从人类日常运动数据中研究节奏模式的可视化分析设计

→ →→→→→ → →→→ → →→→→→→→ →→视觉信息学1（2017）81一种用于从人类日常运动数据中研究节奏模式的可视化分析设计Wei Zenga，*，Chi-Wing Fub，Stefan Müller Arisonac，a，Simon Schubigerc，a，Remo Burkharda，Kwan-Liu Mada瑞士苏黎世联邦理工学院未来城市实验室b香港中文大学，香港瑞士西北应用科学与艺术大学FHNW，瑞士D 美国加州大学戴维斯分校ar t i cl e i nf o文章历史记录：2017年6月2日收到2017年7月12日接受2017年8月31日在线提供关键词：运动节奏事件序列可视化分析a b st ra ct人类了解人类日常运动的节奏对城市规划者，交通分析师和商业战略家等在本文中，我们提出了一个交互式的视觉分析设计，了解和利用跟踪人类的运动收集的数据由此产生的系统识别并直观地呈现频繁的人体运动节奏，以支持在空间和时间上对数据进行交互式探索和分析案例研究使用真实世界的人类运动数据，包括大量的城市公共交通数据在新加坡和麻省理工学院的现实挖掘数据集，并与交通研究的采访进行了证明我们的系统的有效性和实用性。2017浙江大学出版社由爱思唯尔公司出版这是一个在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. 介绍在交通和地理信息系统（GIS）中，人类运动通常被假定为从事某些活动，例如，工作，学习，购物。因此，人类的日常运动可以被描述为“在时间和空间上的活动调度”（Primerano等人，2008），例如，家庭作业和家庭学校学费。通过抽象活动信息，可以将运动进一步概括为网络基序（Schneider等人，2013），例如，家庭作业可以概括为AB A，家庭学校学费可以概括为AB CA。在这项工作中，我们将这些图案表示为运动节奏，其中每一个基本上描述了一系列在时间和空间中访问的位置。更好地掌握人类运动节奏对于各种应用是非常有益的，旅游需求管理。例如，通过研究个人通讯作者。电子邮件地址：zeng@arch.ethz.ch（W. Zeng）。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.2017.07.001为了探索空间和时间上的运动节奏，最好使用便于交通专家探索的交互式视觉分析工具尽管如此，仍有一些挑战需要克服。首先，直接绘制所有人类日常运动，例如在3D空间中显示地理空间位置随时间的变化（Kapler和Wright，2004），很容易导致视觉混乱。其次，人类日常运动的运动A B A和AB应开发适当的数据建模以有效地对这些运动节奏进行分类。最后，人类运动涉及许多不同类型的活动，这些活动发生在空间的不同位置，完成活动和在位置之间旅行所需的时间也不同可视化应该以直观的方式呈现信息的空间和时间视角。在我们以前的工作中（Zeng等人，2016b），我们提出了一个可视化分析设计，用于从大量的公共交通数据中研究运动节奏。这项工作提出了一个扩展版本，通过应用该方法对另一个人的日常运动 数据， 即， MIT 现实 挖掘数据 集（ EagleandPentland，2006）。我们首先描述了一种有效的运动建模方法，根据运动的空间和时间特征来识别运动节奏所有的运动节奏都被组织成一个分层的树结构，一个新的树构造算法（第4.4节）从关联规则的概念设计2468- 502 X/©2017浙江大学和浙江大学出版社。由Elsevier B. V.发布，这是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*82W. Zeng等/视觉信息学1（2017）81我们表明，我们的算法可以保留更多的细节运动节奏比典型的方法，并可以推广到聚合事件序列数据的细节层次的风格。然后，我们提出了节奏序列视图，以描绘运动节奏的时间视角，以及节奏密度视图，绘制空间维度中的运动起点和目的地分布，以及节奏统计视图，概述了频繁运动节奏的统计数据（第5节）。最后，我们将我们的方法应用于现实世界的人类日常运动数据的研究新加坡的大量城市公共交通数据和麻省理工学院的现实挖掘数据集（第6节）。交通研究的采访进行证明我们的系统的有效性和实用性（第7节）。这项工作的主要贡献是：提出了一种新的事件聚合算法，该算法比传统的事件聚合算法能更好地保留事件序列数据的细节信息，并可推广到细节层次的可视化;一种整合人类互动和数据处理的视觉分析方法，以探索人类运动节奏;对真实世界人类日常运动的案例研究显示了有趣的运动节奏，特别是从新加坡大量公共交通数据中提取的12种常见运动节奏的识别。2. 相关工作本文从时间地理学、运动数据和事件序列可视化三个方面对相关研究进行了综述。