From movement tracks through events to places: Extracting and characterizing significant places from

文章：From movement tracks through events to places: Extracting and characterizing significant places from mobility data

作者：Andrienko G, Andrienko N, Hurter C, et al.

来源：Visual Analytics Science and Technology (VAST), 2011 IEEE Conference on. IEEE, 2011: 161-170.

本文针对如下问题：

从轨迹中提取特定事件（可自己定义，如交通堵塞）频繁发生的地点，即重要地点（significant places）。

贡献：

1，阐述了一个工作流，其中每个步骤都是由已有文献的方法构成的，工作流将其连接起来。

2，本方法可以扩展到不能完全存放到内存中的大数据上。

3，提出了一个距离，考虑了空间、时间和其它属性。

step1：从轨迹中提取事件events

events的定义和提取是由交互可视化工具来完成的。

event的属性可包括：

1，移动数据的瞬时、区间、累积属性

2，其它属性如温度、高度等

3，时间属性

4，与时空上下文的关系：时空邻近区间等

一些动态属性可以利用time graph来提取，交互的指定区间后提取。

step2：确定相关地点

这里的地点是指event频繁发生的区域。

除了考虑空间外，还需要考虑其它属性，比如方向。

例如交通拥堵，对一条道路，可能相反方向有完全不同的拥堵情况。

发现区域可以用密度聚类来做。

这里分两个阶段进行：

1，时空聚类，发现events，这里还可以包含其它特征。

2，对第一阶段的events进行空间密度聚类，发现event频繁发生的区域，即place。

这里的聚类定义了一个距离函数，包括了空间、时间和属性。

聚类使用DBSCAN算法。

聚类结果用凸包或者空间缓冲区表示

step3：聚集events和轨迹

events的时空聚集可以用来研究不同地点事件发生的时间模式。

这里有两种聚集：

1，每个地点的聚集：每个地点的访问次数、不同访问者的人数、访问时间等

2，地点pari之间的聚集：地点1到地点2的move数目、地点1到地点2的个体数目等，形成flow。

step4：分析聚集数据

利用统计学、数据挖掘方法来分析。

扩展性问题

这里数据是存储在RAM中的，显示了数据大小。

当然如果数据存放在MOD（移动数据库）中，可以实现其可扩展性。

visual query转化成MOD query进行。聚类可以实现在数据库中，或者用滑动窗口方向实现。

实例分析：

米兰的车辆轨迹

下图为米兰车辆轨迹，左为所有车辆，用透明度可视化数据，右为提取出的低速events。



下图为提取的时空聚簇，考虑了低速和方向，并且在时空上邻近。



下图为移除了时空聚簇异常后，对时空聚簇进行空间聚类的结果。



下图在地图上显示低速的空间聚簇形状。



时空聚集后，某一区域的events的不同方向的events的时间模式。

八个颜色是八个不同的方向。



下图为交通拥堵聚簇的时间模式，每个聚簇上面的time graph显示了其时间的变化。



该方法还可以对其它数据适用，海洋上面，可以定义anchoring areas 和areas of major turns and crossings。

未来：

将该功能与MOD进行集成。