Trajetória Análise de Dados para Estudo de Atividade pedonal espaço-tempo
Summary
Um conjunto de métodos de processamento espaço-temporais são apresentados para analisar os dados trajetória humana, como a coletados através de um dispositivo GPS, com a finalidade de modelagem de pedestres espaço-tempo atividades.
Abstract
É bem reconhecido que o movimento humano nas dimensões espaciais e temporais tem influência directa sobre a transmissão da doença 1-3. Uma doença infecciosa normalmente se espalha através do contato entre indivíduos infectados e suscetíveis em seus espaços de atividades sobrepostas. Portanto, a informação da mobilidade actividade diária pode ser usado como um indicador para medir a exposição a factores de risco de infecção. No entanto, uma grande dificuldade e, portanto, a razão para a falta de estudos de transmissão de doenças infecciosas em escala micro surgem da falta de dados detalhados de mobilidade individual. Anteriormente, no transporte e pesquisa de turismo dados detalhados de espaço-tempo de atividade, muitas vezes dependiam da técnica de diário de tempo-espaço, o que requer que os sujeitos ativamente registrar suas atividades no tempo e no espaço. Isso é altamente exigente para os participantes e colaboração dos participantes afeta muito a qualidade dos dados 4.
Modernotecnologias como GPS e comunicações móveis, tornaram possível a recolha automática de dados da trajetória. Os dados coletados, no entanto, não é o ideal para a modelagem de humanos no espaço-tempo atividades, limitada pelas precisões de dispositivos existentes. Também não existe qualquer ferramenta prontamente disponível para o processamento eficiente dos dados para o estudo do comportamento humano. Apresentamos aqui um conjunto de métodos e uma interface de desktop integrado ArcGIS visual baseada nas análises de pré-processamento e espaço-temporal de dados da trajetória. Nós fornecemos exemplos de como esse tratamento pode ser usado para modelar humanos espaço-tempo atividades, especialmente com erro ricos em dados da trajetória de pedestres, que poderiam ser úteis em estudos de saúde pública, como a modelagem de doenças infecciosas de transmissão.
O procedimento apresentado inclui pré-processamento de segmentação trajetória, caracterização espaço de actividade, da densidade e visualização, e alguns outros métodos de análise exploratória. Pré-processing é a limpeza de dados ruidosos trajectória primas. Apresentamos uma interativo interface pré-processamento visual, bem como um módulo automático. Segmentação trajetória 5 envolve a identificação das partes interna e externa do pré-processados de espaço-tempo faixas. Mais uma vez, a segmentação interativa visual e segmentação automática são suportadas. Segmentados espaço-tempo trilhas são então analisados para obter características de um espaço de actividade, como a atividade de estimativa de densidade raio etc e visualização são usados para examinar grande quantidade de dados de trajetória para modelar pontos quentes e interações. Nós demonstrar tanto o mapeamento da superfície densidade 6 e renderização densidade volume 7. Nós também incluímos um par de outras análises de dados exploratórios (EDA) e visualizações ferramentas, como suporte ao Google Earth e animação análise de conexão. O conjunto de analítica, bem como métodos visuais apresentados neste artigo podem ser aplicadas a todos os dados de trajetória para sritmo tempo de estudos de atividade.
Protocol
Representative Results
Discussion
Utilizou-add-in mecanismo de ArcGIS para desenvolver a interface. Todas as operações interactivas foram implementados usando C + +. Todo o processamento automático e funções de análise foram desenvolvidos utilizando Python.
AGPS dados ou dados GPS coletados por pedestres apresenta desafio único no pré-processamento como os erros podem ser maciça devido a adjacência para edifícios e freqüentes paradas de interiores. Além disso, o foco de pré-processamento de dados não deve ser …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Este trabalho é financiado pelo NIH concessão 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).
