作者存档: Tangzhi Ye

用海量出租车轨迹数据选取广告牌放置位置(SmartAdP: Visual Analytics of Large-scale Taxi Trajectories for Selecting Billboard Locations)

interface

广告牌是最常见的室外广告形式之一。尽管电视广告等传统广告方式仍然占据主导地位,但是近些年来随着人们在出行上花费的时间越来越多,室外广告牌这种广告形式也变得越来越有价值。室外广告牌是否有效取决于他的内容设计,可见性以及放置的地理位置。其中地理位置被认为是最重要的因素。然而选取室外广告牌的放置点并非易事,传统选取室外广告牌位置的方法依靠领域专家进行人工的选取,找到多个潜在的地点,进一步计算每个地点的人流量分析、人群种类分布等人口统计信息,生成报告。提供给商户做参考和选择。这样的方法自动化程度不高并且十分依赖领域专家的知识。因此来自香港科技大学可视化团队的成员开发了SmartAdP,一个基于出租车轨迹数据选取广告牌放置位置的可视分析系统。
继续阅读 »

SemanticTraj:针对海量轨迹数据的一种新的交互尝试(A New Approach to Interacting with Massive Taxi Trajectories)

pipeline

随着传感器技术的发展,越来越多的轨迹数据可以被采集,例如出租车的轨迹数据、滴滴和Uber记录的轨迹数据,数据能够帮助专家进行城市交通规划。然而现有的轨迹可视分析系统都需要大量的交互例来支持分析,需要,分析人员需要学习系统并并且使用大量繁琐、耗时的交互来完成分析。针对这些问题,这篇文章提出了SemanticTraj的可视分析系统。通过把轨迹数据转化为文本描述数据,通过文本搜索的交互方式对轨迹数据进行查询分析。一方面,通过数据文本搜索的查询方式不需要分析人员进行专业训练,因为我们比较熟悉百度、Google 这样的搜索引擎。另一方面,把轨迹数据转化为文本描述能提供高层次的信息,更容易帮助用户总结分析结果。
继续阅读 »

用时序MDS视图分析高维数据(Temporal MDS Plots for Analysis of Multivariate Data)

2

在大数据时代,数据的维度越来越丰富,一个数据往往拥有许多属性(Multivariate)。同时数据越来越多的数据带有着时间属性,如何分析高维数据的在时间上的模式成为一项挑战。在现实中,这类数据包括了计算机通络流量数据、医疗数据、金融数据等。可视分析技术致力于帮助人们理解复杂的数据并且找到数据中蕴含的模式。在2015的VAST论文中,来自德国Konstanz大学的小组提出了时序MDS视图(Temporal MDS Plots)的方法帮助分析高维数据在时间上的模式。 继续阅读 »

TrajGraph:利用出租车轨迹数据和图模型可视分析城市道路的重要程度(TrajGraph: A Graph-Based Visual Analytics Approach to Studying Urban Network Centralities Using Taxi Trajectory Data)

图片 1

出租车是城市交通情况的探针。近些年来,许多城市都在采集出租车GPS轨迹数据。同时,越来越多的机构例如交通局、公司或者研究机构利用这类数据做分析。来自Kent State大学的这个工作利用图模型分析轨迹数据,分析城市中不同区域在交通中的重要程度。把路网数据的每个路段当做图的顶点,用1.道路长度、2.车流量、3.旅行时间、4.车速四种方式定义不同类型的图,在不同的时间段生成不同的图。利用图分析中的Pagerank和betwneeness的概念度量节点的重要性,分析深圳市的交通状况。

继续阅读 »

对交通流的可视化、选取与分析(Visualization, Selection, and Analysis of Traffic Flows)

2.pic_hd

移动物体(Moving objects)例如车辆、血管、飞机、或者行人的轨迹是一种常见的数据。当这些移动物体不是随机地运动,而是有一定的行为模式,例如飞机的航线是固定的,城市中车辆的轨迹反应人们出行的规律,这时我们把这类轨迹的集合成为交通流(Traffic Flow)。然而可视化交通流面临许多挑战:

1.如何可视化所有轨迹的概览(overview)能让用户轻松的找到他们关心的交通流。

2.如何选取交通流。

3.如何分析交通流的运动特征(例如方向,速度,海拔高度等)。

4.如何对比不同的交通流。
继续阅读 »

矩阵可视化中表现形式和并列排布方式对视觉感知的影响(The Effects of Representation and Juxtaposition on Graphical Perception of Matrix Visualization)

TileMatrix

图数据(或网络结构数据)是一种常见的由顶点和边组成的数据类型,例如人与人的社交网络,计算机网络架构。对于网络数据的可视化通常有矩阵(matrix)和点边图(node-link graph)两种形式。本文[1]专注分析无向图数据的矩阵可视化。包括分析两种矩阵的表现形式:方形矩阵(square matrix)和三角矩阵(triangular matrix),以及基于三角矩阵的三种并列排布方式:并排(side-by-side),背靠背(back-to-back),互补拼接(complementary) 对用户的影响。并且基于分析的结论提出了用于时变(time-varying),多属性(multi-faceted),带权重(weighted)的无向图数据的可视化设计—— TileMatrix。 继续阅读 »