面向源-目的地流的多元时空数据可视分析

doi:10.11772/j.issn.1001-9081.2023020178

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (2): 452-459.DOI: 10.11772/j.issn.1001-9081.2023020178

• 数据科学与技术 • 上一篇

面向源-目的地流的多元时空数据可视分析

周思艺¹, 李天瑞¹^,²^,³^,⁴()

^1.西南交通大学计算机与人工智能学院, 成都 611756
^2.可持续城市交通智能化教育部工程研究中心, 成都 611756
^3.综合交通大数据应用技术国家工程实验室(西南交通大学), 成都 611756
^4.四川省制造业产业链协同与信息化支撑技术重点实验室(西南交通大学), 成都 611756

收稿日期:2023-02-27 修回日期:2023-04-06 接受日期:2023-04-11 发布日期:2024-02-22 出版日期:2024-02-10
通讯作者: 李天瑞
作者简介:周思艺（1998—），女，四川内江人，硕士研究生，CCF会员，主要研究方向：数据可视化；
基金资助:
国家自然科学基金资助项目(62176221)

Visual analysis of multivariate spatio-temporal data for origin-destination flow

Siyi ZHOU¹, Tianrui LI¹^,²^,³^,⁴()

^1.School of Computing and Artificial Intelligence，Southwest Jiaotong University，Chengdu Sichuan 611756，China
^2.Engineering Research Center of Sustainable Urban Intelligent Transportation，Ministry of Education，Chengdu Sichuan 611756，China
^3.National Engineering Laboratory of Integrated Transportation Big Data Application Technology （Southwest Jiaotong University），Chengdu Sichuan 611756，China
^4.Manufacturing Industry Chains Collaboration and Information Support Technology Key Laboratory of Sichuan Province （Southwest Jiaotong University），Chengdu Sichuan 611756，China

Received:2023-02-27 Revised:2023-04-06 Accepted:2023-04-11 Online:2024-02-22 Published:2024-02-10
Contact: Tianrui LI
About author:ZHOU Siyi， born in 1998， M. S. candidate. Her research interests include data visualization.
Supported by:
National Natural Science Foundation of China(62176221)

摘要/Abstract

摘要：

交通智能（IC）卡可以记录居民的移动出行，反映居民的源-目的地（OD）信息；但智能卡记录的OD流数据规模大，直接可视化空间分布容易导致视觉杂乱，并且多元数据类型多，更难以和流数据结合对比分析。首先，针对直接可视化大规模OD数据的空间分布容易视觉遮挡的问题，提出基于正交非负矩阵分解（ONMF）的流聚类方法。所提方法对源-目的地数据聚类后再可视化，可以减少不必要的遮挡。然后，针对多元时空数据类型多难以结合对比分析的问题，设计了公交站点多元时序数据视图。该可视化方法将公交站点的流量大小和空气质量、空气温度、相对湿度、降雨量这四类多元数据在同一时间序列上编码，提高了视图的空间利用率并且可以对比分析。再次，为了辅助用户探索分析，开发了基于OD流和多元数据的交互式可视分析系统，并设计了多种交互操作提升用户探索效率。最后，基于新加坡交通智能卡数据集，从聚类效果和运行时间对该聚类方法评估。结果显示，在用轮廓系数评估聚类效果上，所提方法比原始方法提升了0.028，比用K均值聚类方法提升了0.253；在运行时间上比聚类效果较好的ONMFS（ONMF through Subspace exploration）方法少了254 s。通过案例分析和系统功能对比验证了系统的有效性。

关键词: 交通智能卡, 源-目的地流, 多元数据, 时空数据, 可视分析

Abstract:

