起止点数据可视分析研究

2022-03-21马小东任芃锟

图学学报 2022年1期

马小东，任芃锟，赵凡

起止点数据可视分析研究

马小东1,2,3，任芃锟1,2,3，赵凡1,3

(1. 中国科学院新疆理化技术研究所，新疆乌鲁木齐 830011；2.中国科学院大学，北京 100049；3. 新疆民族语音语言信息处理研究室，新疆乌鲁木齐 830011)

起止点数据是一种由起点、终点、起止点时间及一些其他属性构成的轨迹数据。其是一类非常典型的时空数据，大量产生于城市交通管理、人口迁移、社交媒体等领域。可视分析技术目前被广泛用于研究大规模起止点数据的时空模式，能够实现对数据深层次的探索。首先介绍了起止点数据特征以及可视分析的任务，其次梳理了近年来起止点数据可视分析中的可视化方法、交互技术和可视化系统，并对不同领域的应用案例进行介绍。最后，对起止点数据可视研究中面临的问题进行总结，对起止点数据可视化研究的前景做出了展望，以期为未来的研究提供新的思路。

起止点数据；时空数据；可视分析

OD (origin-destination)数据通常被翻译为“起始点-目的地”或“源-目的地”数据，本文称OD数据为“起止点”数据；OD数据是一个比较宽泛的概念，其中的O点和D点不仅可以是移动对象时空路径的起始点和终止点，也可以是抽象意义上的起点和终点。OD数据与移动轨迹数据同样具有时空特征、且数据规模大、数据维度高等特点，但又略有不同，OD数据是由起始点位置、终止点位置、起止点时间、统计信息以及一些其他属性构成，两者区别是OD数据不记录移动的具体路径，只描述一对起始点、终止点之间的移动。

由于OD数据本身的时空特性，使用可视化方法可以高效、直观地展示数据，发现数据中多个维度之间的关系，探索数据背后的时空规律。例如，通过分析不同维度出租车OD数据潜在的时空模式，对特定区域进行挖掘，可以反映区域内车与人流动的关系，对城市交通和规划布局有重要参考意义[1-3]。在人口迁移方面，构建OD模型、进行模式对比可分析影响人口迁移的因素和规律，并为相关部门的决策提供支持。OD数据也常常应用于各种移动服务领域如贸易流、技术流和信息流等[4]。

1 OD数据模型研究

1.1 OD数据特征

其中，(x,y)为起始点(origin)的空间位置；t为事件起始时间；(x,y)为终止点(destination)的空间位置；t为事件终止时间；为此条记录的统计信息或其他属性。

OD对数据由一起始点点(x,y,t)和终止点点(x,y,t)组合而成的OD对，由起始点指向终止点的连线叫OD流，且具有空间位置的指向性。OD流在空间位置上的变化反映了物体的移动模式，由于具有时间属性，可以利用OD数据在时间维度上的变化，分析其时变规律。

1.2 OD数据的可视分析任务

在已有的时空数据可视分析的研究中，通过分析文献[5-8]可大致将可视分析任务分为：概览、放大、过滤、细节、关联、历史记录、提取。根据OD数据的定义，可视分析任务关注4个焦点：起点、终点、时间和每一次的起止点对。经过总结可将任务分为：

(1) OD流的空间概览(T1)。展示区域内流量空间属性的统计信息，能够回答“区域的流量主要从哪里流出、流向哪里”等问题，可从宏观上了解OD数据的空间分布情况。

(2) OD流的时间概览(T2)。对流量时间属性的统计信息进行展示，能够回答“流量在哪段时间比较活跃、何时发生、何时结束”等问题，了解OD数据的时间分布规律。

(3) 探索感兴趣区域的OD流(T3)。用户自定义感兴趣区域，提取OD流，对感兴趣的区域进行移动行为的细节探索，可以回答“此区域何时流量活跃、流量的流向和大小”等问题。

(4) 区域间流量对比(T4)。支持对2个特定区域的OD流进行分析和对比，能够反映2个区域间流量对比的相似性或差异性，对2个区域之间OD流发生的关联关系和因果关系进行挖掘解释。

2 OD数据可视化技术

OD数据是具有时间属性和空间属性的多维数据，时空数据中常常蕴含着复杂的时空模式，因此研究如何将数据的时空特征等多种属性合理地编码、直观地显示，是时空数据可视化中的热点和难点之一。

