起止點數據可視分析研究

馬小東，任芃錕，趙 凡

起止點數據可視分析研究

馬小東1,2,3，任芃錕1,2,3，趙 凡1,3

(1. 中國科學院新疆理化技術研究所，新疆 烏魯木齊 830011；2.中國科學院大學，北京 100049；3. 新疆民族語音語言信息處理研究室，新疆 烏魯木齊 830011)

起止點數據是一種由起點、終點、起止點時間及一些其他屬性構成的軌跡數據。其是一類非常典型的時空數據，大量產生于城市交通管理、人口遷移、社交媒體等領域。可視分析技術目前被廣泛用于研究大規模起止點數據的時空模式，能夠實現對數據深層次的探索。首先介紹了起止點數據特征以及可視分析的任務，其次梳理了近年來起止點數據可視分析中的可視化方法、交互技術和可視化系統，并對不同領域的應用案例進行介紹。最后，對起止點數據可視研究中面臨的問題進行總結，對起止點數據可視化研究的前景做出了展望，以期為未來的研究提供新的思路。

起止點數據；時空數據；可視分析

OD (origin-destination)數據通常被翻譯為“起始點-目的地”或“源-目的地”數據，本文稱OD數據為“起止點”數據；OD數據是一個比較寬泛的概念，其中的O點和D點不僅可以是移動對象時空路徑的起始點和終止點，也可以是抽象意義上的起點和終點。OD數據與移動軌跡數據同樣具有時空特征、且數據規模大、數據維度高等特點，但又略有不同，OD數據是由起始點位置、終止點位置、起止點時間、統計信息以及一些其他屬性構成，兩者區別是OD數據不記錄移動的具體路徑，只描述一對起始點、終止點之間的移動。

由于OD數據本身的時空特性，使用可視化方法可以高效、直觀地展示數據，發現數據中多個維度之間的關系，探索數據背后的時空規律。例如，通過分析不同維度出租車OD數據潛在的時空模式，對特定區域進行挖掘，可以反映區域內車與人流動的關系，對城市交通和規劃布局有重要參考意義[1-3]。在人口遷移方面，構建OD模型、進行模式對比可分析影響人口遷移的因素和規律，并為相關部門的決策提供支持。OD數據也常常應用于各種移動服務領域如貿易流、技術流和信息流等[4]。

1 OD數據模型研究

1.1 OD數據特征

其中，(x,y)為起始點(origin)的空間位置；t為事件起始時間；(x,y)為終止點(destination)的空間位置；t為事件終止時間；為此條記錄的統計信息或其他屬性。

OD對數據由一起始點點(x,y,t)和終止點點(x,y,t)組合而成的OD對，由起始點指向終止點的連線叫OD流，且具有空間位置的指向性。OD流在空間位置上的變化反映了物體的移動模式，由于具有時間屬性，可以利用OD數據在時間維度上的變化，分析其時變規律。

1.2 OD數據的可視分析任務

在已有的時空數據可視分析的研究中，通過分析文獻[5-8]可大致將可視分析任務分為：概覽、放大、過濾、細節、關聯、歷史記錄、提取。根據OD數據的定義，可視分析任務關注4個焦點：起點、終點、時間和每一次的起止點對。經過總結可將任務分為：

(1) OD流的空間概覽(T1)。展示區域內流量空間屬性的統計信息，能夠回答“區域的流量主要從哪里流出、流向哪里”等問題，可從宏觀上了解OD數據的空間分布情況。

(2) OD流的時間概覽(T2)。對流量時間屬性的統計信息進行展示，能夠回答“流量在哪段時間比較活躍、何時發生、何時結束”等問題，了解OD數據的時間分布規律。

(3) 探索感興趣區域的OD流(T3)。用戶自定義感興趣區域，提取OD流，對感興趣的區域進行移動行為的細節探索，可以回答“此區域何時流量活躍、流量的流向和大小”等問題。

(4) 區域間流量對比(T4)。支持對2個特定區域的OD流進行分析和對比，能夠反映2個區域間流量對比的相似性或差異性，對2個區域之間OD流發生的關聯關系和因果關系進行挖掘解釋。

2 OD數據可視化技術

OD數據是具有時間屬性和空間屬性的多維數據，時空數據中常常蘊含著復雜的時空模式，因此研究如何將數據的時空特征等多種屬性合理地編碼、直觀地顯示，是時空數據可視化中的熱點和難點之一。

