CN112699284A - 一种基于多源数据的公交站点优化可视化方法 - Google Patents
一种基于多源数据的公交站点优化可视化方法 Download PDFInfo
- Publication number
- CN112699284A CN112699284A CN202110029127.6A CN202110029127A CN112699284A CN 112699284 A CN112699284 A CN 112699284A CN 202110029127 A CN202110029127 A CN 202110029127A CN 112699284 A CN112699284 A CN 112699284A
- Authority
- CN
- China
- Prior art keywords
- poi
- data
- map
- mapping
- color
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9032—Query formulation
- G06F16/90324—Query formulation using system suggestions
- G06F16/90328—Query formulation using system suggestions using search space presentation or visualization, e.g. category or range presentation and selection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Instructional Devices (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多源数据的公交站点优化可视化方法,采集共享单车数据、城市POI数据与城市路网数据,然后进行数据预处理、交通数据计算、共享单车数据聚类;设计POI空间分布可视化映射,对城市POI种类分布、城市POI密度分布、共享单车密度分布进行可视化编码;设计人流量时序演变可视化映射,对单个公交站点附近的共享单车流量演变进行分析,用于对比不同站点在人流量时序演化模式上的差异,根据设计的可视化映射规则进行可视化布局并绘制实现。本发明能够辅助交通规划者建立对站点周围环境的整体理解,找出可能蕴含的潜在模式,以制定站点优化策略,还能在不同备选站点进行对比分析,以确定更合适的备选站点。
Description
技术领域
本发明涉及信息可视化与可视分析领域,具体是一种基于多源数据的公交站点优化可视化方法。
背景技术
城市公共交通作为一种低碳环保、快捷方便、出行成本较低的交通方式,是城市居民主要出行方式之一。但是,伴随着城市的快速发展,交通问题日渐突出,交通拥堵日益严重。居民出行需求的增加与出行时空分布规律的变化,加剧了城市道路拥堵。公交站点设置是公共交通规划的重要组成部分,优化不合时宜的公交站点设置,可以缩短乘客候车时间、提高公交利用率从而缓解城市交通拥堵。
政府相关报告显示,“公交+共享单车”出行方式比“公交+步行”出行方式出行效率提高大概18.6%。共享单车的出现与普及在一定程度上填补了城市交通方式,且对于覆盖公交盲区、强化轨道交通优势、解决“最后一千米”问题、完善城市微循环中都有着积极的作用。共享单车GPS设备记录了单车在某个时刻的地理位置,能间接反映出出行某个时刻的分布状况。共享单车GPS、城市兴趣点(Point of Interest,POI)、路网信息等构成的多源数据集,能很好地反映出公交线路周边的人口分布、土地利用性质等,为公交站点进行合理设置与优化提供依据。
过去几年,研究人员使用不同研究方法对公交站点优化进行了多角度的分析。大多数研究关注于土地利用性质、沿线客流集散点分布、路网信息等因素对于站点规划的影响,侧重于公交线路站点布局设置、站点合理性判断以及构建数学模型计算站距进行优化。
数据可视化指的是采用视觉通道的方式来展现数据,数据的属性用视觉元素形式呈现出来,使得用户可以高效地理解数据,因此可视化于可视分析也成为分析交通信息的有力工具。现有研究主要集中在交通热点分析、城市布局分析、交通拥堵分析等领域,对于辅助交通规划的研究较少。
根据上述背景总结初目前公交站点优化研究仍然存在以下不足之处:
1)由于传统站点选址方式单一以及现有选址模型参数设置存在偏差等,站点在本身设置时就存在不足之处。与此同时,现有关于站点优化的研究主要集中于利用传统影响因素(实际调研土地利用性质、人口分布)构建建模型,来分析站点设置合理性、或站点间距、位数等进行优化,缺乏站点优化完整流程,且未充分考虑实际环境中丰富的数据源,如人流量、路网POI等对于站点设置、优化的影响。
2)在现有交通可视化研究中,在使用多源数据优化公交站点选址的研究较少,且已有研究存在分析简单、可视化视图单一、缺乏视图交互联动、没有系统性分析流程等缺点,分析效果不直观。
发明内容
针对上述问题,本发明的目的在于提供一种基于多源数据的公交站点优化可视化方法,能够辅助交通规划者建立对站点周围环境的整体理解,找出可能蕴含的潜在模式,以制定站点优化策略,还能在不同备选站点进行对比分析,以确定更合适的备选站点。技术方案如下:
一种基于多源数据的公交站点优化可视化方法,包括以下步骤:
S1:数据采集
采集共享单车数据、城市POI数据和城市路网数据;
S2:数据处理
数据预处理:对异常数据进行清洗,对OSM地图进行坐标系转化;
交通数据计算:计算区域单车数量与区域POI数量;
共享单车数据聚类:通过聚类算法计算出单车群的聚类中心点;
S3:可视化映射
设计POI空间分布可视化映射:对城市POI种类分布、城市POI密度分布、共享单车密度分布分别进行可视化编码,表示城市人流量与环境分布情况,构成体现在大粒度下、中粒度下与小粒度下的POI空间分布可视化映射的POI空间分布视图;
设计人流量时序演变可视化映射:对单个公交站点附近的共享单车流量演变进行分析,用于对比不同站点在人流量时序演化模式上的差异,构成体现外部的环状日历图可视化映射与内部的雷达图可视化映射的人流量时序演变视图;
S4:可视化布局
