【可视化笔记-VR&VIS SWUST-2018】《SemanticTraj: 基于语义的大规模出租车轨迹交互分析方法》_Shamal AL-Dohuki_陈为_ZJU

后面看到基本就是近三年TVCG的一些论文了。

SemanticTraj: A New Approach to Interacting with Massive Taxi Trajectories

下载链接提取码0vxr

这篇文章是浙大做的一个关于语义的轨迹分析方法，主要工作是在数据的处理上。论文总结在最后。

简单说一下我阅读这篇文章的一些思路

• 回答一些看似简单的问题：中午到万达广场的出租车从哪里来？ 早上去上班，从西科大到步行街的出租车行程是怎么样的。

• 西科大、步行街、万达广场没有直接的相互关联。

• 所以我们诞生了这套系统，SemanticTraj，这种直观的，具有丰富语义的，且高效的方式来将管理和可视分析出租轨迹数据。

• 通过这套系统，没有经过专业训练的用户可以像使用我们熟悉的google，百度一样，基于术语来直接查询并轻松找到上述问题的答案。而且还可以使用交互功能，通过文本化的轨迹和行程信息，来检索可视化系统中的数据。

• How to answer seemingly simple Q:

What were the taxi trips starting from SWUST and ending at buxingjie in this moring?
Where are the taxis arriving at the Wanda at noon typically coming from?

• Not directly linked to keywords such as “SWUST”,”buxingjie”&”Wanda”

• SwmanticTraj：a new method for managing & visualizing taxi traj. data in an intuitive, semantic rich & efficient means

• 举例：

• 例1： 购物中兴希望开通穿梭巴士，经理想要调查客人乘坐出租车到达商场的地点和时间（起始位置）。对于抵达商场的出租车，他们的上车点是什么。

• 以前的系统：1、地图上选择商场周边的区域并显示上下车的点，2、选择时间段，3、过滤这个区域内与“在商场下车”有关的地点，4、在地图上显示客人的上车点，5、通过地图找出高频上车点。

• 例2： 两个目击者报告犯罪嫌疑人在下午3点-3点20之间乘坐出租车转过南街和北街。警察想要找出可以出租车的路径。所以需要下午3点-3点20之间经过南街和北街的出租车的行程是什么样的，他们在那些街道停留，POI是哪些。

• 以前的系统：1、地图上选择北街周围的区域，2、选择时间段3点-3点20，3、过滤并选择在北街的所有GPS采样点，4、用上一步中选择的点显示同一辆出租车行程，5、重复以上步骤选择南街，6、找到这些出租车走过的其他街道。

• Scenario1: A shopping mall has a plan to open shuttle buses for their customers. Its manager wants to investigate where and when visitors take taxis to the mall.

• Task1: For the taxi trips arriving at the shopping mall, what are their major pick-up locations？

• Scenario2: Two witnesses reported a criminal suspect taking a taxi passing South Street and North Street between 3pm and 3:20pm. A policeman wants to find suspicious taxi paths

• Task2: What are the taxi trips passing South Street and North Street between 3pm and 3:20pm? What are the other streets/POIs they visited？

显然这些步骤要求用户接受地图操作的培训，这种培训可能会妨碍普通用户使用系统。所以本文帮助用户通过另外一种方式完成任务，就像用户使用google或者百度一样，在搜索引擎中填入关键字来查询。比如针对任务2,，警察输入：选择在3点-3点20之间，经过北街和南街所有的出租车。然后就在地图上显示所有符合条件的形成以及文本标签，并且通过简短的文本摘要，让警察立即找到所需求的街道的名称。

SemanticTraj需要解决的事情：

• 在特定时间内经过该街道的出租车行程
• 在特定时间内且不同逻辑情况下经过多条街道的出租车行程
• 出租车行程的单个或者多个POI
• 出租车在经过给定街道和POI的轨迹
• 出租车的不同速度所表现出来的特殊行为的描述：快慢 等

Need to :
Task1: Taxi trips passing a street in a given time period;
Task2: Taxi trips passing multiple streets in given time periods with different logic conditions;
Task3: Taxi trips with single or multiple POIs;
Task4: Taxi trajectories passing given streets and POIs;
Task5: Taxi trajectories with specific behaviors in travel speed(e.g., slow, fast, change from slow to fast).

第一步：将出租车轨迹进行文本化后生成轨迹文件和行程文件，这种文本化是将地理位置GPS点投影到街道上，并将出租车的速度值映射为描述。出租车轨迹文本化后的出租车文件一方面行程行程文件，包括的是出租车载客经过的街道。另一方面是轨迹文件，包括出租车在一个时间周期内行驶过的所有街道。
第二步：所有的出租车轨迹数据都转换为出租车文件后，建立索引方案，索引方案是为这个库而设计的。然后再使用文本搜索引擎来管理出租车文档。
第三步：使用交互式可视分析系统，用户通过文本搜索功能查询数据，并通过可视化方法来呈现查询结果。查询结果是具有语义标签和摘要的，用户可以轻松理解结果。
1、轨迹数据挖掘和可视分析
2、空间轨迹管理
3、语义轨迹管理：我们是通过精准的街道名称，出租车的状态和时间范围来进行可视化，街道成为查询单元而不是区域，并且GPS点映射在街道上后，我们通过文本搜索引擎来查询。
出租车轨迹文本化
1、将GPS点映射在街道上
2、相关属性被转换成文本信息
这种方式，通过文本搜索可以找到所描述的特定行为。

