时空流图：可视化城市运动和接触模式的新技术

视觉信息学1（2017）57用于可视化运动和接触模式的时空流图倪冰a，b，沈乔木a，徐佳怡a，曲华民a，*a香港科技大学计算机科学与工程系，香港九龙清水湾b香港沙田香港科学园核心大楼2号525-530室华为技术有限公司诺亚ar t i cl e i nf o文章历史记录：2017年1月18日在线提供保留字：时空数据流图城市交通a b st ra ct先进的电信技术和海量的智能手机用户，产生了大量的人们一体化通信记录的实时数据借助电信数据和城市的领域知识，我们现在能够以前所未有的规模分析人类的运动和接触模式流图被广泛用于显示人类从一个单一的源到多个目的地的运动，通过将位置表示为节点，将运动表示为边。然而，它无法实现运动和接触数据的可视化。此外，分析师经常需要并排比较和检查模式，并进行各种定量分析。在这项工作中，我们提出了一种新的时空流图布局，以可视化何时何地来自不同位置的人移动到相同的地方，并进行接触。我们还建议将时空流图整合到现有的时空可视化技术中，形成一套可视化运动和接触模式的技术我们报告了一个潜在的应用所提出的技术可以应用。结果表明，我们的设计和技术正确地揭示了隐藏的信息，而分析可以有效地实现©2017由Elsevier B.V.发布代表浙江大学和浙江大学出版社。这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍近十年来，随着数据量的不断增加(1) Ferreira等人 （2013a，b）使用出租车和轨迹数据进行城市分析。Liu等人 （2011）使用出租车数据来建议路线，Wu et al. （2014）使用交通数据挖掘边界变化模式。(2) Zeng等 （2013）在挖掘交换模式中使用了公共交通数据。(3) vonLandesberger等 （2016）使用从Twitter收集的数据进行移动性分析。(4)越来越多的工作是使用电信数据进行的（Ratti等人，2006; Shen和Ma，2008; Kang等人， 2010; Pu等人， 2011; Loibl和Peters-Anders，2012; Deville等人，2014年;Wu等人，2016年）。据我们所知，电信数据在上述所有数据源中是非常独特的。其独特性主要体现在三个方面。首先，覆盖的人口众多。例如，某电信运营商在华南最大的城市广州市拥有数百万注册客户其次，大规模通讯作者。电子邮件地址：huamin@cse.ust.hk（H. Qu）。同行评议由浙江大学和浙江大学出版社负责http://dx.doi.org/10.1016/j.visinf.2017.01.007随着智能手机用户的大量增加，产生了大量的实时数据例如，一种电信数据，即业务服务段（BSS），在2014年积累了大约24 GB的数据量，每天大约有2.5亿条记录第三，电信数据被称为因此，电信大数据以其唯一性、覆盖人群数量多、电信记录量大等特点，成为研究人类行为的重要知识库。对人类行为的探索，尤其是运动和接触模式的探索，在实际应用中具有潜在的商业价值。例如，在传染病传播跟踪和预防中，关键问题是跟踪传染病传播。具体来说，当一个居民区（A源）发生疫情时，我们需要迅速找到A源居民前往的热点为了防止疾病从A传播到附近的居民区（源B），我们需要找出热点，2468- 502 X/©2017由Elsevier B. V.发布代表浙江大学和浙江大学出版社。这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表视觉信息学期刊主页：www.elsevier.com/locate/visinf*58B. Ni等人/视觉信息学1（2017）57=来自两个区域的人接触，使得仅在热点上发布适当的疾病预防，而不是关闭区域B并给居民造成不便。