Yaya Uzay-zaman Aktivite Çalışmaları Yörünge Veri Analizleri
25 Şubat 2013
Zamanmekansal işleme yöntemlerinin paketi gibi modelleme yaya uzay-zaman etkinliklerinin amacı, bir GPS cihazı kullanılarak toplanan bu kadar insan yörünge bilgilerinin analiz sunulmaktadır.
Bu prosedürün genel amacı, uzay-zamansal analiz ve insan yörünge verilerinin görselleştirilmesi yoluyla yaya uzay-zaman aktivitelerini modellemektir. Bu, önce ayrıntılı küresel konumlandırma sistemi veya GPS verilerinin toplanması ve verilerin yörünge analizörüne yüklenmesiyle gerçekleştirilir. İkinci adım, yörünge verilerini önceden işlemek ve bölümlere ayırmaktır.
Daha sonra, bireylerin aktivite alanları karakterize edilir. Son adım, uzay-zamansal desenleri yoğunluk, yüzey haritalama, yoğunluk, hacim oluşturma veya her ikisi aracılığıyla incelemektir. Sonuç olarak, verilerdeki ek gizli desenleri göstermek için diğer keşifsel veri analizi yöntemleri ve görselleştirmeleri kullanılır.
Bu tekniğin, uzay zaman yörüngelerini analiz etmek için SHNU tarafından geliştirilen FGIS uzantısı gibi mevcut yöntemlere göre ana avantajı, yalnızca yörüngelerle etkileşimli görselleştirme için arayüz sağlamakla kalmayıp, rota yörünge verilerini temizleyen işleme yöntemine odaklanmamızdır. Bu yöntem, kişinin uzay zaman aktivitesinin enfeksiyon şansını nasıl etkilediği veya hangi ortamların veya uzay-zaman davranışının daha yüksek riskli Yörüngeye yol açtığı gibi, mikro ölçekli hastalık bulaşmasıyla ilgili insan uzay-zaman aktivitesi çalışmaları alanındaki temel soruların yanıtlanmasına yardımcı olabilir. El tipi GPS üniteleri ile veri toplanabilir.
GPS özellikli akıllı telefon izleme uygulamalarının yanı sıra kullanılan gibi yardımcı GPS cihazları. Ticari bir çocuk takip cihazı yörüngesi olan bu çalışmada veriler genellikle zaman, enlem, boylam kayıtları açısından kaydedilmiştir. Uygulama ihtiyaçlarına göre istenen bir zaman aralığı ayarlanmalıdır.
Uzay-zaman etkinliği etütleri için genellikle en sık aralık istenir, verileri virgülle ayrılmış değerlere veya sırasıyla kayıt kimliği, enlem, boylam ve zaman için ayrı sütunlara sahip CSV dosyalarına dönüştürür. Ardından CSV dosyalarını yaygın olarak kullanılan coğrafi bilgi sistemlerine veya GIS dosya biçimine dönüştürün. Bir yörünge analizörü ile bina çokgenlerinden oluşan bir şekil dosyasına ve çalışma alanının sınırının bir başka dosyasına yükleyin.
Bir 3D görüntü için binaların ekstrüzyonunu uygun şekilde ayarlayın ve bir uzay-zaman küpünü görüntülemek için sınır katmanının ekstrüzyonunu ve şeffaflığını düzgün bir şekilde ayarlayın. Ardından, uzayı temsil eden XY boyutları ve Z boyutu ile uzay-zaman küpündeki yörüngeyi açın. Zamanı temsil eden, ön işleme için iki seçenek mevcuttur.
Gürültülü ham yörünge verileri, ön işleme menüsünün açılır listesinden seçilebilir. İnteraktif seçilirse. Kolay görüntüleme ve seçim için 3B yörüngenin 2B projeksiyonu oluşturulur.