2.1 空间属性的可视化

探索空间属性需关注数据在空间属性上的绘制、移动物体的空间位置以及周围的地理情况[9]。如在对城市规划中的区域功能性探究时，需要进行空间划分、统计人口密度[10]。好的空间维度的展示需与人员的交互进行结合，能更有效地探索OD数据。

主流的可视化方法有流向图、OD矩阵和OD图，后续多种空间属性的新表现方式陆续出现。

流向图是在地图上将起始点和终止点的位置用边连接起来，其宽度表征流量的大小。由于OD流图使用地理地图来表示，很好地揭示了空间特征，是最直观的一种方式。TOBLER[11]最早使用箭头元素绘制了人口迁移图，但巨大的数据量导致OD流中的箭头相互遮挡，造成视觉混淆，如图1(a)所示。

为了克服遮挡和视觉混淆等问题，研究者提出了边过滤[12-13]、边捆绑[14-16]和聚类[17-19]等技术。SELASSIE等[20]提出了边捆绑技术，通过弯曲边让相似及相近的边捆绑形成一束，减少相互遮盖，如图1(b)所示。ZENG等[21]提出了一种路由感知边捆绑方法，在保证视觉简化的同时，保留了原始轨迹。边过滤是一种过滤出大于给定阈值的方法，STEPHEN和JENNY[22]使用过滤交互操作来表示美国重要的移民流。GUO和ZHU[23]使用核密度估计方法测量起止点数据的流量，结合流采样方法，对数据进行规范化和平滑处理，以减少边的数量。

OD矩阵的行和列分别表示流的起始点和终止点，用小方格的深浅颜色来编码流量大小[24]。但因丢失了地理信息，往往需要结合其他的地图才能直观地发现空间信息，如图1(c)所示。

OD图将地理地图分割成同样大小的方格，在每个方格中嵌入一个分割好的小地图，从一个地点到另一个地点的流量大小就用该点嵌套的另一个地点单元格的深浅颜色表示其流量大小。WOOD等[25]将美国按照规则网格划分成一系列矩形区域，画出了人口迁移OD图，如图1(e)所示。YANG等[26]设计了OD图的改进版MapTrix，分别用2个地图存放起点和终点，用连线将其和一个OD矩阵连接起来，保留了OD数据的地理空间位置信息，如图1(f)所示。SLINGSBY等[27]将行政区的地理位置近似排列成矩阵，解决了OD图只适用于规则网格划分的地理空间上的问题。

如图1(d)左所示，BOSTOCK[28]绘制了旧金山地区迁移变化和旋图。弦图放弃了实际的地理定位，用径向布局来表示位置，用不同宽度的线条表示地区之间的流量，相同地点流出的流归为同一分组。SPECKMANN和VERBEEK[29]提出弦图的变体——项链图(necklace map)，其试图保留一定地理信息，由于使用颜色编码，只适用于相对较少的节点，如图1(d)右所示。

图1 空间属性的可视化((a)人口迁移流向图[11]；(b)边捆绑[20]；(c)交通流向图和OD矩阵[24]；(d)人口迁移OD图[28-29]；(e)空间区域划分[25]；(f)Maptrix的设计[26])

之前，时空分析方法利用城市交通数据集来提取热点的区域，而忽略了区域之间的流动关系。一些方法无法自动确定具有相似空间特征的时间步长，或无法识别城市的演化模式。SHI等[30]提出一个基于LDA的主题模型，从OD数据中发现隐藏的语义层面的城市动态。冯涛等[31]利用空间区域等粒度的规则网格划分，以及四叉树编码的方法对北京城区进行划分，实现OD数据的空间多尺度可视化。YANG等[32]比较了平面地图、三维球体和Mapslink的可视化编码，通过对比，最准确和直观的表现形式是具有凸起流的三维球体。

2.2 时间属性的可视化

OD数据可视化的主要挑战是将数据的空间和时间维度相结合，以便能够探索时间和非时间的关系，挖掘时空数据价值。在时间属性上具有在粒度上的层级关系，多尺度的时间属性编码可以支持更高效、细粒度的数据可视分析。在数据量巨大、轨迹相互遮挡问题严重时，合理的时间多尺度表达和便捷的交互操作有利于对OD数据进行细粒度的分析。

