【可视化笔记-VR&VIS SWUST-2018】《城市移动数据知微探秘》_陆旻等_PKU

本文链接：https://blog.csdn.net/u012331140/article/details/82956896

入坑论文1——《城市移动数据知微探秘》

下载链接：

本文通过可视化与可视分析技术，将数据转换为图形等用户可交互的方式，让人们理解城市这一主题，并且探索城市中不同人群的行为对城市造成的影响。

何为“城市”：

引用微软亚研院：城市计算
城市计算是一个交叉学科，是计算机科学以城市为背景，跟城市规划、交通、能源、环境、社会学和经济等学科融合的新兴领域。更具体的说，城市计算是一个通过不断获取、整合和分析城市中多种异构大数据来解决城市所面临的挑战（如环境恶化、交通拥堵、能耗增加、规划落后等）的过程。城市计算将无处不在的感知技术、高效的数据管理和分析算法，以及新颖的可视化技术相结合，致力于提高人们的生活品质、保护环境和促进城市运转效率。城市计算帮助我们理解各种城市现象的本质，甚至预测城市的未来。

本文主要以城市移动数据为例，介绍了一些轨迹可视化与可视分析的内容

密集采样：北京市24天出租车GPS轨迹数据，大小为34.5GB，包括28519 辆车、3.79 亿个采样点，每30 秒采样一次。

1、城市路口的交互选择

在这里插入图片描述
①用户可以直接拖拽中心进行移动，拖拽边缘来改变大小，可以设置多个过滤器。
②用户可以选择高维属性：是否载客。

这种分析可以简单方便的选出特定的轨迹。

2、单条路径的时间花销稳定分析

探索单条路径不同路段需要花费时间的排名与变化的可视化系统
在这里插入图片描述

这种可视化效果通过D3.js实现，可以方便的看出，（b）靠下部分轨迹偏红，表明同性模式不良。

3、多条路径选择因素研究

在这里插入图片描述
这一段研究对我现在的研究具有启发意义。交通变化会导致人的移动行为发生变化。在公交车的轨迹规划过程中，可能因为早晚高峰，市政施工，交通事故等因素导致人的移动行为变化，另外，不同导航软件背后的商业模式运作也会左右人的移动行为，

根据我们的经验结果，

如下图，某导航软件规划从西南科技大学到绵阳南郊机场线路图：
在这里插入图片描述

根据2018年某一个月当地市民出行公交刷卡记录显示，乘坐【空港301】至南郊机场的均为少数，多数人愿意选择在【火车客站广场】换成304路公交车。但是在不同软件规划中，与实际结果不同，如下图
在这里插入图片描述

这是另一导航软件规划图，因为此导航软件特殊的商业模式，与实际违背。根据市民调查，观光601路乘坐量远远少于304路。

“经验”结果可通过可视化与可视分析技术进行数据支撑与证明
这即是轨迹可视化方向的研究之一，目前国内外对此研究以出租车和共享单车数据居多。如果我们可以以地铁/公交作为数据基础，相信会发现更多有趣的结果。

回到多条路径选择中来，通过构建道路的拓扑结构图，计算相似度，然后进行聚类。最后查看在当前选择条件下某因子的影响是否显著，最终得到路径选择的结论。

城市伪基站

我们可以通过稀疏采样来重构出原有的实际轨迹。
第一步，对用户上报的短信内容进行分组，建立索引。通过聚类方式提取住不确定性较低的轨迹。
第二步，从文本相似性和时空相似性进行分析，合并恶意短信。
最终还原出该伪基站的活动模式。
在这里插入图片描述

城市智能交通基站

这种基站，我所在的大学的城市，貌似是没有的（有待考究）。所以仅仅略读。
智能交通基站就是通过摄像头和射频识别装置，采集装置所在的道路路段的单辆车的车牌号、速度、通过时间等。这种轨迹记录仅在经过基站时被记录，无法还原出车辆的准确行驶轨迹。但是如果城市中遍布智能交通基站，那么基站将会记录城市道路上几乎所有的车辆轨迹。可以很好的反映整个城市的交通状况，非常适合做宏观的交通分析。

分析模式可以采用每一行代表1天，分为144列，表示一天的144个10分钟。

通过对智能交通基站的数据进行可视分析，可以和市政部门合作，分析未来绵阳市地铁（轨道交通）修建的合理性等，这种分析是具有一定预测性质和前瞻性的。