面向地理信息大数据的时空事件关系可视化分析框架

doi:10.13474/j.cnki.11-2246.2019.0395

测绘通报 ›› 2019, Vol. 0 ›› Issue (12): 101-104.doi: 10.13474/j.cnki.11-2246.2019.0395

面向地理信息大数据的时空事件关系可视化分析框架

李金磊¹, 慈谕瑶², 郑坤², 郭绍龙¹, 燕继红¹, 陈宇萍², 吴艳民³, 李仕漪³

1. 中国石油化工股份有限公司勘探分公司, 四川成都 610041;
2. 中国地质大学(武汉)地理与信息工程学院, 湖北武汉 430074;
3. 北京创时空科技发展有限公司, 北京 100083

收稿日期:2019-10-08 修回日期:2019-10-30 发布日期:2020-01-03
通讯作者: 慈谕瑶。E-mail:cindy.ci@cug.edu.cn E-mail:cindy.ci@cug.edu.cn
作者简介:李金磊(1982-),男,博士,主要从事地球空间信息智能处理与分析工作。E-mail:lijl.ktnf@sinopec.com
基金资助:
国家科技重大专项（2017ZX05036-001）；广东社会发展科技协同创新体系建设项目（2018B020207012）；中国地质大学（武汉）中央高校基本科研业务费专项资金（CUGYCJH18-01）

Visualized analysis framework on big geo-information data oriented spatio-temporal events

LI Jinlei¹, CI Yuyao², ZHENG Kun², GUO Shaolong¹, YAN Jihong¹, CHEN Yuping², WU Yanmin³, LI Shiyi³

1. Exploration Branch of China Petrochemical Co., Ltd., Chengdu 610041, China;
2. China University of Geosciences(Wuhan) School of Geosciences and Information Engineering, Wuhan 430074, China;
3. Beijing Create Space-Time Science and Technology Limited Company, Beijing 100083, China

Received:2019-10-08 Revised:2019-10-30 Published:2020-01-03

摘要/Abstract

摘要： 不同类型的地理信息大数据蕴含了丰富的时空关系，反映个体或者群体时空事件之间的变化模式，在资源、环境、交通等领域的智慧应用中起到关键性作用。然而，地理信息大数据拥有的多尺度和多语义特性，在挖掘地理信息大数据的时空关系时会存在许多困难。如何有效地构建多尺度多语义时空关系，并直观地表达这些时空关系是一个重大挑战。本文设计了一种时空事件关系可视化分析框架，通过定义事件间时空关系的描述，设计了一种多视图协同的可视化分析方法，结合时空关系的可视化协同交互，实现地理信息大数据时空事件可视分析。基于时空轨迹数据，通过试验说明该方法可以探寻时空事件及背景间的时空关系，实现时空事件的交互可视分析。

关键词: 地理信息大数据, 可视分析, 时空关系, 时空事件, 轨迹数据

Abstract: Rich spatio-temporal relations are hidden in types of big geo-data, which represent the evolution of individual or collective spatio-temporal events and play a decisive role in intelligent applications such as natural resources, environments, transportation and other fields. However, there are many difficulties in digging the spatio-temporal relationship, due to the large number of attributes embedded in multi-scale and multi-semantic big geo-data. It is a technical challenge to effectively construct multi-scale and multi semantic spatio-temporal and as well as to visualize the relations. In this paper, we design an analysis framework to visualize the spatio-temporal relations among spatio-temporal events. we design a multi-view collaboration to visualize the spatio-temporal relations among events by describing a general definition for spatio-temporal relations in spatio-temporal events. A visual interface is presented for users to interactively select or filter spatial and temporal extents to guide the knowledge discovery process. Followed by experimental application on spatio-temporal trajectory data shows that this method can explore the spatio-temporal relationship between spatio-temporal events and context, and realize the interactive visual analysis of spatio-temporal events.

Key words: big geo-information data, visual analysis, spatio-temporal relations, spatio-temporal events, trajectory data

中图分类号:

P208

李金磊, 慈谕瑶, 郑坤, 郭绍龙, 燕继红, 陈宇萍, 吴艳民, 李仕漪. 面向地理信息大数据的时空事件关系可视化分析框架[J]. 测绘通报, 2019, 0(12): 101-104.

LI Jinlei, CI Yuyao, ZHENG Kun, GUO Shaolong, YAN Jihong, CHEN Yuping, WU Yanmin, LI Shiyi. Visualized analysis framework on big geo-information data oriented spatio-temporal events[J]. Bulletin of Surveying and Mapping, 2019, 0(12): 101-104.

