自行车可视化工作 (Schedule, Visualization)

Visualization Bike-Sharing-System

我的想法

Introduction

• 公共自行车的广泛运用，好处，存在的问题unbalanced——scheduling

• 可视化有利于直观了解全局的mobility，对于安排、决策有非常重要的意义，OD数据可视化方面的Related work

  • Flow mapping展现流动性的一些方法
    
    • OD-Wheel
    • Guo的一些Flow Mapping的工作
  • Field based: 用流场的方式展现全局特征
  • Regionalization根据需求，划分区域，将相似的划分在一起
  • (Mobility) Pattern extraction: 抽取特征，分析

• 可视分析是一个非常好的工具，很多问题由于数学模型给出的最优解并不是直观意义上最好的解，因此通过可视分析，可以交互的给出人们认知的较优解法；也可以给出直观的insight，有利于人们对整体有个Overview，也可以交互性的选择，最后作出决策

  • Taxi data for traffic assessment
  • Cellphone data for public transport
  • ... (other example about visualization for decision support)

Challenge

• 之前Mobility可视化大多都是轨迹数据，而自行车的数据是O-D数据，中间过程我们不知道，即不确定性

  • 刻画Mobility：如何利用O-D数据将整个城市的流动性刻画出来，而且不重叠、不混淆，且要对于人们分析有所帮助，是个值得研究的问题
    
    • 抽取主要流量
    • 用一些新的方式展现 （例如在非地图上显示分析地域和地域之间的流向）
  • 假设有一个人走了100min，但是实际上很有可能绕了一个圈回来，把这样的数据融入流动性的考虑就不是很恰当了。因此考虑一个Trip时，不光要考虑(O,D,time_start)还要考虑time_period，需要对不同的Trip进行聚类，抽取不同的模式，这样对流动性的认识、调度的决策都会很有帮助

• 自行车的Mobility是非常Random的

  • 对于调度方面我们想要首先确保Regular的人的需求，然后再去尽可能满足Random的需求；Regular的人可以从OD数据中分析出来，Random也可以再仔细分析一下，也可以根据数据发现Abnormal的情况，进而做调度

• 在调度方面

  • 如何设计调度算法，如何formulate问题：如果全局考虑很不可取，可以根据上文的Mobility分析，对区域进行分块，而且找到Regular的流量，然后局部进行规划（这一部分还需要参考实际过程中是怎么做的，可以先可视化展现一下他们调度的方案，看看有什么可以改进的地方）
  • 如何展现调度方案：展现实际借还车需求的满足性，展现调度车辆花费的时间和金钱
  • 如何直观的比较：给出几个方案之后，发明一些可视化技术来直观的比较各个方案

Goal

想做的框架主要分为两部分，一部分是模式分析，一部分是调度方案，即通过模式分析，清晰的认识城市的流动性的模式，给调度一定的指导；

• 模式分析 (Pattern Analysis)

  • 目标：将规律性(Regular)发掘到极致
  • 流动性的展现
    
    • 刻画全局的Mobility，单个站点出发的，或一个区域出发的
    • 能够发现大量涌出、大量进入的站(区域)
  • 交互式的分析出不同的Regular的Pattern（通过聚类，以及可视化的方法）

• 调度相关

  • 调度方面，主要可以分为两类：粗粒度的和细粒度的
    
    • 粗粒度是指尽可能满足那些明显的需求点
    • 细粒度是指如何调度路线来节省费用，或者对于一些小需求的站也尽可能满足
  • 可视化的展现调度方案及比较的策略
    
    • 细粒度的就要考虑车辆的路线，以及花费的成本、时间等
    • 粗粒度主要考虑几个大区域之间的调度，车辆的承载量等
    • 这个地方还需要根据实际方法细化
  • 分区域来调度
    
    • 人为给定区域or机器自动生成推荐的区域
    • 执行优化算法（需要再细化），得出调度方案
    • 可视化的比较
  • 特殊的调度模式
    
    • 其实根据我所知的现在的调度方案——主要确定几个需要拿车的点，然后把多余的车辆往主要的缺口放一下，然后其他的就随便放放；如果我们设计一种调度模式，就是找到这样的pair，从非常满的站出发，到非常空的站结束，然后中间尽可能考虑一些路程、时间、金钱等因素（可以融合上城市拥堵），达到最优
    • 对于小范围的不平衡趋势(但是需求量非常大)，其实我们设置一些监管员在那边，一直的上(下)架车，来满足源源不断的需求，那么如何划分这样的区域，也是我们的调度算法的一部分
    • 通过实际数据分析（前文的Mobility以及Regular区分这种），我们可以发现更多的可调度模式，然后设计新的调度方案
  • 调度方面的整体思路就是这样，在做的过程中我想会得出很多新的idea以及进一步整合的地方

Origin:
- VAST
- InfoVIS
- PacificVis
- EuroVis

文献阅读

A Visual Reasoning Approach for Data-driven Transport Assessment on Urban Roads

Source

VAST14, 陈为老师组做的工作

Main Concept

主要讲述了用可视化的方法去诊断、分析交通Traffic-Jam的可视化系统；是利用出租车的轨迹数据来推测的。

其根据交通专家得到了几个分析的意见：

• Q1, Analysis of road hierarchy: 主干路和二级道路的数量设计不合理
• Q2, Analysis of overlapping traffic flow：快速和常速的交通流的混叠
• Q3, Analysis of road and intersection traffic capacity：路、路口的capacity
• Q4, Analysis of opposite direction：分析一条路的两个方向