Uzay ve zamandaki ham yörüngeyi incelemek için 3D ekranı manipüle edin. Parça segmentlerinin şekline, hızına ve/veya topolojisine bağlı olarak verilerdeki hataları belirleyin. Genellikle gerçekçi olmayan yüksek hıza veya ani yön değişikliğine sahip izleme noktaları, hataları belirtir, bunları 3B yörüngeden veya 2B projeksiyonundan seçer ve kaldırır.
Uzamsal olarak dikenli şekillere sahip bir izleme noktaları kümesi ve uzun bir süre, büyük olasılıkla GPS sinyalinin zayıf olduğu iç mekan konumlarının neden olduğu hataları zamansal olarak belirtir. Bu noktalardan bir grup seçilirse, program seçilen noktaların uzamsal zamansal OID'sini hesaplayabilir ve ardından yolu oid'den geçecek şekilde ayarlayabilir. Alternatif olarak, ön işleme menüsünden otomatik seçilirse, giriş ve çıkış konumlarının yanı sıra anormal yüksek hızı ve noktaların ani dönüşünü belirleyen ampirik parametreleri ayarlayın.
Program, yüklenen yörünge verilerinde arama yapar ve görsel hata algılama yaklaşımını taklit eden bir algoritmaya dayalı olarak otomatik olarak çalışır. Yörünge segmentasyonu bina katmanını gerektirir, bu nedenle bina şekli dosyasının hazır olduğundan emin olun. İşlevi başlatmak için araç çubuğundaki segmentasyon aracına tıklayın.
Giriş ve çıkışı ayarlayın ve referans katmanı olarak bina şekli dosyasını bulun. Parçalı yörüngeyi etiketlemek için bina adlarını kullanın. Algoritma, parkur noktalarının hızı ve süresi gibi belirlenmiş veya varsayılan kriterlerin yanı sıra uzamsal topolojiye dayalı olarak iç mekan segmentlerini tanımlar.
Binalarla ilgili olarak, bölümlere ayrılmış yörüngeleri yüklemek için etkinlik alanı özetleme aracını tıklayın ve toplam etkinlik, yarıçap, belirli bir zaman dilimindeki yarıçap, iç mekanda ve dış mekanda geçirilen toplam sürenin oranı gibi kişinin etkinlik alanını karakterize etmek için seçilen özet öznitelikleri hesaplayın. Öznitelikler, nicel modelleme kullanımları için bir elektronik tabloya aktarılabilir. Yoğunluk yüzeyi, zamansal boyutun çöktüğü uzaydaki aktivitelerin yoğunluğunu gösterir.
Yoğunluk yüzey eşleme menüsünün açılır listesinden üç seçenek mevcuttur. İzleme noktası yoğunluğu seçeneği seçiliyse, iletişim kutusunu giriş ve çıkış bilgileriyle doldurun ve 3D veya 2D olarak görüntülemeyi seçin. Yörünge verilerinden elde edilen tüm köşeler, burada gösterildiği gibi noktaların çekirdek yoğunluklarını hesaplamak için kullanılır.
Yol yolu yoğunluğu seçilirse, algoritma kat edilen tek tek yolların yoğunluğunu hesaplar ve görüntüler. Yeniden örneklenmiş nokta yoğunluğu seçeneği seçilirse, algoritma ayarlanmış bir zaman aralığı kullanarak yörünge verilerini yeniden örnekler ve zaman içinde eşit olarak yayılan noktaların yoğunluklarını eşler. Bu seçenek, cihazların çeşitli fiziksel koşullar veya bölümlere ayrılmış yörüngeler altında değişen hassasiyeti nedeniyle düzensiz zaman aralıklarında izleme noktaları toplayan izleme cihazları için tasarlanmıştır.
Parçalı yörüngelerin 2B ve 3B yoğunluk yüzeyi burada gösterilmiştir. Seçeneklerden herhangi biri için zamansal odaklama seçilirse, farklı zaman dilimlerindeki aktivite modellerini incelemek için zamansal odaklama gerçekleştirilebilir. Örneğin, bir günün farklı zamanlarındaki aktivite yoğunluğu yüzeyleri, zaman yoğunluğu hacmi görselleştirmesi boyunca sıcak noktaların kolay tanımlanması için görselleştirilebilir, yörüngelerin görselleştirilmesinde olduğu gibi bir uzay-zaman küpü kavramını kullanır.
