居民出行轨迹信息可视化分析系统研究
城市交通大数据分析与可视化技术研究
城市交通大数据分析与可视化技术研究随着城市人口的迅速增长和汽车保有量的攀升，城市交通问题日益凸显。
为了解决拥堵、安全和环境污染等问题，越来越多的城市开始利用大数据分析与可视化技术来优化城市交通系统。
本文将探讨城市交通大数据分析与可视化技术的研究进展、应用场景以及未来的发展趋势。
首先，城市交通大数据分析是指通过采集、收集和分析城市交通相关的大数据来揭示交通系统的深层次规律和问题。
这些交通大数据包括但不限于交通流量、车辆位置、公交运营数据、道路事件等。
通过对这些数据进行分析，可以揭示交通拥堵的发生机理、预测交通事故的发生概率以及规划公共交通线路等方面的问题。
其次，城市交通可视化技术是将城市交通大数据以可视化的方式展现出来，以提供更为直观、易懂的交通信息。
可视化技术通过利用图表、地图、动画等，将抽象的数据转化为直观的形象，使人们能更好地理解交通数据的含义。
同时，可视化技术还能够帮助交通管理部门和决策者更好地分析交通数据、制定交通政策，并及时响应交通事件。
在城市交通大数据分析与可视化技术的应用方面，已经有许多成功的案例。
首先，交通拥堵指数是人们在选择出行方式和路线时的重要参考之一。
通过对交通数据进行实时分析和可视化展示，交通拥堵指数能够及时反映出不同路段的拥堵情况，并为出行者提供最佳的路线选择。
其次，城市交通大数据分析也广泛应用于交通事故的预测和防控领域。
通过分析历史交通事故数据和实时交通数据，可以预测出事故发生的概率和可能的地点，从而帮助交通管理部门采取相应的措施，减少交通事故的发生。
另外，城市交通大数据分析与可视化技术还可以用于智能交通系统的建设和优化。
例如，通过分析车辆行驶路径与速度等数据，可以及时调整信号灯的配时，以优化车辆的通行效率。
此外，大数据分析还可以帮助决策者更好地了解交通出行模式和需求，从而制定更加科学合理的交通规划和公共交通线路。
未来，城市交通大数据分析与可视化技术将进一步发展与应用。
轨迹数据可视分析研究_王祖超
第27卷 第1期 计算机辅助设计与图形学学报Vol. 27 No.1 2015年1月Journal of Computer-Aided Design & Computer GraphicsJan. 2015修回日期：2014-11-06. 基金项目：国家自然科学基金(61170204, 61232012), 国家“九七三”重点基础研究发展计划项目(2015CB352500). 王祖超(1988—), 男, 博士研究生, 主要研究方向为轨迹数据可视分析; 袁晓如(1975—), 男, 博士, 研究员, 博士生导师, 论文通讯作者, 主要研究方向为可视化与可视分析.轨迹数据可视分析研究王祖超, 袁晓如*(北京大学信息科学技术学院, 机器感知与智能教育部重点实验室 北京 100871) (xiaoru.yuan@)摘 要: 轨迹数据大量产生于交通、气象、生态和移动服务等领域. 有效地理解和利用这些数据不仅需要自动高效的分析方法, 也需要直观生动的可视化; 这两者相互结合形成了可视分析技术. 文中概述了轨迹数据可视分析中的主要方法和交互技术, 并介绍了一系列应用案例. 最后, 文中总结了轨迹数据可视分析研究中的问题和面临的挑战.关键词：可视分析; 轨迹数据; 交通数据; 移动数据 中图法分类号：TP391Visual Analysis of Trajectory DataZuchao Wang and Xiaoru Yuan *(Key Laboratory of Machine Perception (Ministry of Education), School of Electronic Engineering and Computer Science, Peking University, Beijing 100871)Abstract: Large volumes of trajectory data are generated in transportation, meteorology, ecology and location based services. Effective understanding and utilization of such data require not only e cient automatic analysis, but also intuitive and vivid visualization. Visual analysis is the combination of analysis and visualization. In this paper, we will introduce the major methodologies and interaction techniques in trajectory visual analysis, fol-lowed by its applications. Finally, we summarize the problems and challenges in this research area.Key words: Visual Analysis; Trajectory Data; Transportation Data; Movement Data 轨迹数据描述物体的空间位置和属性随时间的变化, 它多见于交通、气象、生态和移动服务等领域. 