本發(fā)明涉及交通數(shù)據(jù)可視化領(lǐng)域，尤其涉及一種基于地鐵數(shù)據(jù)進(jìn)行站點聚類的可視化方法。
背景技術(shù)：
：隨著城市交通的快速發(fā)展，隨之產(chǎn)生了大量的交通數(shù)據(jù)，這些交通數(shù)據(jù)具有時間屬性、空間屬性，通過這些屬性能夠真實的反應(yīng)交通客流狀況。地鐵為城市居民出行提供極大便利，成為公共交通的重要組成部分，每天有大量的乘客通過刷卡進(jìn)出各個地鐵站點。每個站點的客流數(shù)據(jù)與站點附近區(qū)域的功能息息相關(guān)。其中根據(jù)地鐵客流數(shù)據(jù)，發(fā)現(xiàn)具有類似功能的地鐵站點，這種區(qū)域功能的發(fā)現(xiàn)對了解城市結(jié)構(gòu)有著極為重要的意義。然而地鐵數(shù)據(jù)的龐雜和抽象造成從這些數(shù)據(jù)中挖掘信息并不容易，而可視化技術(shù)結(jié)合可視圖表的展示形式和人機(jī)交互，操作簡化分析過程，用戶通過交互修改分析模型的參數(shù)，從而生成新的可視化結(jié)果，經(jīng)過可視化分析，能夠從地鐵數(shù)據(jù)中得到更多有價值的信息。技術(shù)實現(xiàn)要素：本發(fā)明的目的主要針對上述數(shù)據(jù)分析的不便之處，提出一種基于地鐵數(shù)據(jù)進(jìn)行站點聚類的可視化方法，通過對地鐵刷卡數(shù)據(jù)處理，提取出能夠反映路段地鐵站點客流模式的特征值，通過交互式參數(shù)設(shè)置，對各個地鐵站點進(jìn)行聚類，并對聚類結(jié)果進(jìn)行可視化展示。為了解城市結(jié)構(gòu)提供有效信息。本發(fā)明是通過以下技術(shù)方案達(dá)到上述目的：一種基于地鐵數(shù)據(jù)進(jìn)行站點聚類的可視化方法，其包括如下步驟：S1：對地鐵數(shù)據(jù)進(jìn)行預(yù)處理；S2：對S1所述地鐵數(shù)據(jù)進(jìn)行時空探索；S3：通過聚類算法對地鐵站點進(jìn)行聚類；S4：可視化展示聚類結(jié)果。其中S1具體包含：地鐵刷卡數(shù)據(jù)的清洗，如清除缺失值、噪聲數(shù)據(jù)等，以及地鐵基礎(chǔ)數(shù)據(jù)的規(guī)范化處理。其中S2具體包含如下步驟：S2.1：將地鐵線路站點信息映射到OpenStreetMap地圖上；S2.2：用戶交互的進(jìn)行時間和空間上的過濾；S2.3：對S2.2所述過濾結(jié)果進(jìn)行可視化展示，包括顯示進(jìn)出站客流量變化情況的環(huán)形圖和折線圖。其中S3具體包含如下步驟：S3.1：時間劃分：根據(jù)地鐵站客流特征，將一天劃分成m個時間段；S3.2：空間劃分：根據(jù)所述地鐵基礎(chǔ)數(shù)據(jù)，將每個地鐵站點作為一個空間單元，劃分成n個空間單元；S3.3：對于S3.2所述的每個空間單元，分別統(tǒng)計其在S3.1所述的m個時間段內(nèi)的進(jìn)站人數(shù)和出站人數(shù)，形成n*2m的地鐵站點客流特征矩陣。將此矩陣記為D，它是一個包含n個對象的數(shù)據(jù)集；S3.4：接收用戶動態(tài)輸入的參數(shù)k(k≤n)，并作為站點聚類算法的簇數(shù)；S3.5：從D中隨機(jī)選取k個對象，作為k個簇各自的中心，初始化后的k個簇的中心分別記為：μ(0)=μ1(0),...,μk(0)]]>S3.6：分別計算D中各個對象j∈{1，...