主要提出了几个View，从微观上分析了整个交通的情况

• Flow Comparative View: 统计在不同速度区间的两个方向的车辆数(Stacked Bar Chart), for Q4
• Velocity-and-Distance View: 统计速度和trip长短的离散点(Scatter Chart)-离线事后分析, for Q1, Q2
• Flow-and-Velocity View: 将trips，speed，taxi的位置画在路上, for Q3
• Topology View: 分析一个路的的流向, for Q3
• Flow Density View: 顾名思义

其提出了几个造成交通拥堵的因素，例如车流密度不同，突发情况，受其他的路影响等，并给出了几个Case study；

由于实时的数据分析需求，因此文章对于如何存储、高效的查询数据集也给出了一定的方法。

Main Contribution

数据存储、查询模型：

• A dynamic road-based trajectory query model
• A bi-directional linked hash index scheme

可视分析技术：

• A visual analysis: 提出了几个View，并给出了具体的实现方法

Introduction & Related work

在Related work中提及了micro/macro-pattern-analysis两个分类，给出了一些参考资料

提及了高效的存储、查询轨迹数据的一些Work

Comments

这篇文章的思路就是从分析交通拥堵状况的问题出发，从专家（expert）分析的几个问题入手，设计了几个可视化的View，从而分析具体情况（如何设计View也值得学习,但这里方法都是旧的）；另外，很大一部分是关于如何高效的储存、查询轨迹数据给出了一定的总结与方法。

所以说，创新点除了设计新的可视化技术，也可以是实现一个系统，并提及为了实现系统而使用的技术，也可以是一些以前方法的组合，只要works就好。

Flow Mapping and Multivariate Visualization of Large Spatial Interaction Data

Source

TVCG 2009 (VAST)
Diansheng Guo, USC

Main concept

将轨迹的Flow数据显示出来，并且可视化Flow中的多种属性；
对于大的数据集，直接显示显然是不可行的，要做一定的Aggregation；
作者提出了一种方法来提取自然的Region，而不是仅仅根据数据中的Place（可以理解为把原有的Region进行聚合）；并且同时显示Flow中的多重属性

Main Contribution

• 根据空间上的flow，发掘Natural Region，建立层次性（hierarchical）Region
• aggregate multivariable的信息under the flow
• 自组织的地图被用来做聚类分析，并用颜色编码flow variables
• 用户交互的可视分析功能

Introduction & Related work

Introduction主要介绍了Flow map传统的方法只适用于小数据集，地点没有进行过整合、聚类，而且多个属性不好同时方便的显示；
Related work中，涉及到了flow map, Regionalization, Graph Partition, Multivariable Visualization方面的内容

Comments

这篇文章我认为主要的创新点在于根据flow自动Aggregate成一些Region，并且是层次性的；并且提供了良好的用户交互行为，从而interactively去mining潜在在flow下的信息；

其中hierarchical类的思想值得学习，通过交互的方式进行分析也值得分析；

这篇文章和上面的traffic assesment的文章其实都是将可视化、可视分析用到一个领域，然后在最终的分析技术方面并没有太多的新的可视化技术（都是一些传统的view），而是进行整合、重组织、交互，从而达到解决问题的目的。

Title

Source

Main concept

Main Contribution

Introduction & Related work

Comments

不成形的想法：

• 直观的监视界面, 以及历史分析工具

  • 最基本的功能：展现库存量，借还活跃度，以及预警功能
  • 流动性的分析：Overview，单个站点，一群站点，自动聚类的一群站点
  • 如何能可视化的将其模型中的数据以及影响因素展现出来
    
    • 例如
  • 统计一下每个站去往各个方向以及远近,以及模型的mobility的可视化展现
  • 通过交互来看出流动性，和聚集性
  • 自动cluster出对应的region，将城市划分成块，展现一块区域的同样的流动性
  • 历史分析出pattern，给出直观的调度解决视角
    
    • 给出历史一定会有的一部分，也就是规律性和随机性解耦
  • 通过预测给出一定的数据？结合道路数据(表现交通拥堵情况)

• 给出自动生成的调度方案,并比较

  • 分类：Regular调度，紧急调度
  • 先制定一个范围，运行某种算法，给出Scheduling
    
    • 服务时间最优？
  • 给出监管站点的人员监管区域
  • 大范围需求直观展示，推理
  • 引导给出调度方案

• (全局/站点/区域)流动性的展现，展示整个城市的需求、流动情况

• 自动生成调度数据
• 历史OD, Pattern数据交互式分析,并可以预先的自动给出一定的聚类之类的结果
• Solution Generation & Comparition

Our goal is target to the BSS(bike sharing system) scheduling problem.
Visual Analytics is a very good method for us to solve the problem whose optimal solution would be better if we generate with mathematical model and human interaction.

Use the addtional traffic information to predict the moving period of trucks?
how to demostrate the scheduling information?

what's the challenge? the key problems?
Historical view, present view, future view?

• detection the abnormal event, find the corresponding place
• inspection (analysis deeply), selection, filter, different views, by time, by hierachical
• generate scheduling solution
• compare? how to visualize?

bikes data is different from trajectory data, such as taxi, cellphone, etc. what we have is just the O-D movement matrix everytime.
What's the motivation of bike-sharing system?