分析和理解这些轨迹数据能帮助人们研究许多重要问题. 然而, 要从庞杂的轨迹数据中挖掘出清晰和结构化的知识并不容易. 尽管统计分析、机器学习等自动分析技术已经相当强大, 但这些技术通常要求数据本身完整、正确、静态和结构化, 且数据的语义和分析的目标也必须是清晰明确[1]. 在真实的数据分析中, 以上的条件往往达不到, 因此完全自动的分析往往得不到理想的结果. 人们逐渐认识到, 人的参与在数据分析中有着的巨大作用.可视分析结合了可视化、人机交互和自动分析, 并使数据分析过程透明化. 在一个典型的可视分析流程中[1], 系统将自动分析的结果通过可视化展示给用户, 用户通过人机交互技术评价、修改和改进自动分析模型, 从而得到新的自动分析结果. 在这一过程中, 由人来定义分析任务和识别复杂的模式, 由机器来存储和分析大量的数据. 分析结果的可视化则成为人与机器合作的桥梁. 可视分析技术使得人们可以从轨迹数据中得到更多、更有用的知识.10计算机辅助设计与图形学学报 第27卷图1 轨迹数据可视分析的3种方法在进行可视分析前, 通常需要对轨迹数据进行预处理, 包括轨迹的切分重建、清理、压缩和存储. 特别是对于车辆轨迹数据来说, 一般还需要进行路网绑定处理来将轨迹的采样点对应到道路上. 这些预处理工作一般都通过自动算法完成[2–4].在可视分析中, 人们关注的研究对象一般包括移动物体、空间区域、时间特征和移动事件[5]. 而分析中会涉及各式各样的轨迹参数[6], 既包括最原始的位置、时间参数, 也包括派生得到的距离、方向、空间分布、加速度等参数. 基于这些参数可以定义出一系列移动特征, 并将它们分为一般特征和行为特征. 其中一般特征适用于所有轨迹, 但缺少语义信息; 而行为特征通常对应了移动物体的具体行为, 有很强的语义性. 在不同的应用场景中可以定义不同的行为特征.在过去几十年间, 国内外的研究者在轨迹数据可视分析方面做了大量的研究工作, 其中涉及的可视分析方法多种多样. 如图1[7]所示, 根据Andrienko 等的总结[7]按照可视化在分析流程中位置的不同, 相关方法大体可以分为3种：直接可视化. 一一将每条轨迹绘制出来. 聚集可视化. 先计算轨迹的聚集数据, 然后再绘制这些聚集数据.特征可视化. 先计算出轨迹的特征, 然后通过直接或者聚集的方法绘制这些特征.近年来, Andrienko 等相继发表了轨迹数据可视分析的英文综述论文[8]和英文著作[5]. 本文将在其基础上进行进一步总结, 并以中文进行介绍. 相较于Pu 等[9]的中文综述论文, 本文加入了许多近年来的新工作, 并将更详尽地介绍了各类可视分析方法, 总结目前研究的问题和面临的挑战. 本文将更多关注可视化的部分, 关于自动分析的部分可以参考Zheng 等的著作[4].本文将依次介绍轨迹数据的3种可视分析方法, 以及交互方法; 并介绍轨迹数据可视分析的应用案例, 以及相关研究面临的主要问题与挑战; 最后进行总结.1 直接可视化直接可视化是最基本的可视分析方法, 它将轨迹数据一一绘制出来, 并显示给用户观察. 在这种方法中, 计算机做的主要是“可视”的部分, 而“分析”大部分依靠人来完成. 直接可视化的优点如下：几乎不对数据做任何假设和建模, 因此可以较好地容忍数据中的噪音和异常值.不要求有明确的分析任务, 因此很适合进行探索式分析.不需要进行特别的计算, 结果简单明了, 而且最准确地保留了数据中的信息.方法简单直接, 易于编程实现. 然而, 由于直接可视化方法过于直接, 它存在以下缺点：不适用于大量轨迹的分析, 当轨迹很多时, 相互间的遮挡将非常严重.第1期王祖超, 等: 轨迹数据可视分析研究 11人工分析相当漫长, 并且不够系统, 会漏掉许多特征.用户需要完成大部分的分析工作, 任务繁重.用户有时不知道需要观察和分析什么. 用户的分析过程有时候难以重现, 结果也难以评价.直接可视化方法可以进一步分为位置动画、路径可视化、时空立方体、时间轴可视化以及平行坐标.位置动画就是将移动物体的位置变化通过动画的方式播放出来. 移动物体的实时位置通常用一个点、方形或图标表示, 后面可以带一个小尾巴提示方向. 这种方法最为生动直观, 并且广泛应用. 例如, 图2a 所示为OpenDataCity [10]根据会场的无线网络记录制作了一个参会者的位置动画; 其中每一个点表示一个参会者, 其位置表示网络接入点. 当参会者在会场移动时, 小点会变成短线, 在不同的接入点之间飞来飞去. 动画方法强于展示数据和验证分析结果, 但是一般不适合分析比较.