作者: Ding Chu, David A. Sheets, Ye Zhao, Yingyu Wu, Jing Yang, Maogong Zheng, George Chen
PVIS 2014
对出租车轨迹数据进行数据挖掘或者可视化的文章近年来日益增多，本文比较新颖地将文本主题抽取的方法用到了出租车轨迹数据之上，使得轨迹数据能够被赋予一定的语义并增加了解读性。
作者选用了深圳 21360 辆出租车的每日 GPS 轨迹数据。首先将每一个 GPS 地理坐标映射到具体的街道上，这样就将街道作为词，一辆出租车的轨迹即一个街道名称的序列作为一段文本，多辆出租车的轨迹构成一个文本集合，作为 LDA（Latent Dirichlet Allocation）主题抽取的原始材料。而经过主题抽取，主题和街道、主题和轨迹都有了对应关系，可以得到街道或者轨迹在每个主题上的概率分布（表 1 表 2）。直观上，一个主题相当于一个地区，包含许多街道。
表 1
表 2
作者也分了几种情况抽取主题，如载人和空车两种情况。考虑到 LDA 算法主要的依据是词频，这样当车行驶在低速路段的时候，会发生 GPS 记录点过多引起的街道名出现频率过高的情况，与之相反，在高速路段，GPS 记录点则很稀疏，引起词频分布不均衡。为了克服这个问题，作者进行了速度补偿，设定一个阈值 St，当车速高于阈值时，在轨迹记录点之间增加插值出来的伪轨迹点。
在抽取出来主题的基础之上，作者用信息熵重新包装了街道在主题之中的概率分布（街道熵），以及单车轨迹在主题之中的概率分布（轨迹熵）。其中街道熵高证明该街道连接数个主题（地区）；轨迹熵高证明该车出行范围广，穿越多个主题（地区）。
为了讨论主题演化，作者将一天的时间分为数个时段（文中为 3 小时），在每一时段分别抽取主题。这样的直接效果是每一个时段都能抽取出 n 和主题，为了计算这些主题之间的连续性，作者采用了如公式 1 的相似度度量，其中 Ti 和 Tj 为两个不同的，且处于相邻时段的主题，Sij 为相似度。
公式 1
在介绍完方法及概念之后，作者设计了名为 VATT（Visual Analytics of Taxi Topics）的可视分析系统。其综合了主题地图、街道云、平行坐标、主题时序演化四个视图（图 1）。其中主题地图将选取某一主题中前 m 位的街道并用一种特定的颜色标识，当主题和主题间有重复的街道时，可以采用比较该街道在不同主题之间的概率大小，或者用街道熵等指标定出优先级，覆盖绘制。街道云计算了街道主题概率分布的余弦相似度，并用投影算法将其分布在平面上，用颜色区分主题。平行坐标的纵轴为主题，连线为一个街道。主题时序演化用圆的大小编码某一个时段内该主题的频数，并从大到小依次排列，圆之间的连线根据如上所述的主题相似度计算得出，粗细编码相似度的大小。
图 1
由于本文分析案例较多，这里仅以两例说明这个系统的用法。
如图 2 所示，该图标识了在 9:00 am~12:00 am 所有主题的 top30 街道，可以看到不同主题的街道都比较好地分离了出来，在主题 2 的街道云视图上（图 3，图 2 的红色街道），可见 BinheAve、BeihuanAve 和 G205 远离群体部分，BinheAve 和 BeihuanAve 是连接东西的大动脉，G205 连接东北，均为交通枢纽，和别的在一个地区内的街道都不一样，这些从平行坐标视图上也能略窥一斑（图 4）。
图 2
图 3
图 4
另一个例子，如图 5 所示，图 5a 为空车在 3:00 am~ 6:00 am 的主题，图 5b 为载客在 3:00 am~ 6:00 am 的主题，明显可见空车为了寻客，游走在城区之中，而载客车辆为了快捷，往往走绕城高速。图 5c 为载客在 6:00 am~ 9:00 am 的主题，可见随着时间的推移，城区道路开始复苏，绿色道路为机场到罗湖口岸，在这个时段热度开始有所上升。图 6 为主题在一天中的演化情况，和图 5 对应。红紫两线条，对应 Luohu 和 Futian 两区，基本维持在头两位，其中在 9:00 pm~12:00 pm 红紫两圈较大，这两区都是商业和娱乐中心，说明在这个时段，这些地区夜生活比较丰富。而棕色线条对应的 Bao’an 其在各个时段变化波动较大，原因是这个地区为居民区，不似商业中心那么活跃。
图 5
图 6
总的来说，该文使用的方法还是比较新颖的并且有一定的借鉴意义，可以发现成组轨迹的运动模式；能够容忍一定程度的错误和噪声；并且降低了分析的维度，将轨迹的坐标简化到带有语义的主题，方便了分析。
✉️ zjuvis@cad.zju.edu.cn