总之，我们需要回答这样的问题：人们经常访问的地点是什么，他们最常访问热点的时间为了回答上述问题并促进有效的决策制定，可以表示复杂的移动和接触模式（即，移动模式）是必要的。现有的可视化技术只能部分显示移动模式，无法完成上述任务。在这项工作中，我们提出了一个时空流图，它的目的是可视化的运动和接触模式作为一个整体。据我们所知，还没有进行同时可视化运动和接触模式的工作。我们相信移动模式发现在商业应用中很重要，我们希望这第一次尝试可以阐明所提出的技术如何促进决策。总之，我们的专业本文的贡献是：一视觉设计的时空流地图;一个潜在的应用所提出的时空流图，这表明如何视觉设计可以导致有趣的发现。本文的其余部分组织如下。在第2节中，我们介绍了相关的工作，其次是在第3节中提出的时空流图的可视化设计的细节。在第4节中，我们描述了要使用的电信数据以及数据处理。在第5节中，我们通过将其应用于潜在的应用程序来评估所提出的技术的视觉设计在第6节中，我们讨论了视觉设计的局限性最后，在第7节中，我们总结了我们的论文，并提出了未来的工作。2. 相关工作在最近的一项工作中（von Landesberger等人， 2016年），城市中的流动性分析指的是一群人从一个地点到另一个地点的移动。作为先决条件，使用时空特征进行聚类，使得聚类包含物理上相邻并且共享共同的运动时间分布的区域在可视化设计方面，构建了一个移动图来可视化图，其中节点表示一个簇，边表示从一个簇到另一个簇的单向移动边缘的厚度编码了运动的密度，即运动所包含的人数越多，边缘就越厚。视觉设计在分析两个集群之间的运动是否平衡方面不幸的是，他们的工作只集中在运动模式，而接触模式被忽视。Wu等人 （2016年）也致力于流动性分析，更侧重于共现。具体来说，共现分析是为了找到多个源在多个目标中共现，即，来自多个来源地点的人在同一时间跨度访问不同的目标主要研究同现中的相关性，给出了MxN同现的一般问题定义，M是源位置的数量，N是目标位置的数量。考虑到一个城市有数千个地点，即使是N2，也可能有数万种同时出现的可能在大量的共现组合中，作者详细阐述了如何在可视化分析系统中进行然而，拟议的制度也有其局限性。对于没有专业知识的用户来说，他们可能期望更直接的方法来显示模式。鉴于上述工作和现有的可视化技术，我们观察到，他们不能直接应用解决我们的问题，即在整个布局中显示动作和接触，以便于比较。时空数据中普遍存在着运动和接触模式，如何将这些复杂的运动模式可视化是视觉设计的如下，我们确定了在这项工作中要处理的两个主要(1) 在视觉设计中，移动和接触模式并排是期望的，因为视觉分析师总是需要比较这两种模式，其中移动模式比接触模式更频繁。他们可能想回答这样的问题：与移动相比，接触率是多少？居住区与商业区（CBD）之间的接触率有何不同？为 了 获 得 运 动 和 接 触 模 式 的 概 述 ， 图 （ Cui 等 人 ， 2008;Dorling等人，2006; Holten，2006; Ferreira等人， 2013a可以使用。一个节点表示一个特定的位置以及与该位置相关的一组人。如果在两个节点之间有一条边，这意味着在两个位置之间发生了移动或接触模式。给定一个包含数千个独特位置的城市，图中最多有数千万条边，导致严重的视觉混乱。在这种极端情况下，为了减少图中的视觉混乱，可以使用Holten（2006）、Cuietal.（ 2008 ） 、 HoltenandVan Wijk （ 2009 ） 、 TeleaandErsoy（2010）和Zhouetal.（2013但图形的主要问题是它只给出了概述信息，而缺少许多其他详细信息，例如地理信息，运动方向在最近的一项工作中（vonLandesberger等人， 2016年），地理信息以某种方式被添加到图表中。此外，流和流图（Phan等人， 2005; Guo，2009; Andrienko等人，2012，2013 b，a; Zeng等人，2013; Andrienko等人， 2014;Zhao等人， 2014年）已被广泛应用于显示地理信息以及流动方向。