Los análisis de trayectoria de datos para el estudio de peatones Actividad espacio-tiempo
Summary
Un conjunto de métodos de procesamiento espaciotemporales se presentan para analizar los datos de trayectoria humanos, tales como la recogida usando un dispositivo GPS, con el fin de modelar peatonales de espacio-tiempo actividades.
Abstract
Es bien reconocido que el movimiento humano en las dimensiones espacial y temporal tiene influencia directa en la transmisión de enfermedades 1-3. Una enfermedad infecciosa generalmente se propaga a través de contacto entre personas infectadas y susceptibles en sus espacios de actividad superpuestas. Por lo tanto, la movilidad cotidiana-actividad de información se puede utilizar como un indicador para medir la exposición a factores de riesgo de infección. Sin embargo, una dificultad importante y por lo tanto la razón de la escasez de estudios sobre la transmisión de enfermedades infecciosas a escala micro derivarse de la falta de datos detallados de movilidad individual. Anteriormente, en el transporte y el turismo detallados de la investigación del espacio-tiempo los datos de actividad a menudo se basó en la técnica de diario del tiempo-espacio, que requiere que los sujetos para registrar activamente sus actividades en el tiempo y el espacio. Esto es muy exigente para los participantes y la colaboración de los participantes afecta en gran medida la calidad de los datos 4.
Modernotecnologías como el GPS y las comunicaciones móviles han hecho posible la recopilación automática de datos de trayectoria. Los datos recogidos, sin embargo, no es ideal para el modelado de humanos de espacio-tiempo, las actividades limitadas por la precisión de los dispositivos existentes. Tampoco hay una herramienta disponible para un procesamiento eficiente de los datos para estudiar el comportamiento humano. Presentamos aquí una serie de métodos y un sistema integrado de ArcGIS desktop basado en interfaz visual para el análisis de pre-procesamiento y espacio-temporal de los datos de trayectoria. Proporcionamos ejemplos de cómo este tratamiento se puede utilizar para modelar humanos del espacio-tiempo actividades, especialmente con error ricos en datos peatonales trayectoria, que podrían ser útiles en los estudios de salud pública tales como el modelado de la transmisión de enfermedades infecciosas.
El procedimiento presentado incluye pre-procesamiento, segmentación de trayectoria, la caracterización de la actividad espacial, la estimación de la densidad y la visualización, y algunos otros métodos de análisis exploratorios. Pre-procesamieng es la limpieza de ruidosos datos de trayectoria primas. Se introduce una visual interactiva pre-procesamiento de interfaz, así como un módulo automático. Trayectoria 5 segmentación consiste en la identificación de las partes interiores y exteriores de pre-procesado de espacio-tiempo seco. Una vez más, tanto la segmentación interactiva visual y segmentación automática son compatibles. Segmentados de espacio-tiempo pistas se analizan luego para derivar características de espacio de la propia actividad tales como la estimación actividad radio de densidad, etc y la visualización se utilizan para examinar gran cantidad de datos de trayectoria para modelar los puntos calientes y las interacciones. Demostramos tanto mapeo de la superficie ganadera 6 y renderizado densidad de volumen 7. También incluimos un par de otros análisis de datos exploratorios (EDA) y las herramientas visuales reducidas, como el apoyo animación Google Earth y análisis conexión. El conjunto de análisis, así como métodos visuales presentados en este documento se pueden aplicar a los datos de trayectoria para stiempo-ritmo estudios de actividad.
Protocol
Representative Results
Discussion
Se utilizó complemento en el mecanismo de ArcGIS para desarrollar la interfaz. Todas las operaciones se llevaron a cabo utilizando interactivas C + +. Todo el procesamiento automático y funciones de análisis se desarrollaron usando Python.
AGPS datos, o los datos recogidos por GPS peatonal presenta desafío único en el preprocesamiento ya que los errores pueden ser masivas debido a la adyacencia a los edificios y las frecuentes paradas interiores. Además, el enfoque de procesamiento pre…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Este trabajo está financiado por el NIH subvención 1R03AI090465.
Materials
| Name of the reagent | Company | Catalogue number | Comments (optional) |
| WorldTracker GPRS | Tracking The World | ||
| A personal computer for running the analysis | |||
| ArcGIS software | ESRI | ||
| Trajectory Analyzer Extension |
References
- 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).
- Morens, D. M., Folkers, G. K., et al. The challenge of emerging and re-emerging infectious diseases. Nature. 430, 242-249 (2004).
- Viboud, C., Bjornstad, O. N., et al. Synchrony, waves, and spatial hierarchies in the spread of influenza. Science. 312, 447-451 (2006).
- Shoval, N., Isaacson, M. The Application of tracking technologies to the study of pedestrian spatial behaviour. The Professional Geographer. 58 (2), 172-183 (2006).
- Yu, H. Spatio-temporal GIS design for exploring interactions of human activities. Cartography and Geographic Information Science. 33 (1), 3-19 (2006).
- 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).
- 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).
- Kraak, M., Koussoulakous, A., Fisher, P. . A visualization environment for the space-time cube. , 189-200 (2004).
- MacEachren, A. M., Polsky, C., et al. Visualizing spatial relationships among health, environmental, and demographic statistics: interface design issues. , 880-887 (1997).
- Levory, M. Display of surfaces from volume data. IEEE Computer Graphics and Application. 8 (5), 29-37 (1998).
- Drebin, R. A., Carpenter, L., et al. Volume Rendering. Computer Graphics. , (1998).
- Lee, W., Krumm, J., Zheng, Y., Zhou, X. Trajectory preprocessing. Computing with Spatial Trajectories. , 3-34 (2011).
- 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).