Integrated Circuit （IC） card can record a resident’s mobile travel， reflecting the resident’s Origin-Destination （OD） information. However， due to the large scale of OD flow data， it is easy to cause visual clutter when visualizing the spatial distribution of OD flow directly. Moreover， multivariate data is difficult to be combined with flow data because it contains a variety of different types of data. To solve the problem that direct visualizing the spatial distribution of large-scale OD data is easy to cause visual occlusion， a flow clustering method based on Orthogonal Nonnegative Matrix Decomposition （ONMF） was proposed. The OD data was clustered before being visualized， so that unnecessary occlusion was reduced. For that it is difficult to combine and analyze multivariate spatio-temporal data with multiple types， a site multivariate time series data view for bus stop was designed. Bus stop flow and four types of multivariate data — air quality， air temperature， relative humidity， and rainfall were coded on the same time series， to improve the spatial utilization rate of the view， and could be compared and analyzed. To assist users to explore and analyze， an interactive visual analysis system was developed based on origin-destination flow and multivariate data， and a variety of interactive operations were designed to improve the efficiency of user exploration. Finally， based on the Singapore IC card dataset， the proposed clustering method was evaluated from clustering effect and running time. In the comparison experiment results， using silhouette coefficient to evaluate the clustering effect， the clustering effect of the proposed method is improved by 0.028 compared with the original method and 0.253 compared with K-means clustering method. The running time comparison results show that its running time is 254 seconds less than that of ONMFS （Orthogonal NMF through Subspace exploration） method with better clustering effect. The effectiveness of the system was verified by case analysis and system function comparison.

Key words: Integrated Circuit (IC) card, Origin-Destination (OD) flow, multivariate data, spatio-temporal data, visual analysis

中图分类号:

TP391.41

周思艺, 李天瑞. 面向源-目的地流的多元时空数据可视分析[J]. 计算机应用, 2024, 44(2): 452-459.

Siyi ZHOU, Tianrui LI. Visual analysis of multivariate spatio-temporal data for origin-destination flow[J]. Journal of Computer Applications, 2024, 44(2): 452-459.

图/表 13

图1 系统分析流程

Fig. 1 System analysis flow

表1 数据描述

Tab. 1 Data description

数据源	描述
IC卡数据	IC（id，type，up_date，down_date，up_id，down_id）
公交站点	Bus（id，name，lng，lat）
POI	POI（name，type，lng，lat）
温度	TEMP（id，name，lng，lat，value，date）
相对湿度	RH（id，name，lng.lat，value，date）
降雨量	Rain （id，name，lng，lat，value，date）
SO₂	SO2（id，name，lng，lat，value，date）
NO₂	NO2（id，name，lng，lat，value，date）
PM_2.5	PM25（id，name，lng，lat，value，date）

表2 AQI等级判断边界值

Tab. 2 AQI level judgment boundary values

AQI（ $I l o w$ ~ $I h i g h$ ）	SO₂/（ppb·h^-1）	NO₂/（ppb·h^-1）	PM_2.5/（μg·m^-3）
优（0~50）	0~35	0~53	0.0~12.0
良（51~100）	36~75	54~100	12.1~35.4
轻度污染（101~150）	76~185	101~360	35.5~55.4
污染（151~200）	186~304	361~649	55.5~150.4
严重污染（201~300）	305~604	650~1 249	150.5~250.4

表2 AQI等级判断边界值

Tab. 2 AQI level judgment boundary values

AQI（ $I l o w$ ~ $I h i g h$ ）	SO₂/（ppb·h^-1）	NO₂/（ppb·h^-1）	PM_2.5/（μg·m^-3）
优（0~50）	0~35	0~53	0.0~12.0
良（51~100）	36~75	54~100	12.1~35.4
轻度污染（101~150）	76~185	101~360	35.5~55.4
污染（151~200）	186~304	361~649	55.5~150.4
严重污染（201~300）	305~604	650~1 249	150.5~250.4

图2 特征提取方法

Fig. 2 Feature extraction method

图3 基于OD流和多元数据的分层可视分析系统界面

Fig. 3 Hierarchical visual analysis system interface based on OD flow and multivariate data