图2 轨迹数据的直接可视化路径可视化将轨迹路径绘制成地图上的一条折线, 以突出轨迹的空间位置信息. 这种方法的应用十分广泛, 包括车辆轨迹[11-12]、图2b 所示船舶轨迹[13]、飓风轨迹[14]、人的轨迹[15-16]. 对于飞机[17]或者海洋生物[18]的轨迹, 其高度或深度也很重要, 这时可以将轨迹路径绘制成三维折线. 为了显示轨迹的属性随着位置的变化, 人们可以使用折线的颜色[11]、高度[16]和纹理[18]等视觉编码. Tominski 等[19]将折线扩展成彩色条带, 并在高度方向将不同轨迹的条带堆叠起来, 以方便轨迹间的比较. 有时为了表示移动物体位置的不确定性, 可以将某一时刻的位置点扩展为位置带, 由此来表示其处于各个位置的可能性[20]. 有些移动物体的路径完全固定, 例如公交车, 这时人们可以不用地图, 而使用普通的折线图表示其属性随位置的变化[21].时空立方体技术[22]可以精确地表现二维轨迹位置随时间的变化. 如图2c [24]所示, 该技术使用x 和y 轴表示轨迹的二维位置, z 轴表示时间. 这样, z 方向的斜率就大致表示了移动速度. 在时空立方体中, 人们可以比较容易地看到单条轨迹的高速运动和停止, 以及多条轨迹的相遇与分离. Geo-Time 软件[23-24]在时空立方体技术的基础上, 进一步允许用户标注轨迹事件, 并可以将这些事件以文本的形式导出. 尽管时空立方体技术有众多的优点, 但由于轨迹间严重的相互遮挡, 它通常只能支持少数轨迹的可视分析.时间轴可视化主要表现轨迹的属性或位置随时间的变化. Tominski 等[19]使用时间条带图表示车辆行驶速度随时间的变化, 如图2d [19]所示. 而Wang 等[25]试验了多种轨迹属性的时变可视化, 并使用12计算机辅助设计与图形学学报 第27卷了三维的时间折线图. Thudt 等[26]进一步尝试了使用时间轴表示二维轨迹位置的变化; 其主要做法是先对轨迹分段, 然后将每段轨迹单独绘制在一个圆形的小窗口中, 最后将这些小窗口排列在时间轴上.平行坐标(parallel coordinates)[27]是一种通用的高维数据可视化方法, 它可以展示轨迹在不同属性上的数值分布, 以及不同属性之间相关性. 如图2e [11]所示, Guo 等[11]在研究路口交通轨迹时, 使用平行坐标绘制了每条轨迹的多种属性, 包括起始时间、移动物体类别、平均速度、最大加速度等. 他们研究了这些属性之间的关系, 并通过属性筛选寻找到了一些异常交通事件. Lundblad 等[13]则使用平行坐标研究了气象条件对船舶航行过程的影响.2 聚集可视化当轨迹数据较大时, 直接可视化由于轨迹间严重的相互遮挡问题已经不适用. 这时, 人们可以考虑使用聚集可视化. 在这种方法中, 轨迹数据先经过聚集计算得到一些聚集数据, 然后这些聚集数据被显示给用户观察. 聚集可视化的优点如下：可以支持大量轨迹的可视分析.可以直接回答许多涉及聚集特性的问题. 计算机分担了一些低层次的分析任务, .同时, 聚集可视化存在一些缺点：聚集计算需要保留一些重要信息, 同时丢弃一些不重要的信息. 然而, 有时用户并不清楚哪些信息是重要的, 尤其是在探索性较强、分析任务不明确时.聚集数据有时不容易理解, 例如, 北京市交通流量最大的地区一天内的最小流量.聚集可视化难以研究轨迹间的相互作用和相对运动[28].聚集计算需要额外的编程实现. 轨迹数据的聚集计算在思想上和数据挖掘中的空间数据立方体[29]很相关, 它们都是基于一个多维数据模型, 并在每个维度上对数据做统计. 对于轨迹数据, 这些维度包括时间(记为T )、空间(记为S )、轨迹的路径(记为R)以及每个轨迹记录点上的属性值(记为A). 基于所选维度的不同, An-drienko 等[28]将聚集可视化方法分为时空和属性聚集(S×T×A )、出发点-目的地聚集(S×S )和路径聚集(R ). 下面将一一介绍这3种方法.2.1 时空和属性聚集时空和属性聚集方法可以只作用于单个维度, 如空间聚集(S )、时间聚集(T )、属性聚集(A ); 它也可以作用于多个维度, 如时间属性聚集(T×A )、空间属性聚集(S ×A )、时空聚集(S×T )和时空属性聚集(S ×T ×A ). 它们的主要区别在于是否包含空间维度的聚集, 因此本节先介绍时间和属性聚集, 再介绍基于空间的聚集.2.1.1 时间和属性聚集时间聚集主要关注轨迹数目随时间的变化, 这在许多系统中都属于基本功能. 如图2a 所示, OpenDataCity [10]制作的位置动画界面下方的时间轴内嵌一个蓝色的直方图, 表示参会者数量随着时间的变化;用户可以利用该直方图直接跳跃到他感兴趣的时间段. Guo 等[11]的路口交通轨迹分析系统中也有类似的时间轴.属性聚集主要关注轨迹属性的分布以及属性之间的相互关系, 一个例子是Willems 等[30]设计的船舶安全监控系统. 