多粒度时空对象可视分析体系初探

陈 达，崔虎平，苏亚龙

（1. 信息工程大学 地理空间信息学院，河南 郑州 450001；2. 31682部队，甘肃 兰州 730020）

0 引 言

随着人类社会对空间认知需求的增多，传统的地图数据已经越来越不满足人类活动需要，开始对地图的空间表达功能和内涵进行扩展与延伸。特别是在移动互联网、云计算、人工智能等新一轮的科技推动下，需要构建一个从室外空间到室内空间、从整体到局部，从宏观到微观的统一数据模型，引领传统GIS向大数据时代下的泛在空间信息系统方面进行发展[1-2]。文献[3]中提出了构建全空间信息系统中的核心问题和关键技术，论述了全空间信息系统研究的理论设想与关键问题。全空间系统中以多粒度时空对象为基本建模单元，将时空基准、空间位置、空间形态、组成结构、关联关系、认知能力、行为能力、属性特征等方面作为一个对象8个方面的描述特征。全空间信息中的数据来源从GIS的数据源扩展到了宇宙、室内、微观等泛在空间的数据源，从传统的空间分析迁移到了时空大数据分析。

人们使用可视分析工具来对数据进行认知，发现预期、非预期或领悟的知识结论。特别是在大数据时代下，如何使用户能够快速认识数据、获得数据价值和利用数据进行辅助决策是一个重大研究课题。可以通过可视分析的信息可视化、人机交互、图形分析等手段来认识数据，以此弥补机器在认知能力上的不足[4-5]。

全空间信息系统中以多粒度时空对象来对现实世界进行抽象，以对象为核心来进行特征计算、关联分析、认知建模与行为预测。多粒度时空对象可视分析旨在通过对象的8个方面特征，运用时空大数据的挖掘方法和可视分析技术来对多粒度时空对象进行可视分析。由于全空间信息系统中各类数据庞大、语义丰富、属性多维、模式多样，其可视化和分析方法多样，在面对复杂分析要求或以探索为目的的复杂任务时，缺乏一个以对象为核心的可视分析流程和体系支撑，此外，在全空间信息系统中也需要总结已有的时空大数据可视分析方法，并将其应用到多粒度时空对象的可视分析中。本文以全空间信息系统中的多模态时空对象分析与可视化为背景，研究多粒度时空对象可视分析的体系结构，面向应用场景的可分析方法分类和展现形式，最后以智能交通为例，对多粒度时空对象可视分析的应用场景和使用体系做了分析。

1 多粒度时空对象可视分析的内涵

多粒度时空对象的可视分析是全空间信息系统的重要应用方面之一。在对泛在空间的数据进行对象化的建模后，以对象化的形式来进行信息分析、可视交互、特征计算。多粒度时空对象可视分析在使用的场景、可视效果和交互工具较传统的地理空间中的可视分析更加宽泛和丰富。

1.1 多粒度时空对象可视分析的基本概念

传统的可视分析是以科学计算、信息数据的可视化为基础，通过人机交互界面辅助用户进行推理探索和知识发现。多粒度时空对象可视分析在内容上要更加宽泛，其可视分析以对象的8个方面特征为计算依据，通过数据建模，可以使对象能完全涵盖传统的科学计算和信息数据，对象间的形态特征、对象间的关联以及对象的认知行为等是传统的地理空间的可视分析和时空大数据领域下所没有的，这也是全空间信息系统与传统空间信息系统的重要区分。多粒度时空对象可视分析是以对象的抽象、具象可视化为基础，以多粒度时空对象8个特征为分析内容，并充分考虑多粒度时空对象的时空耦合、多语义性、多维度属性、多层次认知以及智能行为等特点，运用多场景、多视图展现和多租户联动分析为交互手段，提供对象的特征展示、模式诊断与预测、关联关系、知识发现等应用[6-7]。

1.2 多粒度时空对象可视分析流程

文献[8]体现出了传统意义上的可视分析流程，数据经过信息挖掘，通过计算模型可以对知识进行发现，这构成了自动化的分析方法；数据也可以通过图形映射后，以可视化形式展现，从可视产品中发现知识，这构成了可视探索方法，可视化可以为自动分析的模型提供依据，而自动分析的结果也可以可视化形式展现。此外，知识也具有反馈作用，可以对数据的调整与变换提供依据。整个分析流程如图1所示。

图1 传统可视分析流程[8]Fig.1 Process of traditional visual analysis

从图1中可以看出数据、可视化、模型、知识构成了可视分析的关键点，整个过程构成一个回路，数据转换、人机交互、模型调整、知识反馈是图中的重要步骤。多粒度时空对象可视分析的关键点做了调整，对象的特征经过抽象后可以进行可视化，对象也可以经过大数据的挖掘和分析方法，对分析结果进行可视化，最后得出结论与决策。用户可以依据分析结论对分析计算模型进行调整，并可以将结论作为时空对象的特征项的数据补充，整个流程如图2所示。