根据设计的可视化映射规则进行可视化布局实现:对于POI空间分布视图,根据当前地图缩放等级确定采用大粒度布局、中粒度布局还是小粒度布局,根据布局粒度与对应的区域数据,将颜色填充入相符的形状中;
对于人流量时序演变视图,确认选中的站点或备选站点位置,绘制环状日历图,再在环状日历图内部绘制对应的雷达图。
进一步的,所述步骤S1中的数据采集具体包括:
S11:模拟网络请求,编写爬虫程序,获取共享单车数据;共享单车数据的原始字段包括爬虫返回时间、单车编号、单车GPS经纬度与获取单车GPS时间戳;
S12:模拟网络请求,编写爬虫程序,获取城市POI数据;城市POI数据的原始字段包括:POI地址,POI所在行政区域,POI所属行业类别,POI所属行业详细类别,POI名称与 POI的GPS经纬度;
S13:获取公交线路名称列表,编写爬虫程序,根据获取的公交线路名称,调用百度地图 API并进行抓包,获取公交线路详细信息;公交线路数据的原始字段包括:公交站点名称,公交站点所属行政区域,公交站点所属省市,公交站点所属公交线路名称与公交站点所处位置的GPS经纬度。
更进一步的,所述步骤S2中的数据处理具体包括:
S21:去除不需要的字段,对于缺失单元,采取上下文均值的方式补全;把文件中的“time”属性字段去除“:”,全部转换成整型;对经纬度数据做合理性检测,判断是否是有效经纬度数据;对源数据进行去重检测,去除重复数据;
S22:按照坐标转换公式将共享单车GPS数据中OSM地图的地球坐标系转换为火星坐标系;用转换后的火星坐标替换源文件中的“地球坐标”;
S23:数据计算:数据清洗后,遍历所有数据文件,对连续时间的同一单车ID只计数一次;将一天按照24小时分段,统计每一天每小时的单车数量,并将每一天24个小时的单车流量相加,得到每天的流量总和;使用正六边形均匀划分地图,计算在不同缩放比例下,正六边形区域内,与组成正六边形区域的三角形区域内城市POI的数量并统计其类型数量;
S24:使用模糊C-均值聚类对共享单车GPS数据进行聚类分析,得到单车停放点的簇中心。
更进一步的,大粒度下的POI空间分布可视化映射具体为:采用六边形表示地图上的一个区域,该区域由包括外圈的单车数据映射带与内侧的POI数量六边形;在外圈的单车数据映射带中,采用颜色A编码处于该区域中的共享单车数量,颜色越深表示数量越大;在内侧的POI数量六边形中,采用颜色B编码位于该区域中的POI数量,颜色越深表示数量越大。
更进一步的,中粒度下的POI空间分布可视化映射具体为:采用六边形表示地图上的一个区域,将每个六边形划分为6个三角形,每个三角形表示该区域中的子区域;在每个子区域中,采用颜色B编码位于该区域中的POI数量,颜色越深表示数量越大;六边形外侧为单车数据映射带,采用颜色A编码处于该区域中的共享单车数量,颜色越深表示数量越大。
更进一步的,小粒度下的POI空间分布可视化映射具体为:采用六边形表示地图上的一个区域,将六边形划分为6个三角形;每个三角形划分为6个等面积的区域,用6种不同的颜色映射六类不同的POI数据;使用颜色编码区域POI类型,颜色越深表示POI数量越大;采用离六边形中心距离编码不同区域之间的数量关系,离六边形中心越近,表明该区域POI数目越多。
更进一步的,所述人流量时序演变可视化映射中的外部的环状日历图可视化映射具体为:将传统日历图使用径向布局,形成环状日历图,共7行24列单元格;每行单元格表示1周中的1天,每列单元格表示1天中的1小时;在日历图的每个单元格中,使用颜色A表示一周中某天在某时刻下的共享单车数量,颜色越深表示数量越大。
更进一步的,其特征在于,所述人流量时序演变可视化映射中的内部的雷达图可视化映射具体为:在雷达图中有24个隐形的径向坐标轴,对应于外部环状日历图的24列,表示1 天中的24小时;每个坐标轴中设置一个圆点,采用圆点距离圆心的距离表示在该时刻下每天的平均共享单车数量,距离越远表示数量越多;将24个圆点使用插值方式连接起来,组成一个不规则图形,该不规则图形的圆润度编码该站点的人流量周期演化模式,图形越趋近于圆,表示人流量周期变化越均匀;此外,在不规则图形中,使用颜色A编码在时间起止范围内共享单车总数量,颜色越深表示数量越大。
更进一步的,所述POI空间分布视图的可视化布局包括:
S41a:采用规则六边形对待布局区域地图进行填充,并根据用户探索空间的尺度对大小进行调整;
边形中心点的连线构成的夹角;π为角度度量,此处为180°;
S41c:通过六边形外圈颜色映射单车数量,设置填充颜色变化范围,且颜色映射为线性映射;
S41d:统计每个方向中的POI数量,根据POI经纬度坐标和六边形中心点坐标,生成向量;再依据反三角函数求出POI点跟坐标轴的夹角,利用夹角取模来判断该POI点属于哪个方向上的点,向量转角度如公式(1-2)所示;
式中:x0、y0为六边形的中心点坐标值,lng,lat为POI的经纬度坐标值,x、y分别为生成向量在X轴、Y轴上的值,ang为向量与X轴的夹角值;c为该POI点的坐标与X轴、 Y轴形成的直角三角形斜边长;π为角度度量,此处为180°;
S41e:地图缩放级别等于12时,展示为中粒度下的POI空间分布布局图,为镶嵌三角形的六边形视图;地图缩放级别大于12时,展示为小粒度下的POI空间分布布局图,为每个方向上六类POI的等面积排序图;
S41f:对六类POI进行颜色映射。
更进一步的,所述人流量时序演变视图的可视化布局包括:
S42a:以周为时间模式,将圆环从里到外分成7个圆环,l={l1,…,ln},n=7,表示一周中的7天{Mon,Tues,Wed,Thur,Fri,Sat,Sun};
S42b:每个圆环按照顺时针方向被均分为24个单元格,即t={t1,…,tm},m=24,用t={0am,1am,…,11pm}表示一天当中24个小时;视图中第p层第q列的单元格表示一周中第p天q时刻对应单车GPS数量;
S42c:实现图5绘制,将d3弧生成器产生元素添加到画布上;生成弧的内圆半径inR计算方式如公式(2-1)所示,外圆半径ouR计算如公式(2-2)所示;
生成弧的起始sR角和终止角eR,计算公式如公式(2-3)与公式(2-4)所示:
其中,i为一周中的某一时刻;π为角度度量,此处为180°;
S42d:设置单元格填充颜色变化范围,颜色映射为线性映射;
S42e:将对应站点附近共享单车数量映射到步骤42d中的颜色变化范围,对环状日历图进行上色;