与图相同，流图中的节点表示与特定位置相关联的一组人。给定根（源节点），如果存在从源到某个目标节点的流，则意味着存在从源到目标的移动模式。即人们从对应于根的位置移动到其它位置。也就是说，单个流图不能用于描述来自两个或多个源位置的运动。此外，它未能完成从多个来源到多个目标的可视化接触的复杂任务。(2) 在视觉设计中显示运动和接触的时间分布也很重要。不仅动作在一天中的不同时间变化，而且接触也不同视觉分析师总是需要进一步检查运动和接触的时间分布。给定两个经常接触的热点，他们可能想回答以下问题：24小时内什么时间接触最频繁？为了显示时间信息，Guo和Zhu（2014）提出了起点-目的地（OD）流。时间信息的可视化表示是直观的，其中流被分段，并且每个段对应于特定的时间范围。如果显示了段流，则意味着在时间范围内发生了从起点到目的地的某些移动。分割的血流的颜色编码了血流的密度，即切片的血流越深，运动越大。时间分布的视觉设计是直接和容易理解的，我们的灵感来自他的工作，显示时间分布。3. 视觉设计我们研究两个现有的设计方案，特别是条形图和传统的流程图。我们发现他们的缺点，在满足视觉设计的要求。我们进一步提出了一种新颖的视觉设计。··B. Ni等人/视觉信息学1（2017）5759Fig. 1. 视觉替代：一个条形图，用于表示两个假定的震源位置的移动和接触。图二. 视觉替代：2个用于表示运动模式的传统流程图。3.1. 现有设计备选方案图图1和图2示出了两个现有的设计备选方案。假设有两个源位置，标准条形图和传统流程图都可以用于显示两个位置之间的移动和接触模式。如示于图 1、广州市某一天的人员流动和接触分布用柱状图表示。X轴是时间（例如，24小时内），Y轴是两个位置的移动和接触的次数也就是说，条形图只能显示移动和接触模式的时间分布。每个条形图由三个部分组成：绿色部分代表来自一个来源的移动，红色部分代表来自另一个来源的移动对于中间的线段，黄色表示红色和绿色的颜色合并，表示两个位置的接触，其长度与接触的数量成比例从上到下计数的第19个最高的条生动地描述了在19：00 pm-20：00 pm的时间范围内发生的最多的动作和接触但对条形图的清晰观察显示，第18条包含最长的黄色段，这意味着接触最频繁地发生在18：00 pm-19：00 pm的时间范围内。条形图在显示和比较移动和接触的数量方面具有明显的优势，并对广州市所有热点的数量进行了汇总。但是，条形图中缺少空间信息我们无法判断热点位于何处，热点中的运动和接触有多大，以及特定热点的接触比例有多大图2说明了可以使用的传统流程图布局以显示两个假定震源位置的运动模式。显示两个流量图。左侧（红色）显示来自一个源位置的移动热点（目标），而右侧（蓝色）显示来自图三. 提出了可视化设计的时空流图，展示运动和接触的空间分布。其他位置。每个流图显示热点的地理信息，例如：热点的位置、运动的方向和运动的密度，其中热点是具有频繁运动的目标位置例如，在左边的流图中，有五个热点，即[node1，node2，node3，node4，node5]。这两个流图是相互独立的，即，每个流图仅显示来自单个源的运动并排放置的两张地图也可以用于比较两个位置的移动例如，左右流图中的某些热点相同，即[node3，node4，node5]。这意味着两个源位置都有去往[node3，node4，node5]的移动。在两个震源位置之间，在共同热点处可能发生接触。它需要额外的努力来验证接触是否有效，其中有效的接触仅在特定的时间跨度内发生也就是说，显示具有图2中的设计的触点并不直接。此外，在传统的流图中，时间分布也是缺失的总之，尽管条形图和传统的流程图可以显示运动和接触模式，但这些现有的方法只能满足第2节中提到的视觉设计要求的一部分。3.2. 