2.1 空間屬性的可視化

探索空間屬性需關注數據在空間屬性上的繪制、移動物體的空間位置以及周圍的地理情況[9]。如在對城市規劃中的區域功能性探究時，需要進行空間劃分、統計人口密度[10]。好的空間維度的展示需與人員的交互進行結合，能更有效地探索OD數據。

主流的可視化方法有流向圖、OD矩陣和OD圖，后續多種空間屬性的新表現方式陸續出現。

流向圖是在地圖上將起始點和終止點的位置用邊連接起來，其寬度表征流量的大小。由于OD流圖使用地理地圖來表示，很好地揭示了空間特征，是最直觀的一種方式。TOBLER[11]最早使用箭頭元素繪制了人口遷移圖，但巨大的數據量導致OD流中的箭頭相互遮擋，造成視覺混淆，如圖1(a)所示。

為了克服遮擋和視覺混淆等問題，研究者提出了邊過濾[12-13]、邊捆綁[14-16]和聚類[17-19]等技術。SELASSIE等[20]提出了邊捆綁技術，通過彎曲邊讓相似及相近的邊捆綁形成一束，減少相互遮蓋，如圖1(b)所示。ZENG等[21]提出了一種路由感知邊捆綁方法，在保證視覺簡化的同時，保留了原始軌跡。邊過濾是一種過濾出大于給定閾值的方法，STEPHEN和JENNY[22]使用過濾交互操作來表示美國重要的移民流。GUO和ZHU[23]使用核密度估計方法測量起止點數據的流量，結合流采樣方法，對數據進行規范化和平滑處理，以減少邊的數量。

OD矩陣的行和列分別表示流的起始點和終止點，用小方格的深淺顏色來編碼流量大小[24]。但因丟失了地理信息，往往需要結合其他的地圖才能直觀地發現空間信息，如圖1(c)所示。

OD圖將地理地圖分割成同樣大小的方格，在每個方格中嵌入一個分割好的小地圖，從一個地點到另一個地點的流量大小就用該點嵌套的另一個地點單元格的深淺顏色表示其流量大小。WOOD等[25]將美國按照規則網格劃分成一系列矩形區域，畫出了人口遷移OD圖，如圖1(e)所示。YANG等[26]設計了OD圖的改進版MapTrix，分別用2個地圖存放起點和終點，用連線將其和一個OD矩陣連接起來，保留了OD數據的地理空間位置信息，如圖1(f)所示。SLINGSBY等[27]將行政區的地理位置近似排列成矩陣，解決了OD圖只適用于規則網格劃分的地理空間上的問題。

如圖1(d)左所示，BOSTOCK[28]繪制了舊金山地區遷移變化和旋圖。弦圖放棄了實際的地理定位，用徑向布局來表示位置，用不同寬度的線條表示地區之間的流量，相同地點流出的流歸為同一分組。SPECKMANN和VERBEEK[29]提出弦圖的變體——項鏈圖(necklace map)，其試圖保留一定地理信息，由于使用顏色編碼，只適用于相對較少的節點，如圖1(d)右所示。

圖1 空間屬性的可視化((a)人口遷移流向圖[11]；(b)邊捆綁[20]；(c)交通流向圖和OD矩陣[24]；(d)人口遷移OD圖[28-29]；(e)空間區域劃分[25]；(f)Maptrix的設計[26])

之前，時空分析方法利用城市交通數據集來提取熱點的區域，而忽略了區域之間的流動關系。一些方法無法自動確定具有相似空間特征的時間步長，或無法識別城市的演化模式。SHI等[30]提出一個基于LDA的主題模型，從OD數據中發現隱藏的語義層面的城市動態。馮濤等[31]利用空間區域等粒度的規則網格劃分，以及四叉樹編碼的方法對北京城區進行劃分，實現OD數據的空間多尺度可視化。YANG等[32]比較了平面地圖、三維球體和Mapslink的可視化編碼，通過對比，最準確和直觀的表現形式是具有凸起流的三維球體。