参考文献

[1] 朱递,刘瑜. 多源地理信息大数据视角下的城市动态研究[J]. 科研信息化技术与应用, 2017,8(3):7-17.
[2] 刘瑜, 詹朝晖, 朱递, 等. 集成多元地理信息大数据感知城市空间分异格局[J].武汉大学学报(信息科学版), 2018, 43(3):327-355.
[3] 朱庆, 付萧. 多模态时空大数据可视分析方法综述[J]. 测绘学报, 2017,46(10):474-479.
[4] WANG H, LI Q, YI F, et al. Influential spatial facility prediction over large scale cyber-physical vehicles in smart city[J]. Eurasip Journal on Wireless Communications and Networking, 2016,2016(1):103.
[5] 李清泉, 李德仁. 大数据GIS[J]. 武汉大学学报(信息科学版), 2014,39(6):641-644.
[6] XIAOKE H, YE Z, JING Y, et al. TrajGraph:a graph-based visual analytics approach to studying urban network centralities using taxi Trajectory data[J]. Visualization and Computer Graphics, IEEE Transactions on, 2016,22(1):160-169.
[7] LU M, WANG Z, YUAN X. Trajrank:exploring travel behaviour on a route by trajectory ranking[C]//Visualization Symposium (PacificVis).[S.l.]:IEEE, 2015:311-318.
[8] GUPTA S, DUMAS M, MCGUFFIN M J, et al. Movement-Slicer:Better Gantt charts for visualizing behaviors and meetings in movement data[C]//2016 IEEE Pacific Visualization Symposium (PacificVis).[S.l.]:IEEE, 2016:168-175.
[9] ANDRIENKO G, ANDRIENKO N, BAK P, et al. Visual analytics of movement[M].[S.l.]:Springer Science & Business Media, 2013.
[10] BOYANDIN I, BERTINI E, BAK P, et al. Flowstrates:an approach for visual exploration of temporal origin-destination data[C]//Eurographics IEEE-Vgtc Conference on Visualization.[S.l.]:IEEE, 2011:971-980.
[11] ANDRIENKO G, ANDRIENKO N, HEURICH M. An event-based conceptual model for context-aware movement analysis[J]. International Journal of Geographical Information Science, 2011,25(9):1347-1370.
[12] BAK P, MANSMANN F, JANETZKO H, et al. Spatiot-emporal analysis of sensor logs using growth ring maps[J]. IEEE Transactions on Visualization & Computer Graphics, 2009,15(6):913-920.
[13] ZHENG K, GU D P, FANG F L, et al. Visualization of spatio-temporal relations in movement event using multi-view[J]. 2017, XLII-2/W7:1469-1476.
[14] STEED C A, RICCIUTO D M, SHIPMAN G, et al. Big data visual analytics for exploratory earth system simulation analysis[J]. Computers & Geosciences, 2013,61:71-82.
[15] 刘家良, 孙立双. 结合空间相关性的城市热点路段提取方法[J]. 测绘通报, 2018(6):80-84.

面向地理信息大数据的时空事件关系可视化分析框架

Visualized analysis framework on big geo-information data oriented spatio-temporal events

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 12

编辑推荐

Metrics

本文评价

[1]	陈换新, 马超, 张吉才, 陈长林, 秦志强, 马京振, 汪亚群. 多源矢量空间数据可用性评估的可视分析[J]. 测绘通报, 2021, 0(9): 74-78.
[2]	邬群勇, 王祥健. 出租车轨迹数据的频繁轨迹识别[J]. 测绘通报, 2021, 0(11): 70-75.
[3]	张昊, 张健钦, 郭小刚, 卢剑, 陆浩. 轨迹大数据云存储与热力图生成方法[J]. 测绘通报, 2021, 0(10): 146-149.
[4]	黄亚锋, 向隆刚, 高萌. 轨迹数据的非关系管理及相似性分析[J]. 测绘通报, 2020, 0(6): 81-86.
[5]	武英豪, 李成名, 吴政, 武鹏达. 基于地理格网的复杂路线车辆通行时间估算方法[J]. 测绘通报, 2019, 0(6): 61-65.
[6]	梁明, 陈文静, 段平, 李佳. 轨迹压缩的典型方法评价[J]. 测绘通报, 2019, 0(4): 60-64,70.
[7]	王善辉, 张和生. 一种基于车辆轨迹数据的城市建成区边界识别方法[J]. 测绘通报, 2019, 0(1): 56-59,64.
[8]	胡瀚, 向隆刚, 王德浩. 出租车轨迹数据的道路提取[J]. 测绘通报, 2018, 0(7): 53-57.
[9]	刘旭, 陈云波, 施昆, 黄强. 结合Canopy-K-means算法和出租车轨迹数据的公交车站预测方法[J]. 测绘通报, 2018, 0(11): 63-68.
[10]	赵庶旭, 屈睿涛, 刘昌荣. 一种基于轨迹特征划分的交通轨迹数据分析方法[J]. 测绘通报, 2018, 0(11): 73-77,82.
[11]	牟乃夏, 徐玉静, 张恒才, 陈洁, 张灵先, 刘希亮. 移动轨迹聚类方法研究综述[J]. 测绘通报, 2018, 0(1): 1-7.
[12]	段颖超, 张健钦, 李明轩, 杜明义. 一种公交到站时间预测方法[J]. 测绘通报, 2016, 0(5): 50-53.