Bu tür bir görselleştirmenin özü, uzayın voksellere ayrılmasıdır. Burada yoğunluk hacmini görselleştirmek için kullanılan yaklaşım, ilk olarak, voksellerle kesişen uzay-zaman izlerinin sayısını sayarak tek tek voksellerdeki yoğunluk hacmini tahmin eder. Yoğunluk yüzeyi görselleştirmesinde olduğu gibi yoğunluk ve hacim görselleştirmesi için de aynı üç seçenek mevcuttur.
Ardından, etkileşimli hacim oluşturma için 3B hacim görselleştirme arayüzünü başlatmak için seçeneklerden birine tıklayın. Her eksen boyunca bölme sayısını ayarlayarak, kümeler farklı ölçeklerde incelenebilir. Daha iyi görselleştirme için dikey abartıyı ayarlamak için bir Z faktörü kullanılır.
Görselleştirmeye yardımcı olmak için binalar gibi bir referans katmanı da yüklenebilir. Hacim oluşturma sonuçları, yoğunluktan renge eşlemeyi kontrol eden transfer işlevi manipüle edilerek etkileşimli olarak ayarlanabilir. Google Earth'te görüntülenecek animasyon dizileri oluşturmak için bir yordam mevcuttur.
EDA'nın bu prosedüre erişmesi için KML'ye diğer tıklama dışa aktarma altında, yörüngenin etkileşimli animasyonu için Google Earth'te açılan bir KML dosyası oluşturur. Kişi, zaman çizelgesi boyunca kaydırarak çevreyi zamanda seyahat etmek için yörüngeyi takip edebilir. Google Earth'te, bağlantı analizi yoluyla ilgi çekici yerler arasındaki bağlantıları görselleştirmek için bir prosedür mevcuttur.
Örneğin, bir üniversite kampüsündeki farklı binalar arasındaki bağlantılar, türetilmiş bağlantılara dayalı olarak öğrenciler tarafından toplanan bölümlere ayrılmış yörünge verilerinden türetilir: en fazla giden veya gelen trafiğe sahip binalar gibi sıcak noktalar ve en çok insan ticareti yapılan yerleri birbirine bağlayan merkezler tanımlanabilir. Yörünge verileri, 2010 baharında Keen Üniversitesi'nden gönüllü lisans öğrencileri tarafından toplanmıştır. Amaç, influenzaya yakalanan öğrencilerin yakalanmayanlara kıyasla aktivite kalıplarını incelemekti.
Burada sunulan yöntemleri ve prosedürü göstermek için, banliyö kampüs alanı içinde toplanan yörüngeler temsili sonuçlar elde etmek için kullanılmıştır. Üniversite kampüsündeki binalara atıfta bulunarak bir yörüngenin uzay-zaman küpü temsili burada gösterilmektedir. Bir A GPS cihazı kullanarak kampüsteki bir günlük aktivitesini kaydeden bir öğrenci tarafından toplanan ham veriler, uzun süreli iç mekan konaklamalarının, parkurun dikenli kısmı tarafından gösterilen gürültülü verilerle sonuçlandığını ortaya koymaktadır.
Bu, yaya yörüngesi verilerinde çok yaygındır. Bu şekil, önceden işlenmiş ve bölümlere ayrılmış yörüngeyi temsil ederken, uzay-zaman küpünde renk kodlu iç ve dış segmentlere sahip önceden işlenmiş ve segmentli yörünge burada temsil edilmektedir. Burada, bir dizi yörüngenin yoğunluk yüzey haritalaması gösterilmektedir.