拟议的时空流图图图3和图4示出了被提出来并排显示移动和接触的时空流图，其中我们假设两个源位置。在布局的最顶部，有两个节点，对应于两个源位置。一个是绿色的（源A，在左边），另一个是红色的60B. Ni等人/视觉信息学1（2017）57（来源B，在右边）。这两幅图的不同之处在于，前者如图所示。图3是显示空间分布的普通布局，而图3所示的后者是显示空间分布的普通布局。 4是将时间分布与空间分布一起显示的复杂布局。在普通布局（图3）中显示的移动和接触的空间分布由三个组件显示：集群栏、移动流和一组接触图。我们详细阐述了以下组成部分：(1) 簇条表示某一簇的接触率这里，集群可能包含一组物理上相邻的位置。也有可能这些地点在住宅区、商业区（CBD）或餐饮场所方面功能相似这是位置空间分布的概述。颜色用于区分不同的聚类。我们还对集群中包含的位置使用相同的颜色，这可以在下面关于联系人地图的段落中看到。集群栏还提供了移动和接触比较的概述条的高度表示接触与运动的比率，高条表示高接触率。对于集群中的位置（目标）集合，移动的数量接触的数量是这些目标位置的所有接触的总和。(2) 运动流从源头一直到目标位置。如果有一个运动绿色流从源A出来，这意味着有运动从A出来到某个目标。红色流动表示来自B的运动。厚度与运动次数成正比。如图3所示，红色流比绿色流厚得多，这意味着从B出来的运动比从B出来的运动多得多。A. 当涉及到接触图时，流可以进一步分成几个分支显然，对于地图中显示的一组位置，分支准确地告诉了特定位置的移动。(3) 一组联系人地图告诉，给定一个集群，详细的空间信息以及集群中热点的联系人数量。给定集群中的一组目标位置，选择一组接触热点。默认情况下，我们会根据联系人数量选择前5个热点。所有的热点都是橙色的，这是集群的颜色，正如我们之前提到的。如图3所示，每个热点被可视化为一个节点，每个节点上标记的数字是热点中发生的接触的真实数量。节点的大小与触点的数量成比例，即，接触的数量越多，节点的尺寸越大。如果我们观察清楚，运动最多的热点并不是接触最多的热点。每个节点都有一个小地图，显示接触发生的位置，这就是为什么我们称之尽管地图的尺寸很小，但地理信息以及位置的语义可以显式地显示我们允许在地图上进行拖放操作，这样也可以探索热点的附近位置。我们将地图中的所有节点连接起来，然后在地图的顶部该多边形显示了5个热点的空间正如第5节所讨论的，我们也可以在整个布局中集成多个时空流图，这样就会有多个多边形。我们可以把所有的多边形放回一个单独的地图（如图所示）。 6），其中我们比较了多组热点。(4) 运动和接触的时间分布，显示在所提出的时空流图（图4）的复杂布局中，用时钟条显示。该组件与图1中的组件相比是附加的。3，我们将在必要的基础上打开/关闭时钟栏组件。见图4。视觉设计的复杂布局的建议时空流图表示的时间分布的运动和接触。时钟条的整个时间范围代表24小时，相应地有24个点（隐藏在时钟条中）。例如，如果有流量通过第7个点，则意味着在上午7：00-上午8：00的时间范围内发生了移动。 如果两个源的运动同时发生，我们使两个流在时钟条的同一点合并。从语义上讲，合并的流暗示可能的接触，并且两个流的颜色也以某种方式合并。红色的流动在时钟条中分布得更均匀，从中我们可以看出，从B到热点的运动一直都而绿色流则从早上7点开始出现，在更早的时间A点没有任何移动我们还可以从图中看到，合并流从上午10：00开始出现，这意味着只有在上午10：00之后才能在热点处发生联系应当注意，图1中所示的设计。 4显示了24小时内的分布。它可以根据需要进行更改例如，全天候的时间范围8：00 am-20：00pm的分布4. 数据4.1. 电信数据每次用户打电话或使用应用程序时，都会连接到基站，从而生成记录。这里，基站被认为是一个位置，一群人与基站相关联。我们一直在收集一个包含800万用户30天我们在预处理阶段进行映射、聚合，之后每条记录由B. Ni等人/视觉信息学1（2017）5761=两部分。