在进行时空数据的可视化设计时，有些学者选择动态效果展示时变规律，也有选择静态的展示。Small muliples是一系列静态图像，其描绘了某个时刻的OD数据变化情况，但显示的时间段越多，每个图像就必须足够小，难以看到细节，如图2(d)所示。

动画类型的展示常常用在时间属性的可视化上，动画中每一幅图像依次出现或使用交互控件在特定时间段内切换，如图2(e)所示。文献[33]对动画和small multiples编码流向图的时间属性的差异性做了定性实验对比，该实验不是为了衡量二者表现，而是为了找出2种表现方式分析出的结论是否有质的差异。结果发现利用动画，用户对局部事件和随后几年的变化能有更多发现，而small multiples需要多个时间周期，才能对视图有更多地发现。

图2 时间属性的可视化((a)弦图的时间多尺度表达[31]；(b)OD行程时间图设计[35]；(c)Flowstrates时间热力图[36]；(d)Small multiples视图[33]；(e)动画视图设计[33]；(f)第三维度展示时间[37])

研究人员将圆形视图绘制成钟形来进行时间属性的可视化。ZENG等[34]使用等时线视图、等时流图、OD起止对行程进行可视化，高效执行关于OD数据的分析任务。文献[31]使用Circos弦图对OD数据进行时间属性多尺度的可视化，通过改变外圈的时间粒度，结合热度图、直方图以及弦图探索居民出行数据，如图2(a)所示。LIU等[35]设计了一个渐变颜色的圆环来编码一天的时间，轨迹显示在圆中心，统计信息的条形图编码在圆的外部，轨迹的两端分别表示起始和终止时间，如图2(b)所示，对出租车数据的线路多样性进行可视分析。

单个视图难以表现时空数据的特征，BOYANDIN等[36]开发了Flowstrates，将OD流的起点和终点分别显示在2个单独的地图中，流量大小随时间的变化在中间的一个单独的热力图中展示，如图2(c)所示。除了以上几种表现形式，3D也被用在时间属性的可视化设计中。PROULX等[37]用第三维度显示时间变化，另外，2个维度用于显示每个特定时刻的二维表示，但该表现方式只适用于流量少的情况，若发生在大流量的情况下，容易出现遮挡、视觉混淆等问题，如图2(f)所示。

2.3 用户交互

可视化技术可用来展示抽象数据的不同特征，当用户不知复杂的数据能反映出什么样的规律和知识时，通过交互手段对数据进行分析挖掘是非常重要的。

选择和过滤、筛选的交互方式常常被用在时空数据的可视化中，CUENCA等[38]提出了交互式可视化工具EvoFlows，其使用多个交互组件对OD数据进行时间和空间的探索；大量使用动画过渡展示时空属性，条形图的横坐标可以锁定特定时间周期内的最大值，而纵轴可以筛选需要展示的OD流子集，如图3(d)所示。ZENG等[39]提出途径限制的OD数据可视化方法，通过交互式过滤满足途径限制的轨迹；连续点击2次，选择一个OD流流入点和流出点，或从流入点拖动到流出点来限制路径，如图3(a)所示。

图3 用户交互((a)交互式设置途径限制[39]；(b)标注工具标注正确地点[42]；(c)OD-Wheel探测感兴趣区域的交通量[44]；(d)允许修改布局的条形图[38]；(e)交互式聚类界面[41])

多视图协同的方式能高效地从多个角度对时空数据进行挖掘分析，SHI等[40]设计了公共自行车数据流的可视化分析系统。4个视图协同工作，分析过程从空间过滤开始，在地图上选择地点或刷选区域，再进行时间视图的筛选，平行坐标图和热力图同步更新以探索细节。DING等[41]设计了系统支持特定时间的窗口，以查询移动数据，且支持交互式聚类，如图3(e)所示，用平行坐标图可视化计算出的簇并通过参数的调整进一步探索感兴趣的簇。

YU等[42]开发了iVizTRANS交互式分析组件，结合机器学习组件，可知晓通勤者出行的动态信息，当分类器给出一个被人类认为是错误的推断时，用户可以进行标注和注释，对可视分析进行纠正；如图3(b)所示。LU等[43]提出OD轮的可视化方法，支持交互式探索并检测异常；后LU等[44]改进了OD轮，不限于中心区域相关的OD簇，目的在于探索簇动态变化的同时，详细比较簇之间的OD模式，如图3(c)所示。

2.4 可视化系统

对OD数据可视化的研究产生了各种各样的可视化工具和系统，一个功能完善的可视化系统应该尽可能地满足用户的可视分析任务。姜晓睿等[45]利用出租车数据的OD信息设计了可视分析系统，从全局概览图上选择感兴趣的区域，使用环形像素图对时间进行编码，结合时空堆栈图分析数据背后的时空模式，为交通管理部门调配车辆做出协助。文献[38]提出的EvoFlows结合了依赖于时间序列可视化的系统MultiStream和流向图，通过交互在不同层次上对难民迁移数据进行研究，如图4(a)所示。GUO[46]针对人口迁移提出的框架包括层次化分区、流映射、多元聚类和交互式可视化方法，支持处理较大数据，同时有效地发现主要的流结构和多元关系，如图4(b)所示。HUANG等[47]利用上海轨道交通数据，采用高度可视化框架，从网络、线路、车站、区间4个方面挖掘客流数据。

图4 OD数据可视化系统((a) EvoFlows制作的难民迁移图[38]；(b)美国人口迁移的流图可视分析[46]；(c)自行车群体行为可视分析[10]；(d)带有地理标记的社交媒体数据可视分析[49])

针对地理标记的社交媒体稀疏采样的运动数据，CHEN等[48]的OD可视分析系统Movement Finder，强调了将具有地理标签的社交媒体数据应用于OD信息的构建。后来CHEN等[49]对该工作进行了进一步改进，结合人类的认知能力和机器的计算能力，为语义模式的提取提供了一套交互式可视化工具，如图4(d)所示。文献[10]基于公共自行车数据，定义群体移动行为，设计了多视图协同的可视分析系统，支持从区域深入到确定地点的可视分析，如图4(c)所示。表1对OD可视化系统进行了总结，说明了各个系统的主要贡献和特色，还加入了是否支持中文提到的OD数据可视分析任务的指标。

表1 OD数据可视化系统总结

注：√为支持OD数据可视分析；×为不支持OD数据可视分析

3 OD数据可视化案例分析

本节介绍OD数据可视化技术在城市交通管理、人口迁移、流动性分析等领域的应用。

3.1 城市交通管理

ZHOU等[50]基于出租车数据对城市功能区进行探索，采用矩阵分解对城市功能区进行分类识别，结合力导向图、时间线图和雷达图分析城市不同功能区人员流动方式，如图5(a)所示。文献[40]针对公共自行车数据开发了4个视图相互关联的可视化系统，说明了数据的时空变化、流起始点和终止点之间的关系和差异，以及影响自行车租赁的因素，有效地发现交通流模式，为交通研究者和城市规划者提供服务。WIDYAWAN等[51]针对公交数据使用行程链式算法生成OD矩阵，推断上下车站地点及分析乘客行为模式。LIU等[52]以多维时空数据创建张量模型，提出张量分解算法，并将数据进行均匀分区，提取分区的潜在模式用于比较和可视化，分析不同模式下的交通情况。ENNEKES和CHEN[53]使用简单视觉编码提供数据整体交通流情况，使用过滤和颜色编码提供改进，设计绘制的每条边均为中途点到目的地，专注输入流量，而输出流量则在每个起点用一个小圆环表示，可以感知更多的信息。

3.2 人口迁移

在人口迁移和群体移动等领域，文献[22]根据地图设计原则创建OD流布局来提高流图可读性，通过自定义界面和交互地图探索美国各州之间的迁移，将其他州表示为围绕选定州的圆形节点表示迁移流动。文献[38]使用实际地图展示空间属性，结堆栈图展示不同空间尺度的时间维度属性，系统对实际难民转移数据进行分析，说明了其实用性，如图5(c)所示。文献[46]针对人口迁移提出的框架包括层次化分区、流映射、多元聚类和交互式可视化方法，支持处理较大数据，同时有效地发现主要的流结构和多元关系。

3.3 流动性分析

WOOD等[54]使用3种自行车租赁和旅行模式的方法，将带有方向的流向图用于显示全局概览，保留地理关系的网格视图探索站点在空间和时间上的状态，起止点地图用OD矩阵提供视觉细节的要求。识别流动行为在时间和空间上的变化，以帮助自行车站点科学高效部署。ZHU等[55]提出一种基于密度的流图泛化方法，在不同地图的比例尺和概括层次上发现纽约市出租车出行潜在和抽象的流模式，合理安排出租车，以满足市民出行需求，如图5(b)所示。

图5 OD数据可视化应用举例((a)基于出租车时空OD数据的城市功能可视化[50]；(b)曼哈顿早高峰的主要流量模式[55]；(c)难民迁移的时空演化[38])

4 总结与展望

近十几年来，起止点数据的可视化研究有了很大地发展，研究人员创造性地提出了解决痛点的可视化表达，使得时空数据的可视化技术广泛应用在众多领域。本文对OD数据的概念、属性以及可视分析任务进行了介绍，并针对OD数据的属性而产生的各种可视化方法、交互方式以及可视化系统进行了总结。最后对OD数据可视化应用进行案例分析。

随着时空数据大量地涌现、社会和技术的高速发展，新的挑战将不断出现。

大量的OD数据会导致可视化元素之间遮挡，产生混淆。尽管已经有了流向图中的边过滤、边捆绑[56]、以及聚类[57]技术解决了部分视觉遮挡问题，但其均由舍弃了部分数据换来的，这在一定程度破坏了数据的真实性。

OD数据的可视化不仅涉及到过滤移除部分信息，还要添加部分信息，信息论可以解释可视化中信息变化的好处，因此如何使用不同类型的OD数据信息的修改来构建新的设计空间[53]是一个挑战。

OD数据的可视分析需要与应用领域更好地结合起来才能解决各种实际问题。现可视分析均需领域内的专业人员进行参与，同时可视分析的研究人员要与领域专家保持交流。因此亟待需要集成一种特定应用领域的自动可视分析方法，目前这方面的工作还很少。

随着物联网、大数据技术的飞速发展，未来采集和存储的OD数据会越来越多，还会有更多领域的数据，OD数据不仅仅可以代表轨迹的起始点和终止点，而且可以是抽象意义上的起点和终点。除了应用广泛的领域，还有一些抽象OD数据的应用领域，比如在网络安全会话数据可视化中，将一个动作编码为一个城市，将用户会话编码为穿过城市的痕迹[58]，这样就转换成了OD数据可视化。同样的转换还有，像文本可视化中的话题跳转，软件可视化中的代码引用等等。

[1] YUE Y, ZHUANG Y, LI Q Q, et al. Mining time-dependent attractive areas and movement patterns from taxi trajectory data[C]//2009 17th International Conference on Geoinformatics. New York: IEEE Press, 2009: 1-6.

[2] ZHANG W S, LI S J, PAN G. Mining the semantics of origin-destination flows using taxi traces[C]//2012 ACM Conference on Ubiquitous Computing. New York: ACM Press, 2012: 943-949.

[3] PAN G, QI G D, WU Z H, et al. Land-use classification using taxi GPS traces[J]. IEEE Transactions on Intelligent Transportation Systems, 2013, 14(1): 113-123.

[4] ANTONY J, GREBEL T. Technology flows between sectors and their impact on large-scale firms[J]. Applied Economics, 2012, 44(20): 2637-2651.

[5] SHNEIDERMAN B. The eyes have it: a task by data type Taxonomy for Information Visualizations-ScienceDirect[EB/OL]. [2021-04-15]. https://doi.org/10.1016/ 8978-155860915-0/50046-9.

[6] ANDRIENKO N, ANDRIENKO G. Exploratory analysis of spatial and temporal data: a systematic approach. Springer[EB/OL]. (2006-01-01) [2021-04-30]. https://link.springer.c-om/book/10.1007/3-540-31190-4.

[7] AMAR R A, EAGAN J R, STASKO J. Low-level components of analytic activity in information visualization[C]//IEEE Symposium on Information Visualization, 2005. New York: IEEE Press, 2005: 111-117.

[8] LEE B, PLAISANT C, PARR C S, et al. Task taxonomy for graph visualization[C]//2006 AVI workshop on Beyond time and errors novel evaluation methods for information visualization. New York: ACM Press, 2006: 82-86.

[9] 王祖超, 袁晓如. 轨迹数据可视分析研究[J]. 计算机辅助设计与图形学学报, 2015, 27(1): 9-25.

WANG Z C, YUAN X R. Visual analysis of trajectory data[J]. Journal of Computer-Aided Design & Computer Graphics, 2015, 27(1): 9-25 (in Chinese).

[10] 黄文达, 陶煜波, 屈珂, 等. 基于OD数据的群体行为可视分析[J]. 计算机辅助设计与图形学学报, 2018, 30(6): 1023-1033.

HUANG W D, TAO Y B, QU K, et al. Visual analysis of group behavior based on origin-destination data[J]. Journal of Computer-Aided Design & Computer Graphics, 2018, 30(6): 1023-1033 (in Chinese).

[11] TOBLER W. Movement mapping[EB/OL]. (2009-05-08) [2021-04-17]. http://csiss.ncgia.ucsb.edu/clearinghouse/Flow- Mapper/MovementMapping.pdf.

[12] ZHU X, GUO D S. Mapping large spatial flow data with hierarchical clustering[J]. Transactions in GIS, 2014, 18(3): 421-435.

[13] GAO S, LIU Y, WANG Y, et al. Discovering spatial interaction communities from mobile phone data[J]. Transactions in GIS, 2013, 17(3): 463-481.

[14] PHAN D, LING X, YEH R, et al. Flow map layout[C]//IEEE Symposium on Information Visualization, 2005. New York: IEEE Press, 2005: 219-224.

[15] BUCHIN K, SPECKMANN B, VERBEEK K. Flow map layout via spiral trees[J]. IEEE Transactions on Visualization and Computer Graphics, 2011, 17(12): 2536-2544.

[16] ERSOY O, HURTER C, PAULOVICH F, et al. Skeleton-based edge bundling for graph visualization[J]. IEEE Transactions on Visualization and Computer Graphics, 2011, 17(12): 2364-2373.

[17] ANDRIENKO G, ANDRIENKO N, FUCHS G, et al. Revealing patterns and trends of mass mobility through spatial and temporal abstraction of origin-destination movement data[J]. IEEE Transactions on Visualization and Computer Graphics, 2016, 23(9): 2120-2136.

[18] ZHOU Z G, MENG L H, TANG C, et al. Visual abstraction of large scale geospatial origin-destination movement data[J]. IEEE Transactions on Visualization and Computer Graphics, 2018, 25(1): 43-53.

[19] XIANG Q, WU Q. Tree-based and optimum cut-based origin-destination flow clustering[J]. ISPRS International Journal of Geo-Information, 2019, 8(11): 477.

[20] SELASSIE D, HELLER B, HEER J. Divided edge bundling for directional network data[J]. IEEE Transactions on Visualization and Computer Graphics, 2011, 17(12): 2354-2363.

[21] ZENG W, SHEN Q, JIANG Y, et al. Route-aware edge bundling for visualizing origin-destination trails in urban traffic[J]. Computer Graphics Forum, 2019, 38(3): 581-593.

[22] STEPHEN D M, JENNY B. Automated layout of origin-destination flow maps: US county-to-county migration 2009-2013[J]. Journal of Maps, 2017, 13(1): 46-55.

[23] GUO D S, ZHU X. Origin-destination flow data smoothing and mapping[J]. IEEE Transactions on Visualization and Computer Graphics, 2014, 20(12): 2043-2052.

[24] ANDRIENKO G, ANDRIENKO N. Spatio-temporal aggregation for visual analysis of movements[C]//2008 IEEE Symposium on Visual Analytics Science and Technology. New York: IEEE Press, 2008: 51-58.

[25] WOOD J, DYKES J, SLINGSBY A. Visualisation of origins, destinations and flows with OD maps[J]. The Cartographic Journal, 2010, 47(2): 117-129.

[26] YANG Y L, DWYER T, GOODWIN S, et al. Many-to-many geographically-embedded flow visualisation: an evaluation[J]. IEEE Transactions on Visualization and Computer Graphics, 2016, 23(1): 411-420.

[27] SLINGSBY A, KELLY M, DYKES J, et al. OD maps for studying historical internal migration in ireland[C]//Poster Presented at the IEEE Conference on Information Visualization. New York: IEEE Press, 2012: 14-19.

[28] BOSTOCK M. Uber rides by neighborhood[EB/OL]. (2012-01-09) [2021-04-17]. http://bost.ocks.org/mike/uberdata/.

[29] SPECKMANN B, VERBEEK K. Necklace maps[J]. IEEE Transactions on Visualization and Computer Graphics, 2010, 16(6): 881-889.

[30] SHI X Y, LV F, SENG D, et al. Exploring the evolutionary patterns of urban activity areas based on origin-destination data[J]. IEEE Access, 2019, 7: 20416-7:20431.

[31] 冯涛, 艾廷华, 杨伟, 等. 基于Circos弦图的居民出行模式可视分析[J]. 华中师范大学学报: 自然科学版, 2016, 50(3): 471-480.

FENG T, AI T H, YANG W, et al. Visual analysis of residents travel pattern based on Circos Graph[J]. Journal of Central China Normal University: Natural Sciences, 2016, 50(3): 471-480 (in Chinese).

[32] YANG Y L, DWYER T, JENNY B, et al. Origin-destination flow maps in immersive environments[J]. IEEE Transactions on Visualization and Computer Graphics, 2018, 25(1): 693-703.

[33] BOYANDIN I, BERTINI E, LALANNE D. A qualitative study on the exploration of temporal changes in flow maps with animation and small-multiples[J]. Computer Graphics Forum, 2012, 31(3pt2): 1005-1014.

[34] ZENG W, FU C W, ARISONA S M, et al. Visualizing mobility of public transportation system[J]. IEEE Transactions on Visualization and Computer Graphics, 2014, 20(12): 1833-1842.

[35] LIU H, GAO Y, LU L, et al. Visual analysis of route diversity[C]//2011 IEEE Conference on Visual Analytics Science and Technology. New York: IEEE Press, 2011: 171-180.

[36] BOYANDIN I, BERTINI E, BAK P, et al. Flowstrates: an approach for visual exploration of temporal origin-destination data[J]. Computer Graphics Forum, 2011, 30(3): 971-980.

[37] PROULX P, KHAMISA A, HARPER R. Integrated visual analytics workflow with GeoTime and nSpace VAST 2010 mini challenge 1 award: Outstanding Analysis and Accuracy[C]//2010 IEEE Symposium on Visual Analytics Science and Technology. New York: IEEE Press, 2010: 273274.

[38] CUENCA E, ED ERIC DOCQUIER F, NIJSSEN S, et al. EvoFlows: an interactive approach for visualizing spatial and temporal trends in origin-destination data[EB/OL]. [2020-04-20]. https://info.ucl.ac.be/～pschaus/assets/publi/20- 20evoflows.pdf.

[39] ZENG W, FU C W, MÜLLER ARISONA S, et al. Visualizing waypoints-constrained origin-destination patterns for massive transportation data[J]. Computer Graphics Forum, 2016, 35(8): 95-107.

[40] SHI X Y, YU Z H, CHEN J, et al. The visual analysis of flow pattern for public bicycle system[J]. Journal of Visual Languages & Computing, 2018, 45: 51-60.

[41] DING L F, MENG B L, YANG B J, et al. Interactive visual exploration and analysis of origin-destination data[J]. Proceedings of the ICA, 2018, 1: 1-5.

[42] YU L, WU W, LI X H, et al. iVizTRANS: interactive visual learning for home and work place detection from massive public transportation data[C]//2015 IEEE Conference on Visual Analytics Science and Technology. New York: IEEE Press, 2015: 49-56.

[43] LU M, LIANG J, WANG Z C, et al. Exploring OD patterns of interested region based on taxi trajectories[J]. Journal of Visualization, 2016, 19(4): 811-821.

[44] LU M, WANG Z C, LIANG J, et al. OD-Wheel: visual design to explore OD patterns of a central region[C]//2015 IEEE Pacific Visualization Symposium (PacificVis). New York: IEEE Press, 2015: 87-91.

[45] 姜晓睿, 郑春益, 蒋莉, 等. 大规模出租车起止点数据可视分析[J]. 计算机辅助设计与图形学学报, 2015, 27(10): 1907-1917.

JIANG X R, ZHENG C Y, JIANG L, et al. Visual analysis of large taxi origin-destination data[J]. Journal of Computer-Aided Design & Computer Graphics, 2015, 27(10): 1907-1917 (in Chinese).

[46] GUO D S. Flow mapping and multivariate visualization of large spatial interaction data[J]. IEEE Transactions on Visualization and Computer Graphics, 2009, 15(6): 1041-1048.

[47] HUANG Z Y, ZHANG L, XU R H, et al. Application of big data visualization in passenger flow analysis of Shanghai Metro network[C]//2017 2nd IEEE International Conference on Intelligent Transportation Engineering. New York: IEEE Press, 2017: 184-188.

[48] CHEN S M, GUO C, YUAN X R, et al. MovementFinder: visual analytics of origin-destination patterns from geo-tagged social media[C]//2014 IEEE Conference on Visual Analytics Science and Technology. New York: IEEE Press, 2014: 239-240.

[49] CHEN S M, YUAN X R, WANG Z H, et al. Interactive visual discovering of movement patterns from sparsely sampled geo-tagged social media data[J]. IEEE Transactions on Visualization and Computer Graphics, 2016, 22(1): 270-279.

[50] ZHOU Z G, YU J J, GUO Z Y, et al. Visual exploration of urban functions via spatio-temporal taxi OD data[J]. Journal of Visual Languages & Computing, 2018, 48: 169-177.

[51] WIDYAWAN, PRAKASA B, PUTRA D W, et al. Big data analytic for estimation of origin-destination matrix in Bus Rapid Transit system[C]//2017 3rd International Conference on Science and Technology - Computer. New York: IEEE Press, 2017: 165-170.

[52] LIU D Y, XU P P, REN L. TPFlow: progressive partition and multidimensional pattern extraction for large-scale spatio-temporal data analysis[J]. IEEE Transactions on Visualization and Computer Graphics, 2019, 25(1): 1-11.

[53] ENNEKES M, CHEN M. Design space of origin-destination data visualization[C]//Computer Graphics Forum. Chichester: John Wiley & Sons, Ltd, 2021: 323-334.

[54] WOOD J, SLINGSBY A, DYKES J. Visualizing the dynamics of london's bicycle-hire scheme[J]. Cartographica: the International Journal for Geographic Information and Geovisualization, 2011, 46(4): 239-251.

[55] ZHU X, GUO D, KOYLU C, et al. Density-based multi-scale flow mapping and generalization[EB/OL]. (2019-07-24) [2020-04-20]. https://www.researchgate.net/publication/334- 635204_Density-based_multiscale_flow_mapping_and_gen-eralization.

[56] YAN L, LIU X, CHEN H, et al. OD morphing: balancing simplicity with faithfulness for OD bundling[J]. IEEE Transactions on Visualization and Computer Graphics, 2020, 26(1): 811-821.

[57] GUO X G, XU Z J, ZHANG J Q, et al. An OD flow clustering method based on vector constraints: a case study for Beijing taxi origin-destination data[J]. ISPRS International Journal of Geo-Information, 2020, 9(2): 128.

[58] CHEN S M, CHEN S, ANDRIENKO N, et al. User behavior map: visual exploration for cyber security session data[C]//2018 IEEE Symposium on Visualization for Cyber Security. New York: IEEE Press, 2018: 1-4.

Visual analysis of origin-destination data

MA Xiao-dong1,2,3, REN Peng-kun1,2,3, ZHAO Fan1,3

(1. Xinjiang Technical Institute of Physics & Chemistry, Chinese Academy of Sciences, Urumqi Xinjiang 830011, China; 2. University of Chinese Academy of Sciences, Beijing 100049, China; 3. Xinjiang Laboratory of Minority Speech and Language Information Processing, Urumqi Xinjiang 830011, China)

Origin-destination data was a kind of trajectory data composed of start point, end point, time, and some other attributes. It was a typical spatio-temporal data, which was generated in such fields as urban transportation management, population migration, and social media. Visual analysis technology was widely employed to study the spatio-temporal pattern of large-scale origin-destination data, accomplishing the deep exploration of data. Firstly, we introduced the characteristics of origin-destination data and the tasks of visual analysis. Secondly, we reviewed the existing visualization methods, interaction technologies, and visualization systems of origin-destination data in recent years, and presented the application cases in different fields. Finally, we summarized the problems and challenges in relevant research, and envisioned the prospect of the research on visualization of origin-destination data, shedding new light on future research.

origin-destination data; spatio-temporal data; visual analysis

23 June，2021；

TP 391

10.11996/JG.j.2095-302X.2022010001

2095-302X(2022)01-0001-10

2021-06-23；

2021-09-10

10 September，2021

新疆维吾尔自治区重大专项(2020A03004-4)

Major Project of Xinjiang Uygur Autonomous Region (2020A03004-4)

马小东(1996–)，男，硕士研究生。主要研究方向为数据可视化。E-mail：maxiaodong19@mails.ucas.ac.cn

MA Xiao-dong (1996–), master student. His main research interest covers data visualization. E-mail：maxiaodong19@mails.ucas.ac.cn