2.2 時間屬性的可視化

OD數據可視化的主要挑戰是將數據的空間和時間維度相結合，以便能夠探索時間和非時間的關系，挖掘時空數據價值。在時間屬性上具有在粒度上的層級關系，多尺度的時間屬性編碼可以支持更高效、細粒度的數據可視分析。在數據量巨大、軌跡相互遮擋問題嚴重時，合理的時間多尺度表達和便捷的交互操作有利于對OD數據進行細粒度的分析。

在進行時空數據的可視化設計時，有些學者選擇動態效果展示時變規律，也有選擇靜態的展示。Small muliples是一系列靜態圖像，其描繪了某個時刻的OD數據變化情況，但顯示的時間段越多，每個圖像就必須足夠小，難以看到細節，如圖2(d)所示。

動畫類型的展示常常用在時間屬性的可視化上，動畫中每一幅圖像依次出現或使用交互控件在特定時間段內切換，如圖2(e)所示。文獻[33]對動畫和small multiples編碼流向圖的時間屬性的差異性做了定性實驗對比，該實驗不是為了衡量二者表現，而是為了找出2種表現方式分析出的結論是否有質的差異。結果發現利用動畫，用戶對局部事件和隨后幾年的變化能有更多發現，而small multiples需要多個時間周期，才能對視圖有更多地發現。

圖2 時間屬性的可視化((a)弦圖的時間多尺度表達[31]；(b)OD行程時間圖設計[35]；(c)Flowstrates時間熱力圖[36]；(d)Small multiples視圖[33]；(e)動畫視圖設計[33]；(f)第三維度展示時間[37])

研究人員將圓形視圖繪制成鐘形來進行時間屬性的可視化。ZENG等[34]使用等時線視圖、等時流圖、OD起止對行程進行可視化，高效執行關于OD數據的分析任務。文獻[31]使用Circos弦圖對OD數據進行時間屬性多尺度的可視化，通過改變外圈的時間粒度，結合熱度圖、直方圖以及弦圖探索居民出行數據，如圖2(a)所示。LIU等[35]設計了一個漸變顏色的圓環來編碼一天的時間，軌跡顯示在圓中心，統計信息的條形圖編碼在圓的外部，軌跡的兩端分別表示起始和終止時間，如圖2(b)所示，對出租車數據的線路多樣性進行可視分析。

單個視圖難以表現時空數據的特征，BOYANDIN等[36]開發了Flowstrates，將OD流的起點和終點分別顯示在2個單獨的地圖中，流量大小隨時間的變化在中間的一個單獨的熱力圖中展示，如圖2(c)所示。除了以上幾種表現形式，3D也被用在時間屬性的可視化設計中。PROULX等[37]用第三維度顯示時間變化，另外，2個維度用于顯示每個特定時刻的二維表示，但該表現方式只適用于流量少的情況，若發生在大流量的情況下，容易出現遮擋、視覺混淆等問題，如圖2(f)所示。

2.3 用戶交互

可視化技術可用來展示抽象數據的不同特征，當用戶不知復雜的數據能反映出什么樣的規律和知識時，通過交互手段對數據進行分析挖掘是非常重要的。

選擇和過濾、篩選的交互方式常常被用在時空數據的可視化中，CUENCA等[38]提出了交互式可視化工具EvoFlows，其使用多個交互組件對OD數據進行時間和空間的探索；大量使用動畫過渡展示時空屬性，條形圖的橫坐標可以鎖定特定時間周期內的最大值，而縱軸可以篩選需要展示的OD流子集，如圖3(d)所示。ZENG等[39]提出途徑限制的OD數據可視化方法，通過交互式過濾滿足途徑限制的軌跡；連續點擊2次，選擇一個OD流流入點和流出點，或從流入點拖動到流出點來限制路徑，如圖3(a)所示。

圖3 用戶交互((a)交互式設置途徑限制[39]；(b)標注工具標注正確地點[42]；(c)OD-Wheel探測感興趣區域的交通量[44]；(d)允許修改布局的條形圖[38]；(e)交互式聚類界面[41])

多視圖協同的方式能高效地從多個角度對時空數據進行挖掘分析，SHI等[40]設計了公共自行車數據流的可視化分析系統。4個視圖協同工作，分析過程從空間過濾開始，在地圖上選擇地點或刷選區域，再進行時間視圖的篩選，平行坐標圖和熱力圖同步更新以探索細節。DING等[41]設計了系統支持特定時間的窗口，以查詢移動數據，且支持交互式聚類，如圖3(e)所示，用平行坐標圖可視化計算出的簇并通過參數的調整進一步探索感興趣的簇。