第一部分是与手机相关的信息，如手机ID、国际移动设备标识（IMEI）等;第二部分是与基站连接相关的信息，如开始时间、基站ID、基站经纬度等所以每个记录都是这样的：[电话ID，IMEI，车站ID，经度，纬度，时间]。应该提到的是，我们的工作和分析是基于电信数据进行的，但电信数据不是必需的。可以使用由包含上述字段的记录组成的每个在如下所述的数据处理之后，处理后的数据集的数据记录（即，移动和接触数据）应包含必要的信息。种群映射是给定某个位置S和某个时间点/间隔t，找到一组种群P。具体地说，如果存在记录[p，S，t]，则人p将被包括在人口集合P中。记录聚合是，给定特定位置S（源）及其种群P和特定时间点/间隔t，以找到一组目标DD及其密度DEN。具体来说如果有记录[p，dd，t′]其中人p包含在P和t′中t，则位置dd将被包括在目标集合DD中，并且dd的密度将增加1。对于每个源位置，移动数据包含一组目标位置以及移动密度具体来说，给定特定的位置（源）和时间点/间隔，我们进行pop-ulation映射和记录聚合以获得位置（目标）集接触数据包含两组或多组人口的一组目标地点以及接触密度。与上述生成移动数据的步骤不同，我们在记录聚合中应用了时间窗口。默认情况下，我们在定义有效联系人时设置5 min。4.2. 其他数据源兴趣点（POI）数据来自新浪微博（中文Twitter）。我们的爬虫已经产生了超过20M的记录，每个记录都是这样的：[GPS，POI]。具体地，POI告诉位置的功能，并且它可以是包括购物、中心商务区（CBD）和美食等的集群之一我们使用POI进行聚类，并在不同的聚类之间进行比较在这项工作中，我们只为每个基站分配一个POI标签为了做到这一点，我们采取两步近似。（1）首先，对于特定位置，我们获得该位置上的所有签到记录，并且大多数POI标签成为分配给该位置的标签(2)其次，对于每个基站，我们得到附近区域中的所有位置，例如，离车站500米，并获得多数标签。5. 应用：传染病传播跟踪和预防为了追踪传染病的传播，当一个居民区（源A）发生疫情时，我们需要迅速找到A居民去的热点（目标），并尽快在目标地点发布适当的疾病预防措施为了防止疾病从A传播到附近的居民区（源B），我们需要找出两个地区的人接触的热点，以便只在目标地点发布适当的疾病预防，而不是关闭B，给居民带来不便。决策者可能会提出以下问题：总体上的热点是什么？他们什么时候在热点联系？在疫情发生后到政府通知发布前的一定时间内，热点有哪些？这些热点的功能是什么？我们选择了广州市的两个源区。左图中，源区A（绿色）是越秀区的一个住宅区。右图中，源区域（红色）是覆盖中山大学的公共区域。绿源A以高品质的房地产而闻名，2014年第三季度的红色来源B涵盖中山大学，一所综合性多学科大学，人口主要是学生，教师和正式工人。平均而言，A区的人口规模为2 210人，而B区5.1. 集成时空流图中的可视组件示于图5.在整个布局中集成了3个时空流图。每一个都代表了一个特定集群的流图：左边的集群1，旅行住宿，中间的集群2，美食，和右边的集群3，购物服务。这里我们在聚类中使用兴趣点（POI），一个聚类包含一组功能相似的位置(1) 簇1的簇条的高度指示接触与流动的值越大，条越如图5所示，集群1（旅行住宿）的集群条比其他两个集群高得多。这表明在簇1中非常高的接触比(2) 流动的厚度说明密度。从图中可以看出，中间的集群2流量最大而第2组的接触率不高。直观地说，每个人每天至少外出就餐一次，他们中的一些人乘坐交通工具工作或住宿旅行，但只有很少的人参加户外活动。(3) 接触图中的每个多边形指示集群中热点的 示于图在图6中，群1中的多边形是窄而长的，这意味着来自源的人到目标非常远，并且移动仅限于北向。5.2. 意见首先，我们探讨了接触模式。簇1和2都具有密集接触。直觉上，许多人在大约相同的时间间隔去相同的基站乘坐交通工具上班。