出租车文件：
行程文件：上下街道，上下时间，距离，票价，GPS信息用于绘制轨迹
任务一：通过街道S的上下车的点
查询：在文件C里面查询S街道名
任务二：在S1街道T1时间上客并且在S2街道T2时间把他们放下
查询：输入S1在上客街道上客时间查询并且输入S2在下客街道下客时间查询

轨迹文件：
任务一：我们有在T时间经过S的所有出租车轨迹数据，那么他们的平均速度是多少，有多少车有乘客
查询：S接到在C文件（规定T时间）
任务二：有哪些出租车在T时间内从慢到快突然加速
查询：慢 非常快 在Dspeed中查询文件C（规定T时间）
这种查询方法可以显示出出租车的轨迹可能存在违反交通法的行为，这种文本化工作和使用文本搜索引擎，是给用户提供一种新的可视化工具来进行分析

灵活的搜索功能
支持街道和POI查询，速度描述查询。支持布尔，通配符，模糊等查询方式
布尔查询：可以同时检索多个任务条件
范围查询：查询时间，票价
通配符和模糊：不知道街道的情况下
邻近查询Proximity：slow veryfast之间的文档，帮助用户快速找到一些异常事件
数据处理和查询性能：杭州人口250我，一个月数据2011.12.1-12.31有77GB，有8120辆出租车，每天原始2.5GB，经过
删除错误重复记录
文本化，添加街道名称和速度秒速
相同出租车ID创建轨迹，按时间拍讯，顺序存储，每10分钟一个轨迹段，连接获得完整的每日轨迹
找出行程
最后是38GB
通过建立的索引，查询速度很快
F. Wang, W. Chen, F. Wu, Y. Zhao, H. Hong, T. Gu, L. Wang, R. Liang, and H. Bao. Visual reasoning approach for data-driven transport assess-ment on urban road. In IEEE Conference on Visual Analytics Science and Technology, pp. 103–112. IEEE, Oct. 2014.
别人712秒，Q1是0,53秒，他们是336秒索引，Q1 0.21秒

设计合理性：
帮助用户轻松地查询他们的想法，直接输入语义名称和术语，通过熟悉的百度搜索的方式，文本搜索
对查询结果的快速理解：使用语义信息：文本标签和摘要（meta-summary），增强用户理解
简单的交互来引导用户进行探索：提供散点图，平行坐标等等，来深入挖掘

为游客提供穿梭巴士服务：游客通过出租车来博物馆，管理员通过自己的POI来查询出租车形成。
下车时绿色，上车是蓝色，总结了329次出租车形成，在接送街道：南山路，北山路，灵珠路，杨公提上显示街道名称和接送数量
南山路和北山路用来接送，下午北山路用于下车，另外在灵珠路的灵隐山有游客中心，很多人早上坐出租车到博物馆，因此早上安排在灵隐山的穿梭巴士

论文总结

这篇论文提出了一种新的分析轨迹数据的交互方式，不同于传统的时空刷选的方式，用户直接在文本框中输入查询条件就可以进行轨迹数据查询，降低了用户的学习成本。这个工作的核心是把轨迹数据转化成文本的形式，用适当的特征去描述轨迹，十分依赖文本化时提取的特征。

基于语义，基于语义，我想了一学期，询问了一些大佬关于这篇文章它的语义体现在哪里。后面学了一些知识后，才完整地感悟这篇文章为什么可以发TVCG，可以给小白一些参考，大佬勿喷。
最开始我一直以为基于语义的意思是用户输入了一些关键字，类似百度这种方式，系统后台去识别这些关键字，然后在数据库里面Search。这毫无创新点啊？后来看了一些资料。才发现重点内容是在数据本身的处理上，去挖掘数据不同属性，即不同维度的关系，这种关系即语义。
比如我用苹果手机，苹果手机的属性：价格7000块，正面黑色，背面黑色，正面底部home键，背面双摄像头。另外A品牌的手机：价格4000块，正面白色，背面黑色，正面底部无按键，背面四摄像头。这就是不同的东西拥有同样六维的属性。那么用户在搜索：背面黑色 这个关键字的时候，系统在索引里查找，找到背面黑色的东西，将背面黑色与苹果手机/A品牌手机之间的关系挖掘出来，即关联起来，这就是语义的体现。
那么这篇文章，在于非常多的出租车轨迹数据拥有相同的维度（属性），仅仅是属性的值不同，那么用户在搜索的时候，系统通过查找一些预定义的索引，来将用户需求和数据本身相连接，实现快速查找和数据挖掘，这就是基于语义的意义。
入坑初感，若有偏颇，请斧正。