如图3a [30]所示, 界面左侧的直方图显示了船舶数据在单个属性上的分布, 而中央的轨迹属性关联表(trajectory contingency ta-ble)则显示了一对属性的相互作用.时间属性聚集研究时间和属性之间的关系, 主要是属性分布随时间的变化. Zhao 等[31]的活动圆环图(activity ringmap)可以显示人们不同类型活动的强度随时间的变化; Liu 等[12]则通过类似的设计来表示出租车数量和速度随时间的变化; Guo 等[11]使用主题河技术(ThemeRiver) [32]表现一个路口不同类型的交通流量随时间的变化; 他们还在主题河中嵌入了一些白色小图标, 用来表示移动方向.不同于以上工作, Landesberger 等[33]关注的是个体属性随时间的转换. 以人的活动轨迹为例, 他们关心的是, 在某段时间内有多少人的状态属性从“工作”转变为了“下班”, 之后又有多少人的状态属性从“下班”转变为了“在家”? 如图3b [33]所示, 他们采用了一个类似于平行集合(parallel sets) [34]的设计方式, 其中每根轴表示一个关键的时间点, 而相邻轴之间的条带表示了状态变化. 条带前后的颜色对应了前后的状态, 而条带宽度则对应发生此种状态变化的人数.第1期王祖超, 等: 轨迹数据可视分析研究 13图3 轨迹数据的时空和属性聚集可视化2.1.2 基于空间的聚集空间聚集主要关注轨迹的空间密度绘制, 通常它需要先将空间划分为有限个互不重叠的区域, 然后分别统计每个空间单元内轨迹或位置点的密度, 最后将密度用各种形式展示出来. 其中颜色为最常用, 如图3d, 3e, 3g, 3i, 3j, 3k 所示; 此外, 还可以使用如图3f, 3h 所示圆圈的大小、图3c 所示柱状图的高度或者三维曲面的高度等形式.不同空间聚集方法的主要区别在于它们所使用的空间划分方法的不同. 最简单的情况是, 原始数据中的空间位置仅限于一些有限的预定义的地点, 例如蓝牙传感器或无线网络接入点, 这时就不14 计算机辅助设计与图形学学报第27卷需要进行空间划分. 图3c所示赛车数据的可视化[35]就是这样一个例子, 整个赛车场安装有17个蓝牙传感器, 可以记录经过的赛车; 其中红色的柱状图表示赛车经过每个传感器的次数. 为了显示每个预定义地点的时间信息, Bak等[36]设计了生长圆环图(growth ring map). 如图3f[36]所示, 其研究的是RFID传感器记录的小鼠行为数据, 当小鼠经过传感器时就会产生一条记录. 图中每个圆形图案对应一个传感器, 其大小表示小鼠经过的总次数, 颜色的深浅表示经过的时间.大多数时候, 轨迹数据中的空间位置是任意的, 这时必须先进行空间划分. 空间划分的方式包括按照屏幕像素划分、按照均匀网格划分、按照行政区域划分和按照数据本身的密度进行多边形划分. 如果按照屏幕像素划分, 那么每个像素就对应了一个区域. 空间热度图(heat map)是这种划分下的一种典型的可视化方法, 它简单直接, 应用最为广泛; 不过, 它存在一些不足. 图3d[37]所示为美国特拉华海岸的船舶轨迹的热度图, 如图右下方的颜色过于均匀, 缺少信息量; 而左上方的颜色又比较杂乱, 表现出的热度很不连续, 而这种不连续一般是采样不足所造成的假象. Willems等提出的密度图(density map)[38]在这2点上要优于热度图, 如图3e[38]所示密度图使用核函数(kernel)对原始的密度进行了平滑. 特别地, 这里通过使用2种不同大小的核, 可以得到一个在空间上平滑变化的密度场D1和一个显示轨迹细节的密度场D2. 前者映射成颜色, 保证了颜色的连续性; 后者映射成高度, 结合光照效果能显示出轨迹细节. 在后续的工作[39]中, 密度图支持使用不同颜色显示多个密度场, 这样就可以在密度图中显示时间和属性信息[39]. 他们还增强了密度图的表达性和灵活性[40], 允许用户对轨迹进行筛选, 自己编辑公式计算新的属性值, 并且自己定义密度图的计算和渲染流水线. 此外, Peters等[41]尝试在密度图中添加更明显的方向信息, 而Demsar等[42]则尝试将密度图应用于时空立方体, 但效果都不理想. Willems等[43]通过用户实验研究了密度图在轨迹分析中的实际效果, 结果显示密度图主要强于表现轨迹中的停止特征; 而对于其他一些特征的表现, 密度图可能略差于动画或者时空立方体技术.当用户需要更高层次的密度时, 可以采用均匀网格划分. 例如, Andrienko等将意大利米兰城划分成均匀网格区域, 并绘制了各区域的交通流方向分布和时间分布[44]. 图3i[44]所示为他们设计的用来表示交通流时间分布的马赛克图表(mosaic diagram). 他们在米兰城的每个区域内镶嵌了一个矩形的马赛克图案, 该图案有7列和24行, 分别对应一周的7天和一天的24小时, 颜色表示该区域在相应时刻的平均车辆行驶速度. 