S42f:在雷达图中用24个坐标轴对应圆环中的t;用圆点表示一周内在该时刻中共享单车的总数量,采用插值方式实现点与点之间的连接,使线条平滑。
本发明的有益效果是:
1)针对已有研究中较少利用多源数据优化公交站点的问题,本发明方法基于共享单车数据、城市POI数据、路网数据等真实数据,同时关注到多源数据的空间共性与共享单车数据的时间特性,一定程度上提高了分析的有效性与实用性;能够辅助交通规划者建立对站点周围环境的整体理解,找出可能蕴含的潜在模式,以制定站点优化策略,还能在不同备选站点进行对比分析,以确定更合适的备选站点。
2)针对可视化与可视分析在公交站点优化中研究较少,且已有研究存在可视化视图简单、缺乏视图间联动交互,以及缺乏对公交站点优化的完整可视分析流程等缺点,本发明融合真实共享单车数据,真实路网数据与城市POI数据等多源数据,通过可视化与可视分析的形式实现对公交站点优化,设计了新颖的可视化视图,结合多视图联动交互,增强了分析易读性,提高了分析效率。
附图说明
图1为基于多源数据的公交站点优化可视化方法流程图。
图2为大粒度下的POI空间分布可视化映射示意图。
图3为中粒度下的POI空间分布可视化映射示意图。
图4是小粒度下的POI空间分布可视化映射示意图。
图5是外部环状日历图可视化映射示意图。
图6是内部雷达图可视化映射示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。
本发明通过有效的信息可视化方法,结合多视图联动策略以及灵活的交互手段,实现基于多源数据的公交站点优化可视化方法,包括:数据采集与预处理、可视化映射、可视化布局实现、交互及联动设计,流程图如图1所示,具体步骤如下:
一、数据采集与预处理
1)数据采集流程如下:
a)模拟网络请求,编写爬虫程序,获取共享单车数据,共取得时间跨度为1个月,50,760,687条数据,数据的原始字段包括爬虫返回时间、单车编号、单车GPS经纬度与获取单车GPS时间戳;
b)模拟网络请求,编写爬虫程序,获取城市POI数据,共取得包含旅游景点、公司企业、文化教育、政府机关、地产小区、医疗卫生六大类,计634,640条数据,数据的原始字段包括:POI地址,POI所在行政区域,POI所属行业类别,POI所属行业详细类别,POI名称与 POI的GPS经纬度;
c)获取公交线路名称列表,编写爬虫程序,根据获取的公交线路名称,调用百度地图 API并进行抓包,获取公交线路详细信息,共取得包含963条公交线路、计9513条数据,数据的原始字段包括:公交站点名称,公交站点所属行政区域,公交站点所属省市,公交站点所属公交线路名称与公交站点所处位置的GPS经纬度;
2)数据预处理流程如下:
a)由于GPS设备出现异常以及爬虫机制等原因、可能导致数据存在异常,为了不影响实验结果与分析,对数据进行数据清洗。首先,去除不需要的字段,如“bikeType”、“distId”、“distNum”、“distType”、“distance”、“ch_lng”、“ch_lat”;对于缺失单元,采取上下文均值的方式补全;把文件中的“time”属性字段去除“:”,全部转换成整型,方便后期计算一天内24个时间段的单车总量;对经纬度数据做合理性检测,判断是否是上海市的有效经纬度数据;对源数据进行去重检测,去除重复数据。
b)摩拜共享单车GPS数据是利用爬虫机制获取,其使用腾讯地图对应的“火星坐标”,而OSM地图为“地球坐标”系。为了保证准确性,使数据在地图上的映射不产生偏移,所以将“地球坐标”数据坐标系按照转换公式转换为“火星坐标”。用转换后的“火星坐标”替换源文件中的“地球坐标”。
c)数据清洗后,遍历所有数据文件,连续时间的同一属性“bikeId”在该时间段的只计入一次单车流量。将一天按照24小时分段,统计每一天每小时的单车数量,将一周中对应每一天24个小时的单车流量相加,计算得到每天的流量总和,从另一个角度分析了站点在人流量时序特性。
d)共享单车数据聚类:使用模糊C-均值聚类对共享单车GPS数据进行聚类分析,通过聚类发现单车停放点的簇中心。结合公交线路/站点、地图路网信息用于辅助用户发现疑似不合理的公交站点;
二、可视化映射
1)POI空间分布视图可视化映射
a)大粒度下POI空间分布视图可视化映射
采用六边形表示地图上的一个区域,该区域由包括外圈的单车数据映射带与内侧的POI 数量六边形;在外圈的单车数据映射带中,采用颜色A编码处于该区域中的共享单车数量,颜色越深表示数量越大;在内侧的POI数量六边形中,采用颜色B编码位于该区域中的POI 数量,颜色越深表示数量越大。
如图2所示,大粒度下的POI空间分布视图,每个六边形表示地图上的一个区域,主要由两部分构成:外侧环状区域与内侧六边形区域。外侧环状区域表示该六边形区域内共享单车的数量,本实施例采用深蓝色映射其数量,颜色越深,数量越多。内侧六边形区域在不同缩放等级下显示不同的POI信息。
b)中粒度下POI空间分布视图可视化映射
中粒度下的POI空间分布可视化映射具体为:采用六边形表示地图上的一个区域,将每个六边形划分为6个三角形,每个三角形表示该区域中的子区域;在每个子区域中,采用颜色B编码位于该区域中的POI数量,颜色越深表示数量越大;六边形外侧为单车数据映射带,采用颜色A编码处于该区域中的共享单车数量,颜色越深表示数量越大。
如图3所示,中粒度下的POI空间分布视图,在大粒度POI空间分布视图的基础上,该区域的六边形被划分为6个三角形,同样使用红色映射三角形区域内的POI数量。
c)小粒度下POI空间分布视图可视化映射
小粒度下的POI空间分布可视化映射具体为:采用六边形表示地图上的一个区域,将六边形划分为6个三角形;每个三角形划分为6个等面积的区域,用6种不同的颜色映射六类不同的POI数据;使用颜色编码区域POI类型,颜色越深表示POI数量越大;采用离六边形中心距离编码不同区域之间的数量关系,离六边形中心越近,表明该区域POI数目越多。
如图4所示,小粒度下的POI空间分布视图,每个三角形被划分为6个等面积的区域,用6种不同的颜色映射六类不同的POI数据,区域颜色越深,离六边形中心越近,表明POI数目越多。6种颜色分别为:绿色表示公司、蓝色表示教育区域、棕色表示政府机构、青色表示居民住房、红色表示医疗机构、橙色表示旅游景点。