YU等[42]開發了iVizTRANS交互式分析組件，結合機器學習組件，可知曉通勤者出行的動態信息，當分類器給出一個被人類認為是錯誤的推斷時，用戶可以進行標注和注釋，對可視分析進行糾正；如圖3(b)所示。LU等[43]提出OD輪的可視化方法，支持交互式探索并檢測異常；后LU等[44]改進了OD輪，不限于中心區域相關的OD簇，目的在于探索簇動態變化的同時，詳細比較簇之間的OD模式，如圖3(c)所示。

2.4 可視化系統

對OD數據可視化的研究產生了各種各樣的可視化工具和系統，一個功能完善的可視化系統應該盡可能地滿足用戶的可視分析任務。姜曉睿等[45]利用出租車數據的OD信息設計了可視分析系統，從全局概覽圖上選擇感興趣的區域，使用環形像素圖對時間進行編碼，結合時空堆棧圖分析數據背后的時空模式，為交通管理部門調配車輛做出協助。文獻[38]提出的EvoFlows結合了依賴于時間序列可視化的系統MultiStream和流向圖，通過交互在不同層次上對難民遷移數據進行研究，如圖4(a)所示。GUO[46]針對人口遷移提出的框架包括層次化分區、流映射、多元聚類和交互式可視化方法，支持處理較大數據，同時有效地發現主要的流結構和多元關系，如圖4(b)所示。HUANG等[47]利用上海軌道交通數據，采用高度可視化框架，從網絡、線路、車站、區間4個方面挖掘客流數據。

圖4 OD數據可視化系統((a) EvoFlows制作的難民遷移圖[38]；(b)美國人口遷移的流圖可視分析[46]；(c)自行車群體行為可視分析[10]；(d)帶有地理標記的社交媒體數據可視分析[49])

針對地理標記的社交媒體稀疏采樣的運動數據，CHEN等[48]的OD可視分析系統Movement Finder，強調了將具有地理標簽的社交媒體數據應用于OD信息的構建。后來CHEN等[49]對該工作進行了進一步改進，結合人類的認知能力和機器的計算能力，為語義模式的提取提供了一套交互式可視化工具，如圖4(d)所示。文獻[10]基于公共自行車數據，定義群體移動行為，設計了多視圖協同的可視分析系統，支持從區域深入到確定地點的可視分析，如圖4(c)所示。表1對OD可視化系統進行了總結，說明了各個系統的主要貢獻和特色，還加入了是否支持中文提到的OD數據可視分析任務的指標。

表1 OD數據可視化系統總結

注：√為支持OD數據可視分析；×為不支持OD數據可視分析

3 OD數據可視化案例分析

本節介紹OD數據可視化技術在城市交通管理、人口遷移、流動性分析等領域的應用。

3.1 城市交通管理

ZHOU等[50]基于出租車數據對城市功能區進行探索，采用矩陣分解對城市功能區進行分類識別，結合力導向圖、時間線圖和雷達圖分析城市不同功能區人員流動方式，如圖5(a)所示。文獻[40]針對公共自行車數據開發了4個視圖相互關聯的可視化系統，說明了數據的時空變化、流起始點和終止點之間的關系和差異，以及影響自行車租賃的因素，有效地發現交通流模式，為交通研究者和城市規劃者提供服務。WIDYAWAN等[51]針對公交數據使用行程鏈式算法生成OD矩陣，推斷上下車站地點及分析乘客行為模式。LIU等[52]以多維時空數據創建張量模型，提出張量分解算法，并將數據進行均勻分區，提取分區的潛在模式用于比較和可視化，分析不同模式下的交通情況。ENNEKES和CHEN[53]使用簡單視覺編碼提供數據整體交通流情況，使用過濾和顏色編碼提供改進，設計繪制的每條邊均為中途點到目的地，專注輸入流量，而輸出流量則在每個起點用一個小圓環表示，可以感知更多的信息。

