基于OD数据感知城市动态结构演化规律的可视分析方法   0    0

本发明公开了一种基于OD数据感知城市动态结构演化规律的可视分析方法，包括如下步骤：步骤1：收集OD数据，并存储在数据库中；步骤2：对位置进行聚类，对轨迹按位置聚类和小时聚合；步骤3：按小时构建位置聚类网络序列，表征每小时内各个聚类间的流量关系；步骤4：基于位置聚类网络序列，定义LDA模型，训练得到主题模型，并对主题基于重要程度排序；步骤5：设计主题‑时间视图，可视化不同主题在每个位置网络中的概率分布，展示不同主题随着时间的演化特征；步骤6：设计边关联视图，直观展示重要区域的空间分布和它们之间的流量关系；步骤7：设计边流量时间分布视图，展示边关联视图中每条弧线在不同时间步下出现的概率。

1.一种基于OD数据感知城市动态结构演化规律的可视分析方法，其中OD数据指交通起止点数据，包括如下步骤：
步骤1：收集OD数据，并存储在数据库中；
步骤2：对位置进行聚类，对轨迹按位置聚类和小时聚合；
步骤3：按小时构建位置聚类网络序列，表征每小时内各个聚类间的流量关系；
步骤4：基于位置聚类网络序列，定义LDA模型，LDA模型指文档主题生成模型，训练得到主题模型，并对主题基于重要程度排序；
步骤5：设计主题-时间视图，可视化不同主题在每个位置网络中的概率分布，展示不同主题随着时间的演化特征；
步骤6：设计边关联视图，直观展示重要区域的空间分布和它们之间的流量关系；
步骤7：设计边流量时间分布视图，展示边关联视图中每条弧线在不同时间步下出现的概率；
所述步骤1包括：
获取OD数据集，并存储在轨迹记录表中，一条轨迹记录trajRec表示如下：
trajRec＝[startLocLong,startLocLat,startTime,endLocLong,endLocLat,
endTime]
其中startLocLong和startLocLat为出发地点的经度和纬度，startTime为出发时间，endLocLong和endtLocLat为到达地点的经度和纬度，endTime为到达时间；
所述步骤2包括：
步骤2.1：对所有位置进行聚类：假设locSet＝{locLongi,locLati}(1≤i≤n)为包含所有出发地点和到达地点的位置集合，一共有n个位置点；locLongi和locLati为第i个位置点的经度和纬度；第i个位置点和第j个位置点之间的距离定义为：
使用k-means算法根据距离定义将地理相
邻的位置聚合在一起，获取得到位置聚类集合cluLocSet＝{cluLoci}(1≤i≤k)，其中k是聚类个数，一个位置聚类cluLoci中包含了多个相邻的位置点；
步骤2.2：将轨迹按位置聚类和小时聚合，基于trajRec，以小时为单位统计某两个聚类间在单位时间内的人流量，并存储加速后续计算；聚合后的一条记录trajAggrRec表示为：
trajAggrRec＝[startDate,startHour,startCluLoc,endCluLoc,flowNum]
其中startDate表示出发日期，startHour表示出发小时，可以从starttTme中提取得到；startCluLoc和endCluLoc表示出发和到达的位置聚类的ID，flowNum表示在某日(startDate)某小时(startHour)内，从startCluLoc内出发到达endCluLoc的人流量；
所述步骤3包括：
按小时构建位置聚类网络序列，表征每小时内各个聚类间的流量关系；假设Gτ＝(cluLocSet,Eτ)表示在时间步τ下的位置聚类网络，用一个图结构表示；其中位置聚类集合cluLocSet被看作是顶点集合，Eτ为边集合；eijτ∈Eτ表示在时间步τ内从cluLoci出发到达cluLocj的人流量，具体的值从trajAggrRec中查询得到；然后按小时构建位置聚类网络序列NS＝{G1,G2,...,GT}，T为所有时间步的总数，由待分析的时间段内的日期数d决定，T＝24×d；
所述步骤4包括：
步骤4.1：基于位置聚类网络序列，定义LDA模型；LDA模型包含3层：文档、单词和主题；
一篇文档是由一组单词构成的集合，所有的文档集构成了一个语料库；一篇文档可以包含多个主题，文档中每一个词都由其中的一个主题生成；将每个时间步下的位置聚类网络Gτ看作是一篇文档，从而位置聚类网络序列NS＝{G1,G2,...,GT}构成了一个语料库；将边集合Eτ看作是一篇文档Gτ中的单词集合，一条边的权重eijτ对应于一个单词在一篇文档中出现的频率；主题为网络序列中的结构信息，隐含了城市动态相关的、重要的语义信息；
步骤4.2：通过将位置聚类网络定义为文档，将网络中的边关联定义为单词，训练得到一个主题模型，推理OD数据集中隐含的K个主题；采用EM算法训练得到模型参数，EM算法指最大期望算法，采用Gibbs采样计算得到2个概率分布：网络-主题概率分布和主题-边关联概率分布；对于网络-主题概率分布来说，每一个网络代表了一些主题所构成的一个概率分布；用θτ表示网络Gτ的主题概率分布，θτ,k表示主题k在Gτ网络中的概率；对于主题-边关联概率分布来说，由于每一个主题又代表了很多边所构成的一个概率分布，一条边在不同的主题上具有不同的概率；对于主题k，计算得到的边关联概率由 表示；在一个主题中，具有高概率的边被认为更能代表那个主题；
步骤4.3：对主题基于重要程度排序；由于每个主题在不同的位置聚类网络中具有不同的概率，一个主题在所有网络中的概率和表征了这个主题的重要程度；对于第k个主题,计算 表示第k个主题在所有网络中的概率和；sumProk的值越大，表示对应
的主题越重要；在计算得到所有主题的sumProk后，基于此对主题进行重要程度排序。