2)人流量时序演变视图可视化映射
a)外部环状日历图
如图5所示,在外侧的环状日历视图中,将环状部分等比划分为7圈24列,每圈时间粒度为天,代表一周7天,每列时间粒度为小时,代表一天24小时。划分之后的每个单元格用蓝色映射某个公交站点附近的共享单车数量,蓝色越深,表征人流量越大。
b)内部雷达图
如图6所示,在内侧的雷达图中,雷达图颜色表示单车总量,颜色越深则该公交站点附近的人流量越多。雷达图中有24个隐形的径向坐标轴,外部环状日历图的24列,表示1天中的24小时,每个坐标轴中设置一个圆点,采用圆点距离圆心的距离表示在该时刻下每天的平均共享单车数量,距离越远表示数量越多,表示该时刻人流量越大。将24个圆点使用插值方式连接起来,组成一个不规则图形,该不规则图形的圆润度编码该站点的人流量周期演化模式,图形越趋近于圆,表示人流量周期变化越均匀;此外,在不规则图形中,使用蓝色编码在时间起止范围内共享单车总数量,颜色越深表示数量越大。即,雷达图越接近圆,表示不同日期相同时刻,在站点理想站距范围内的人流量越大。
三、可视化布局实现
1)POI空间分布视图可视化布局实现包含以下步骤:
步骤1:采用规则六边形对上海市地图区域进行填充,其大小可根据用户探索空间的尺度进行调整。该可视化方法在地图缩放级别小于12时,视图呈现整体特性,视图的布局如图 2所示。
步骤2:计算六边形顶点位置,再依次将六个顶点连接起来形成多边形。顶点公式如(1-1) 所示,起始点位的初始值(0,r),再往逆时针方向生成剩余的五个顶点,每次都用最新存储在矩阵vertex中。式中,和分别表示前一顶点的X轴坐标与Y轴坐标;θ为相邻的两个顶点与六边形中心点的连线构成的夹角;π为角度度量,此处为180°;
步骤3:六边形外圈颜色映射单车数量,设置填充颜色变化范围 range=["white","sleelblue"],即从白色到刚蓝色,颜色映射为线性映射;
步骤4:统计每个方向中的POI数量,根据POI经纬度坐标和六边形中心点坐标,生成向量。接着,依据反三角函数求出POI点跟坐标轴的夹角,利用夹角取模来判断该POI点属于哪个方向上的点,向量转角度如公式(1-2)所示。
式中:x0、y0为六边形的中心点坐标值,lng,lat为POI的经纬度坐标值,x、y分别为生成向量在X轴、Y轴上的值,ang为向量与坐标X轴的夹角值;c为该POI点的坐标与X 轴、Y轴形成的直角三角形斜边长;π为角度度量,此处为180°;
步骤5:地图缩放级别等于12时,展示为中粒度下的POI空间分布布局图,如图3所示,为镶嵌三角形的六边形视图。地图缩放级别大于12时,展示为小粒度下的POI空间分布布局图,如图4所示,为每个方向上六类POI的等面积排序图。
步骤6:对六类POI进行颜色映射,绿色表示公司、蓝色表示教育类、棕色表示政府机构、青色表示住房、红色表示医疗机构、橙色表示旅游景点。
2)人流量时序演变视图可视化布局实现包含以下步骤:
步骤1:以周为时间模式,将圆环从里到外分成7个等分的圆环,l={l1,…,ln},(n=7),表示一周中的7天{Mon,Tues,Wed,Thur,Fri,Sat,Sun}。
步骤2:每个圆环按照顺时针方向被均分为24个单元格,即t={t1,…,tm},(m=24),用t={0am,1am,…,11pm}表示一天当中24个小时;
步骤3:同时,该视图中每个单元格对应lptq,表示1周中第p天q时刻对应单车GPS数量,如图5所示;
步骤4:实现图5绘制,需要将d3弧生成器产生元素添加到画布上,而弧生成器需要内圆半径inR,外圆半径ouR,扇形的起始角sA,扇形的终止角eA。其中segmentHeight为用户设置每个圆环间隔高度,inR计算方式如公式(2-1),ouR的计算如公式(2-2)所示。
除了计算内圆半径和外圆半径,还需计算生成弧的起始角和终止角,如公式(2-3)与公式(2-4)所示。
其中,i为一周中的某一时刻;π为角度度量,此处为180°;
步骤5:设置单元格填充颜色变化范围range=["white","steelblue"],即从白色到刚蓝色,颜色映射为线性映射;
步骤6:将对应站点附近共享单车数量映射到步骤4中的颜色变化范围,对环状日历图进行上色。
步骤7:雷达图总共有24个轴,对应圆环中的t。视图中每个圆点表示一周内在该时刻中共享单车的总数量,点与点之间的连接在实际实现中采用了插值方式,使得线条更加平滑,如图6所示。
四、交互及联动
该方法可以通过鼠标滚轮缩放地图,展示不同粒度下公交站点附近的城市POI分布,用户可以通过点击地图以生成备选站点。用户点击不同的站点,人流量时序演变视图会进行对应的更新。
Claims (10)
1.一种基于多源数据的公交站点优化可视化方法,其特征在于,包括以下步骤:
S1:数据采集
采集共享单车数据、城市POI数据和城市路网数据;
S2:数据处理
数据预处理:对异常数据进行清洗,对OSM地图进行坐标系转化;
交通数据计算:计算区域单车数量与区域POI数量;
共享单车数据聚类:通过聚类算法计算出单车群的聚类中心点;
S3:可视化映射
设计POI空间分布可视化映射:对城市POI种类分布、城市POI密度分布、共享单车密度分布分别进行可视化编码,表示城市人流量与环境分布情况,构成体现在大粒度下、中粒度下与小粒度下的POI空间分布可视化映射的POI空间分布视图;
设计人流量时序演变可视化映射:对单个公交站点附近的共享单车流量演变进行分析,用于对比不同站点在人流量时序演化模式上的差异,构成体现外部的环状日历图可视化映射与内部的雷达图可视化映射的人流量时序演变视图;
S4:可视化布局
根据设计的可视化映射规则进行可视化布局并绘制实现:对于POI空间分布视图,根据当前地图缩放等级确定采用大粒度布局、中粒度布局还是小粒度布局,根据布局粒度与对应的区域数据,将颜色填充入相符的形状中;对于人流量时序演变视图,确认选中的站点或备选站点位置,绘制环状日历图,再在环状日历图内部绘制对应的雷达图。
2.根据权利要求1所述的基于多源数据的公交站点优化可视化方法,其特征在于,所述步骤S1中的数据采集具体包括:
S11:模拟网络请求,编写爬虫程序,获取共享单车数据;共享单车数据的原始字段包括爬虫返回时间、单车编号、单车GPS经纬度与获取单车GPS时间戳;