进一步, 他们对时间和空间进行了聚类分析[45]：可以将不同的区域按照时间特征进行聚类, 也可以将不同的时间段按照空间特征进行聚类. Pu等的工作[46]参考了马赛克图表, 使用环形图案来表示城市各区域车辆密度或者平均行驶速度随时间的变化. 用户也可以选择按照行政区域划分. 如图3j[47]所示, Fer- reira等[47]绘制了纽约市不同行政区域的出租车上下客次数; Zhao等[31]在行政地图上嵌入环形图案, 用以表示人们在不同区域的活动强度随一天24小时的变化, 如图3k[31]所示. 以上的空间划分方法都未考虑数据本身的空间分布, 因此可能造成一些不理想的情况. 例如, 可能只有少数区域密度高, 而其他大部分区域密度极低. 此外, 数据自然形成的高密度区域更接近多边形的, 而不是均匀网格或者行政区域. 为了解决以上问题, 如图3g[48]所示, Andirenko等[48]发展了一种基于数据本身空间分布的多边形划分方法. 该方法首先提取所有的轨迹记录点, 或者只是其中的关键点; 然后, 对这些点进行密度聚类, 并按照得到的点类位置对空间做Voronoi划分. 在后续的工作中[49], 他们将这种划分方法运用于分析手机通话数据和Flicker上的照片数据. Scheepens等[50]将某一时刻所有的船舶按照位置分成了许多簇, 对于每一簇统计出了其船舶类型、航行方向和移动比例的分布, 并用一个类似饼图的符号表现出来, 如图3h[50]所示. 该算法保证了这些绘制出来的符号不会相互遮挡. 2.2出发点-目的地聚集出发点-目的地聚集考虑的是物体在空间区域之间的移动, 例如, 从A区域到B区域平均每天有多少车辆经过? 这类聚集方法同样要求空间区域的数量是有限的, 否则需要先进行空间划分. 接着, 该方法会计算任何一对区域之间的移动特征(例如流量). 这样, 轨迹数据实际上已经被转化成出发点- 目的地数据(origin-destination data, OD). OD数据描述的是物体在一对出发点、目的地之间的移动, 如人口迁移数据; 它和轨迹数据的区别是它不记录具体的移动路径. 因此, 接下来任何OD数据的可视化方法都可以使用, 包括流向图(flow map)、第1期王祖超, 等: 轨迹数据可视分析研究 15OD 矩阵(OD matrix)和OD 图(OD map).流向图最为直观, 它在地图上的区域之间直接绘制有向边, 并用边的宽度表示流量大小. To-bler [51]很早就研究了流向图, 并绘制了美国的人口迁移地图, 其中边的方向用箭头表示. 但是, 如图4a [52]所示, 流向图中的边经常会形成严重的相互遮挡,这是流向图的主要问题. 为了减少边遮挡, 研究者采取了各种各样的方法. Tobler [51]尝试了不同的箭头画法, 并提出过滤掉一些流量小的边. Guo [53]通过多层次的空间区域划分方法来控制边的数量. Selassie 等[54]采用了边捆绑(edge bundling)技术、通过弯曲边让相似的边相互靠近形成一束, 以减少相互遮挡, 如图4b [54]所示. 目前大部分边捆绑技术都不支持边的宽度, 因此无法用宽度表示流量大小. 但是, 如果用户选定一个中心区域, 只看和该区域相关的边, 那么已经有技术可以利用边的宽度了[55]. 流向图的一个变种是弧线图, 其中不同的空间区域并非画在地图上, 而是一字排开, 区域之间使用弧线表示流[56].流通常有不同的属性, 还会随时间变化. 对于属性信息, 最常用的方法是用不同颜色的箭头表示不同属性的流. 然而, 这种方法每次只能表现一个属性, 对于有多个属性的流, 它无法同时表现所有属性. 针对这个问题, Guo [53]对所有的流按照高维属性特性进行了聚类, 用箭头的颜色表示每一类流.对于时间信息, Boyandin 等[57]将流向图的3部分出发点、目的地和边分别画在3个界面中; 其中, 出发点和目的地分在左右2张地图上, 所有的边则按照时间对齐形成1张表放在中间. 这样可更清晰地表示流的时间信息, 并可以支持筛选排序等的分析任务.OD 矩阵的方法来自图的矩阵表示[58]. 如图4c [44]所示, Andrienko 等[44]在研究意大利米兰的交通轨迹数据时, 不仅使用了界面左侧的流向图, 还使用了右侧的OD 矩阵. 在矩阵中, 每一行和每一列对应一个区域, 而每个单元格对应一对区域间的流. OD 矩阵对于区域之间聚类性的显示比较清晰, 但其在空间信息的表现上很不直观.Wood 等[59]提出的OD 图利用嵌套的思想对OD 矩阵空间信息不直观的问题进行了改进. 如图4d [59]所示, 他们在研究美国人口迁移数据时, 将美国按照黑色的规则网格划分成一系列矩形区域, 得到的区域自然排列成了一个二维的矩阵; 接着, 在每个单元格内再嵌套这样一个二维区域矩阵. 这时, A 区域单元格内嵌套的B 区域单元格就对应A 到B 的流. 