2.1. 时间地理学人类在空间和时间上的运动可以用时间地理学来概念性地表述（Hägerstrand，1970）。时间地理学采用一个许多研究扩展了时间地理学的框架来描述和分析人类运动。例如，一些作品开发了新的视觉表示，诸如GeoTime（Kapler和Wright，2004）和基于堆叠的轨迹墙（Tominski等人，2012年）。其他人则采用该框架来探索人类运动模式，例如， 个体活动乳制品数据（Chen等人， 2011）和学生旅行行为（Kamruzzaman等人， 2011年）。这些工作表明，然而，当数据集大小增加时，直接在3D中绘制运动数据很容易导致视觉混乱这限制了该方法对我们的问题的适用性，其中新加坡的人类日常运动涉及超过3000万次旅行。因此，我们采用模式提取和概括方法（Andrienko等人，2008）通过识别运动节奏模式和可视化聚集的特征。2.2. 运动数据可视化移动数据可视化的一个关键挑战是有效地呈现由大数据量发布的时空移动模式，并支持域用户所需的复杂分析任务，参见Andrienko和Andrienko（2012）进行系统综述。下面，我们只讨论一些代表性的作品，并将其归纳为以下几类。视觉显示：我们可以设计新颖的视觉结构来揭示数据中的运动模式，例如，航路点约束OD视图（Zeng等人，2016年a）。然后，可视化可以组织视觉结构以构建用户界面，其可以呈现3D空间中的移动，例如，基于堆叠轨迹壁（Tominski等人， 2012），或具有多个视角的链接视图，例如，TripVista（Guo等人，2011），或集成视图，例如，无遮挡时间图（Sun等人，2014年）。交互式 技术允许用 户根据用 户需求过滤 和探索移 动数据。FromDaDy（Hurter等人，2009）支持刷轨迹，并将刷过的信息拾取并放入并列视图中。轨迹透镜（Krüger等人，2013年）允许用户根据他们的起源，目的地或航点过滤轨迹。Scheepens等人（2016）提供了一个更详细的交互工具，可以选择区域、方向、附加属性等。计算处理利用机器分析能力来帮助探索运动数据。在这方面已经进行了各种工作，例如， 聚类轨迹（Andrienko等人，2010）和推断移动性模式（Zengetal.， 2014年）。在这项工作中，我们首先采用了一种有效的建模方法来识别运动节奏，并映射的空间和时间的角度来看，信息到链接的视图与一组交互查询方法。因此，我们的系统结合了强大的计算分析与人类的领域知识和认知能力的优势2.3. 事件序列可视化由于人类的日常运动是从一个地点到另一个地点，因此运动节奏可以被认为是一系列事件。从这个意义上说，我们的工作被认为是密切相关的事件序列可视化。大多数事件序列可视化采用图表示技术，其中每个事件被表示为节点，事件之间的每个转换被表示为边。在我们的例子中，人类运动的位置然后，运动节奏可以被认为是一组事件序列，其通常可以以两种方式可视化：首先，我们可以使用降维算法应用算法将事件序列映射到2D平面上 （Wei等人， 2012），或挖掘频繁事件序列（Vrotsou等人， 2009年）。这些方法对高维事件序列数据是有效的。然而，由于大多数日常运动包括不到5次旅程（新加坡公共交通数据见图1考虑到这一点，我们采用第二种方法，即，对事件序列进行聚合，构建层次树结构，然后将树结构可视化 这种方法可以在许多领域中识别，包括患者病史（Wongsuphasawat等人，2011）、眼动轨迹（Tsang等人，2010）和公共交通流动性（Zeng et al.，2014年）。还开发了许多技术来简化树结构（Monroe等人，2013）和排序布局，以提高易读性（Wongsuphasawat和Gotz，2012）。最近，已经设计了在Sankey类可视化上应用数据匿名化操作的视觉界面，以保护事件序列数据中 的 隐 私 （Chou等人，2016年）。该方法首先构造一个代表性的树结构，可以有效地组织所有的事件序列。在LifeFlow（Wong-suphasawat等人， 2011），其中算法从根节点开始，并迭代地将事件分组到同一类别中，直到离开。然而，我们发现这种方法可能会过度聚集事件序列，从而导致错误和缺失的信息（第5.5节）。为了克服这个问题，我们设计了一个新的节奏树构建机制（第4.4节）。···W. Zeng等/视觉信息学1（2017）8183∼∼∼→→→→→→→∼∼→→Fig. 1. 新加坡公共交通数据中的行程数量分别在工作日和周末。3. 概述本节首先介绍了运输中的相关术语，然后描述了输入的运动数据。之后，我们总结了一组分析任务，然后是系统概述。3.1. 术语在这里，我们解释了这项工作中使用的一些基本概念，以便于讨论：旅程是指一个人从其出发地到目的地的移动。停留是指一个人在两次连续旅行之间停留在一个地点该人可以在逗留期间进行某些活动，例如，工作或购物。