S12:模拟网络请求,编写爬虫程序,获取城市POI数据;城市POI数据的原始字段包括:POI地址,POI所在行政区域,POI所属行业类别,POI所属行业详细类别,POI名称与POI的GPS经纬度;
S13:获取公交线路名称列表,编写爬虫程序,根据获取的公交线路名称,调用百度地图API并进行抓包,获取公交线路详细信息;公交线路数据的原始字段包括:公交站点名称,公交站点所属行政区域,公交站点所属省市,公交站点所属公交线路名称与公交站点所处位置的GPS经纬度。
3.根据权利要求1所述的基于多源数据的公交站点优化可视化方法,其特征在于,所述步骤S2中的数据处理具体包括:
S21:数据清洗:去除不需要的字段,对于缺失单元,采取上下文均值的方式补全;把文件中的“time”属性字段去除“:”,全部转换成整型;对经纬度数据做合理性检测,判断是否是有效经纬度数据;对源数据进行去重检测,去除重复数据;
S22:坐标转换:按照坐标转换公式将共享单车GPS数据中OSM地图的地球坐标系转换为火星坐标系;用转换后的火星坐标替换源文件中的“地球坐标”;
S23:交通数据计算:数据清洗后,遍历所有数据文件,对连续时间的同一单车ID只计数一次;将一天按照24小时分段,统计每一天每小时的单车数量,并将每一天24个小时的单车流量相加,得到每天的单车流量总和;使用正六边形均匀划分地图,计算在不同缩放比例下,正六边形区域内,与组成正六边形区域的三角形区域内城市POI的数量并统计其类型数量;
S24:使用模糊C-均值聚类对共享单车GPS数据进行聚类分析,得到单车停放点的簇中心。
4.根据权利要求1所述的基于多源数据的公交站点优化可视化方法,其特征在于,大粒度下的POI空间分布可视化映射具体为:采用六边形表示地图上的一个区域,该区域由包括外圈的单车数据映射带与内侧的POI数量六边形;在外圈的单车数据映射带中,采用颜色A编码处于该区域中的共享单车数量,颜色越深表示数量越大;在内侧的POI数量六边形中,采用颜色B编码位于该区域中的POI数量,颜色越深表示数量越大。
5.根据权利要求1所述的基于多源数据的公交站点优化可视化方法,其特征在于,中粒度下的POI空间分布可视化映射具体为:采用六边形表示地图上的一个区域,将每个六边形划分为6个三角形,每个三角形表示该区域中的子区域;在每个子区域中,采用颜色B编码位于该区域中的POI数量,颜色越深表示数量越大;六边形外侧为单车数据映射带,采用颜色A编码处于该区域中的共享单车数量,颜色越深表示数量越大。
6.根据权利要求1所述的基于多源数据的公交站点优化可视化方法,其特征在于,小粒度下的POI空间分布可视化映射具体为:采用六边形表示地图上的一个区域,将六边形划分为6个三角形;每个三角形划分为6个等面积的区域,用6种不同的颜色映射六类不同的POI数据;使用颜色编码区域POI类型,颜色越深表示POI数量越大;采用离六边形中心距离编码不同区域之间的数量关系,离六边形中心越近,表明该区域POI数目越多。
7.根据权利要求1所述的基于多源数据的公交站点优化可视化方法,其特征在于,所述人流量时序演变可视化映射中的外部的环状日历图可视化映射具体为:将传统日历图使用径向布局,形成环状日历图,共7行24列单元格;每行单元格表示1周中的1天,每列单元格表示1天中的1小时;在日历图的每个单元格中,使用颜色A表示一周中某天在某时刻下的共享单车数量,颜色越深表示数量越大。
8.根据权利要求7所述的基于多源数据的公交站点优化可视化方法,其特征在于,所述人流量时序演变可视化映射中的内部的雷达图可视化映射具体为:在雷达图中有24个隐形的径向坐标轴,对应于外部环状日历图的24列,表示1天中的24小时;每个坐标轴中设置一个圆点,采用圆点距离圆心的距离表示在该时刻下每天的平均共享单车数量,距离越远表示数量越多;将24个圆点使用插值方式连接起来,组成一个不规则图形,该不规则图形的圆润度编码该站点的人流量周期演化模式,图形越趋近于圆,表示人流量周期变化越均匀;此外,在不规则图形中,使用颜色A编码在时间起止范围内共享单车总数量,颜色越深表示数量越大。
9.根据权利要求1所述的基于多源数据的公交站点优化可视化方法,其特征在于,所述POI空间分布视图的可视化布局包括:
S41a:采用规则六边形对待布局区域地图进行填充,并根据用户探索空间的尺度对大小进行调整;
S41c:通过六边形外圈颜色映射单车数量,设置填充颜色变化范围,且颜色映射为线性映射;
S41d:统计每个方向中的POI数量,根据POI经纬度坐标和六边形中心点坐标,生成向量;再依据反三角函数求出POI点跟坐标轴的夹角,利用夹角取模来判断该POI点属于哪个方向上的点,向量转角度如公式(1-2)所示;
x=lng-x0 (1-2)
y=lat-y0
式中:x0、y0为六边形的中心点坐标值,lng,lat为POI的经纬度坐标值,x、y分别为生成向量在X轴、Y轴上的值,ang为向量与X轴的夹角值;c为该POI点的坐标与X轴、Y轴形成的直角三角形斜边长;π为角度度量,此处为180°;
S41e:地图缩放级别等于12时,展示为中粒度下的POI空间分布布局图,为镶嵌三角形的六边形视图;地图缩放级别大于12时,展示为小粒度下的POI空间分布布局图,为每个方向上六类POI的等面积排序图;
S41f:对六类POI进行颜色映射。
10.根据权利要求1所述的基于多源数据的公交站点优化可视化方法,其特征在于,所述人流量时序演变视图的可视化布局包括:
S42a:以周为时间模式,将圆环从里到外分成7个圆环,l={l1,…,ln},n=7,表示一周中的7天{Mon,Tues,Wed,Thur,Fri,Sat,Sun};
S42b:每个圆环按照顺时针方向被均分为24个单元格,即t={t1,…,tm},m=24,用t={0am,1am,…,11pm}表示一天当中24个小时;视图中第p层第q列的单元格表示一周中第p天q时刻对应单车GPS数量;
S42c:实现图5绘制,将d3弧生成器产生元素添加到画布上;生成弧的内圆半径inR计算方式如公式(2-1)所示,外圆半径ouR计算如公式(2-2)所示;
生成弧的起始sR角和终止角eR,计算公式如公式(2-3)与公式(2-4)所示:
其中,i为一周中的某一时刻;π为角度度量,此处为180°;
S42d:设置单元格填充颜色变化范围,颜色映射为线性映射;
S42e:将对应站点附近共享单车数量映射到步骤42d中的颜色变化范围,对环状日历图进行上色;
