如何理解城市人群的运动规律？数据电视海量轨迹可视化实践分析

跟踪数据与我们的生活密切相关:从清扫机器人的室内清洁线到跨省、跨大陆的跨境旅行，从共享自行车旅行到10年前的通信基站记录。就城市治理而言，挖掘人群和车辆的运动规律可以帮助决策者更好地规划城市交通，确保公共安全，应对紧急情况，并使城市变得更加智能和高效。

经典轨迹显示的局限性

经典轨迹显示的局限性

轨迹数据描述了时空维度上运动物体的空间位置和属性随时间的变化。在这些移动物体(例如人、车辆等)的移动过程中。)，他们的位置和其他属性通过他们携带的设备(如移动电话、传感器等)每隔一段时间记录一次。)以形成采样点数据。对于运动物体，多个采样点数据按时间顺序排列以形成物体轨迹数据。

然而，轨迹数据有许多来源(包括但不限于移动电话信号数据、车辆GPS数据、WiFi嗅探数据、登记数据等)。)和新数据不断生成，导致大量轨迹数据，造成严重的视觉混乱和渲染压力。因此，借助视觉分析技术，我们不仅可以保留轨迹数据的主要特征，还可以通过将轨迹数据转换成流场数据来大大减少数据量，从而更好地了解城市人群的运动规律。

当使用可视化分析技术分析和挖掘轨迹数据时，一项非常重要的任务是在交互界面上可视化轨迹，为用户提供观察和探索的空间。轨迹数据的表达已经在这一领域得到了研究，传统的方法有路径连接法和直线法。其中，path connection方法按时间顺序连接每个对象轨道数据中的采样点，然后使用其他视觉通道，如颜色、宽度和线条形状，对对象的其他属性进行编码。这种方法是轨迹显示最直观的形式，它可以清楚地显示运动物体路径的空间位置。datav在“基本平面图”和“3D图”组件的“线热层”子组件中使用这种视觉形式。

飞行路线方法类似于路径连接方法，只是它以动画的形式模拟移动对象的移动。一般来说，移动对象由带有箭头的线段编码，线段将按时间顺序在采样点之间移动。这种方法可以更清晰地反映运动物体的运动方向，并具有很酷的视觉效果。Datav的每个地图组件中的“飞行线层”和“3D地图”组件中的“弧线层”、“轨道层”和“路网轨道层”都是这种可视化方法的实现。去年11月公布的“闪电地图”中的闪电。

路径连接方法的应用: DataV中带有“线路热层”组件的国家物流网络可视化

飞行路线法的应用:利用Datav在一天内可视化杭州出租车轨道

飞行路线法的应用: DataV Double Eleven National Express“闪电”屏幕，每一次闪电都模拟了婴儿在真实道路网上从卖家发送到买家的过程

上述两种可视化形式都是经典的轨迹数据可视化方法，但也有其自身的局限性。当这些方法应用于海量轨迹数据时，由于数据量惊人，原始直观清晰的视觉表达中存在大量遮挡和重叠。如果处理不当，用户的观察和探索将会受到很大影响。此外，数据量的增加带来了巨大的绘制压力，用户需要不断提高硬件设备的性能来应对，从而实际上提高了轨迹分析的门槛。因此，对于海量轨迹数据，我们需要一种更有效的可视化方法来深入了解城市中运动物体的运动规律。

流场生成算法

经过研究，我们提出了一种用于海量轨迹数据的流场生成算法，该算法可以将特定时间段的轨迹数据转换成流场数据，从而表达和描述“人流”和“交通流”。该方法的特征在于，它不直接可视化质量轨迹数据，而是在某种程度上聚合轨迹数据，提取轨迹数据的主要特征，将轨迹数据转换成流场数据，然后通过选择合适的可视化方法显示流场数据。由于流场数据保留了轨迹数据的主要特征，同时大大减少了数据量，因此它可以清晰直观地反映城市中运动物体的运动规律，同时消除视觉遮挡并降低绘图压力。

