大规模移动轨迹与空间网络的地学可视化方法研究

With the emergence of massive geospatial data such as spatial trajectories and networks (i.e. spatial interaction data), exploring and uncovering useful patterns underlying the data is highly demanded and comprises the key contribution of current data science. Visualization is the key to understanding and mining such data in a timely and intuitive manner. However, the overlap and intersection of massive edges could clutter the visual presentation, thereby making the high-level interaction patterns invisible. In addition, exploration of geographic patterns under different scales, which is highly demanded in our field, is overlooked by the visualization community. This proposal aims to address these issues by the following a 4-step methodology: (1) new simplification and generalization methods will be developed that try their best to preserve the dynamic properties of trajectories; (2) flow data will be reconstructed from trajectories and network hierarchies established based on the clustering of landmarks identified in trajectory data; (3) extended clutter reduction techniques that can accommodate geographic hierarchies will be developed for optimized graph layout at various geographic scales; and (4) an exploratory data analysis environment will be set up to improve the visual mining of massive geospatial data. Upon completion, the principles and approaches developed in the project could be useful to formulate new theories of cartography and geovisual analytics in this big data era.

随着大规模移动轨迹和空间网络数据的不断涌现，探索并发现大数据背后的隐藏规律成为当前数据科学的核心价值。可视化方法是快速理解、直观挖掘此类新型地理数据的核心关键，但亟需解决大规模符号压盖带来的视觉混乱，高层次空间交互模式难以辨识等新问题；另外，探索不同尺度下地学规律这一重要需求在国内外可视化研究中并未引起重视。为此，本项目研究以“压缩化简-层次构建-结构增强-交互探索”为主线，主要发展（1）保持运动特征的轨迹综合与化简方法，可压缩数据并增强数据时空特征；（2）通过地标物识别与层次聚类，发展流向数据重建与网络层次构建方法；（3）发展以“边聚合”、“边捆绑”为主的流向、网络数据优化绘制技术，极大减少视觉冲突、揭示地理空间交互模式及其尺度特征；（4）建立交互探索式可视分析环境，增强大规模地理数据的可视挖掘能力。研究成果可为大数据环境下的地图制图与地学可视分析提供理论依据。

随着定位技术、移动互联网和社会化媒体的普及，万维网自发产生以移动轨迹（Trajectories）和空间网络（Spatial Networks）为代表的新型大规模地理数据（如迁移轨迹、公交通勤、航线轨迹、社交网络等）。这类新型数据在分析挖掘社会关系与群体结构、人类行为模式、犯罪行为、交通出行模式等方面展示出极大潜力。可视化方法可以直观揭示移动轨迹和空间网络背后隐含的信息，弥补统计分析方法角度单一，分析结果难以直观理解等制约。然而，随着轨迹或网络数据规模的不断增长，视觉空间的符号冲突将极大降低视觉信息获取与可视挖掘效能，阻碍高层次结构与空间交互模型的显现。为此，本课题主要针对以下内容开展了研究：（1）发展了适宜移动轨迹和空间网络数据的化简与综合方法，在压缩数据规模的同时保持原始移动轨迹的运动特征，为后续轨迹数据的高效分析与可视化提供方法基础；（2）研发了时空轨迹存储检索及群聚模式挖掘方法，合理的数据存储与检索体系能够替身群聚模式挖掘的效率并确保挖掘结果（伴随、汇聚、发散模式等）的相关性；（3）发展了大规模图形符号绘制的冲突消减方法，通过建立空间冲突探测的层次树模型，可完全解决多尺度符号绘制的空间冲突与压盖，达到百万量级符号冲突消减的亚秒级处理效率；（4）探索了GPU架构下的大规模动态符号并行绘制技术，通过并行化技术实现了百万量级符号渲染的交互式可视化效率（FPS > 25帧/秒）；（5）通过空间与语义层次聚合技术、建立主要基于“边聚合”和“边捆绑”技术的交互式轨迹和空间“流”可视化方法，为此类数据可视化中的空间冲突、视觉混乱、难以发现高层次空间交互模式及其多尺度规律等问题提供有效的解决途径；（6）研发了面向移动轨迹的交互式可视分析网络平台原型系统，支持从发现、搜索、标记、探索、综合、对比的逐级深入的轨迹模式分析与挖掘框架，提升了大规模时空轨迹数据的挖掘效能。