S42f:在雷达图中用24个坐标轴对应圆环中的t;用圆点表示一周内在该时刻中共享单车的总数量,采用插值方式实现点与点之间的连接,使线条平滑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110029127.6A CN112699284B (zh) | 2021-01-11 | 2021-01-11 | 一种基于多源数据的公交站点优化可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110029127.6A CN112699284B (zh) | 2021-01-11 | 2021-01-11 | 一种基于多源数据的公交站点优化可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112699284A true CN112699284A (zh) | 2021-04-23 |
CN112699284B CN112699284B (zh) | 2022-08-30 |
Family
ID=75513618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110029127.6A Active CN112699284B (zh) | 2021-01-11 | 2021-01-11 | 一种基于多源数据的公交站点优化可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699284B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139030A (zh) * | 2021-04-27 | 2021-07-20 | 北京交通发展研究院 | 公交微循环线路确定方法、装置、计算机设备及存储介质 |
CN113220812A (zh) * | 2021-04-30 | 2021-08-06 | 广东省城乡规划设计研究院有限责任公司 | 一种基于多源地图平台交叉验证的数据空间化方法及装置 |
CN113538059A (zh) * | 2021-07-23 | 2021-10-22 | 四川大学 | 一种面向网络购物广告的用户时序行为可视化方法 |
CN113870559A (zh) * | 2021-09-27 | 2021-12-31 | 北京理工新源信息科技有限公司 | 一种基于大数据车联网的交通流量计算方法 |
CN113962615A (zh) * | 2021-12-22 | 2022-01-21 | 华睿交通科技有限公司 | 一种交通资源管控系统、方法及存储介质 |
CN114648101A (zh) * | 2022-05-13 | 2022-06-21 | 杭州研极微电子有限公司 | 基于transformer结构的softmax函数量化实现方法和装置 |
CN117829381A (zh) * | 2024-03-05 | 2024-04-05 | 成都农业科技职业学院 | 基于物联网的农业大棚数据优化采集系统 |
CN117893383A (zh) * | 2024-03-14 | 2024-04-16 | 中南大学 | 一种城市功能区域识别方法、系统、终端设备及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991525A (zh) * | 2017-03-22 | 2017-07-28 | 浙江工商大学 | 基于大数据驱动的空气质量与居民出行可视分析方法与系统 |
CN107609107A (zh) * | 2017-09-13 | 2018-01-19 | 大连理工大学 | 一种基于多源城市数据的出行共现现象可视化分析方法 |
CN108470033A (zh) * | 2018-02-01 | 2018-08-31 | 杭州电子科技大学 | 一种城市公共自行车系统借还模式的可视化分析方法 |
CN109308549A (zh) * | 2017-11-20 | 2019-02-05 | 章文洁 | 一种城市综合体活力分析方法和系统 |
CN110119482A (zh) * | 2019-05-13 | 2019-08-13 | 杭州电子科技大学 | 基于poi和多源移动数据集的人群出行模式可视分析方法 |
CN110140123A (zh) * | 2017-09-30 | 2019-08-16 | 北京嘀嘀无限科技发展有限公司 | 用于加载和显示站点的系统以及方法 |
CN110533240A (zh) * | 2019-08-26 | 2019-12-03 | 西南交通大学 | 基于轨迹数据的自行车道线网规划方法 |
CN110909627A (zh) * | 2019-11-04 | 2020-03-24 | 中国科学院深圳先进技术研究院 | 区域poi配置可视化方法及系统 |
CN111428154A (zh) * | 2020-02-29 | 2020-07-17 | 浙江工业大学 | 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 |
US20200278214A1 (en) * | 2019-03-01 | 2020-09-03 | Here Global B.V. | Method, system, and computer program product for generating synthetic demand data of vehicle rides |
CN111899855A (zh) * | 2020-07-16 | 2020-11-06 | 武汉大学 | 一种个体健康与公共卫生数据时空聚集可视化构建方法及平台 |
CN111914940A (zh) * | 2020-08-11 | 2020-11-10 | 上海钧正网络科技有限公司 | 一种共享车辆站点分群聚类方法、系统、装置及存储介质 |
-
2021
