CN111428154A - 基于四叉树划分优化的单车gps数据多视图可视交互分析方法 - Google Patents

Abstract

一种基于四叉树划分优化的单车GPS数据多视图可视交互分析方法，采用四叉树结构对单车GPS数据进行城市区域划分，通过设置单个交通区域流量域值将城市地理区分割为多个交通小区。本发明借助交通小区优化整合算法对部分流量值过小区域进行合并优化，提高后端数据库网格存储效率，缩短系统针对查询操作的响应时间。使用交通流量时序图来展示交通流量在一天中不同时间的变化情况，同时预测模型能够在历史交通数据基础上作未来一小时的流量预测。用户可以通过交互式探索，根据需求选择不同时间点和交通小区，了解道路流量情况和人们出行模式，为城市交通资源投放提供科学依据，从而改善城市居民的出行体验。

Description

基于四叉树划分优化的单车GPS数据多视图可视交互分析 方法

技术领域

本发明涉及一种基于四叉树划分优化的单车GPS数据多视图可视交互分析方法。

背景技术

现如今，城市居民的主要出行工具包括公交、地铁、出租车等。随着互联网等相关技术的发展，单车和网约车也作为一种新兴出行方式，极大地缓解了城市居民的出行压力。与此同时，借助车载GPS设备，各类型的交通车辆也产生了海量GPS定位数据。以杭州市为例，整个杭州市区的车租车一天可以产生上百万条GPS记录，一个月的数据容量就有几十G之多。其中，出租车的每条GPS记录也包含多个有效信息，如车辆ID、车牌号、起始点经纬度、速度、角度、载客状态标志、GPS时间和发送时间、车辆审核资质等。目前，城市交通数据规模已达海量级别，为了发掘GPS车辆数据隐藏的有效信息，需要运用各种数据分析方法。然而，当面对海量级别数据时，传统数据分析与展示方法已变得不再适用，特别当数据具有多个维度信息时，分析结果展示变得更加困难，用户也无法直观理解数据。传统的交通数据展示方法往往是静态的，无法做到时间与空间的联动展示。当对于某一问题感兴趣时，用户也不能直接在地图界面交互式参与数据探索。所以，需要设计一种新型数据分析结果的展示方法，能够在从时间、空间维度来展示数据，同时允许用户根据自身需求进行交互式探索。

发明内容

为了帮助用户更加直观的理解海量交通数据，并能够根据自身需求进行交互式探索，进而进行科学合理的决策，本发明提供了一种多视图联动展示的交通数据可视分析方法，通过d3.js进行可视化组件的设计，本发明所采用的数据为单车数据。与传统数据展示方式不同，本发明首先基于数据驱动为杭州市划分交通小区，然后设计可视化视图，从可视化的角度出发，呈现海量的GPS车辆数据，整个设计流程如图1所示。用户可以根据自身发掘需求，交互式的在地图上探索车辆数据，借助可视化视图从时间和空间角度发现居民出行模式，为改善杭州出行体验及交通工具定点投放提供科学依据。对此，本发明提供了一种多视图联动展示的交通数据的可视分析方法。

为了解决上述技术问题本发明提供如下技术方案：

一种基于四叉树划分优化的单车GPS数据多视图可视交互分析方法，包括以下步骤：

1)首先基于四叉树和单车GPS数据的交通小区划分，借助单车GPS数据记录，根据四叉树的结构对地理空间进行划分，将整个城区划分为多个不同区块，形成交通小区，四叉树是一种树状数据结构，在每一个节点上会有四个子区块，它可以将地理空间递归划分为不同层次的树状结构，直到树的层次达到一定深度或者某一地理区域满足特定要求便停止递归，设定一区域内若车辆GPS记录总数大于M则继续递归划分，同时规定单个交通小区的最小边界为L乘以L区域，若待划分区域在四叉树递归之后新的边界值小于设定的最小边界，则不再继续划分，选取了单车n个月的GPS数据，将GPS记录的数据点打在地图上，通过四叉树递归划分，生成了交通小区网格；

2)交通小区优化整合

在被四叉树划分后的四等分区域中，会存在个别交通小区流量远小于其他交通小区的情况，对此，设定一流量下限值N，对流量值小于N的交通小区进行优化合并处理，做法为：对最终划分完成的交通小区的四叉树节点结构进行判断，当出现流量值低于下限值的区域时，对该交通小区相邻的两个节点区域进行流量值大小判断，将该区域流量值累加至流量值较大的相邻区域，同时判断累加后的交通小区流量值是否超过M，如未超过则合并完成，否则合并至另一相邻区域，如过仍旧超过设定值的上限M则停止合并；当该节点区域合并完成，继续按顺序判断下一节点区域流量大小，直至所在交通小区的4个节点区域全部合并完成，对于出现三个节点对应的交通小区流量值皆远小于另外一个时，可将这三个交通小区流量累加值作为新生成交通小区的流量值，按照原本区域位置组成新的交通小区；