在其后续的工作[60]中, 还将该方法用于研究英国伦敦的公共自行车数据. OD 图本来只适用于按照规则网格划分的空间区域, 但Slingsby 等[61]在研究爱尔兰不同行政区之间的人口迁移时, 手动将这些区域排列成矩阵; 这样, 就将OD 图运用到了非规则网格划分的空间区域上.图4 轨迹数据的出发点-目的地聚集可视化16 计算机辅助设计与图形学学报第27卷2.3路径聚集前面介绍的聚集方法都是建立在事先对空间、时间或者属性进行划分的基础上, 而路径聚集则与它们不同. 路径聚集研究轨迹在路径上的分布, 但这些路径事先是未知的. 该方法先通过聚类算法得到经过不同路径的轨迹, 再将每类轨迹的路径显示出来. 比较有代表性的轨迹数据聚类算法包括基于概率的聚类[62]、基于分割的聚类(可以使用传统的K-means方法)、基于密度的聚类[63]、基于子轨迹的聚类[64]和基于流场的聚类[65]. 其中, 基于分割和密度的聚类使用最为广泛, 它们都需要预先指定合适的轨迹相似性函数(或者距离函数)[66]. 另外, 针对轨迹数据规模很大无法全都放在内存中、大部分的聚类方法都无法运行的情况, Andrienko等[67]提出了一些解决方案.在实际问题中, 面对复杂的轨迹数据, 完全自动的聚类算法往往不能得到满意的结果. 因此, 一些可视化研究人员发展了交互式聚类方法：如Rinzivillo等[68]的渐进式的轨迹聚类系统, 允许用户在聚类过程中依次采用多种相似性函数进行不同层次的聚类; 用户也可以选择一些轨迹或者一些已有的聚类, 手动将其指定为一类或多类. 图5a[68]展示了他们的聚类结果, 其中得到的不同类别的轨迹是用不同颜色绘制出来的. 而Schreck等[69]开发了一个基于SOM的半监督轨迹聚类系统, 用户可以在SOM聚类开始前指定神经元和参数, 运行中动态观察新出现的模型并评价当前聚类质量, 完成后手动修改结果, 图5b[69]所示为其系统界面.图5 轨迹数据的路径聚集可视化对于轨迹聚类结果, 最直接展示方法是如图5a所示把相应的轨迹一一画出来[68]; 然而, 这时轨迹间的相互遮挡经常会很严重. 因此, 许多时候人们会绘制一类轨迹的聚集结果. 如图5c[70]所示,Buliung等[70]为一类轨迹构建一个多边形包围盒,也可以进一步显示轨迹中心的移动趋势. An-drienko等[67]则利用出发点-目的地聚集的方法, 使用流向图显示每一类轨迹, 如图5e[67]所示. 如果聚类本身是基于某种模型, 那么对每一类轨迹可以显示对应的模型. 如图5d[65]所示, Ferreira等[65]的聚类算法将每一类轨迹拟合成一个流场; 因此,可以将相应的流场显示出来作为这一类轨迹路径的概括.3特征可视化可视分析最终的目的是帮助人们发现和分析数据中的特征, 从而获得知识. 如果人们所关心的特征比较确定并且能计算出来, 那么可以考虑特征可视化的方法. 特征可视化先通过分析轨迹数据提取出特征, 再将这些特征绘制出来.特征可视化有一系列优点：可以支持大量轨迹的可视分析.可以直接研究用户最关注的特征, 在分。
交通数据可视化方法研究
交通数据可视化方法研究随着社会的发展和城市化进程的加速，交通问题越来越受到人们的关注。
了解交通状况对于城市规划和交通管理至关重要。
而交通数据的可视化方法的研究就是为了能够更直观地展示交通数据，以便决策者和公众能够更好地理解和分析交通状况。
交通数据可视化是将大量的交通数据通过图表、图像和地图等形式展示出来，以便于观察和分析。
在研究中，有许多方法可以用于交通数据的可视化，下面我们将介绍几种常见的方法。
第一种方法是通过柱状图来展示交通数据。
柱状图可以清晰地表示不同时间段或不同地点的交通流量情况。
通过柱状图，我们可以直观地看到交通拥堵的情况，以及交通状况的变化趋势。
第二种方法是通过折线图来展示交通数据。
折线图可以清晰地表示交通流量随时间的变化情况。
通过折线图，我们可以观察到交通流量的高峰和低谷，以及交通拥堵的时段和区域。
第三种方法是通过地图来展示交通数据。
地图可以直观地显示不同地区的交通情况。
通过地图，我们可以看到不同道路的交通流量，以及交通拥堵的区域和状况。
同时，还可以通过不同颜色的标记来表示交通流量的密集程度，以便于更直观地了解交通状况。
此外，还有其他一些方法，如雷达图、热力图等，可以用于交通数据的可视化。
这些方法可以根据具体的需求和数据类型进行选择和应用。
交通数据可视化方法的研究对于城市交通管理和决策具有重要意义。
通过交通数据的可视化，决策者可以更加直观地了解交通状况，从而制定更科学、更有效的交通管理策略。
同时，公众也可以通过交通数据的可视化了解交通状况，避开交通拥堵，选择更合适的出行方式。
总之，交通数据可视化方法的研究是一个重要的课题。
通过不同的可视化方法，我们可以更直观地展示交通数据，从而更好地了解和分析交通状况。
这将为城市交通管理和决策提供更科学、更准确的依据。
基于大数据的人员定位与轨迹分析系统设计与实现
基于大数据的人员定位与轨迹分析系统设计与实现人员定位与轨迹分析是一种基于大数据技术的应用系统，能够实时、准确、可靠地获取和分析人员的位置信息和轨迹，为各行业提供数据支持和决策参考。