- 2021-01-11 CN CN202110029127.6A patent/CN112699284B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991525A (zh) * | 2017-03-22 | 2017-07-28 | 浙江工商大学 | 基于大数据驱动的空气质量与居民出行可视分析方法与系统 |
CN107609107A (zh) * | 2017-09-13 | 2018-01-19 | 大连理工大学 | 一种基于多源城市数据的出行共现现象可视化分析方法 |
CN110140123A (zh) * | 2017-09-30 | 2019-08-16 | 北京嘀嘀无限科技发展有限公司 | 用于加载和显示站点的系统以及方法 |
CN109308549A (zh) * | 2017-11-20 | 2019-02-05 | 章文洁 | 一种城市综合体活力分析方法和系统 |
CN108470033A (zh) * | 2018-02-01 | 2018-08-31 | 杭州电子科技大学 | 一种城市公共自行车系统借还模式的可视化分析方法 |
US20200278214A1 (en) * | 2019-03-01 | 2020-09-03 | Here Global B.V. | Method, system, and computer program product for generating synthetic demand data of vehicle rides |
CN110119482A (zh) * | 2019-05-13 | 2019-08-13 | 杭州电子科技大学 | 基于poi和多源移动数据集的人群出行模式可视分析方法 |
CN110533240A (zh) * | 2019-08-26 | 2019-12-03 | 西南交通大学 | 基于轨迹数据的自行车道线网规划方法 |
CN110909627A (zh) * | 2019-11-04 | 2020-03-24 | 中国科学院深圳先进技术研究院 | 区域poi配置可视化方法及系统 |
CN111428154A (zh) * | 2020-02-29 | 2020-07-17 | 浙江工业大学 | 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 |
CN111899855A (zh) * | 2020-07-16 | 2020-11-06 | 武汉大学 | 一种个体健康与公共卫生数据时空聚集可视化构建方法及平台 |
CN111914940A (zh) * | 2020-08-11 | 2020-11-10 | 上海钧正网络科技有限公司 | 一种共享车辆站点分群聚类方法、系统、装置及存储介质 |
Non-Patent Citations (5)
Title |
---|
ELENA KONDRATEVA ET AL.: "An isochrones based public transport stops optimization technique", 《2017 5TH IEEE INTERNATIONAL CONFERENCE ON MODELS AND TECHNOLOGIES FOR INTELLIGENT TRANSPORTATION SYSTEMS (MT-ITS)》 * |
ZUPENG LIU ET AL.: "Optimization of bus stops layout under the conditions of coordinated control", 《TRANSPORTATION RESEARCH PROCEDIA》 * |
夏婷 等: "基于公共交通智能卡数据的可视化分析", 《计算机应用研究》 * |
张健钦 等: "一种城市公交线网分布的可视化分析方法", 《测绘通报》 * |
王焕栋 等: "基于站点兴趣点的城市轨道交通站点分类方法", 《交通与运输》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139030A (zh) * | 2021-04-27 | 2021-07-20 | 北京交通发展研究院 | 公交微循环线路确定方法、装置、计算机设备及存储介质 |
CN113220812A (zh) * | 2021-04-30 | 2021-08-06 | 广东省城乡规划设计研究院有限责任公司 | 一种基于多源地图平台交叉验证的数据空间化方法及装置 |
CN113220812B (zh) * | 2021-04-30 | 2022-03-29 | 广东省城乡规划设计研究院有限责任公司 | 一种基于多源地图平台交叉验证的数据空间化方法及装置 |
CN113538059B (zh) * | 2021-07-23 | 2023-04-07 | 四川大学 | 一种面向网络购物广告的用户时序行为可视化方法 |
CN113538059A (zh) * | 2021-07-23 | 2021-10-22 | 四川大学 | 一种面向网络购物广告的用户时序行为可视化方法 |
CN113870559A (zh) * | 2021-09-27 | 2021-12-31 | 北京理工新源信息科技有限公司 | 一种基于大数据车联网的交通流量计算方法 |
CN113870559B (zh) * | 2021-09-27 | 2022-08-16 | 北京理工新源信息科技有限公司 | 一种基于大数据车联网的交通流量计算方法 |
CN113962615A (zh) * | 2021-12-22 | 2022-01-21 | 华睿交通科技有限公司 | 一种交通资源管控系统、方法及存储介质 |
CN114648101A (zh) * | 2022-05-13 | 2022-06-21 | 杭州研极微电子有限公司 | 基于transformer结构的softmax函数量化实现方法和装置 |
CN117829381A (zh) * | 2024-03-05 | 2024-04-05 | 成都农业科技职业学院 | 基于物联网的农业大棚数据优化采集系统 |
CN117829381B (zh) * | 2024-03-05 | 2024-05-14 | 成都农业科技职业学院 | 基于物联网的农业大棚数据优化采集系统 |
