محاسبات مکانی با GIS : تجزیه و تحلیل حرکت محاسباتی (CMA)

1. تعاریف
2. چرا حرکت را در GIS&T مطالعه کنیم؟
3. مدل های مفهومی فضاهای حرکتی و حرکتی
4. داده های حرکت
5. عملیات مسیر
6. متن نوشته
7. الگوهای حرکتی
8. تجزیه و تحلیل بصری حرکت

 

1. تعاریف

تحلیل حرکت محاسباتی (CMA) : زمینه تحقیقاتی بین رشته‌ای است که توسعه و کاربرد تکنیک‌های محاسباتی را برای ضبط، پردازش، مدیریت، ساختاربندی و در نهایت تجزیه و تحلیل داده‌هایی که پدیده‌های حرکتی را توصیف می‌کنند، در فضاهای جغرافیایی و انتزاعی مطالعه می‌کند، با هدف درک بهتر از فرآیندهای حاکم بر آن جنبش (لاوب، 2014، ص 4)

پس از Laube (2014، ص 5)، CMA مبانی علمی مربوط به موارد زیر را بررسی می کند:

• ویژگی ها و ویژگی های خاص پدیده جغرافیایی حرکت و داده های مکانی-زمانی توصیف کننده آن، از جمله کیفیت داده ها (عدم قطعیت، دقت)، مسائل مقیاس و خود همبستگی مکانی- زمانی،
• ویژگی‌های سیستم‌های فضایی یکپارچه ایجاد شده و در حال ظهور که به عنوان سیستم‌های ردیابی مستقیم یا غیرمستقیم عمل می‌کنند که داده‌های حرکتی خام یا غنی‌شده را جمع‌آوری می‌کنند،
• جمع آوری، (پیش) پردازش، یکپارچه سازی، ذخیره، مدیریت و پرس و جو از جریان های داده به سرعت در حال رشد که پدیده های حرکتی را توصیف می کنند،
• مدل‌های مفهومی برای اجسام متحرک و فرآیندهای حرکتی، و فضاهای تعبیه‌شده آن حرکت، ساختارهای داده‌ای که این مدل‌ها را پیاده‌سازی می‌کنند، و پیامدهای مدل‌ها و ساختارها در فرآیند CMA،
• توسعه و ارزیابی تکنیک‌ها و عملیات تجزیه و تحلیل ساختار داده‌های حرکتی سطح پایین و استخراج دانش فرآیند سطح بالا از آن داده‌ها. این از روش هایی از تجزیه و تحلیل مکانی-زمانی، جغرافیا، هندسه محاسباتی، تجسم علمی، داده کاوی و KDD و آمار استفاده می کند.
• ویژگی ها و معنایی طیف گسترده ای از کاربردهای فعلی CMA، و ارزیابی پتانسیل حوزه های کاربردی آینده نگر، و
• مسائل اجتماعی ، از جمله اخلاق و حریم خصوصی، و همچنین مسائل پیرامون داده های باز و تولید شده توسط کاربر.

2. چرا حرکت را در GIS&T مطالعه کنیم؟

درک اینکه چگونه و چرا انسان ها، حیوانات، کالاها و به طور کلی اشیا در فضا-زمان حرکت می کنند، یکی از سوالات اساسی در جغرافیا است. کار اولیه بر روی تجزیه و تحلیل حرکت در GIS&T بسیار مبتنی بر داده ها و فناوری بود که عمدتاً توسط پیشرفت فناوری در فناوری ردیابی GPS انجام شد (لاوب، 2015). در حالی که داده‌های جی‌پی‌اس ده‌ها کاریبو داده‌های ردیابی ناشناخته قبلی را دو دهه پیش ارائه می‌داد، امروز ما چندان دور از ردیابی جمعیت کل کشورها از طریق داده‌های تلفن همراه نیستیم. داده‌های حرکت ذاتاً مکانی-زمانی هستند و از این رو امکان افزودن دینامیک واقعی به محیط GIS&T که در غیر این صورت عمدتاً ثابت است را می‌دهد. دستاوردهای عمده در CMA از حوزه اکولوژی حرکت پدید آمده است، جایی که زیست شناسان برای درک بهتر حرکت حیوانات تلاش می کنند.