3.2 人口遷移

在人口遷移和群體移動等領域，文獻[22]根據地圖設計原則創建OD流布局來提高流圖可讀性，通過自定義界面和交互地圖探索美國各州之間的遷移，將其他州表示為圍繞選定州的圓形節點表示遷移流動。文獻[38]使用實際地圖展示空間屬性，結堆棧圖展示不同空間尺度的時間維度屬性，系統對實際難民轉移數據進行分析，說明了其實用性，如圖5(c)所示。文獻[46]針對人口遷移提出的框架包括層次化分區、流映射、多元聚類和交互式可視化方法，支持處理較大數據，同時有效地發現主要的流結構和多元關系。

3.3 流動性分析

WOOD等[54]使用3種自行車租賃和旅行模式的方法，將帶有方向的流向圖用于顯示全局概覽，保留地理關系的網格視圖探索站點在空間和時間上的狀態，起止點地圖用OD矩陣提供視覺細節的要求。識別流動行為在時間和空間上的變化，以幫助自行車站點科學高效部署。ZHU等[55]提出一種基于密度的流圖泛化方法，在不同地圖的比例尺和概括層次上發現紐約市出租車出行潛在和抽象的流模式，合理安排出租車，以滿足市民出行需求，如圖5(b)所示。

圖5 OD數據可視化應用舉例((a)基于出租車時空OD數據的城市功能可視化[50]；(b)曼哈頓早高峰的主要流量模式[55]；(c)難民遷移的時空演化[38])

4 總結與展望

近十幾年來，起止點數據的可視化研究有了很大地發展，研究人員創造性地提出了解決痛點的可視化表達，使得時空數據的可視化技術廣泛應用在眾多領域。本文對OD數據的概念、屬性以及可視分析任務進行了介紹，并針對OD數據的屬性而產生的各種可視化方法、交互方式以及可視化系統進行了總結。最后對OD數據可視化應用進行案例分析。

隨著時空數據大量地涌現、社會和技術的高速發展，新的挑戰將不斷出現。

大量的OD數據會導致可視化元素之間遮擋，產生混淆。盡管已經有了流向圖中的邊過濾、邊捆綁[56]、以及聚類[57]技術解決了部分視覺遮擋問題，但其均由舍棄了部分數據換來的，這在一定程度破壞了數據的真實性。

OD數據的可視化不僅涉及到過濾移除部分信息，還要添加部分信息，信息論可以解釋可視化中信息變化的好處，因此如何使用不同類型的OD數據信息的修改來構建新的設計空間[53]是一個挑戰。

OD數據的可視分析需要與應用領域更好地結合起來才能解決各種實際問題。現可視分析均需領域內的專業人員進行參與，同時可視分析的研究人員要與領域專家保持交流。因此亟待需要集成一種特定應用領域的自動可視分析方法，目前這方面的工作還很少。

隨著物聯網、大數據技術的飛速發展，未來采集和存儲的OD數據會越來越多，還會有更多領域的數據，OD數據不僅僅可以代表軌跡的起始點和終止點，而且可以是抽象意義上的起點和終點。除了應用廣泛的領域，還有一些抽象OD數據的應用領域，比如在網絡安全會話數據可視化中，將一個動作編碼為一個城市，將用戶會話編碼為穿過城市的痕跡[58]，這樣就轉換成了OD數據可視化。同樣的轉換還有，像文本可視化中的話題跳轉，軟件可視化中的代碼引用等等。

[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, 袁曉如. 軌跡數據可視分析研究[J]. 計算機輔助設計與圖形學學報, 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] 黃文達, 陶煜波, 屈珂, 等. 基于OD數據的群體行為可視分析[J]. 計算機輔助設計與圖形學學報, 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] 馮濤, 艾廷華, 楊偉, 等. 基于Circos弦圖的居民出行模式可視分析[J]. 華中師范大學學報: 自然科學版, 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] 姜曉睿, 鄭春益, 蔣莉, 等. 大規模出租車起止點數據可視分析[J]. 計算機輔助設計與圖形學學報, 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

A

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

2021-06-23；

2021-09-10

10 September，2021

新疆維吾爾自治區重大專項(2020A03004-4)

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

馬小東(1996–)，男，碩士研究生。主要研究方向為數據可視化。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

趙 凡(1980–)，男，研究員，博士。主要研究方向為大數據分析及可視化。E-mail：zhaofan@ms.xjb.ac.cn

ZHAO Fan (1980–), researcher, Ph.D. His main research interests cover big data analysis and visualization. E-mail：zhaofan@ms.xjb.ac.cn