3)交通雷达图绘制，在对整体交通小区划分完成之后，对单个交通小区内的车辆GPS数据进行统计与分析，对于分析结果，设计针对每个交通小区车辆GPS数据的交通雷达图；

4)基于Playfair的单车GPS数据时序图绘制，时序图由两个维度，横坐标表示时间，将一天24个小时分为8个阶段，每个阶段为3小时；纵坐标表示流量大小，虚线曲线表示流入交通小区的车辆流量，实线曲线表示流出该交通小区的车辆流量。两条曲线中间的填充部分表示流入与流出的流量差值，其中横线填充区域表示交通小区流量流出大于流入，竖线填充部分表示交通小区流量流入大于流出；

另外，时序图的后半段加入了预测功能，基于以往的单车GPS数据，采用ARIMA预测模型来对接下来一小时的道路交通流量进行预测，ARIMA模型的定义如公式(1)：

其中，y_t为t时刻的道路交通流量，y_t-i为t-i时刻的道路交通流量，μ为常数项，p为自回归项，q为移动平均项，γ_i为第i个自回归相关系数，∈_t为t时刻的误差，∈_t-i为t-i时刻的误差，θ_i为模型的第i个待估计参数，该模型一旦被识别之后，它就可以根据待预测对象的时间序列过去值及现在值来预测未来值，系统接入实时单车GPS数据后便可预测当前交通小区的未来一小时车辆流入流出情况，使用者根据自身需要，点击地图上兴趣区域，手动选择车辆类型和时间等参数，来查看所选区域的实时及未来交通流量情况。

进一步，所述步骤3)中，所绘制的雷达图为不规则多边形，它可以将比较重要的指标在图上显示出来，根据每个交通小区的单车和网约车流入、流出情况，结合车辆行驶方位和车辆数量，在交通小区中嵌入雷达图，图形的尖端所指方向代表该交通小区内车辆的主要行驶方向，图形尖端所延伸的距离越长，表示在该方位的车辆数量越多，用户根据自身需求，可以添加车辆类型、查询时间、流入或者流出等约束，查询想知道的信息，通过雷达图可以看出，距离市中心较远的交通小区，车辆主要流向城市市区方向；处于市中心的交通小区车辆流向分布较为均衡，从整体上看，车辆流向高速路口、地铁口居多，这与居民的出行需求相契合。

本发明的技术构思是：为了更加全面展示海量级别的车辆GPS数据并允许用户交互式探索数据，引入可视化技术，借助可视化技术并通过设计不同可视化视图来多视图联动展示分析结果。用户可以基于不同可视化视图，通过选择日期和车辆类型等参数，从时间和空间角度来理解数据分析结果。交互式探索方式使得用户的操作难度大大降低，理解数据更加便捷直观。

通过一种多视图联动的交互式分析方法来展示分析车辆GPS数据，借助四叉树来划分交通小区，使用雷达图、时序图来展示数据及分析结果，引导用户选择自己感兴趣的地理区域，结合车辆类型、时间等参数，交互式参与交通数据探索，发掘交通小区间车辆流量情况及居民出行模式。

本发明的有益效果是：能够从海量交通数据中挖掘用户的出行模式，可视分析技术能从地理空间角和时间两个层面联动展示车辆GPS数据，允许用户自己手动设置参数在地图上交互式参与数据探索，从而得到有价值信息。

附图说明

图1为本发明的流程图。

图2为本发明的交通小区划分图。

图3为本发明的交通小区优化整合算法流程图。

图4为本发明的交通小区优化效果图。

图5为本发明的交通雷达图。

图6为本发明的交通时序图。

具体实施方式

下面结合附图对本发明做进一步说明。

参照图1～图6，一种基于四叉树划分优化的单车GPS数据多视图可视交互分析方法，本发明设计采用d3.js来绘制前端可视化组件，数据处理主要采用java进行编写。

本发明所设计的，包括以下步骤：

1)首先基于四叉树和单车GPS数据的交通小区划分，借助单车GPS数据记录，根据四叉树的结构对杭州市的地理空间进行划分，将整个杭州城区划分为多个不同区块，形成交通小区。四叉树是一种树状数据结构，在每一个节点上会有四个子区块，它可以将地理空间递归划分为不同层次的树状结构，直到树的层次达到一定深度或者某一地理区域满足特定要求便停止递归，对于杭州城区，设定一区域内若车辆GPS记录总数大于M则继续递归划分，同时规定单个交通小区的最小边界为L乘以L区域。若待划分区域在四叉树递归之后新的边界值小于设定的最小边界，则不再继续划分，设定M的值为1000，L的值为500米。同时，选取了单车7个月的GPS数据，将GPS记录的数据点打在地图上，通过四叉树递归划分，生成了杭州市交通小区网格如图2所示。在生成的交通小区网格图中，GPS数据记录越多，交通车辆流量越大，所在区域的网格划分层次越深；反之，GPS数据记录越少，划分的交通小区的网格层次就越浅。