行程是一个人的一系列日常运动和活动，可以包括多个行程和停留。例如，考虑到雇员的家庭工作回家运动，它们包括雇员的行程。回家和工作回家的运动是两次旅行。在工作场所进行的活动被视为逗留。请注意，我们还将回家之前和回家 之后的时间段视为停留时间，其中回家之后的停留时间特别表示为行程结束。3.2. 数据描述我们的交互式视觉分析系统应用于以下两个运动数据集：新加坡公共交通数据：该数据为新加坡公共交通（包括地铁及巴士）的一周乘客流动数据。当乘客乘坐时，系统将记录各种信息，包括匿名卡ID、旅程ID、点入/点出时间、点入/点出站等。如果在30分钟内连续发生两次或多次乘坐，系统将为这些乘坐分配相同的旅程ID通过根据他们的自来水时间订购这些游乐设施，我们可以重建一个旅程。通过参考卡ID，我们可以将这些行程分组并根据其行程开始时间进行排序，因此两个连续行程之间的间隔形成停留。这些旅程和停留进一步构成乘客的行程总的来说，一周内有180万名乘客乘坐了超过3000万次，平均每天有2.3次旅行此外，我们还拥有4.8k个地铁站和公交站的地理信息，因此我们可以通过参考记录的进出站来检索运动的起点和终点麻省理工学院现实挖掘数据：该项目于2004年9月至2005年6月在麻省理工学院媒体实验室对94个主题进行了研究。每个受试者都有一部手机，用于跟踪他们的通信、距离、位置和其他信息。通过蜂窝塔的序列号来指示位置信息，其在城市地区具有100-200米的精度。在这项工作中，我们选择的地点和时间的个别科目，并组织成行程。如果两个连续时间戳中的位置相同（相同的蜂窝塔ID），我们将它们放在一起，从而形成停留事件。两次连续停留之间的过渡被视为一次旅行。总的来说，我们从300多万条记录中提取了11000条行程，数据集。3.3. 分析任务图1显示了从新加坡公共交通数据中提取的工作日和周末的详细百分比。从图中我们可以看到，大多数行程都由5个行程以下的行程组成，工作日和周末之间没有太大的差异。例如，在工作日和周末，有50%的乘客进行两次旅行。尽管如此，交通研究人员希望探索更多的细节，并找到这些移动之间的差异在与一组交通研究人员的讨论中，我们发现了一些常见的问题，例如， A B A‘‘what differences exist between 等基于这些问题，我们确定了一系列分析任务：T1频繁运动节律：专家想掌握一个关于频繁运动节律的概述：什么是频繁运动节律？每个动作节奏的百分比是多少？T2空间运动分布：在研究运动数据时，空间维度上的运动分布总是令人感兴趣的专家们特别想知道旅行的起点和目的地，即，旅行的起点在哪里？有多少次旅行是从一个特定的地点开始或结束的T3时间运动流：专家们还想探索时间维度上的运动流：人们在一个地点停留多久？往返两个地点需要多少时间？此外，我们的系统必须允许对空间和时间上的运动进行交互式过滤，然后更新T1、T2和T3的3.4. 系统管路图 2显示了我们系统的流水线。系统从数据建模阶段开始（第4节）。为了实现对空间和时间上的移动的交互式过滤，我们首先在空间和时间维度上索引所有旅程。我们还确定在这个阶段中的所有行程的运动节奏。当我们加载运动数据时，这两个步骤是离线在第二阶段，用户可以进行交互式视觉探索的运动节奏（第5节）。在这里，我们的界面呈现三个协调视图：节奏统计视图呈现频繁运动节奏的统计概况（T1），节奏密度视图绘制空间维度（T2）中的运动起点和目的地分布，节奏序列视图呈现时间维度（T3）中的运动行进时间和停留持续时间。这些视图相互补充，共同支持各种分析任务。一系列的空间和···84W. Zeng等/视觉信息学1（2017）81△△×△∼ ××∈−−−×+联系我们：=→·++i−1i−1我我111图二. 系统管道：在数据建模阶段，我们执行空间和时间索引，运动节奏识别和节奏树构建。在视觉探索阶段，三个协调的视图被链接以支持分析任务。还集成了时间查询技术。该阶段的详细信息见第5节。4. 数据模型为了支持已识别的分析任务，我们执行以下步骤来对运动数据进行建模在步骤1空间和时间索引，我们建立了一个基于散列的索引方法，以支持在空间和时间的行程，特别是新加坡公共交通数据的交互式过滤。之后，我们在步骤2运动节奏识别中将过滤后的行程映射到某些运动节奏。最后，在第3步节奏树构建中，我们将所有识别的运动节奏组织成一个层次树结构，以实现可视化。4.1. 时空索引新加坡公共交通数据包含太多图3.第三章。 当我们想要将区域标签分配给新停靠点l i+1时，有三种情况：分裂和合并在新加坡公共交通数据中，loildi属于公共交通系统中输入的地铁/公交车站，而在MIT现实挖掘数据中，loildi指的是手机信号塔id.t，遵循以下规则：托伊 < t di < t oi+1，则ni∈N：1 ≤i

下载后可阅读完整内容，剩余1页未读，立即下载