算法的主要流程如下图所示:

1 )统计轨迹点向量

轨迹数据由几个采样点数据组成，包括轨迹点位置、时间和其他属性信息。我们首先根据所有采样点数据计算轨迹点的位置，然后根据轨迹数据中两个采样点之间的流入和流出，计算每个轨迹点的流入和流出矢量的方向和大小，包括轨迹数量和移动物体的速度。

2 )过滤轨迹点矢量

对于上一步骤中获得的所有轨迹点的进入和退出向量，该方法将根据轨迹号的自定义阈值对它们进行过滤，以获得每个轨迹点的主要进入和退出向量。

3 )生成轨迹点主向量

在该步骤中，该方法根据用户定义的流场方向，分类和聚集在前一步骤中获得的每个轨迹点的所有主要输出矢量，并且在每个方向上生成至多一个主要输出矢量和至多一个主要输入矢量。在生成每个方向上的主矢量的同时，有必要计算每个方向上矢量的平均速度、平均移动距离和平均差角。

4 )扩散轨迹点主向量

接下来，将n * m的网格平铺到用户指定的区域中，并且根据某些条件和规则，将每个方向上每个轨迹点的主矢量扩展到n * m的网格中。其中，当传播时，在网格中传播的矢量、方向和速度保持不变，轨道数量减少。只有满足以下条件，网格才会受到某个主矢量辐射的影响:

扩散网格中心与轨迹点之间的距离不大于轨迹点的平均移动距离；

当扩散矢量是传入矢量时，扩散网格中心和轨迹点形成的矢量与扩散主矢量之间的角度应该在[ 180°-平均差角，180°+平均差角之间]；当扩散矢量是输出矢量时，扩散网格中心和轨迹点形成的矢量与扩散主矢量之间的角度应该在[平均差角+平均差角之间。

5 )计算网格主向量

在前面的步骤中，同一网格可能会受到多个矢量辐射的影响，从而产生多个扩散矢量。因此，在这个步骤中，有必要计算每个网格中的聚集矢量(包括流场方向、移动速度和轨迹数量)，以获得最终流场数据。

该方法需要定义轨迹数、流场方向和网格数的阈值。道数阈值主要用于过滤道点矢量，过滤是为了保留主道并防止“噪声”干扰结果的准确性。然而，当流场被分成几个方向时，避免了相对方向上的运动抵消，从而可以保留更详细的信息，最终结果更准确。在定义网格数量时，需要平衡大量网格造成的计算压力和少量网格造成的粗略影响。为了使该方法在一定程度上自适应，我们在扩散矢量时没有采用固定的角度和距离，我们使用了所有方向的平均移动距离和平均差异角度，这样扩散可以适应不同的矢量分布，结果更合理。

轨迹流场情况

以上是大量轨迹数据的流场生成算法的简要流程，下图显示了2017年8月14日上午8 : 00至8 : 10之间某个城市根据手机信号数据的方法的可视化效果:

在这种情况下，我们使用粒子流来表示流场数据。网格中粒子的数量是轨迹的数量(移动物体的数量)。粒子的移动方向代表移动物体的移动方向。粒子的颜色和速度都代表移动物体的移动速度。速度越大，颜色越接近蓝色，速度越小，颜色越接近红色。同时，我们提供了一些控制来调整参数，如流场方向、轨迹数阈值和网格数，以进行交互式查询。这样，绘图量大大减少，视觉重叠减少，从而可以清晰地观察到城市中的人的运动。

datav不仅在大屏幕数据领域为各行各业的客户提供支持和服务，还积极探索大数据的可视化分析。无论是最近推出的智能场馆解决方案，还是大规模轨迹的流场生成方法，这都是一次新的尝试。我们不会忘记我们最初的想法，并继续努力为每个人带来更好的可视化产品。

作者:关华汇

这篇文章来自云社区合作伙伴Ali Technology