2)交通小区优化整合，根据四叉树完成对杭州市区的交通小区划分，但在后续分析过程中发现，过多数量的交通小区极大增加了网格存储难度和系统响应时间，为此需要对上一步划分完成的交通小区进行整合，图3为交通小区的优化整合算法流程图。

在被四叉树划分后的四等分区域中，会存在个别交通小区流量远小于其他交通小区的情况，对此，设定一流量下限值N，对流量值小于N的交通小区进行优化合并处理。具体做法为：对最终划分完成的交通小区的四叉树节点结构进行判断，当出现流量值低于下限值的区域时，对该交通小区相邻的两个节点区域进行流量值大小判断，将该区域流量值累加至流量值较大的相邻区域，同时判断累加后的交通小区流量值是否超过M，如未超过则合并完成，否则合并至另一相邻区域，如过仍旧超过设定值的上限M则停止合并。在实验过程中，设定N的值为100，M值为1000。当该节点区域合并完成，继续按顺序判断下一节点区域流量大小，直至所在交通小区的4个节点区域全部合并完成。对于出现三个节点对应的交通小区流量值皆远小于另外一个时，可将这三个交通小区流量累加值作为新生成交通小区的流量值，按照原本区域位置组成新的交通小区。

交通小区的优化整合效果如图4所示，通过上述方法对已划分完成的交通小区进行优化整合，一定程度上减少了流量值较小交通小区的数量，减少用户在查看城市交通流量情况的视觉干扰，使得查询探索更加直观简洁。与此同时，对交通小区的合并优化使得后续地图网格在数据库中的存储工作更加便捷，提高了系统页面对分析结果的响应速度。

3)交通雷达图绘制。在对整体交通小区划分完成之后，对单个交通小区内的车辆GPS数据进行统计与分析。对于分析结果，设计针对每个交通小区车辆GPS数据的交通雷达图。在本发明中，所绘制的雷达图为不规则多边形，它可以将比较重要的指标在图上显示出来。根据每个交通小区的单车和网约车流入、流出情况，结合车辆行驶方位和车辆数量，在交通小区中嵌入雷达图，如图5所示。在雷达图中，图形的尖端所指方向代表该交通小区内车辆的主要行驶方向，图形尖端所延伸的距离越长，表示在该方位的车辆数量越多。此外，用户根据自身需求，可以添加车辆类型、查询时间、流入或者流出等约束，查询想知道的信息。通过雷达图可以看出，距离市中心较远的交通小区，车辆主要流向城市市区方向；处于市中心的交通小区车辆流向分布较为均衡。从整体上看，车辆流向高速路口、地铁口居多，这与居民的出行需求相契合。

4)基于Playfair的单车GPS数据时序图绘制。为了让用户从时间层面来了解交通小区间的交通流量情况，采用了基于Playfair的交通时序图来展示交通GPS数据。如图6所示，时序图由两个维度，横坐标表示时间，将一天24个小时分为8个阶段，每个阶段为3小时，如06AM-09AM；纵坐标表示流量大小，虚线曲线表示流入交通小区的车辆流量，实线曲线表示流出该交通小区的车辆流量。两条曲线中间的填充部分表示流入与流出的流量差值，其中横线填充区域表示交通小区流量流出大于流入，竖线填充部分表示交通小区流量流入大于流出。

另外，时序图的后半段加入了预测功能。基于以往的单车GPS数据，采用ARIMA预测模型来对接下来一小时的道路交通流量进行预测，ARIMA模型的定义如公式(1)：

其中，y_t为t时刻的道路交通流量，y_t-i为t-i时刻的道路交通流量，μ为常数项，p为自回归项，q为移动平均项，γ_i为第i个自回归相关系数，∈_t为t时刻的误差，∈_t-i为t-i时刻的误差，θ_i为模型的第i个待估计参数。该模型一旦被识别之后，它就可以根据待预测对象的时间序列过去值及现在值来预测未来值。系统接入实时单车GPS数据后便可预测当前交通小区的未来一小时车辆流入流出情况。使用者根据自身需要，点击地图上兴趣区域，手动选择车辆类型和时间等参数，来查看所选区域的实时及未来交通流量情况。

以上阐述的是本发明的一个实施案例，展示了通过可视化分析技术来帮助用户探索、理解单车GPS数据，显然本发明不只是局限于上述实施案例，各个领域的多维度大数据探索问题有很多，可根据本发明提供的思路对数据进行地理区域划分和交互视图展示，来更加直观的展示数据及分析结果，挖掘其中的价值信息。