 

3.  مدل های مفهومی فضاهای حرکتی و حرکتی

حرکت همیشه در فضایی اتفاق می افتد که آن حرکت را قادر می سازد و احتمالاً آن را محدود می کند. خواه حیواناتی باشند که در زیستگاه‌هایشان حرکت می‌کنند، ماشین‌هایی که در خیابان‌ها رانندگی می‌کنند، مردمی که از طریق حمل‌ونقل عمومی رفت و آمد می‌کنند، یا خریدارانی که در حال گشت‌وگذار در یک مرکز خرید هستند – ویژگی‌های فضاهای حاوی حرکت تأثیر زیادی بر خود حرکت دارند. از دیدگاه علم کامپیوتر، هم حرکت و هم فضای تعبیه شده آن باید با استفاده از مدل‌های مفهومی مدل‌سازی شوند تا تحلیل حرکت در یک محیط محاسباتی ممکن شود (لاوب، 2014).

در هر محیط GIS&T، مدل‌های مفهومی کلاسیک مبتنی بر موجودیت و میدان برای نمایش فضا، خود را به عنوان فضاهای حرکتی پایه معرفی می‌کنند. این دو سپس با فضاهای شبکه برای شبکه های خیابانی و حمل و نقل عمومی تکمیل می شوند. اغلب، چنین فضاهای دوبعدی گسترش می‌یابد تا بعد زمانی سوم ( x، y و t برای زمان) را شامل شود که به جغرافیای زمانی هاگرستراند اشاره می‌کند. سپس مدل فضای حرکت، چگونگی مدل‌سازی خود حرکت و متعاقباً چه تکنیک‌های تحلیلی را تعیین می‌کند: در حالی که، برای مثال، یک فضای میدان دوبعدی اقلیدسی، مسیرهایی را به صورت دنباله‌های x ، y و t تولید می‌کند.تاپل ها، یک شبکه حمل و نقل مسیرها را به شکل دنباله هایی از لبه ها یا گره های شبکه بازدید شده تولید می کند (Andrienko et al., 2008; Laube, 2017). در مقابل، حرکت در مکعب فضا-زمان را می توان به عنوان مسیرهای فضا-زمان یا خطوط حیاتی یا سپس منشورهای فضا-زمان که حرکت بالقوه را با توجه به برخی محدودیت ها (مثلاً حداکثر سرعت) نشان می دهد، مدل سازی کرد. این سه شکل مختلف حرکت نشان می‌دهند که چگونه روش‌های الگوریتمی متفاوتی برای تحلیل حرکت مورد نیاز است. مسیرها را می‌توان با رویکردهای زمان‌بندی‌شده برای تحلیل خط (مثلاً اندازه‌گیری‌های شباهت چند خطی) بررسی کرد. تجزیه و تحلیل منشورهای فضا-زمان به تقاطع های حجمی سه بعدی نسبتاً پیچیده نیاز دارد. در نهایت، داده‌های توالی گره را می‌توان با استفاده از الگوریتم‌های استخراج توالی، شبیه به کاوی قانون انجمن، تحلیل کرد.

 

4. داده های حرکت

در هر پروژه CMA، بخش قابل توجهی از زمان صرف پیش پردازش، تمیز کردن و ساختار داده های حرکت خام می شود. با توجه به انبوهی از سیستم‌هایی که قادر به ردیابی حرکت هستند، داده‌های حرکتی به اشکال مختلف ارائه می‌شوند، که هر کدام ویژگی‌های خود را دارند که در هنگام هدف پردازش کارآمد و مؤثر در GIS&T و محیط‌های پشتیبانی کننده، ارزش مطالعه دارند.