我们还可以在簇2中观察到高比率的接触图案，但在簇3中没有。其次，我们探索了接触热点。默认情况下，联系人地图中有前5个热点;热点的大小越大，联系人的数量越多。如图7所示，最大的热点（例如，所有显示的热点中的顶部1）被高亮显示。与突出显示的热点一起显示的数字例如216，是在热点上发生的来自源位置A和B的接触的数量。显示小地图以进一步探索热点。我们可以在小地图上进行各种操作，如放大、缩小、拖放等，从中可以看出，排名第一的热点是高速公路收费站入口，我们还通过采访广州市当地人了解到，这是从郊区到市中心的必经入口这些人可能住在郊区，在市中心工作，他们每天早上从居住地到工作地都要乘坐交通工具。通常，生活地点和工作地点是相当远的，这解释了为什么簇1中的多边形是窄而长的。第三，我们探讨的运动相比，接触。第二组的热点是位于天河区中心的一个公共体育场旁边的一个餐饮区实际上，在第二个星系团中有大量的红色气流进入热点，这意味着有来自大学（红色源）的密集运动。进一步检查62B. Ni等人/视觉信息学1（2017）57图五. 3个聚类的时空流图集成概述。见图6。 旅游住宿集群中热点的空间覆盖范围。与接触地图显示，热点是非常接近的大学，但远离居民区。也就是说，有来自红色源的密集运动，但来自绿色源的运动很少，这可能解释了为什么在聚类2中发生的接触比在聚类1中发生的接触综上所述，这两类人群在餐饮场所和户外场所等功能区域很少接触。旅游住宿地点存在密集的联系人，其中排名前1的热点是高速公路收费站入口。热点地区人群接触和传染病传播的可能性最大。我们还发现，运动模式的热点不一定成为接触模式的热点。因此，关注接触者的热点，决策者可以实现更高的跟踪和预防传播的效率图7.第一次会议。旅行住宿集群中的前1个联系人热点。6. 讨论在处理电信数据时，每个位置对应一个基站，我们将一组人口与每个基站相B. Ni等人/视觉信息学1（2017）5763基站我们检索的最终数据集是一组目标位置及其密度。具体来说，通过移动数据，我们实际上是试图探索与S（源）相关的人口移动到的热点基站（目标）通过接触数据，我们实际上是在尝试探索与两个或多个基站相关的人群移动并进行接触的热点基站。用户或决策者特别感兴趣的热点的运动和接触的时空模式的进一步探索。电信公司的数据也受到限制。我们使用电信大数据来评估我们的系统和视觉设计，我们将一组人群与基站相关联。这是对真实情况的简化，真实业务中的消费者不一定属于同一个站点。具体而言，一个人在工作时间有一个固定的地方，可以被视为他/她的工作场所。此外，他/她也有一个固定的地方，他/她在工作时间之后呆在那里，这可以被视为他/她的居住地。也就是说，为一个人分配多个兴趣点（POI）标签更合理，这为城市分析提供了有趣的见解。我们目前的方法是将POI标签分配给基站，然后进一步将POI标签分配给与基站相关联的所有人群为了处理它，引入POI标签的不 确定性可能是可 行的考虑到不 同类型的集体行 为（Zheng et al.， 2016），我们可能会给一组人分配多个标签。值得一提的是，电信数据不是我们工作中进行可视化分析的必要条件。可以使用由包含第4节中提到的信息的记录组成的完成第4节所述的数据处理后，最终数据集应包含本工作中类似数据分析所需的必要信息可能的数据集包括公共交通数据（例如，地铁站数据、公交票务数据）、出租车数据和轨迹数据等。7. 结论我们从视觉分析师的角度确定了并排显示城市交通模式的两个方面的重要性，例如运动和接触。现有的设计方法可以满足视觉设计中的部分需求，但遗憾的是我们进一步提出了一种新颖的视觉设计，显示运动和接触模式，所提出的时空流图生动地可视化运动和接触并排。在常规布局中不仅可以显示目标位置的热点的空间信息，而且可以在复杂布局中显示详细的时间分布。除了时空流图的新颖设计外，它还可以与现有的可视化技术相结合，例如。地图或热图。