地理可视化研究使用多种技术来表示和探索时空数据。这些技术的目标是使用户能够在空间和时间上探索事件和交互，以便于发现数据中的模式、异常和关系。然而，对于没有轨迹信息的非方向性统计数据，很难提取和可视化数据流模式。在本文[1]中，我们开发了一种新的流分析技术，以提取、表示和分析无方向时空数据流图，而不受轨迹信息的影响。我们估计这些事件在空间和时间上的连续分布，并利用重力模型提取空间和时间变化的流场。然后，我们使用流可视化技术可视化数据中的时空模式。用户在地图上呈现地理参考离散事件的时间趋势。因此，整体的时空数据流模式帮助用户分析地理时空的事件，如疾病暴发，犯罪模式，等来验证我们的模型，我们丢弃的轨迹信息在OD数据集和应用我们的技术数据和比较得出的轨迹和源。最后，我们提出了包括推特数据统计数据的时空趋势分析、海上搜救事件和症状监测案例。
在交通领域，对OD模式的研究能够帮助交通领域的专家研究城市交通的动态规律以及移动行为。但是大多数OD模式的研究多集中于对全局OD模式的探索，而很少针对具有一定限制的OD模式分析。基于这个需求，本文[1]提出公共交通数据中途经限制的OD可视分析方法，通过交互式过滤满足途经限制的轨迹，并提出新颖的可视化设计，帮助领域专家分析对应的OD模式。
2016年5月28日，北京大学可视化与可视分析实验室博士生陈思明受邀参加在中国人民大学举办的第九届R语言大会，在可视分析分会场做了关于“微博轨迹可视化”的演讲。报告介绍了实验室关于社交媒体可视分析的工作，从每个人的“微博足迹故事”出发，对单个人与人群的移动轨迹进行深入的可视分析。在场观众纷纷踊跃提问，现场与会后讨论交流热烈。本次可视分析分会场还有来自Tableau等公司可视化团队负责人以及利用R语言进行可视分析的学者。 继续阅读 »
在许多时候，我们需要对群体的移动进行分析。例如，对于一些动物的移动，我们可能会关心谁在路线确定上起领导作用，谁倾向于走在队伍的前列，每个动物的相对位置是否会随着时间变化。传统的分析方法可以提取移动特征，例如移动群体、相遇、趋势设定，但是却不能很好的表现这些特征。而相关的可视分析方法还很原始，目前只能显示群体属性随时间的变化，例如群体位置凸包的面积和形状随时间的变化。这些现有的方法都不能满足复杂问题的分析需求，例如动物的行为分析。对此，德国Fraunhofer Institute IAIS的Natalia Andrienko等人提出了空间变换的方法[1]。他们的方法可以对群体移动进行深入的研究。
目前，越来越多的出租车安装了GPS，从而产生了大量的出租车数据。这些数据记录了出租车的行为，反映了城市的生活方式，并且可以帮助出租车运行部门监控出租车运行状态、改进出租车的调度。以纽约出租车数据为例，在2009、2011和2012年共有5.4亿次载客，每次载客记录了出租车编号、司机编号、起始终止的时间和地点、行驶距离以及车费、小费和收费数据。这是一个典型的 Origin-Destination (OD) 数据，只有起始终止信息而没有轨迹信息。该数据原始大小为120GB，存储为一系列csv文件。然而，纽约的城市规划和交通专家目前并没有很好的工具来分析这些出租车数据。他们面临两大困难。首先，为了能够对数据进行筛选和统计，他们需要学习数据库查询语言 (例如SQL)，而这对他们很困难。此外，他们常用的工具 (例如Matlab、R、ARCGIS) 都无法处理如此大量的数据，因此他们每次只能研究数据的一个小样本。这样一来，他们通常只能根据经验猜想数据中可能存在某种现象，然后用一个小数据来验证，而对整个数据的全面探索无法完成。而且，由于要不断的用数据库输出小样本，再调用分析工具，整个工作流程非常繁琐，还容易出错。针对以上两点问题，纽约大学 Claudio Silva 教授带领他的研究组，开发了一个出租车OD数据分析系统TaxiVis [1]，能够对三年的出租车数据进行流畅的探索式分析，并且查询操作完全图形化，简单直接。
今年的EuroVis会议上有一篇关于移动数据中换乘模式的可视化工作[1]。文章以乘客在地铁系统内部的换乘为例，介绍了一种基于环形表示的可视化设计，如图1。它简洁的展现了在每个地铁站内，乘客进出站和乘坐或换乘线路的流量信息（统称为换乘模式），并支持不同地铁站和不同时间之间换乘模式的比较。
近期评论