图2 多粒度时空对象化分析流程Fig.2 Process of visual analysis of multi-granular spatial-temporal objects

1.3 多粒度时空对象可视分析的新特点

多粒度时空对象由于在可视化上的方法更多，且应用场景广泛，其可视分析的交互方法与手段要适应全空间信息系的应用场景需要，并为支持多场景、多设备、多视图与多租户下的异地协同可视分析。

1）支持VR/AR场景下的可视分析。目前在计算机系统中利用VR/AR技术来对现实世界表达是最为直接的方法，全空间信息系统需要研究多粒度时空对象在VR/AR场景下的高性能可视化，将对象特征与分析结果的可视化结果叠加在VR/AR中，更加能减轻用户的认知负担。

2）支持多租户的协同可视分析。全空间信息系统中可能面对智能交通、智慧城市等应用场景，需要可视化与探索的信息多，虽然多视图协同可视分析[9]能够一定程度上解决视图间的数据传递与变换[9]，但依靠单人单机的方法则不能满足需求。多粒度时空对象可视分析需要建立多视图、多租户支持下的协同与共享可视分析体系，对复杂的可视分析任务进行划分与分配，不同租户可以利用服务对可视分析的模型、参数、可视效果进行定制与开发，最后对多租户的分析结果进行汇总综合，从而完成复杂的可视分析任务。

3）以对象为核心的可视分析。以对象为核心的分析是对粒度时空对象可视分析的最大特点，最贴近用户认知心理，符合人对实体在时空上的认知规律，通过对对象特征的抽取与计算，可以满足用户的个性化可视分析需求。

2 多粒度时空对象可视分析方法体系

2.1 多粒度时空对象可视化分析方法体系

根据全空间信息系统中时空大数据分析方法，可以将其分为对象的检测型可视分析、预测型可视分析、推荐型可视分析、关联型可视分析、特征展示型可视分析。全空间信息系统应用场景中涉及的分析任务多样，需要多种对象化的可视分析方法进行共同使用。按照多粒度时空对象的可视分析的流程和任务驱动，将多粒度时空对象的可视分析体系概括为描述性可视分析、计算性可视分析、推理性可视分析。本文构建了“场景—任务—实施方法”的三级方法体系，如图3所示。

图3 多粒度时空对象化分析方法体系Fig.3 Visual analysis method system of multi-granular spatialtemporal objects

全空间信息系统面向的是以时空大数据为背景的具体应用场景，如智能交通、智慧城市、社交网络等复杂应用，其中可视分析任务多样，需要将其分解为多类型的任务分别进行研究。体系中将分析任务分为描述性分析任务、检验性任务和推理性任务3个方面，描述性任务侧重对多粒度时空对象的8个特征方面的表达，展示多粒度时空对象的微观特征和宏观态势。推理性分析任务侧重发现对象的性质、探索对象的模式规律、产生与推理相关的假设、识别异常等。检验性分析任务是对用户已有的知识或通过推理得出的结论进行验证，为可视化分析任务构成一个闭环，其侧重的是知识检测、推理验证、数据筛选和因果关系发现等。

2.2 多粒度时空对象可视分析内容

1）展示性可视分析：对象的特征展示性可视分析包括特征的多维度展示性可视分析、变化性展示分析、差异性展示分析、相似性分析等。①多维度展示性分析主要有基于几何的技术、基于层次的技术、面向像素的技术以及在数据挖掘中常用的数据降维等方法。其可视图形可以通过散点图、平行坐标、雷达图等进行表达。②变化性展示分析体现对象特征随时间的变化情况，如移动位置变化、水温变化、磁场强度变化等。其可视图形可以通过折线图、柱状图、像素图等。③差异性可视分析用于比较对象间的相同属性或类似特征，其可视分析的方法主要有并排、层叠和显示编码3种。④相似性可视分析主要是对若干对象进行相似性归类，一个聚集簇中的对象具有相似性，不同聚类簇中的对象相异，可以通过聚类图形、热度图、密度图等进行可视化表达。

2）评估性可视分析。检测型可视分析主要目的是检测规则推理、已有数据模型的合理性和正确性。用户对分析计算结果和已有真实对象数据进行比较，将结果用于方案评估、规则评判情形，如评估交通事件对车流量的影响，验证节假日的交通拥堵状况等，对计算结果可以使用能够表达差异性和比较性的图形，如折线图、柱状图、气泡图等。