图4 分层社区的POI分布可视化设计

Fig. 4 Visual design of POI distribution in hierarchical communities

图5 模式数量值K的敏感性分析实验

Fig. 5 Sensitivity analysis experiments for mode quantity value K

图6 加权参数的确定

Fig. 6 Determination of weighting coefficient

图7 方法对比实验结果

Fig. 7 Experiment results of method comparison

表3 消融实验结果

Tab. 3 Ablation experimental results

方法	轮廓系数
原始方法	0.913
只加空间平滑约束矩阵 A	0.937
只加多元数据平滑约束矩阵 B	0.936
本文方法	0.941

图8 站点聚类簇3交通流传输的时空模式分析

Fig. 8 Spaio-temporal pattern analysis of traffic flow transmission in cluster 3 of bus stops

图9 站点多元时序数据对比分析

Fig. 9 Comparative analysis of multivariate time series data of bus stops

表4 系统应用对比结果

Tab. 4 Comparison results of system application

分析任务	分析方法
分析任务	文献［3］方法	文献［21］方法	文献［22］方法	方法本文
群体移动	√	√	√	√
时空异常	√	×	√	√
隐藏关系	×	√	√	√
统计属性	√	√	√	√
多尺度时空分析	√	√	√	√
个体多元数据分析	×	×	×	√

