行人时空活动研究中的轨迹数据分析

本实验的总体目标是通过对人类轨迹数据进行时空分析与可视化，构建行人时空活动模型。首先，需收集详细的全球定位系统（GPS）数据，并将数据载入轨迹分析器中；第二步是对轨迹数据进行预处理与分段。

接下来，对个体的活动空间进行表征。最后一步是通过密度分析、表面映射、密度分析、体绘制或综合使用这些方法，来考察时空分布模式。最终，采用其他探索性数据分析方法与可视化手段，揭示数据中更多潜在的隐藏模式。

与现有方法（如由SHNU开发的用于分析时空轨迹的FGIS扩展）相比，该技术的主要优势在于，我们不仅提供了轨迹交互式可视化的接口，更侧重于处理方法，包括对轨迹数据进行清洗、分段，从轨迹数据（TR数据）中提取特征，并通过探索性分析从大量轨迹数据中发现模式。该方法有助于回答人类时空活动研究领域中与微观尺度疾病传播相关的关键问题，例如个体的时空活动如何影响其感染风险，或哪些环境或时空行为会导致更高的感染风险。轨迹数据可通过手持式GPS设备进行采集。

全球定位系统（GPS）支持的智能手机追踪应用程序以及辅助GPS设备（例如本研究中使用的商用儿童追踪器设备）通常以时间、纬度和经度记录的形式保存轨迹数据。应根据应用需求设定合适的时间间隔。

在时空活动研究中，通常需要获取最频繁的时间间隔，可将数据转换为逗号分隔值（CSV）文件，其中分别设置记录编号、纬度、经度和时间的独立列。然后将 CSV 文件转换为常用的地理信息系统（GIS）文件格式。使用轨迹分析工具加载建筑物多边形的矢量图层文件以及研究区域边界的另一个矢量图层文件。

正确设置建筑物的拉伸，以实现三维显示，并正确设置边界层的拉伸和透明度，以显示时空立方体。然后在时空立方体中打开轨迹，其中 XY 维度表示空间，Z 维度表示时间，预处理有两种可选方案。

可从预处理菜单的下拉列表中选择噪声较大的原始轨迹数据。如果选择交互式，则会生成3D轨迹的2D投影，以便于查看和选择。

操作三维显示以检查原始轨迹在空间和时间中的分布。根据轨迹片段的形状、速度或拓扑结构识别数据中的错误。通常，运动速度过高或方向发生突变的轨迹点表明存在错误，应选择并从三维轨迹或其二维投影中删除这些点。

在空间上呈尖刺状分布、在时间上持续较长的一组轨迹点，通常表示由室内等 GPS 信号较弱位置引起的误差。若选中一组此类点，程序可计算所选点的时空 OID，并据此调整轨迹使其经过该 OID 点。或者，若在预处理菜单中选择自动模式，需设置输入和输出位置，以及用于判定点异常高速移动和突然转向的经验参数。

该程序将搜索已加载的轨迹数据，并基于模拟视觉误差检测方法的算法自动运行。轨迹分割需要建筑图层，因此请确保建筑形状文件已准备就绪。点击工具栏中的分割工具以启动该功能。

设置输入和输出，并将建筑物的矢量文件作为参考图层进行定位。使用建筑物名称对分割后的轨迹进行标注。该算法根据设定或默认的标准（如轨迹点的速度、停留时长以及空间拓扑关系）识别室内路段。

关于建筑物，点击活动空间汇总工具，以加载分段轨迹并计算选定的汇总属性，用于表征个体的活动空间，例如总活动量、活动半径、特定时间段内的半径、室内与室外活动时间的比率等。这些属性可导出至电子表格，用于定量建模分析。密度表面图则通过忽略时间维度，展示空间中活动的密度分布。

在密度表面映射菜单的下拉列表中提供三种选项。如果选择轨迹点密度选项，请在对话框中填写输入和输出信息，并选择以 3D 或 2D 形式显示。所有来自轨迹数据的顶点将用于计算点的核密度，如下图所示。