3）检测性可视分析。检测性分析主要包括多粒度时空对象共性特征的检测和异常模式的发现。共性特征的分析一般通过聚类和分类的方法，前者是通过制定对象的聚类统计量，然后通过统计量对对象集进行聚类，然后从中发现对象的共性特征；后者是通过已有的分类标准，通过计算后对多粒度时空对象进行归类。异常模式的发现是从对象集中发现由于特征改变而出现的“例外”现象，一般将其成为孤立对象、离群对象。检测性可视分析应用场景广泛，如通过对移动伪基站的轨迹分析发现其运动区域、通过手机定位坐标发现景区拥挤点、通过出租车的轨迹路径异常发现来检测其欺诈行为、通过检测点污染物浓度异常发现隐藏排污点等。检测性可视分析一般需要针对具体应用进行图形的定制，仅依靠单一的可视化图形难以得出结论，需要用户的丰富经验，并通过多视图协同与人机交互手段来进行分析[7]。

4）关联性可视分析。关联性可视分析旨在发现对象特征之间的相互依赖、相互作用以及协同机制。对象的关联关系有时间关联关系、空间关联关系、属性关联关系以及综合关联关系，综合关联关系中的因果关系、共生关系、聚类关系等需要通过大数据挖掘和分析推理得到[10]，并且其体现的是对象群体之间的关联规律，不具备个体普适性。关联性的可视分析可以使用网络图。

可以利用网络图来进行线索链与证据链的推理与发现，并使用多种图形布局的变换来展示复杂关系。也可以利用像素图来表示关联关系之间的关联强度，便于用户进行比较，例如文献[11]中利用贝叶斯网络数学模型与像素图、网络图对电动车的偷盗与娱乐场所、建筑物之间进行了关联可视分析。

5）预测性可视分析。预测性可视分析是基于对象的历史特征和行为，对多粒度时空对象的未来特征或行为进行分析预测，其方向主要有时间序列预测、属性预测、位置预测、行为表征、形态演化等方面。预测分析算法以统计回归模型为核心，通过不同的预测模型组合后进行分析。行为表征和形态演化是针对多粒度时空对象进行的特有的预测分析方法，前者是对对象的行为趋势作推断，表征其行为随时间的变化，如移动对象的运动方向预测、洪水在城市中的淹没预测；后者是对象的形态变化，如城市街区形态的扩大、雷达电磁场受干扰后的波瓣变化等。预测性分析的结果可视化可以结合全空间信息系统中对象的动态可视化及VR/AR场景，用户通过对可视分析结果的认知来进行知识探索。

3 以大数据交通为例对多粒度时空对象可视分析体系构建

交通管理领域一直是大数据分析研究的热点，交通大数据的应用场景包括稽查布控、流量分析、拥堵预测、设施运营、风险预警等领域，其目标是保证交通系统的高效运转。交通应用中的各类实体特点比较符合全空间信息系统中的对象特征，交通中的基础地理信息、移动对象轨迹数据、交通事故数据、设施专题数据、传感器实时数据、路况气象数据等数据的分析应用是全空间信息系统中的对象化建模与智能设施管理的问题。各类车辆是建模与分析的核心对象，路网、交通事件、路况气象信息是核心对象的上下文信息、各类传感器、收费站、卡口等是数据生产对象。

下面将多粒度时空对象可视分析方法体系应用到交通管理领域中，建立以大数据交通中的多粒度时空可视分析应用体系，如图4所示。

图4 多粒度时空对象可视分析在交通领域应用Fig.4 Visual analysis application of multi-granular spatial-temporal objects in transport application

利用收费站、卡口、传感器等数据产生对象可以对车流量、路段天气、路段拥堵状态、事故统计信息等进行展示性可视化及分析。利用对象关联性可视分析对事故、路网与气象之间的关联关系进行研究，分析移动对象与交通事故之间的关联关系。对象的预测性分析可以进行恶劣天气、车流量、拥堵量的预测与分析。对象的检验性分析可以对拥堵点、异常移动对象等方面进行分析。可视分析的成果可以是图表、报告、专题图等，其结果可以用来指导车流量疏导、路线规划、道路封控等工作。

4 结束语

全空间信息系统利用对象化的思想直接对现实世界进行建模，并以多粒度时空对象作为数据模型。本文在传统可视分析学的基础上，结合多粒度时空对象的8个方面特征，对多粒度时空对象可视分析进行了探讨，提出了多粒度时空对象可视分析的内容，在传统可视分析流程的基础上设计了多粒度时空对象可视分析的流程并探讨了其特点，下一步将针对具体的可视分析方法，进一步对多粒度时空对象可视分析中的可视化表达、交互工具及数学模型等方面展开研究。