，n}到k個簇中心的相似度，將這些對象分別劃分到最接近的中心點所在的簇，公式如下：Cluster(t)(j)←argmini||μi-xj||2S3.7：根據(jù)S3.6聚類結(jié)果，重新計算k個簇各自的中心，計算公式如下：μi(t+1)←argminμΣj:Cluster(j)=i||μ-xj||2]]>S3.8：重復(fù)步驟S3.6–S3.7，直到每個簇的中心點μi不再發(fā)生變化。其中S4具體包含如下步驟：S4.1：在地鐵基礎(chǔ)數(shù)據(jù)集上，標(biāo)記每個站點所屬的簇Clusteri(0≤i＜k)；S4.2：通過地鐵乘客刷卡數(shù)據(jù)，得到每次旅程的起始站點所屬的簇、目的站點所屬的簇和出行所屬時間段；S4.3：根據(jù)所述S4.2中的數(shù)據(jù)，計算不同時間段，不同簇之間乘客的流動模式；S4.4：繪制弦圖，用戶選擇時間段，通過弦圖對比不同簇之間的客流模式，分析人類移動規(guī)律。附圖說明圖1為一種基于地鐵數(shù)據(jù)進(jìn)行站點聚類的可視化方法的流程圖；圖2為本發(fā)明實施案例利用上海市地鐵基礎(chǔ)數(shù)據(jù)可視化展示地鐵線路站點信息；圖3為本發(fā)明實施案例利用上海市2015年4月的地鐵刷卡數(shù)據(jù)做時空選擇的效果圖；圖4為本發(fā)明實施案例完成時空選擇后，展示進(jìn)出站客流量對比的環(huán)形圖；圖5為本發(fā)明實施案例完成時空選擇后，顯示不同時間點具體客流量的折線圖；圖6為本發(fā)明實施案例利用上海市2015年4月的地鐵刷卡數(shù)據(jù)聚類后得到的可視化效果圖；圖7為本發(fā)明實施案例利用上海市2015年4月的地鐵刷卡數(shù)據(jù)動態(tài)聚類后可視化不同區(qū)域乘客流動模式的弦圖。具體實施方式為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將對本發(fā)明的具體實施方式作進(jìn)一步的詳細(xì)描述。本發(fā)明實施例提供了一種基于地鐵數(shù)據(jù)進(jìn)行站點聚類的可視化方法，流程如圖1所示，該方法包括：S1：對截止2015年4月上海市已經(jīng)開通的14條地鐵線路的基礎(chǔ)數(shù)據(jù)和2015年4月上海地鐵乘客刷卡數(shù)據(jù)做預(yù)處理。地鐵線路基礎(chǔ)數(shù)據(jù)包括線路信息和站點信息，分別如下表1，表2所示。表1編號名稱注釋1線路編號取值為01-13或16，唯一標(biāo)識一條線路2線路中文名稱站點實際中文名稱3線路英文名稱站點實際英文名稱4線路類型取值為“直線”或“環(huán)線”5線路總長以“公里”為單位6線路顏色顏色的十六進(jìn)制值表2編號名稱注釋1車站編號唯一標(biāo)識一個車站2車站中文名稱站點實際中文名稱3車站英文名稱站點實際英文名稱4所述線路編號取值為1-13或16的整數(shù)，標(biāo)記已開通的14條線路5車站GPS緯度以“度”為單位6車站GPS緯度以“度”為單位7換乘標(biāo)志取值為“普通站”或“換乘站”8下行序號標(biāo)記站點的連接關(guān)系9車站敷設(shè)方式取值為“地下”、“地面”、“高架”地鐵乘客刷卡數(shù)據(jù)的結(jié)構(gòu)如下表3所示。編號名稱注釋1卡號唯一標(biāo)識一張地鐵卡2刷卡日期格式為yyyy-mm-dd3刷卡時間格式為hh:mm:ss4線路站點名稱格式為x號線xx站5交易金額以“元”為單位6交易性質(zhì)取值為“優(yōu)惠”或“非優(yōu)惠”S2：根據(jù)地鐵基礎(chǔ)數(shù)據(jù)，可視化展示上海地鐵14條線路291個站點的相關(guān)信息，效果圖如圖2所示，并對S1所述地鐵乘客刷卡數(shù)據(jù)進(jìn)行時空探索，步驟如下：S2.1：用戶通過交互操作，進(jìn)行時間和空間維度上的過濾。