توصیف روزافزون محبوب دیدگاه های ردیابی مختلف از فیزیک، تمایز بین دیدگاه مشاهده لاگرانژی و اویلری وام گرفته شده است. دیدگاه لاگرانژی تغییرات در موقعیت یک جسم متحرک را در نظر می‌گیرد، جایی که جسم متحرک با حرکت در فضا، دنباله‌ای از تثبیت موقعیت را ایجاد می‌کند (مثلاً ردیابی GPS). اویلر _در مقابل، پرسپکتیو حرکت را به عنوان تغییر در موقعیت اجسام متحرک نسبت به مکان های مشخص و ثابت در فضا توصیف می کند. این پست‌های بازرسی می‌توانند آنتن‌های GSM، دروازه‌های ترافیکی یا کارت‌خوان‌های هوشمند در ایستگاه‌های قطار باشند. در حالی که داده‌های ردیابی لاگرانژی عمدتاً به نمونه‌های کوچک‌تر محدود می‌شود، معمولاً دانه‌بندی‌های مکانی-زمانی دقیق‌تر و قابلیت اطمینان بالاتری را ارائه می‌دهد. با این حال، سیستم‌های ردیابی اویلر، دسترسی به نمونه‌های بسیار بزرگ‌تر را نوید می‌دهند، اما به قیمت دانه‌بندی درشت‌تر مکانی-زمانی و اغلب کنترل بسیار کمتر بر روی رژیم نمونه‌برداری. این دو دیدگاه همچنین با مدل‌های مفهومی متفاوتی از فضاهای حرکتی و حرکتی مطابقت دارند، که مجدداً منجر به رویکردهای تحلیلی متفاوتی برای داده‌های حرکتی حاصل می‌شود.

بدیهی است که داده‌های حرکتی فضایی هستند، بنابراین با تمام مسائل شناخته شده داده‌های مکانی، از جمله سؤالات مربوط به سیستم‌های مرجع، مسائل کیفیت داده (عدم دقت، عدم قطعیت)، مسائل مقیاس و همبستگی خودکار همراه است. نکته مهم این است که داده‌های حرکتی نیز زمانی هستند، و هنوز هم GIS&T نسبتاً ایستا را با گنجاندن سیستم‌های مرجع زمانی، روابط زمانی، جزئیات زمانی یا مسائل نمونه‌برداری و سؤالاتی در مورد همبستگی خودکار زمانی به چالش می‌کشند. ردیابی کیفیت داده ها به وضوح یک مسئله برای CMA در GIS&T است، به ویژه زمانی که داده های موقعیتی نادرست برای محاسبه پارامترهای توصیفی مانند سرعت، زاویه چرخش یا سینوسیته استفاده می شود. هنگام استخراج چنین ویژگی‌های حرکتی، مقیاس یا در اینجا دانه‌بندی نمونه‌گیری مکانی-زمانی به همان اندازه مهم است (Laube & Purves، 2011).

 

5. عملیات مسیر

این مقاله مرجع از مفهوم ساده یک مسیر به عنوان “توالی مهر زمانی از مکان های بازدید شده که نشان دهنده رد یک شی متحرک در فضا-زمان است” استفاده می کند. از این رو این ممکن است شامل چند خطوط غنی شده با زمان، خطوط زندگی سه بعدی، توالی لبه های شبکه، و توالی ورود و خروج از سیستم کارت هوشمند حمل و نقل عمومی باشد. صرف نظر از شکل خاص آن، اولین مجموعه از عملیات GIS&T تنها بر موجودیت های مسیر متمرکز است. که مشخصه های شکل یا آرایش مسیرها است که هنوز آنها را در بافت جغرافیایی خود تعبیه نکرده است (به بخش 6، زیر مراجعه کنید. در حالی که برخی از عملیات مسیر را می توان در محیط های GIS انجام داد، بعد زمانی اغلب به استفاده از ابزارهای پردازش داده اضافی نیاز دارد (به عنوان مثال R بسته ها).

