交通大数据可视化管理在城市规划中的重要应用分析

伴随着交通系统的迅速发展，交通早已变成人们日常生活一个关键的构成部分。据调查，大城市中大体上有40%的人口数量每日花费1小时在交通上。殊不知，当代城市中海量的人口数量以及交通工具造成了许多环境污染问题，例如交通拥挤、交通安全事故和环境污染等。

伴随着大数据可视化的浪潮，在交通数据中应用可视化能够 协助大家合理地了解移动车辆的行为、发现交通在时空上的方式，进而为交通优化等出示管理决策信息。当今交通系统时时刻刻都是产生海量的数据，例如，的士上配用的GPS传感器会记录的士的行车运动轨迹；街道社区监控摄像头会记录车子的通过状况。并且，伴随着大城市越来越大，轿车逐渐增多，监控逐渐增多，交通数据的经营规模拥有爆炸性的提高。在这类状况下，直接对交通数据展开分析的传统式方式 早已变得越发的艰难，并且效率急剧下降，数据发掘、深度学习和可视化等智能化系统技术的深层次和普遍应用早已变得势在必行。尤其地，可视化能够 将客户和数据直接相关，适用客户以简易可视性的方法与数据展开互动，从而完成客户智慧和设备智慧相融反馈，能够 极大地提高分析和管理决策的高效率与精准度。

首次将交通可视化做为一个单独的科学研究与主要用途进行工作，觉得这一技术是通往将来新型智慧城市的必然选择。狭义上来讲交通可视化便是对交通系统中产生的数据展开编码，根据照片、数据图表的方法向客户展现交通数据，适用客户互动的分析交通数据，主要包含目标运动轨迹的可视化、监管数据的可视化及其公路网实时路况的可视化。运动轨迹的可视化一般是将交通系统中的实体（例如的士、公共汽车、非机动车这些）的运动轨迹在地图上用线框的方法展开展现；而监管数据的可视化则能够 依据监管的种类分成基于监管恶性事件的可视化和监控录像的可视化；对于公路网实时路况的可视化，则一般是根据热力地图等技术可视化实时行驶情况和拥挤情况等。

广义的交通可视化则能够 了解为在交通智能化分析系统中能够 运用的全部可视化技术的总数。一个智能化分析系统一般能够 大体上的拆分为数据收集、数据预备处理、数据查询和数据分析四个部分。除开数据收集外，其它三个部分都是有可视化技术的施展空间。例如，在数据预备处理全过程中，收集到的初始交通数据将会存在包含重复、缺少在内的各式各样的难题，可视性数据清理能够 协助用户对初始交通数据展开去重复、补齐等实际操作，提升数据的易用性；在数据查询全过程中，根据可视化的查询页面，协助客户提升查询条件，分析查询结果等等；在数据分析全过程中，可视化技术能够 与其它数据分析方式 紧密结合，适用客户干涉数据分析步骤。

1.交通可视化起源

伴随着交通系统的不断完善，大家针对交通出行的需求越发的迫切。为了提高交通系统对于大家的服务水平，交通数据的可视性分析饰演了一个关键的角色。数据可视化尽管是刚兴起的学科，可是可视化方式 在交通数据的分析全过程中存在已久。

地铁出现距今百余年时间，现阶段最早的地铁工程项目追朔至1863年的伦敦大都会铁路。为了向群众展现地铁在大城市中的遍布状况和停靠点详细地址，人们应用线框和小圆点在城市地图上形象化地表明地铁路线。下图是1907年英国伦敦TheEveningNews公布的“伦敦地铁地图（TubeMap）”，在其中不同的地铁路线应用可以显著区别的色调展开编码，站点位置均选用地图上的真实位置。

