekil 6 böyle görselleştirme görsel yığılan sorunların çözümüne etkili olduğunu gösterir. Bir kez interaktif hale, bir desen algılamak için veri farklı frekans aralıkları vurgulamak için render değiştirmenize olanak verir. Mevcut yaklaşımın bir sınırlama Ancak, işlenmiş Ses tamamen pürüzsüz olması için görünmüyor olmasıdır. Biz sorunu ile başa çıkmak için yoğunluk kestirimi algoritması geliştirme süreci içindedir. Bir göz ki Kernel yoğunluk tahmini görsel etkisi artırabilir, fakat hesaplama süresi çok daha uzun olacak. Sıralı kernel yoğunluk tahmini 15 araştıralım ki başka bir seçenek olabilir.

Zaman ve mekan faaliyet kümeleri (sıcak noktalar), m saptanmasının yanı sırabiz 7.2 tanıtıldı ethod yerler arasında bağlantıları ile ilgilidir sıcak noktalar başka türlü algılar. Bizim veri grip sezonunda öğrenciler tarafından toplanan seti ile Yine, bağlantı analizi tüm yörünge verileri (Şekil 7) yanı sıra önemli grip belirtileri (Şekil 10) göstermiştir, bu temsil sadece öğrencilerin esas kampüs binaları arasında güçlü bağlantıları tanımlamak amacıyla yapılmıştır. Iki rakamlar karşılaştırıldığında, biz bir bağlantı (CAS bina denilen bir Üniversite Merkezi adlı bina diğerine) genel olarak güçlü bir bağlantı (Şekil 7) gibi görünen görüyorum ama hasta öğrenciler için belirlenen güçlü bağlantıları kümesi eksik (Şekil 10). Ikincisi kalır iki güçlü bağlantıları Üniversitesi Merkezi ve Bilim Binası ve başka Bilimler Binası arasında Hennings Hall ve Hutchinson Hall arasındaki biridir. Bu kampüs binaları indica ilgili BilgiÜniversite Merkezi'nde kafeterya ve içinde dinlenme odaları ile kampüste en ağır ticareti durdurmak olduğunu tes. Öğrencilerin kalabalık bir alanda uzun bir süre, her etkileşim zaman grip mevsiminde yüksek risk potansiyeline merkezi olabilir. Aynı zamanda ikinci bağlantı katılan üç bina tüm iç yolları ile birbirine bağlı olduğu öğrenilir. Bu binalar öğrencilerin bina dışına gitmek zorunda kalmadan dersleri alarak saatlerce kapalı harcamak olabilir derslik var. Bu binalar aynı zamanda solunum hastalık bulaşma riskini artırabilir yaşlı havalandırma sistemleri ile nispeten eski yapılar vardır. Ancak Şekil 10 'da Şekil 7' de bağlantılı olarak görünen CAS yapı, diğer yandan, yeni bir yapı ve büyük açık alan tek başına durmaktadır. İyi bir havalandırma ve öğrenci aktivite sınıfları elsewher çekerken açık süre dahil etmek olduğu gerçeğie iki alt risklere yol açabilir. Bu, elbette spekülasyonlar vardır ama bu çalışmada sunulan diğer yöntemler gibi, bu tür analizler kanıtlıyor gizli desenleri ortaya çıkarmak için yararlı bir keşfedici analiz aracı olabilir. Bu paket, ancak, hiçbir şekilde yörünge veri analizi için kullanışlı bütün olası yöntemleri içerir. Bizim sistem içine görme fonksiyonlarını geliştirmek ve yanı sıra daha analitik dahil edecek çabalarımızı tutuyor.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Çıkar çatışması ilan etti.

Acknowledgments

Bu çalışma NIH hibe 1R03AI090465 tarafından finanse edilmektedir.

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).
Yaya Uzay-zaman Aktivite Çalışmaları Yörünge Veri Analizleri
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