参考文献 29

1	TAN Y， XU H， JIAO L， et al. A study of best practices in promoting sustainable urbanization in China［J］. Journal of Environmental Management， 2017， 193： 8-18. 10.1016/j.jenvman.2017.01.058
2	涂乐，陈彬捷，周志光. OD数据可视分析综述［J］. 计算机辅助设计与图形学学报， 2021， 33（8）： 1160-1171. 10.3724/sp.j.1089.2021.18679
	TU L， CHEN B J， ZHOU Z G. A survey on OD data visualization［J］. Journal of Computer-Aided Design & Computer Graphics， 2021， 33（8）： 1160-1171. 10.3724/sp.j.1089.2021.18679
3	JIN Z， CAO N， SHI Y， et al. EcoLens： visual analysis of ecological regions in urban contexts using traffic data［J］. Journal of Visualization， 2021， 24（2）： 349-364. 10.1007/s12650-020-00707-1
4	NGUYEN N V T， HASS J， DANG T. TimeRadar： visualizing the dynamics of multivariate communities via timeline views［C］// Proceedings of the IEEE 45th Annual Computers， Software， and Applications Conference. Piscataway： IEEE， 2021： 350-356. 10.1109/compsac51774.2021.00057
5	WANG Y， PENG T Q， LU H， et al. Seek for success： a visualization approach for understanding the dynamics of academic careers［J］. IEEE Transactions on Visualization and Computer Graphics， 2022， 28（1）： 475-485. 10.1109/tvcg.2021.3114790
6	LIU S， WU Y， WEI E， et al. StoryFlow： tracking the evolution of stories［J］. IEEE Transactions on Visualization and Computer Graphics， 2013， 19（12）： 2436-2445. 10.1109/tvcg.2013.196
7	TANAHASHI Y， HSUEH C H， MA K L. An efficient framework for generating storyline visualizations from streaming data［J］. IEEE Transactions on Visualization and Computer Graphics， 2015， 21（6）： 730-742. 10.1109/tvcg.2015.2392771
8	ZHOU Z， YE Z， LIU Y， et al. Visual analytics for spatial clusters of air-quality data［J］. IEEE Computer Graphics and Applications， 2017， 37（5）： 98-105. 10.1109/mcg.2017.3621228
9	杨欢欢，李天瑞，陈馨菂. 基于螺旋图的时间序列数据可视化［J］. 计算机应用， 2017， 37（9）： 2443-2448. 10.11772/j.issn.1001-9081.2017.09.2443
	YANG H H， LI T R， CHEN X D. Visualization of time series data based on spiral graph［J］. Journal of Computer Applications， 2017， 37（9）： 2443-2448. 10.11772/j.issn.1001-9081.2017.09.2443
10	BOSTOCK M， OGIEVETSKY V， HEER J. D³ data-driven documents［J］. IEEE Transactions on Visualization and Computer Graphics， 2011， 17（12）： 2301-2309. 10.1109/tvcg.2011.185
11	SATYANARAYAN A， RUSSELL R， HOFFSWELL J， et al. Reactive Vega： a streaming dataflow architecture for declarative interactive visualization［J］. IEEE Transactions on Visualization and Computer Graphics， 2016， 22（1）： 659-668. 10.1109/tvcg.2015.2467091
12	赵韦鑫，谭博友，周锐，等. 面向交通轨迹的数据流可视化方法［J］. 计算机辅助设计与图形学学报， 2022， 34（5）： 768-776. 10.3724/sp.j.1089.2022.18967
	ZHAO W X， TAN B Y， ZHOU R， et al. The visualization approach based on data flow for traffic trajectory［J］ Journal of Computer-Aided Design & Computer Graphics， 2022， 34（5）： 768-776. 10.3724/sp.j.1089.2022.18967
13	CHEN K， WANG Y， YU M， et al. ConfVisExplorer： a literature-based visual analysis system for conference comparison［J］. Journal of Visualization， 2021， 24（2）： 381-395. 10.1007/s12650-020-00703-5
14	PARK J H， NADEEM S， KAUFMAN A. GeoBrick： exploration of spatiotemporal data［J］. The Visual Computer， 2019， 35（2）： 191-204. 10.1007/s00371-017-1461-y
15	CHEN S， YUAN X， WANG Z， et al. Interactive visual discovering of movement patterns from sparsely sampled geo-tagged social media data［J］. IEEE Transactions on Visualization and Computer Graphics， 2016， 22（1）： 270-279. 10.1109/tvcg.2015.2467619
16	CHEN S， LI S， CHEN S， et al. R-Map： a map metaphor for visualizing information reposting process in social media［J］. IEEE Transactions on Visualization and Computer Graphics， 2020， 26（1）： 1204-1214. 10.1109/tvcg.2019.2934263
17	LIVNAT Y， AGUTTER J， MOON S， et al. Visual correlation for situational awareness［C］// Proceedings of the 2005 IEEE Symposium on Information Visualization. Piscataway： IEEE， 2005： 95-102.
18	JIANG H， TANG K， ZHAO W， et al. Aureole： a multi-perspective visual analytics approach for green cellular networks［J］. Journal of Visualization， 2018， 21（3）： 485-494. 10.1007/s12650-017-0467-x
19	ZHOU Z， MENG L， TANG C， et al. Visual abstraction of large scale geospatial origin-destination movement data［J］. IEEE Transactions on Visualization and Computer Graphics， 2019， 25（1）： 43-53. 10.1109/tvcg.2018.2864503
20	WU Y， XIE X， WANG J， et al. ForVizor： visualizing spatio-temporal team formations in soccer［J］. IEEE Transactions on Visualization and Computer Graphics， 2019， 25（1）： 65-75. 10.1109/tvcg.2018.2865041
21	LIU L， ZHANG H， LIU J， et al. Visual exploration of urban functional zones based on augmented nonnegative tensor factorization［J］. Journal of Visualization， 2021， 24（2）： 331-347. 10.1007/s12650-020-00713-3
22	DENG Z， WENG D， LIANG Y， et al. Visual cascade analytics of large-scale spatiotemporal data［J］. IEEE Transactions on Visualization and Computer Graphics， 2022， 28（6）： 2486-2499.
23	BLAZEICZYK K， EPSTEIN Y， JENDRITZKY G， et al. Comparison of UTCI to selected thermal indices［J］. International Journal of Biometeorology， 2012， 56（3）： 515-535. 10.1007/s00484-011-0453-2
24	WANG D， LI T， DENG P， et al. A generalized deep learning clustering algorithm based on non-negative matrix factorization［J］. ACM Transactions on Knowledge Discovery from Data， 2023， 17（7）： No.99. 10.1145/3584862
25	HUANG R， LI Q， CHEN L， et al. A probability density-based visual analytics approach to forecast bias calibration［J］. IEEE Transactions on Visualization and Computer Graphics， 2022， 28（4）： 1732-1744. 10.1109/tvcg.2020.3025072
26	BASIRI S， KAPADIA M， SALAPAKA S. Orthogonal non-negative matrix factorization： a maximum-entropy-principle approach［EB/OL］. （2023-03-22）［2023-03-29］.. 10.2139/ssrn.4397124
27	CHOI S. Algorithms for orthogonal nonnegative matrix factorization［C］// Proceedings of the 2008 IEEE International Joint Conference on Neural Networks （IEEE World Congress on Computational Intelligence）. Piscataway： IEEE， 2008： 1828-1832. 10.1109/ijcnn.2008.4634046
28	POMPILI F， GILLILS N， ABSIL P A， et al. Two algorithms for orthogonal nonnegative matrix factorization with application to clustering［J］. Neurocomputing， 2014， 141： 15-25. 10.1016/j.neucom.2014.02.018
29	ASTERIS M， PAPAILIOPOULOS D， DIMAKIS A G. Orthogonal NMF through subspace exploration［C］// Proceedings of the 28th International Conference on Neural Information Processing Systems — Volume 1. Cambridge： MIT Press， 2015： 343-351.