初期地铁线路图一般 将视觉效果元素直接累加在真实占比的城市地图上。殊不知在大家交通出行时，许多情况下并不一定考虑到精确的站点所在位置，只需要关心“我从某地出发，乘某条线，能到某一站点”这样的信息内容，就已足够满足交通出行需要。因而当代地铁图舍弃彻底迎合真实占比地图，继而应用较为整齐的“示意性”合理布局计划方案。大家以现阶段全新的上海城市轨道平面图为例子，在其中所有用以表明路线的线框均由水平、垂直线和贴近四十五度的斜线段构成，其站点位置的放置仅大体上表述了站点在大城市中所处的位置。这类整齐的合理布局设计能让人更为专注于获取“起始点——终点”信息内容，而不用费劲地追踪本来盘根错节的曲线图线框。然而真实占比的地铁地图并不是彻底被遗弃，地铁口常常会在非关键位置放置真实比例图，出示给需要参照精确所在位置的旅客应用。

制做地铁线平面图的工作最初通常由设计师进行，其站点位置完全由人工分配。但是在站点和路线关联繁杂的大城市中，怎样转化成这类整齐的地铁线平面图确实是一门大学问。伴随着优化计算方法的引进，许多专业的优化算法都能够用以转化成这种地形图，并适用添加各种各样约束（如维持总体样子、降低交叉式数量、降低应用斜线等），以转化成不同要求下的平面图结果，供设计师和领导者参照。早在一个世纪前，Étienne-JulesMarey为了分析列车交通系统的运作情况，设计了一个展现火车时刻的数据图表。如下图所示，多条时间线平行遍布，每一个时间线对应一座地铁线，沿纵向依据地铁线间自然地理间距遍布。每一条曲线联接不同时间线上的时间点，表明每一列火车在每一个停靠点停靠的时间。另外，线的斜率体现了火车的速度：越倾斜意味着火车速度越快。如今大家称这样的数据图表为Marey’sGraph。

2.可视化方式

交通数据主要指的是由移动终端的相位传感器和安装在路面上的监控所生成并且搜集的数据。比如，的士GPS运动轨迹数据记录了车子实时的精准地理坐标位置，手机用户的通信基站数据记录了手机用户出入的通信基站编号，路面上的监控系统实时录制、拍摄和计数过往的汽车信息。运动轨迹数据是一种最普遍的交通数据，每一个运动轨迹记录点不但包括位置信息，另外还记录了当时的时间。事件日志出示了大量有关城市交通路面上的词义信息内容，能够 提高大家对出现异常运动轨迹的了解和分析，例如拥堵、车祸事故等恶性事件。交通数据的可视化方式 主要分成三类：统计分析、时空运动轨迹和多维度编码。

2.1统计分析

热力地图做为最基础和普遍的可视化方式之一，一般 用以表述单一数值（如交通量、总数、忙碌水平等）在不同位置上的遍布。下图是美国纽约2011年中某一周的的士经营情况，在其中，地图上每一个像素点的色调浓淡意味着该位置每钟头的均值运营量；色调越重，则意味着该位置的士上下客越频繁。因而在热力地图的色调遍布中，大家可直观见到大城市热闹地域的的士客运更为忙碌。

2.2时空运动轨迹

运动轨迹数据有着丰富的时空信息内容，我们可以从时间和空间视角对运动轨迹数据展开可视化。运动轨迹的时间特性主要有线形时间和周期性时间两类。线形时间能够 应用基于时间轴的可视化方式 编码，时间轴的两边编码了数据的起止时间。下图中的主视图选用时间轴的方式 可视化了地铁线相对路径挑选与时间的关联。从一个停靠点出发，客户能够 依据地铁线网络挑选随意一个停靠点下车，水平轴上的长短代表了整一趟旅程所花费的时间。针对周期性的时间，例如周、天、小时，最常见的可视化方式 是环形布局。