其中時間上的選擇包括起始日期、起始時間的選擇和終止日期、終止時間的選擇，可選范圍為2015年4月1日到30日；空間維度上的選擇包括在地圖上圈選區(qū)域或繪制多邊形等方式。時空過濾如圖3所示。S2.2：對S2.1所述過濾結(jié)果進(jìn)行可視化的展示，包括展示進(jìn)出站客流量對比的環(huán)形圖，如圖4所示；顯示不同時間點具體客流量的折線圖，如圖5所示。S3：使用S1所述兩類數(shù)據(jù)對地鐵站點客流特征建模，提取不同站點客流模式，用戶通過交互式操作完成參數(shù)設(shè)置后，通過提取的客流模式和用戶輸入?yún)?shù)對地鐵站點進(jìn)行聚類，步驟如下：S3.1：時間劃分：根據(jù)上海地鐵線路運營時間和乘客出行規(guī)律，將一天劃分成4個峰段，具體的劃分方式如表4所示。峰段起始時間終止時間早平峰05:00:0006:59:59早高峰07:00:0008:59:59午平峰09:00:0016:59:59晚高峰17:00:0019:29:59晚平峰19:30:0023:29:59S3.2：空間劃分：依據(jù)所述地鐵基礎(chǔ)數(shù)據(jù)，將每個地鐵站點作為一個空間單元，劃分成291個空間單元；S3.3：對于每個空間單元，分別統(tǒng)計其在4個峰段內(nèi)的進(jìn)站人數(shù)ini(0≤i≤4)和出站人數(shù)outi(0≤i≤4)，形成291*８的地鐵站點客流特征矩陣。將此矩陣記為D，它是一個包含291個對象的數(shù)據(jù)集。S3.4：接收用戶動態(tài)選擇的參數(shù)k(k≤n)，為了使站點劃分有意義，限制k為2-10之間的整數(shù)，將k作為站點聚類算法的簇數(shù)；S3.5：從S3.3所述客流矩陣D中隨機(jī)選取k個對象，作為k個簇各自的中心，初始化后的k個簇的中心分別記為：μ(0)=μ1(0),...,μk(0)]]>S3.6：分別計算D中各個對象j∈{1，...，n}到k個簇中心的相似度，將這些對象分別劃分到最接近的中心點所在的簇，公式如下：cluster(t)(j)←argmini||μi-xj||2S3.7：根據(jù)S3.6所述聚類結(jié)果，重新計算k個簇各自的中心，計算公式如下：μi(t+1)←argminμΣj:Cluster(j)=i||μ-xj||2]]>S3.8：重復(fù)步驟S3.6–S3.7，直到每個簇的中心點μi不發(fā)生變化，即完成地鐵站點的劃分，各個站點被分別劃分到k個簇中。S4：根據(jù)聚類結(jié)果，可視化展示不同地鐵站點分區(qū)之間乘客流動模式；S4.1：在地鐵基礎(chǔ)數(shù)據(jù)集上，標(biāo)記每個站點所屬的區(qū)域Clusteri(0≤i＜k)；S4.2：處理地鐵乘客刷卡數(shù)據(jù)，生成一個數(shù)據(jù)庫表，包含每次旅程的起始站點所屬區(qū)域、目的站點所屬區(qū)域和出行所屬時間峰段；S4.3：統(tǒng)計相同時間峰段內(nèi)，不同區(qū)域之間乘客的流動模式。S4.4：根據(jù)S3所述聚類結(jié)果，對S2.2所述可視化展示做進(jìn)一步處理，即依據(jù)站點劃分結(jié)果將屬于同一區(qū)域的站點做相同的顏色標(biāo)記，如圖6所示；S4.5：根據(jù)S3所述聚類結(jié)果和S4.3所述乘客流動模式，對S3.1所述4個時間段分別繪制弦圖，用戶可以交互式的選擇對比不同時間段、不同區(qū)域之間客流的模式，當(dāng)發(fā)生交互事件時，弦圖將顯示不同區(qū)域之間的客流信息，如圖7所示。當(dāng)前第1頁1 2 3