[1]	汤兴恒, 郭强, 徐天慧, 张彩明. 基于多尺度核自适应滤波的股票收益预测[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1385-1393.
[2]	邵怡敏, 赵凡, 王轶, 王保全. 基于区块链技术及应用的可视化研究综述[J]. 《计算机应用》唯一官方网站, 2023, 43(10): 3038-3046.
[3]	郭羽含, 田宁. 基于深度聚合神经网络的网约车需求时空热度预测[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3941-3949.
[4]	华亚洲, 丁琳琳, 陈泽, 王俊陆, 朱珠. 面向时空数据的区块链构建及查询方法[J]. 《计算机应用》唯一官方网站, 2022, 42(11): 3429-3437.
[5]	刘世泽, 秦艳君, 王晨星, 苏琳, 柯其学, 罗海勇, 孙艺, 王宝会. 基于深度残差长短记忆网络交通流量预测算法[J]. 计算机应用, 2021, 41(6): 1566-1572.
[6]	刘向宇, 夏国平, 夏秀峰, 宗传玉, 朱睿, 李佳佳. 个性化时空数据隐私保护[J]. 计算机应用, 2021, 41(3): 643-650.
[7]	刘黎, 胡海波, 杨涛. 探索会展环境时空数据的可视分析系统[J]. 计算机应用, 2020, 40(9): 2719-2727.
[8]	黄伟建, 李丹阳, 黄远. 面向空气质量的时空混合预测模型[J]. 计算机应用, 2020, 40(11): 3385-3392.
[9]	郭茂祖, 张彬, 赵玲玲, 张昱. 基于联合特征和XGBoost的活动语义识别方法[J]. 计算机应用, 2020, 40(11): 3159-3165.
[10]	贺怀清, 郑立源, 刘浩翰, 张昱旻. 基于用户自定义兴趣区的飞行员眼动数据可视分析方法[J]. 计算机应用, 2019, 39(9): 2683-2688.
[11]	丁景全, 马博, 李晓. 基于融合时空数据的车辆加油行为多视图深度异常检测框架[J]. 计算机应用, 2019, 39(11): 3370-3375.
[12]	王雪菲, 丁维龙. 面向高速公路大数据的短时流量预测方法[J]. 计算机应用, 2019, 39(1): 87-92.
[13]	蒲誉文, 胡海波, 何凌君. 基于多用户垃圾短信数据的伪基站活动轨迹可视分析方法[J]. 计算机应用, 2018, 38(4): 1207-1212.
[14]	侯海耀, 钱育蓉, 英昌甜, 张晗, 卢学远, 赵燚. 基于Hilbert-R树分级索引的时空查询算法[J]. 计算机应用, 2018, 38(10): 2869-2874.
[15]	陈煜, 蒋伟, 周继恩. 基于预测模型的轨迹数据压缩方法[J]. 计算机应用, 2018, 38(1): 171-175.

面向源-目的地流的多元时空数据可视分析

Visual analysis of multivariate spatio-temporal data for origin-destination flow

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 29

相关文章 15

编辑推荐

Metrics