空间在运动轨迹分析中是十分关键的特性，人们的社会实践活动都和位置息息相关。运动轨迹的空间特性能够基于线展开绘图。将货轮的航道用曲线绘图于地图上，出示船舶的检测服务项目。然而，如果直接绘图规模性的运动轨迹，显示屏上便会充斥着很多复杂的运动轨迹，可视性分析系统的使用人就没法展开了解分析。可视化研究者明确提出了边绑定优化算法对类似的运动轨迹展开汇聚。下图所显示的是美国地域的飞机场运动轨迹。在我们选用边绑定的优化算法对样式相近的运动轨迹展开聚类算法，客户能够清晰地见到美国州与州之间的航行状况。

2.3多维度编码

热力地图和轨迹图等可视化方式一般只有编码较少的层面信息内容。当数据层面较多时，通用性可视化方式开始越来越无法掌控如此繁杂的信息内容，因而需要针对应用领域和分析任务针对性设计适合的视觉编码。诸如，时空立方体（STC）是一种表述时空运动轨迹的常见方式 ，在其中物块的运动轨迹使用从地图平面慢慢向上边拓宽的线框展开表述。以便呈现运动轨迹不同位置上的各种特性（诸如群体种类，车辆型号，产生恶性事件的详细资料等），运动轨迹线框上还能够在相对位置加上色调、点、图形或者独特设计的图符等。如下图所示，曲线编码了车子在室内空间和时间维度上的位置，在其中色调从红到绿编码了移动速率，一些遭受交通拥挤的运动轨迹非常容易被辨别出来。

2.4查询

大城市交通公路网分析对于交通管理方法有一定的指导作用。目前的公路网分析方式 一般需要布局特殊的机器设备和专业工作人员实地收集数据，过程也多采用多次尝试错误的方法调整各种实体模型主要参数，需要很多的人力资源和物力资源。城市交通运动轨迹数据储存了很多车子长期性行车记录，数据覆盖城市绝大多数路面，有益于市政道路总体评定。陈为教授团体明确提出了一种根据路面的轨迹查询实体模型，对运动轨迹数据创建了双重链接哈希索引提高查询效率。他们设计的可视化系统里将路面做为空间查询管束，把路面上车流模式区分为四种拓扑结构方式：leave，cover，enter和cross。另外，系统出示了刷选工具，分析师能够随意挑选路面，根据该路面的车流热力地图，数据图表等对路面展开评定和分析，见下图。根据具体范例分析，该系统能够发现潮汐车道以及“分界点”等市政道路的车流方式特征。

针对交通运动轨迹数据的信息内容发掘和专业知识获取愈来愈关键，目前的工作中大多数都紧紧围绕对特定地理位置地域和时间范围的运动轨迹数据展开过滤。而对于特殊的分析任务，查询难度系数就大大的升高了。诸如商城的管理人员，希望了解在城市的哪些位置放置摆渡车子。赵烨教授团体研发了一种可以根据词义的规模性运动轨迹查找方式 。系统将超多运动轨迹数据变换为两种不同的索引文本文件进而适用对的士和对于行程安排的快速搜索作用（见下图）。权威人物或技术人员能够根据输入含有词义的查询语句对运动轨迹展开查找。诸如客户能够查询通过特定的街道社区或位置的运动轨迹。统计分析主视图、文字主视图和环境地图从不同的分析视角呈现查询结果。最终团体根据对商城运动轨迹的具体范例分析，发现了如“商城繁忙路段”、“最喜欢来商城购物群体”及“最受欢迎商业圈”等有使用价值的信息内容。

2.5统计分析

手机位置数据可用以科学研究城市中的群体流动性方式与特点。然而针对城市级别的超多位置数据，分析师首先希望从宏观经济视角查询和探寻整体数据集，获取对数据遍布和特点的大概印像。如下图所示，陈为教授团体将客户在手机通信基站间的流动率做为网络流展开模型，对城市范畴内的移动用户的移动行为特点从四个层面展开可视化：①根据通信基站的总流量分析，应用独特设计的视觉编码展现每一个通信基站上的总流量和方位遍布；②通信基站总流量的时序特点分析，用以分析通信基站总流量随时间的分布和规律性起伏；③通信基站间总流量的相对密度图可视化，应用相对密度图方式 展现通信基站间的流动性关联和人流相对密度；④融合社交媒体关联的群体流动性可视化，根据在同一社交圈中的移动用户在地域上的移动挖掘群体社交媒体关联与所在位置间的关系。