CN117893383A (zh) * | 2024-03-14 | 2024-04-16 | 中南大学 | 一种城市功能区域识别方法、系统、终端设备及介质 |
CN117893383B (zh) * | 2024-03-14 | 2024-06-04 | 中南大学 | 一种城市功能区域识别方法、系统、终端设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112699284B (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112699284B (zh) | 一种基于多源数据的公交站点优化可视化方法 | |
Briggs et al. | Mapping urban air pollution using GIS: a regression-based approach | |
Laurini et al. | Fundamentals of spatial information systems | |
Cooper et al. | Using multiple hybrid spatial design network analysis to predict longitudinal effect of a major city centre redevelopment on pedestrian flows | |
Jiang et al. | Large-scale taxi O/D visual analytics for understanding metropolitan human movement patterns | |
Beil et al. | Detailed streetspace modelling for multiple applications: Discussions on the proposed CityGML 3.0 transportation model | |
Wu et al. | The impacts of the built environment on bicycle-metro transfer trips: A new method to delineate metro catchment area based on people's actual cycling space | |
CN105975591B (zh) | 一种城市全域能耗数字地图制作及显示方法和系统 | |
CN112184282A (zh) | 影院选址模型建立方法、影院选址方法及影院选址平台 | |
Huang | Data integration for urban transport planning | |
Ji et al. | Mapping urban public spaces based on the Nolli map method | |
Chou et al. | Analysis of cycling accessibility using detour ratios–A large-scale study based on crowdsourced GPS data | |
Xuan et al. | Research on correlation between spatial quality of urban streets and pedestrian walking characteristics in china based on street view big data | |
Simkowitz | Geographic information systems: An important technology for transportation planning and operations | |
Simkowitz | Transportation applications of geographic information systems | |
Zhang et al. | Information visualization analysis based on historical data | |
Sadek et al. | Reducing vehicle miles traveled through smart land-use design. | |
Cheng et al. | Analysis on utilization of Beijing local roads using taxi GPS data | |
Bandyopadhyay et al. | GIS-based Analysis of Traffic Congestion in Midnapore Municipality | |
Putta | Evaluating Bicycle Networks: Visualizing and Measuring Low-Stress Connectivity and Accessibility | |
Zhengdong | Data integration for urban transport planning | |
Gedefa et al. | Python Library for Road Network Analysis in the Case of Debre Berhan City | |
Floberg | Change in urban fabric through space and time at differing levels of automobility | |
Bebelaar | Finding routes for hyperloop transportation infrastructure in the Netherlands using a GIS-MCDA approach | |
Dawwas | GIS as a tool for route location and highway alignment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |