基于Web的海量POI可視化分析框架設計與實現

文/王源

1 引言

在大數據中，大約有80%的數據與空間位置相關。而POI 數據，是空間數據的典型代表之一。POI（Point of Interest）即興趣點，泛指一切可以抽象為點的地理實體。從宏觀層面上來說，POI 數據能夠從多個維度進行描述，比如空間維度、時間維度和類別維度。從微層面度來說，POI 數據的每一個實體都包含其特定的名稱、聯系方式，以及簡介等等。要全面認識POI 數據，必須同時從宏觀層面與微觀層面進行可視化分析。

本文提出一種面向海量POI 數據分析的Web 可視化框架，面向不同場景，提供多存儲模式、多維度索引、多層次Web 服務、多視圖交互界面，實現POI 數據宏觀層面與微觀層面的綜合表達，支持高效、靈活、便捷、豐富的POI 可視化分析。

2 研究現狀

隨著數據規模的上升，傳統方法難以快速、有效地表達出海量POI 數據所蘊含的信息，過去已有學者探索了面向海量POI 的可視化方法。張鐵映等人[2]DBSCAN 算法應用于POI可視化，實驗表明DBSCAN 算法能有效解決海量POI 重疊遮蓋的問題。Grant McKenzie 等人[3]則提出基于柵格瓦片與矢量瓦片自適應切換的POI 可視化方法，POI 在較低縮放級別以柵格瓦片展示，在較高縮放級別以矢量瓦片展示，但切換的臨界點需要根據經驗來設定。David Da Costa 等人[4]基于POI 之間的相似性將其表達于圓形空間，可顯著提升展示效率。華一新等人[5]針對個人地理標記數據的特點，提出了基于數據拓撲圖的可視化方法，相比常規地圖表達效率更高。

圖1：海量POI 可視化分析框架結構

以上工作都以POI 為研究對象，只是側重點各有不同。但目前仍然沒有相關工作將海量POI 的存儲、處理、訪問、可視化等多個環節進行整體設計，因此難以適應不同場景的可視化需求。下面，將對本文提出的海量POI 可視化分析框架進行詳細介紹。

3 海量POI可視化分析框架設計

3.1 總體框架結構

如圖1所示，為支持海量POI 數據可視化分析的全生命周期，本框架主要分為四層：存儲管理層主要解決海量POI 數據的存儲與管理問題，Web 服務層主要用于后臺數據與前端頁面的交互，數據可視化層對各類POI 信息表達進行了多視圖集成。

3.2 多存儲模式融合的海量POI數據存儲與管理

為適應多源異構的海量POI 數據，本文設計了多存儲模式融合的POI 存儲管理方法。

對POI個體而言，其組織方式是結構化的，適合作為行數據處理。完成數據預處理（數據去重、數據修補、格式統一）后，即可存入關系數據庫，用于滿足POI 個體查詢的需求。同時，在關系數據庫中建立了空間索引，快速縮小篩選范圍，提升查詢效率。

POI 個體間的關系是非結構化的，因此在研究POI 關系時，適合作為圖數據處理。按照一定條件（如某一字段完全或部分相同），將POI 個體信息與關系信息導出，分別生成圖數據的結點表與邊表。將其存儲于圖數據庫，即可更加便捷地查詢POI 個體之間的關系。

POI 數據中常見的時間標簽、空間坐標以及類別屬性，可以分別視為時間維、空間維以及類別維（如行業類別、企業性質等）等不同維度，轉換為Data Cube 形式，進行快速維度過濾，支持POI 數據的多維度組合分析。

3.3 多層次組合的海量POI數據Web服務

Web 服務是后臺數據能力與前端可視化界面的橋梁，本文設計了多層級組合的海量POI 數據Web 服務，包括關鍵詞查詢、關系查詢與多維查詢。

關鍵詞查詢，主要用于獲取特定POI 個體的細節信息。用戶輸入關鍵詞后，可選擇其他篩選條件，比如省份、年份、行業類別等。關鍵詞查詢服務將根據上述條件，在關系數據庫或HDFS 中，通過SQL 查找滿足條件的POI 個體，查詢結果將以JSON 形式返回給前端。

關系查詢，主要支持POI關系網絡的獲取。用戶需要輸入中心POI 以及感興趣的關系類型（比如同類、競爭等等）。關系查詢服務將根據上述條件，在圖數據庫中，通過Cypher 查找中心POI 的關系網絡，將結果以JSON 形式返回給前端。

多維查詢，主要包含時間、空間與類別維度的POI 集合過濾。對于不同維度，用戶需要輸入相應的過濾條件，前端會將其傳輸至服務器。對應的Web 服務將根據過濾條件，在Data Cube 中查找POI 集合。基于Data Cube的結構特性，多個維度的查詢可以相互組合完成。

3.4 多視圖集成的海量POI數據可視化

為兼顧POI 的宏觀與微觀表達，本文設計了多視圖集成的可視化方法。

POI 的微觀探索，由POI 個體的氣泡式表達與POI 關系的力導向圖表達組成。用戶可以通過關鍵詞及其它篩選條件，精確查找所需POI 個體，以氣泡形式展示在地圖上，點擊氣泡可查看詳細信息。同時，POI 關系將通過力導向圖表示。

POI 的宏觀分析，由于數據源與處理方式的不同，分為精確匹配與多維過濾兩部分。精確匹配，指通過關鍵詞與其它篩選條件，查找POI 個體數據，再根據時間、地點、類別等屬性進行統計，最后通過分層設色圖、餅狀圖、柱狀圖等方式表達。而多維過濾，是基于Data Cube，借助各維度索引查找POI 集合。

4 海量POI可視化分析原型系統展示

4.1 數據介紹

本文采用的數據為全國企業POI 數據，數據規模達1600 萬條，時間上起于1960年，止于2013年，空間上涵蓋了全國各個省市的數據。同時，包含法人代表、注冊資金、員工人數、郵編、地址、聯系方式，以及行業類別、經營范圍等屬性字段。

4.2 不同場景POI可視化展示

圖2：不同場景下的POI 可視化展示

對POI 個體，可結合關鍵詞與其他篩選條件（區域、時間和類別）進行查看。比如輸入關鍵詞“測繪”，選擇區域“湖北”，選擇時間“2004”，選擇類別為“技術服務”，將展示對應POI 個體，點擊可查看詳細信息，如圖2(a)所示。點擊標簽中的“相關公司”與“競爭公司”后，可查看對應關系圖。如圖2(b)所示，POI 的顏色代表對應企業的類型，POI 的半徑代表對應企業的注冊資金規模，POI 間連線的長度代表了關系的強弱。對于精確匹配的POI個體，通過縮放分層設色圖，可查看不同層級上的POI 時空分布，如圖2(c)所示。而通過多維過濾，可對POI 進行統計分析，如圖2(d)所示。

5 結語

本文面向海量POI 數據，提出了一種Web 可視化分析框架。該框架支持多存儲模式，滿足不同數據組織形式需求；提供多維度索引，實現快速數據訪問；支持RESTful Web 服務，滿足不同設備訪問需求；提供多視圖可視化方案，實現POI 信息的全方位表達。

為進一步提升海量POI 可視化分析服務質量，未來工作可從以下幾個方向繼續推進：

（1）擴展更多統計分析服務（比如點模式分析方法），深入挖掘海量POI 數據所蘊含的信息；

（2）引入更多關聯數據源（比如夜光遙感影像），與POI 數據結合分析；

（3）融合分布式計算方法，提升海量POI 數據處理效率。