本文将围绕这一任务名称，从系统设计与实现的角度探讨人员定位与轨迹分析系统的基本原理、关键技术、应用场景和实施步骤。
一、系统设计与实现的基本原理人员定位与轨迹分析系统的基本原理是通过定位传感器、电子标签、无线设备等各种技术手段，采集人员的位置信息，并结合大数据分析算法对位置数据进行处理和分析，从而得到人员的轨迹信息。
系统的设计要考虑数据采集、数据存储、数据处理和数据展示等四个方面的问题。
1. 数据采集：系统需要采集人员位置信息的数据源，可以通过GPS、无线传感器网络、WiFi、蓝牙等方式获取人员的位置信息。
同时，还需要采集人员的身份信息和其他相关数据，例如人员的工作任务、上下班时间等。
2. 数据存储：系统需要建立一种高效的数据存储机制，能够支持大规模数据的存储和快速检索。
可以使用传统的关系型数据库或者分布式存储系统来存储人员位置数据和其他相关数据。
3. 数据处理：系统需要建立一套有效的数据处理算法，对人员的位置数据进行加工、过滤和分析。
常见的数据处理算法包括轨迹压缩算法、轨迹插值算法、轨迹聚类算法等，通过对数据进行处理，提取出人员的轨迹特征和行为模式。
4. 数据展示：系统需要提供直观、易用的数据展示界面，通过地图、图表等方式展示人员的位置信息和轨迹。
可以使用WebGIS等技术实现地图的显示和交互操作，同时还可以设计各种图表和报表，帮助用户更好地理解和分析数据。
二、关键技术人员定位与轨迹分析系统设计与实现涉及到多种关键技术，以下介绍一些常用的技术手段。
1. 定位技术：根据应用场景的不同，可以选择合适的定位技术。
GPS是最常用的定位技术之一，可以提供较高的定位精度，适用于室外环境。
在室内环境中，可以采用无线传感器网络、蓝牙、WiFi等技术，通过信号强度和到达时间差等方式实现人员的定位。
居民出行轨迹信息可视化分析系统研究
中 图分 类 号 ： Ｐ ２ 民出行轨迹信息可视化分析 系统研究
李 明轩 ， 张健钦 ， 仇 培元 ， 杜 明义 ， 严家 宝
（ １ ．北京建筑大学 ， 测绘 与城市 空间信 息学院 ， 北京
摘
１ ０ ０ ０ ４ ４ ；２ ．现代城 市测 绘国家测绘地理信息局重点实验室 ， 北京
关键 词 ： 三维Ｇ Ｉ Ｓ ； 时 空数 据 模 型 ； 出行 活 动
ｌ 引 言
近年来 ， 随着我 国城 市化 速度 的不 断加 快 ， 城 市 交 通 问题成 为社 会 关注 的热 点 ， 城 市 交 通 的 畅通 与 否 直 接关 系 到城市 化 水 平 的高 低 … 。因此 ， 城 市政 府 部 门 都将 交通 规划 作 为 城市 规 划 的重 中 之重 ， 开展 了大 量 的交 通 问题研 究 ， 其 中 以获取 居 民 出行 信 息 为 主 的交
通调 查 是交通 规划 的重 要基 础工 作 。
三维 Ｇ １ Ｓ 以及时空数据模型为分析出行信息提供了新
的思路 ， 国内外也开 展 了相关 的研究 。
本文主要讨论基于三维 Ｇ Ｉ Ｓ 技术的居 民出行信息
可 视化分 析 系统 的设 计 和建立 。先从 Ｇ Ｉ Ｓ数 据模 型 的 建 立人 手 ， 研 究建 立 一 种 管理 和 分 析 居 民 出行 位 置信 息 的 时空数 据模 型 。在 此基础 上进 行分 析系 统 的结 构 和功能 的设计 ， 并 介 绍 使 用居 民调 查 数 据 和定 位 数 据
第６ 期
李明轩等 ． 居民 出行轨迹信 息可视 化分析系统研究
出行者 的屙 ｌ 生信息 包 含所 属 家庭 信 息 和相 关 的个 体信息 ， 出行者 的行 为活动 全部 以 出行 表示 。每 一个 出
居民出行od调查的实施步骤
居民出行OD调查的实施步骤1. 概述居民出行OD调查是一种常用的交通出行调查方法，用于获取居民日常出行的起点和目的地之间的关联关系。
本文档将介绍居民出行OD调查的具体实施步骤，并采用Markdown格式进行编写。
2. 调查目的居民出行OD调查的主要目的是了解居民出行的起点和目的地之间的关系，以便更好地规划交通网络和优化交通管理。
通过收集和分析出行OD数据，可以揭示居民出行行为的特征、出行模式和出行需求，为城市交通规划和决策提供科学依据。
3. 实施步骤居民出行OD调查的实施步骤主要包括以下几个方面：3.1 确定调查区域和调查时间在开始居民出行OD调查之前，首先需要确定调查的范围和时间。
根据研究的目的和需求，确定调查的具体区域，例如城市、社区或街道，并确定调查的时间段，通常选择工作日或周末。
3.2 制定调查问卷制定调查问卷是居民出行OD调查的关键步骤。
问卷设计应充分考虑调查目的和数据需求，包括问题的类型（开放式问题、封闭式问题）、问题的编排顺序、问题的选项设置等。
问卷内容可以包括出行目的、出行方式、出行时间、出行距离等相关信息。
3.3 招募调查员和培训招募合适的调查员是保证调查质量的重要环节。
调查员需要受过专业培训，了解调查目的和方法，并具备良好的沟通能力和数据记录能力。
