[发明专利]基于OD数据感知城市动态结构演化规律的可视分析方法

说明书

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。

技术领域

本发明属于信息技术领域，具体是一种基于OD数据感知城市动态结构演化规律的可视分析方法。

背景技术

感知城市动态，理解居民如何在城市中移动、他们的行为模式如何随着时间演化，是智慧城市建设必须解决的课题。传统的城市动态研究依赖于粗糙的统计数据和小范围的调查问卷，无法细粒度地从个体层面构建定量模型。随着无线通讯和移动互联网技术的快速发展，带来了丰富多样的具有个体标记和时空信息的数据集，为理解城市动态结构和人群活动模式提供了新的手段。一些具有OD(origin-destination)属性的公共交通数据集，如公共自行车、公交车、出租车数据等，记录了个体时空移动信息，包括出行的起点/终点、起始/结束时间等，能用于挖掘城市动态结构。

LDA(Latent Dirichlet Allocation)主题模型已被用于研究人类行为和城市模式。采用社交网络数据挖掘城市模式，个体轨迹采样频率较低、在数据代表性上有所欠缺。手机定位数据的用户位置通常由基站位置近似估算得到，精度有限。采用这两类数据只能提取城市中的热点区域，忽略了人群在区域之间的流动关系。Ferrari等人基于谷歌位置数据集来发现用户的日常活动轨迹，但只能分析个体用户行为。Chu等人将出租车轨迹的地理坐标转化为街道名字，将每辆出租车的轨迹看作一个文档，将转化后的街道名字看作是单词，来识别出租车轨迹中隐含的主题。提取得到的主题反映了重要街道的使用模式。他们的研究关注于街道在城市中的使用情况。

总的来说，现有的城市动态分析方法不仅缺乏对重要的流动关系和城市结构演化规律的分析，而且很难挖掘得到隐含在数据集背后的语义级别的信息。此外，数据挖掘的结果是一些复杂的数字，对于领域专家来说很难理解。因此需要设计一种可视分析方法，不仅能够从OD数据集中提取隐含城市动态演化规律的主题信息，从语义层面上发现城市结构的时域变化，而且能够支持交互式地演化模式分析，基于多样化的视觉线索找到这些模式发生的原因。

发明内容

为了解决现有技术中存在的上述技术问题，本发明的目的是从OD数据集中挖掘得到城市动态结构的演化规律，设计基于主题模型的方法从语义层面发现城市动态结构，设计可视分析方法辅助分析者渐进式地理解演化模式，通过与丰富的可视化组件进行交互，找到促使这些模式发生的内在原因，有助于相关人员更好地进行交通管理和城市规划，促进智慧城市的构建。其具体技术方案如下：

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。