如果选择轨迹路径密度，则算法将计算并显示个体行进路径的密度。如果选择重采样点密度选项，则算法会使用设定的时间间隔对轨迹数据进行重采样，并绘制在时间上均匀分布的点的密度图。该选项适用于因在不同物理条件下设备灵敏度变化或轨迹分段所致而以不规则时间间隔采集跟踪点的追踪设备。

此处展示了分割后轨迹的二维和三维密度表面。如果在任意选项中选择了时间聚焦，则可进行时间聚焦，以分析不同时段的活动模式。例如，可以可视化一天中不同时刻的活动密度表面，便于识别跨时间的热点区域。时间密度体可视化采用了时空立方体的概念，类似于轨迹的可视化方法。

此类可视化的核心是将空间分解为体素。此处用于可视化密度体积的方法，首先通过统计与各体素相交的空间时间轨迹数量，来估算单个体素内的密度体积。密度体积可视化的选项与密度表面可视化的选项相同，均有三种可供选择。

接下来，点击其中一个选项以启动三维体可视化界面，进行交互式体渲染。通过设置每个轴向上的分割数量，可以在不同尺度下观察聚类。使用Z因子来设置垂直方向的夸张比例，以实现更佳的可视化效果。

还可以加载建筑物等参考图层，以辅助可视化。通过调整控制密度到颜色映射关系的传递函数，可交互式地调节体渲染的结果。此外，提供了一种生成动画序列的流程，可用于在 Google Earth 中展示。

在其他情况下，单击“导出为 KML”以进行 EDA 操作来访问此过程，该操作将创建一个 KML 文件，可在 Google Earth 中打开，用于轨迹的交互式动画显示。用户可通过沿时间轴滚动来跟随轨迹，从而在时间进程中浏览环境。在 Google Earth 中，可通过连接分析方法可视化兴趣点之间的关联。

例如，通过基于校园内不同建筑之间分割后的轨迹数据，可以识别出人流热点，如出入口流量最大的建筑，以及连接最繁忙区域的枢纽。这些轨迹数据由肯恩大学的本科生志愿者于2010年春季收集，旨在研究感染流感的学生与未感染学生在活动模式上的差异。

为了说明本文所介绍的方法与流程，采用了在郊区校园区域内采集的轨迹数据来生成代表性结果。图中展示了某条轨迹相对于大学校园建筑物的时空立方体表示。通过GPS设备记录的一名学生在校园内一天活动的原始数据显示，由于长时间停留在室内，导致数据出现噪声，表现为轨迹中的尖峰部分。

这在行人轨迹数据中非常常见。该图表示经过预处理和分割的轨迹，而此处展示的是在时空立方体中以不同颜色编码室内外段的预处理后并分割的轨迹。这里显示的是一组轨迹的密度曲面映射。

可以可视化用于执行轨迹点密度映射选项的原始跟踪点及其生成的密度图。相反，也可以绘制路径行进密度图。在分析大量轨迹时，密度映射尤为有用。

该地图共显示 470 条轨迹。这些轨迹的重采样点还可用于生成密度表面，并以二维和三维形式展示。除了在时空立方体中交互式显示时间维度外，还可通过时间聚焦处理时间变量，以分析不同时段的空间分布模式。

此处展示的是此类分析的一些示例。使用在流感季节由学生收集的轨迹数据构成的样本数据集，可以明显看出他们的活动在一天中围绕着不同的地点展开。

最终生成底部的复合活动密度图时，也可以进行密度体渲染，如图所示。如果在时空立方体中同时可视化所有时空轨迹，则由于视觉杂乱，难以识别出模式。因此，此处将相应数据以密度体渲染的方式进行可视化。这四幅插图代表了密度渲染程序中传递函数的不同设置，从而突显了不同频率范围内的密度体。

另一种发现热点区域的方法是通过连接分析。图中显示了校园内所有建筑物之间的直线连接，高亮的建筑物是出站交通流量最大的建筑。

此处展示了相同的连接关系，其中流量最大的连接以黑色突出显示。在进行该操作时，重要的是要记住，在进入分割、探索性分析及其他可视化方法之前，首先需要进行预处理步骤。遵循此流程后，还可执行其他方法，例如属性的统计分析、活动空间的分类，或序列比对等序列分析，以回答更多问题，例如个体的活动、空间及序列如何影响感染风险。