本发明提出的可视化方案，通过交通小区划分，统计道路单车流量信息，借助交通雷达图和时序图从空间、时间层面展示分析结果，协助用户交互式探索单车GPS数据，挖掘数据背后的价值信息，帮助用户提供交通工具投放及出行方案。

Claims (2)

1.一种基于四叉树划分优化的单车GPS数据多视图可视交互分析方法，其特征在于，所述方法包括以下步骤：

1)首先基于四叉树和单车GPS数据的交通小区划分，借助单车GPS数据记录，根据四叉树的结构对地理空间进行划分，将整个城区划分为多个不同区块，形成交通小区，四叉树是一种树状数据结构，在每一个节点上会有四个子区块，它可以将地理空间递归划分为不同层次的树状结构，直到树的层次达到一定深度或者某一地理区域满足特定要求便停止递归，设定一区域内若车辆GPS记录总数大于M则继续递归划分，同时规定单个交通小区的最小边界为L乘以L区域，若待划分区域在四叉树递归之后新的边界值小于设定的最小边界，则不再继续划分，选取了单车n个月的GPS数据，将GPS记录的数据点打在地图上，通过四叉树递归划分，生成了交通小区网格；

2)交通小区优化整合

在被四叉树划分后的四等分区域中，会存在个别交通小区流量远小于其他交通小区的情况，对此，设定一流量下限值N，对流量值小于N的交通小区进行优化合并处理，做法为：对最终划分完成的交通小区的四叉树节点结构进行判断，当出现流量值低于下限值的区域时，对该交通小区相邻的两个节点区域进行流量值大小判断，将该区域流量值累加至流量值较大的相邻区域，同时判断累加后的交通小区流量值是否超过M，如未超过则合并完成，否则合并至另一相邻区域，如过仍旧超过设定值的上限M则停止合并；当该节点区域合并完成，继续按顺序判断下一节点区域流量大小，直至所在交通小区的4个节点区域全部合并完成，对于出现三个节点对应的交通小区流量值皆远小于另外一个时，可将这三个交通小区流量累加值作为新生成交通小区的流量值，按照原本区域位置组成新的交通小区；

3)交通雷达图绘制，在对整体交通小区划分完成之后，对单个交通小区内的车辆GPS数据进行统计与分析，对于分析结果，设计针对每个交通小区车辆GPS数据的交通雷达图；

4)基于Playfair的单车GPS数据时序图绘制，时序图由两个维度，横坐标表示时间，将一天24个小时分为8个阶段，每个阶段为3小时；纵坐标表示流量大小，虚线曲线表示流入交通小区的车辆流量，实线曲线表示流出该交通小区的车辆流量，两条曲线中间的填充部分表示流入与流出的流量差值，其中横线填充区域表示交通小区流量流出大于流入，竖线填充部分表示交通小区流量流入大于流出；

另外，时序图的后半段加入了预测功能，基于以往的单车GPS数据，采用ARIMA预测模型来对接下来一小时的道路交通流量进行预测，ARIMA模型的定义如公式(1)：

其中，y_t为t时刻的道路交通流量，y_t-i为t-i时刻的道路交通流量，μ为常数项，p为自回归项，q为移动平均项，γ_i为第i个自回归相关系数，∈_t为t时刻的误差，∈_t-i为t-i时刻的误差，θ_i为模型的第i个待估计参数，该模型一旦被识别之后，它就可以根据待预测对象的时间序列过去值及现在值来预测未来值，系统接入实时单车GPS数据后便可预测当前交通小区的未来一小时车辆流入流出情况，使用者根据自身需要，点击地图上兴趣区域，手动选择车辆类型和时间等参数，来查看所选区域的实时及未来交通流量情况。

2.如权利要求1所述的一种基于四叉树划分优化的单车GPS数据多视图可视交互分析方法，其特征在于，所述步骤3)中，所绘制的雷达图为不规则多边形，它可以将比较重要的指标在图上显示出来，根据每个交通小区的单车和网约车流入、流出情况，结合车辆行驶方位和车辆数量，在交通小区中嵌入雷达图，图形的尖端所指方向代表该交通小区内车辆的主要行驶方向，图形尖端所延伸的距离越长，表示在该方位的车辆数量越多，用户根据自身需求，可以添加车辆类型、查询时间、流入或者流出等约束，查询想知道的信息，通过雷达图可以看出，距离市中心较远的交通小区，车辆主要流向城市市区方向；处于市中心的交通小区车辆流向分布较为均衡，从整体上看，车辆流向高速路口、地铁口居多，这与居民的出行需求相契合。

Images