多个时空流图被集成，并且每个图在一个簇中显示运动和接触我们将流图集成在一个整体布局中，以便在不同的聚类之间进行有效的为了简单起见，我们在聚类中使用兴趣点（POI），其中POI表示区域的功能，例如购物，中心商业区（CBD）和美食等。每个群集包含具有相同POI标签的位置我们报告了一个潜在的应用，传染病传播跟踪和预防。我们详细阐述了如何提出的时空流图有助于我们的观察和发现。总之，对于两个选定的源位置，一个是居住区，另一个是覆盖一所主要大学的区域运动的热点确实不一定成为交往的热点。这两组人很少在功能区域（例如，餐厅和户外场所），但在旅行住宿地点。发现接触率最高的前1位热点是高速公路收费站入口，可能是传染病传播的热点。因此，针对接触者的热点，决策者可以实现更高的跟踪和预防传播的效率。致谢该项目部分资金来自华为技术诺亚方舟实验室的资助（编号：YBCB 2009041 - 44），以及香港研究资助委员会引用Andrienko，G.，Andrienko，N.，Bak，P.，Keim，D.，Wrobel，S.，2013年a。运动的视觉分析。Springer Science& Business Media.Andrienko，N.，Andrienko，G.，巴雷特湖，多斯蒂，M.，Henzi，P.，2013年b。理解群体运动的空间变换。 IEEE Trans. 目视Comput. Graphics19（12），2169- 2178。Andrienko，G.，Andrienko，N.，舒曼，H.，Tominski，C.，2014. 时空立方体和轨迹墙中轨迹属性的可视化。《从极点到极点的地图学》（Cartography fromPole To Pole）施普林格，pp. 157-163Andrienko，N.，Andrienko，G.，Stange，H.，李比希，T.，Hecker，D.，2012.从情节运动数据理解空间情况的视觉分析。KI-Künstliche Intelligenz26（3），241- 251.崔，W.，周，H.，Qu，H.，黄政正，Li，X.，2008年图形可视化中基于几何的边聚类。IEEE Trans. Vis. Comput. Graphics14（6），1277- 1284.Deville，P.，利 纳德角 ，澳-地马 丁，S.，吉 尔伯特 ，M.，史 蒂文斯 ，F. R.，Gaughan，A.E.，Blondel，V.D.，Tatem，A.J.，2014年。 使用移动电话数据的动态人口绘图。 Proc. Natl. Acad. Sci. 111（45），15888- 15893。Dorling，D.，Barford，A.，纽曼，M.，2006年。世界地图绘制者：你从未见过的世界。IEEE Trans. Vis. Comput. Graphics12（5），757- 764.Ferreira，N.，Klosowski，J.T.，Scheidegger，C.E.，席尔瓦CT2013年a。 向量场k-means：通过拟合多个向量场来聚类轨迹。Comput. Graph. Forum32（3），201- 210.Ferreira，N.，Poco，J.，沃，H. T. Freire，J.，席尔瓦CT 2013年b。城市大时空数据 的 可 视 化 探 索 ： 以 纽 约 市 出 租 车 出 行 为 例 。 IEEE Trans. 目 视 Comput.Graphics19（12），2149- 2158.Guo，D.，中国植物研究所，2009年大型空间交互数据的流映射和多变量可视化。IEEE Trans. Vis. Comput. Graphics15（6），1041- 1048.Guo， D.，中国植物 研究所，Zhu，X.，2014. 源-目的地流数据平 滑和映射。IEEETrans. Vis. Comput. Graphics20（12），2043- 2052。