3.4 数据采集数据采集是居民出行OD调查的核心环节。
调查员根据事先确定的调查区域和时间，对居民进行面对面的访问调查，并根据调查问卷的设置进行数据收集。
调查员应按照统一的调查方法和步骤进行调查，确保数据的准确性和可靠性。
3.5 数据分析数据采集完成后，需要对收集到的数据进行整理和分析。
数据分析可以采用统计分析方法，例如频数分析、比例分析、关联分析等，以揭示居民出行的特征和规律。
3.6 结果报告最后，根据数据分析的结果，撰写居民出行OD调查的结果报告。
报告应包括调查的目的、方法、结果和结论等内容，以及对交通规划和管理的建议和意见。
4. 总结居民出行OD调查是获取居民日常出行信息的重要方法，对于城市交通规划和管理具有重要意义。
北京居民活动与出行行为时空数据采集与管理
北京居民活动与出行行为时空数据采集与管理一、本文概述本文旨在探讨北京居民活动与出行行为的时空数据采集与管理问题。
随着城市化进程的加速和交通拥堵问题的日益严重，对居民活动与出行行为的深入研究成为了解决城市交通问题的关键。
通过采集和管理居民的时空数据，可以更好地理解居民的日常活动模式、出行需求和交通流分布，为城市交通规划和管理提供科学依据。
本文将从数据采集技术、数据处理方法、数据存储与管理以及数据应用等方面，对北京居民活动与出行行为的时空数据采集与管理进行全面而深入的探讨，以期为城市交通管理部门和研究者提供有益的参考和借鉴。
二、数据采集方法与技术在北京居民活动与出行行为时空数据采集与管理的过程中，数据采集方法与技术起着至关重要的作用。
为了确保数据的准确性、全面性和实时性，我们采用了多种数据采集方法和技术手段。
我们采用了问卷调查的方式，对北京居民的日常活动与出行行为进行了深入的了解。
通过设计科学合理的问卷，我们收集了居民的出行目的、出行时间、出行方式、出行路径等关键信息。
同时，为了增强问卷的针对性和有效性，我们还对问卷进行了多次修订和完善，确保能够真实反映居民的出行行为特征。
我们利用了先进的定位技术，如GPS、北斗导航等，对居民的出行轨迹进行了实时跟踪和记录。
通过将这些定位设备安装在居民的出行工具上，我们可以获取到详细的出行轨迹数据，包括出行时间、出行路线、出行速度等。
这些数据为我们分析居民的出行行为提供了有力的支持。
我们还采用了大数据分析技术，对海量的时空数据进行了挖掘和分析。
通过运用先进的算法和模型，我们对数据进行了清洗、整合和挖掘，提取出了有价值的信息。
这些信息不仅有助于我们了解居民的出行行为规律，还为城市规划、交通管理等领域提供了重要的参考依据。
为了确保数据的安全性和隐私性，我们还采取了严格的数据管理措施。
我们建立了完善的数据存储和传输机制，确保数据在采集、传输和存储过程中不被泄露或滥用。
我们还对数据进行了加密处理，确保只有授权人员才能访问和使用这些数据。
基于Circos弦图的居民出行模式可视分析
基于Circos弦图的居民出行模式可视分析冯涛;艾廷华;杨伟;张翔;信睿;陈学业【期刊名称】《华中师范大学学报（自然科学版）》【年(卷),期】2016(050)003【摘要】基于对城市中出租车OD (Origin-Destination:起始点-终止点)流时空模式的研究,能为城市路网规划、出租车营运方案制定以及居民出行计划提供科学的依据.而时空数据可视化与可视分析是从时空轨迹大数据中感知城市动态、分析OD时空模式的重要手段.该文基于Circos软件,以一种全新的可视化方式对出租车轨迹数据中的OD流进行时空多尺度可视分析.这种方式能在不同时空尺度下表征出租车轨迹OD流的流量、流向及OD流属性特征,能够展示多时空尺度下轨迹OD流数据的时空模式,能更好地理解居民在城市内部区域之间的流动模式,进而揭示居民的出行模式.通过对北京出租车历史轨迹GPS数据进行可视化实验,结果表明该可视化技术能在多时空尺度下表征轨迹OD流数据的时空模式.【总页数】10页(P471-480)【作者】冯涛;艾廷华;杨伟;张翔;信睿;陈学业【作者单位】武汉大学资源与环境科学学院,武汉 430079;武汉大学资源与环境科学学院,武汉 430079;武汉大学资源与环境科学学院,武汉 430079;武汉大学资源与环境科学学院,武汉 430079;武汉大学资源与环境科学学院,武汉 430079;国土资源部城市土地资源监测与仿真重点实验室,广东深圳 518034【正文语种】中文【中图分类】P208【相关文献】1.一个基于基站轨迹数据的城市移动模式可视分析系统 [J], 李致昊;朱闽峰;黄兆嵩;丁铁成;罗月童;葛嘉恒;陈为2.基于空间区域功能划分的人群移动模式可视分析 [J], 孙国道;柳芬;蒋莉;梁荣华3.基于用户轨迹及基站语义的城市活动模式可视分析 [J], 张兰云;蒋宏宇;赵韦鑫;张红英;吴亚东4.基于区域语义的城市移动模式可视分析 [J], 李茸茸;王桂娟;邓皓天;陈华容;吴亚东5.基于出行全过程的居民出行模式分析 [J], 牛凯;罗瑞琪;齐庆祥因版权原因，仅展示原文概要，查看原文内容请购买。