2.如权利要求1所述的基于OD数据感知城市动态结构演化规律的可视分析方法，其特征在于：所述步骤5包括：
设计主题-时间视图，展示不同主题随着时间的演化特征；x轴对应于分析时间段内的每个小时，具有不同属性的日期用不同的颜色表示；红色表示节假日，蓝色表示周末，黑色表示工作日；y轴代表主题；每个主题采用一种颜色机制映射；在右上角显示颜色图例，颜色越深，表示概率值越大；图中的每个小矩形表示对于一个主题k在某个位置聚类网络Gτ中的概率值，由θτ,k所提供；当鼠标移动到一个小矩形上时，显示相关的日期、小时和概率值；用户可以改变分析的时间段在更细的时间粒度上观察数据；主题1表示最重要的，主题2为第二重要的，以此类推；通过观察不同主题出现的时间段，为主题赋予相应的语义标签。

3.如权利要求2所述的基于OD数据感知城市动态结构演化规律的可视分析方法，其特征在于：所述步骤6包括：
设计一个边关联视图，展示对于每个主题来说重要区域的空间分布和它们之间的流量关系；当点击主题-时间视图中纵坐标上的一个标签时，显示相应的边关联视图；对于第k个主题，从位置聚类cluLoci出发到达cluLocj的一条边的重要程度impijk可以计算为：
其中 表示在 中从位置聚类cluLoci出发到达cluLocj的这条边的概率值；
impijk为流量大小乘以边概率值的概率总和；
在边关联视图中，一个蓝色的点代表一个位置聚类，根据位置聚类的中心在地图上绘制；带有箭头的弧线表示位置聚类间的流动强度；由于位置聚类可能具有内部流量，也就是说人们从某个聚类内的位置点出发，到达的位置点也在该聚类内，在蓝色的点外圈加上一个圆环来表示内部流量；对于弧线来说，边的重要程序由边的颜色和粗细双编码；颜色采用“紫色-橙色-黄色-绿色”的渐变色编码；一条弧线越粗、颜色越紫代表流量越大；对于外圈圆环来说，只使用渐变色来编码内部流量的重要程度；为了更清晰地展示重要的边，对弧线根据它们的粗细进行排序；在地图上绘制弧线时，首先绘制较细的、不重要的弧线，将重要的、较粗的弧线绘制在最顶层；用户还可以根据弧线的重要程度对它们进行过滤，通过输入一个阈值，对于impijk小于阈值的弧线不予以显示。

4.如权利要求3所述的基于OD数据感知城市动态结构演化规律的可视分析方法，其特征在于：所述步骤7包括：
当点击边关联视图中的某条弧线时，动态显示相应的边流量时间分布视图；其中横坐标代表小时，纵坐标代表某小时内的流量概率值；由于点击某条弧线时，已经得到了该弧线对应的出发位置聚类ID(i)和到达位置聚类ID(j)，因此每小时内的流量概率值为