Bir izleme noktası yoğunluk haritalama seçeneğinin gerçekleştirilmesinde yer alan ham izleme noktaları ve elde edilen yoğunluk haritası görselleştirilebilir. Tersine, seyahat edilen yolların yoğunlukları da haritalanabilir. Yoğunluk haritalama, çok sayıda yörüngeyi analiz ederken özellikle yararlıdır.
Bu harita toplam 470 yörüngeyi gösteriyor. Yoğunluk yüzeyi, bu yörüngelerden yeniden örneklenmiş noktalar kullanılarak 2B ve 3B gösterimlerde de görüntülenebilir. Zamansal boyutun bir uzay-zaman küpünde etkileşimli olarak görüntülenmesine ek olarak, zaman değişkeni, farklı zaman dilimlerindeki uzamsal kalıpları incelemek için zamansal odaklama yoluyla işlenebilir.
Burada bu tür analizlerin örnekleri gösterilmiştir. Grip mevsimi boyunca öğrenciler tarafından toplanan yörünge verilerini içeren örnek veri setini kullanma. Faaliyetlerinin gün boyunca farklı yerler etrafında yoğunlaştığı açıktır.
Sonunda alt yoğunluk hacim oluşturmada bileşik aktivite yoğunluk haritasına yol açmak için burada gösterildiği gibi de gerçekleştirilebilir, tüm uzay-zaman izleri bir uzay-zaman küpünde görselleştirilirse kalıpları tespit etmek zordur. Buradaki görsel karmaşa nedeniyle, karşılık gelen veriler yoğunluk hacim oluşturma olarak görselleştirilir. Dört çizim, yoğunluk oluşturma programının transfer fonksiyonunun farklı ayarlarını temsil eder ve bu nedenle farklı frekans aralıklarındaki yoğunluk hacimlerini vurgular.
Sıcak noktaları bulmanın başka bir yolu da bağlantı analizidir. Kampüsteki tüm binalar arasındaki düz hat bağlantıları burada gösterilmiştir. Vurgulanan binalar, en yüksek giden trafik hacmine sahip binalardır.
Burada, aynı bağlantılar, trafiği en çok trafiğe eklenen bağlantılar siyahla vurgulanmış olarak gösterilir. Bu yordamı denerken, bu yordamı takiben segmentasyon, keşif analizi ve diğer görselleştirme yöntemlerine geçmeden önce bir ön işleme adımıyla başlamayı unutmamak önemlidir. Özniteliklerin istatistiksel analizi, kişinin aktivite alanını kategorize etme veya dizi hizalama gibi dizi analizi gibi diğer yöntemler, kişinin aktivitesinin, alanının ve dizilerinin enfeksiyon olasılığını nasıl etkileyebileceği gibi ek soruları yanıtlamak için gerçekleştirilebilir.
Tam transkripti görüntüleyin ve binlerce bilimsel videoya erişin
Genel Bakış
Bu makale, özellikle GPS cihazlarından gelen insan yörünge verilerini analiz etmek için bir dizi uzay-zaman işleme yöntemi sunmaktadır. Amaç, ayrıntılı analiz ve görselleştirme yoluyla yaya uzay-zaman aktivitelerini modellemektir.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Sinirbilim
- Veri Analizi
- Uzamsal Modelleme
Arka Plan
- İnsan yörünge verileri, yaya davranışları hakkında içgörüler sağlayabilir.
- GPS teknolojisi, hareket desenlerinin ayrıntılı izlenmesini sağlar.
- Uzay-zaman aktivitelerini anlamak, kentsel planlama ve güvenlik için kritik öneme sahiptir.
- Uzay-zaman analizi, hareket verilerindeki gizli kalıpları ortaya çıkarabilir.
Çalışmanın Amacı
- Yaya uzay-zaman aktivitelerini modellemek.
- İnsan yörünge verilerini etkili bir şekilde analiz etmek ve görselleştirmek.
- Hareket içindeki uzay-zaman kalıplarını keşfetmek.
Kullanılan Yöntemler
- GPS verilerinin toplanması.