Holten，D.，2006. 层次边束：层次数据中邻接关系的可视化。IEEE Trans. Vis.Comput. Graphics12（5），741- 748.Holten，D.，Van Wijk，J.J.，2009年用于图形可视化的力定向边捆绑。Comput. Graph. Forum 28（3），983- 990.康，C.，Gao，S.，林，X.，肖，Y.，Yuan，Y.，Liu，Y.，妈，X.，2010. 使用移动电话记录分析和地理可视化个人移动模式。国际地理信息学会议（InternationalConference on Geoinformatics）pp. 一比七von Landesberger ， T. ， Brodkorb ， F. ， Roskosch ， P. ， Andrienko ， N. ，Andrienko，G.，Kerren，A.，2016年。流动图：通过时空图和聚类对大规模流动动力学进行可视化分析。 IEEE Trans. 目视Comput. Graphics 22（1），11-20.刘洪，高，Y.，卢，L.，Liu，S.，Qu，H.，Ni，L.M.，2011. 路径多样性的可视化分析。在：IEEE会议视觉分析科学和技术。IEEE，第171-180Loibl，W.，Peters-Anders，J.，2012. 移动电话数据作为发现空间活动和运动模式的来源。G1论坛524-533。Phan，D.，肖湖，是的，R.，Hanrahan，P.，2005年 流程图布局。在：IEEE信息可视化研讨会。pp. 219-224普，J.，徐，P.，Qu，H.，崔，W.，Liu，S.，Ni，L.，2011. 从手机数据可视化分析人们的流动模式。在：视觉信息通信-国际研讨会。p. 13岁拉蒂角，澳-地Frenchman，D.，Pulselli，R.M.，Williams，S.，2006年。 移动景观：使用手机定位数据进行城市分析。Environ. 计划B：计划。Des. 33（5），727- 748。沈志，妈，KL.，2008年Vis：一个用于探索移动数据的可视化系统。在：IEEE太平洋可视化。pp. 175-182Telea，A.，Ersoy，O.，2010. 基于图像的边束：简化大型图形的可视化。Comput.Graph. Forum29（3），843- 852.64B. Ni等人/视觉信息学1（2017）57吴伟，徐，J，曾，H.，郑宇，Qu，H.，Ni，B.，袁，M.，Ni，L.M.，2016年。Telcovis：基于电信数据的城市人口流动共现现象可视化研究。IEEE Trans. Vis.Comput. Graphics22（1），935- 944.吴伟，郑宇，Qu，H.，陈伟，Gröller，E.，Ni，L.M.，2014. BoundarySeer：可视化分析2D边界变化。在：IEEE会议视觉分析科学和技术。pp. 143-152Zeng，W.，富角，澳-地W.，Arisona，S.M.，Qu，H.，2013年。 在大量移动数据中可视化交换模式。Comput. Graph. Forum32（3pt3），271- 280.赵，J，曹，N.，文志，宋，Y.，林，Y.-R.，Collins，C.M.，2014年。 #FluxFlow：对社 交媒 体上 传播 的异 常信 息进 行可 视化 分析 。IEEE Trans. Vis. Comput.Graphics20（12），1773- 1782.郑宇，吴伟，曾，H.，曹，N.，Qu，H.，袁，M.，曾杰，Ni，L.M.，2 0 1 6 年。TelcoFlow：基于电信数据的集体行为的可视化探索。在IEEE大数据上。周，H.，徐，P.，Yuan，X.，Qu，H.，2013年。 信息可视化中的边缘捆绑。清华科技18（2），145