اولین کار مهم، غنی سازی مسیرها با متغیرهای توصیفی مانند سرعت، طول گام، شتاب، زاویه چرخش یا سینوسیته است. دومین عملیات کلیدی مسیر، تقسیم‌بندی است، که مسیر را به بخش‌های مشابه خود تجزیه می‌کند (بوچین و همکاران، 2011). غالباً اولین تقسیم بندی حرکت ها را از توقف ها جدا می کند، یعنی دوره هایی که جسم اصلاً حرکت نمی کند. این ممکن است در مورد سیستم‌های ردیابی که موقعیت‌های ضبط را در حالی که جسم ثابت است حفظ می‌کنند، مهم باشد، و به طور بالقوه باعث ایجاد شبه حرکت ناشی از اندازه‌گیری‌های نادرست به جای حرکت واقعی می‌شود.

مقایسه مسیرها یک عملیات مسیر مهم دیگر است. مقایسه مسیرها برای گروه بندی یا خوشه بندی اشیایی که حرکت مشابه یا غیر مشابه را بیان می کنند، مهم است. این مثال خوب دیگری از اهمیت فرآیند مدل‌سازی در CMA است، زیرا مدل‌های مفهومی متفاوتی که برای حرکت استفاده می‌شوند، به معیارهای شباهت مسیر نسبتاً متفاوتی نیاز دارند (توهی و داکهام، 2015). فهرست رویکردهای پیشنهادی از معیارهای تشابه خط مبتنی بر هندسه تا تجزیه و تحلیل سری های زمانی برای ویرایش مفاهیم فاصله گرفته شده از تجزیه و تحلیل رشته ها و ژنتیک می باشد (دوج و همکاران، 2012). هنگامی که یک متریک شباهت مناسب پیدا شد، تکنیک‌های خوشه‌بندی مرسوم امکان گروه‌بندی اجسام را بر اساس ویژگی‌های حرکتی آنها می‌دهد.

 

6. زمینه

قدرت هسته GIS&T ادغام متغیرهای فضایی از طریق یک سیستم مرجع فضایی (همپوشانی) مبنایی برای زمینه سازی مسیرها است. کلید درک بهتر فرآیندهای حرکتی اغلب در قرار دادن مسیرها در زمینه جغرافیای زیربنایی نهفته است، از این رو روابط بین مسیرها و زمینه جغرافیایی توانمند و محدود کننده را مطالعه می کنیم (ناتان و همکاران 2008). در ساده ترین حالت، این ممکن است به معنای افزودن یک دسته کاربری زمین به هر موقعیت مشاهده شده یک موجود متحرک باشد. اشکال پیچیده‌تر چنین غنی‌سازی معنایی مسیرها ممکن است شامل عملیات بافر یا عملیات توپولوژیکی باشد. دوج و همکاران (2013) چارچوبی را برای حاشیه نویسی داده های حرکت حیوانات با متغیرهای محیطی (به عنوان مثال داده های آب و هوا) در سیستم پرکاربرد Movebank ارائه می کند.

چالش دیگر برای CMA به شکل داده‌های حسگر اضافی است که رفتار تحرک را بیشتر مشخص می‌کند (Shamoun-Baranes و همکاران، 2012، ویلیامز و همکاران، 2014). برجسته ترین چنین سنسوری شتاب سنج است، تجهیزات استاندارد امروزی حتی در تلفن های همراه. همچنین بسیاری از ردیاب‌های GPS با شتاب‌سنج‌ها تکمیل می‌شوند و ابعاد داده بیشتری را به تمرین نظارت بر تحرک اضافه می‌کنند. همراه با داده‌های شتاب‌سنج خوانش‌های سرعت ممکن است به واجد شرایط بودن رفتارهای مختلف هنگام نظارت بر حیوانات یا تشخیص حالت‌های سفر هنگام نظارت بر مسافران کمک کند. حسگرهای دیگری که امکان غنی‌سازی معنایی مسیرها را فراهم می‌کنند شامل حسگرهایی هستند که پارامترهای فیزیولوژیکی مانند ضربان قلب یا دمای بدن، حسگرهای صوتی یا حسگرهای نور را ردیابی می‌کنند.