- Yörünge verilerinin ön işleme ve segmentasyonu.
- Bireysel aktivite alanlarının karakterizasyonu.
- Yoğunluk ve yüzey haritalaması yoluyla kalıpların incelenmesi.
Ana Sonuçlar
- Yaya hareketlerinde önemli uzay-zaman kalıplarının tanımlanması.
- Görselleştirme teknikleri, gizli veri içgörülerini ortaya çıkarır.
- Keşfedici veri analizi yöntemleri, aktiviteler hakkındaki anlamayı geliştirir.
- Sonuçlar, kentsel planlamayı ve yaya güvenliği önlemlerini bilgilendirebilir.
Sonuçlar
- Uzay-zaman analizi, yaya aktivitelerini modelleme için etkilidir.
- GPS verileri, hareket desenleri hakkında değerli içgörüler sağlar.
- Daha fazla araştırma, bu yöntemleri daha geniş uygulamalar için geliştirebilir.
Sıkça Sorulan Sorular
Executive Industry Relevance
High-resolution pedestrian trajectory analysis enables biopharma teams to quantify individual space-time exposures, supporting infectious disease modeling and risk assessment. Integrating spatiotemporal data processing into R&D workflows enhances predictive confidence in exposure-driven transmission studies. This capability informs early-stage target validation and portfolio triage for infection-related programs.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables quantitative interrogation of exposure hypotheses in infectious disease transmission.
- Supports mechanistic de-risking by clarifying spatial and temporal contact patterns.
- Facilitates functional validation of risk factors linked to mobility and environment.
- Improves predictive confidence for prioritizing intervention targets.
Screening & Assay Development
- Prepares validated exposure datasets for downstream modeling and simulation workflows.
- Standardizes data cleaning and segmentation for reproducible quantitative outputs.
- Enables scalable analysis of large trajectory datasets for robust risk assessment.
- Supports reliable evaluation of intervention strategies in simulated environments.
Translational & Preclinical Research
- Aligns exposure modeling with disease-relevant systems for translational biomarker studies.
- Ensures continuity from discovery through preclinical validation of exposure-driven hypotheses.
- Supports risk-adjusted advancement decisions based on quantitative exposure metrics.
- Provides mechanistic de-risking for candidate interventions targeting transmission pathways.
Pipeline & Workflow Integration
This trajectory data analysis suite integrates into the discovery-to-preclinical continuum, enabling exposure quantification, risk modeling, and hypothesis testing for infectious disease programs.
- Discovery Biology: Supports hypothesis testing and pathway clarification by quantifying space-time exposures.
- Screening: Delivers reproducible, standardized exposure datasets for downstream modeling.
- Analytics: Provides quantitative readouts and statistical outputs for comparing exposure conditions.
- Translational Research: Connects exposure modeling to preclinical biomarker alignment and validation.
- Enterprise Reuse: Offers a reusable analytical framework for diverse space-time activity studies.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in exposure-driven studies.
- Operational Value: Standardizes data processing, segmentation, and visualization for scalable analyses.
- Strategic Value: Enables better go/no-go decisions and capital efficiency in infectious disease portfolios.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of exposure-targeted programs.
Implementation Considerations
- Requires expertise in spatiotemporal data analysis and GIS-based visualization.
- Needs access to GPS-enabled devices and analytical infrastructure for large datasets.
- Demands cross-team standardization of data formats and processing parameters.
- Adaptation may be needed for different population cohorts or environmental contexts.
- Accuracy is limited by device sensitivity and indoor signal quality, requiring robust pre-processing.
Biopharma FAQs
Chapters in this video
0:05
Title
1:59
Getting Data
3:42
Pre-processing
5:35
Trajectory Segmentation & Activity Space Characterization
6:54
Density Surface Mapping
8:48
Density Volume Estimation and Volume Rendering
10:18
Other Exploratory Data Analyses (EDA) and Visualizations
11:29
Results: Trajectory Data Analyses
15:27
Conclusion