2.6查询逻辑推理

“新型智慧城市”一词萌芽于如今的数据爆炸时期。社交网络，车辆人流，设备图像等各行各业汇聚了超多数据信息内容。大家开始结合多行业数据，期待获取更为全方位的分析结果。多源异构数据的查询与逻辑推理可以最直接的融合每个数据集的知识。“Stepbystep”的数据分析方式 运用上一步分析结果，具体指导并影响下一步的分析，运用逻辑推理方式对多数据源的城市数据展开分析。对于查询逻辑推理的可视性分析工具则能让人更为直观便捷的输入查询条件，搭建逻辑推理步骤，获取分析结果。浙大陈为教授的团体研发了一种可以运用于城市规划建设，交通管控和情景重现的可视性分析系统。系统根据创建高效率的数据索引，出示对多源异构城市数据的查询、展现和逻辑推理，能够完成繁杂的城市分析任务。系统中，繁杂的环境污染问题能够被拆分为多个简易的原子查询，进而创建逻辑推理步骤，进行分析。如下图所示案例，微博的博主期待找寻在的士上遗失的手机。分析人员最先在房屋建筑信息内容数据中查找到行程安排起始点和终点的位置。随后，根据对的士运动轨迹数据的O-D查询，精准定位到两辆当夜通过起始点和终点的的士。系统根据对的士运动轨迹的情景重现，融合的士的载人情况与微博叙述，进而锁住了乘客乘座的的士。

3.系统案例

文中以数个交通数据可视性分析系统的案例详细介绍交通模式发现和交通趋势监管。交通数据可视化的一个重要目标便是发现和分析交通系统中实体的移动方式。一种移动方式能够叙述交通系统中一组实体的移动方法。根据将可视化技术与聚类算法等数据发掘的方式 紧密结合，便能够适用客户互动的探寻交通数据中实体的移动方式。诸如，在TripVista中，就运用了streammap，平行坐标图等可视化技术对一个十字路口中，非机动车、公共汽车、小汽车、单车等实体的移动方式展开了可视化的分析，如下图所示。

交通可视化的另一个关键目标便是对交通趋势的可视化监管。可视化监管的总体目标就是以交通监管数据中发现在交通系统中出现的一些意外事故，例如车祸事故、汽车抛锚等等。一般状况下，交通监管系统造成的数据量是十分巨大的，由于这种系统时时刻刻都会不断的产生数据。因而，直接从初始的监管数据中寻找交通系统中产生的独特恶性事件是十分费时间且艰难的工作。如果运用可视化技术，就可以让客户依据可视化出示的一些视觉效果线索，从宏观到微观，自顶向下地找寻交通数据中存有的一些恶性事件。例如，AIVis就最先从视频监控系统中提取出交通恶性事件，随后再根据可视化的方法展现在隧道施工中产生的恶性事件；而T-Watcher则是一个监管和分析城市中繁杂交通情况的可视性分析系统，根据各种主视图来展现城市中不同限度下的交通状况，正确引导客户从整体城市的宏观交通状况探寻到一个比较微观的限度中，监管一小部分车辆的行车状况。

4.结语

交通大数据给我们带来了无限的机会，另外也存在着极大的挑战。怎样看待、分析和预测交通数据，是大家这个时期所面临的难题。可视化是处理分析大规模非结构化交通数据的一把关键的钥匙。根据对交通数据的互动式分析，可视化技术将用户智慧和设备智慧相融反馈，从而优化并且处理交通难题。坚信在不久的将来，我们可以享受到更为高效的城市交通系统，生活在一个方便快捷的新型智慧城市中。