 

7. الگوهای حرکتی

جستجو برای الگوهای حرکتی برجسته به وضوح یکی از مروجین کلیدی CMA در GIS&T است. الگوهای حرکتی می‌تواند به مسیرهای پر استفاده مسافران، تظاهرات صریح فضایی رفتار حیوانات مانند گشت و گذار در شکار حیوانات وحشی، یا الگوهای چیدمان و هماهنگی مربوط به مجموعه‌هایی از اشیاء متحرک مانند گله، کاروان‌ها، یا رهبری اشاره داشته باشد (Andrienko et al., 2008؛ لانگ و نلسون، 2013).

جامعه GIS&T در اتخاذ طیف وسیعی از ابزارها از رشته های مرتبط برای این کار چالش برانگیز بسیار موفق بوده است. اول از همه، الگوریتم‌های داده‌کاوی با وام‌گیری از قواعد کاوی ارتباط مکانی-زمانی که از تحلیل سبد بازار یا تجزیه و تحلیل سری‌های زمانی از تحلیل بورس اوراق بهادار شناخته می‌شود، یک تناسب طبیعی در نظر گرفته شدند. سپس، داده‌های حرکتی و پردازش آن‌ها همچنین به پیشرفت‌های قابل توجهی در جامعه پایگاه داده منجر شد، با پایگاه داده شی متحرک (MOD) که به طور خاص برای مدیریت داده‌های حرکتی و الگوهای پرس‌وجو طراحی شده است. علاوه بر این، رشته علم کامپیوتر هندسه محاسباتی طیف وسیعی از رویکردهای الگوی حرکتی را تولید کرد که عمدتاً بر جنبه‌های هندسی آرایش نقاط و خطوط نشان‌دهنده حرکت تمرکز داشتند. اگرچه GIS&

تشخیص الگوهای حرکت در اصل به معنای ساختار دادن به داده هاست: خواه یافتن نقاط داغ فضایی- زمانی استفاده از فضا، خوشه هایی از اشیاء که حرکت یا رویدادهای هماهنگی مشابه را در گروه هایی از اجسام متحرک بیان می کنند. مرحله بعدی کشف دانش در پیوند دادن معنا و درک فرآیند به همان الگوها، بسیار دشوارتر است. گالتون (2005) این کار تحلیلی دشوار را به عنوان “پل زدن شکاف معنایی” برجسته می کند.

 

8. تجزیه و تحلیل بصری حرکت

تجسم و تجزیه و تحلیل بصری یکی دیگر از زمینه های GIS&T است که با اشتیاق چالش CMA را پذیرفته است. تجسم اطلاعات و تجزیه و تحلیل داده های اکتشافی با میل طبیعی خود به مجموعه داده های مکانی-زمانی پر سر و صدا، یک تناسب طبیعی برای داده های حرکتی است (Andrienko & Andrienko، 2012؛ Demšar et al., 2015). تطابق ایده آل اغلب ذکر شده بین توانایی انسان برای درک الگوها و روندها با قدرت رایانه برای پردازش و ارائه مجموعه داده های بزرگ نیز برای CMA به خوبی کار می کند – پیروی از شعار Shneiderman “اول مرور کلی، زوم و فیلتر، سپس جزئیات بر اساس تقاضا”. ” نماهای مرتبط و انیمیشن به ویژه عناصر برجسته در بسیاری از تنظیمات بصری ارائه شده برای داده های حرکتی هستند. نماهای معمولی شامل نقشه ها، فضاهای سه بعدی فضا-زمان، و فضاهای پارامتری که معمولاً سری های زمانی پارامترهای حرکت مشتق شده مانند سرعت یا شتاب را نشان می دهند. همچنین، تجسم تعاملی الگوهای حرکتی که قبلاً استخراج شده‌اند در نماهای نقشه – از این رو ترکیب داده‌کاوی و تجسم که به عنوان تجزیه و تحلیل بصری تبلیغ می‌شود – برای کاوش جریان‌های بزرگ داده‌های حرکتی به خوبی عمل می‌کند.