8.1.2 空间交互的可视化方法
对于空间交互数据,可视化方法能够展示全局的或局部的空间交互的分布格局和模式特征。早期的可视化方法包括流地图和交互矩阵。受限于数据获取技术,这些方法是基于粗粒度的离散数据的,是对聚合的地理单元(如城市、省份等)层面空间交互的可视化。大数据时代产生的海量交互数据使得这些传统的方法难以直接应用,随着一些优化方法和新的可视化技术被相继提出,我们能从不同时空尺度发掘交互信息和规律。
1.空间交互显式可视化
显式可视化即把区域间的交互信息直接呈现在地图上,可以清楚地表示区域间的交互模式。空间交互由于具有带权矢量的数据结构,因此可以用有向线段(直线段或曲线段)来表示,并形象地称之为“流(flow)”,如图8.9所示。线段的端点表示交互的OD点,线段的颜色、粗细等属性则表示交互的强度。流地图的优势在于能够十分直观地显示空间交互的方向、距离、强度这三个重要属性,并可以同时表达所有区域间的交互。然而,传统的流地图只能表示小规模的交互数据,随着交互区域、交互次数的增多,流之间的交叉、重叠问题会严重影响可视化效果。
图8.9 美国人口的迁移简化图
区域设色地图将研究范围划分成多个子区域,每个子区域与其他区域都存在不同程度交互。因此选定一个目标区域,对其他区域填以不同颜色,表现与此目标区域交互强度。这种方法的优点在于可以清楚地看出其他地区与特定地区的交互量及其空间分布。但是一幅图只能对一个区域与其他区域的交互信息进行可视化,因此只适用于表现少数几个区域的空间交互模式。图8.10为北京市出租车在不同时间段的上车点密度,其中(a)图为晚上11点45到早晨6点半的上车点密度分布,(b)图为早晨6点半到8点15的上车点密度。
空间组合统计图是用分区统计图表法的形式表现空间交互模式,它只关注区域与外界的交互模式,而不是把交互的OD都表示出来。其优势在于对每个区域的空间交互信息能够很好地综合和表达,但是当所表示的区域较多时,也会存在统计图交叠的情况,另外图的大小不均衡,较小的图不易观察。图8.11表示的是纽约出租车车流变化的可视化,图中展示了纽约市的两个机场,并研究了从这两个机场出发的客流量。我们可以看到,周日的两个机场出发的客流量都明显较小。此外,这些客流的终点集中在纽约市中心。
图8.10 北京出租车不同时间段上车密度点可视化
图8.11 纽约出租车周日的客流量分布可视化
2.隐含位置特征的可视化
隐含位置特征的可视化方法只表现空间交互的模式,并不展现其空间分布,因此丢失了空间模式。当前图(graph)的可视化技术较为成熟且应用广泛,由于区域可以抽象为节点,其间的交互则是连接节点的边,所以空间交互的可视化可采用图的结构。Von Landesberger等人提出的Mobility Graphs就是其中一种典型的方法,这个方法首先对全部交互数据建立图结构,然后基于改进的DBScan算法对区域进行合并,从而形成较好的图布局,如图8.12所示。左图为原始数据,中间为过滤后数据(区域间交互量不少于200次),右图是基于图的可视化。
(https://www.daowen.com)
图8.12 伦敦居民午后出行数据的可视化
由于空间交互能用图的结构进行表示,交互矩阵也由图的邻接矩阵借鉴而来。首先对空间区域编号,在交互矩阵中行和列对应各个区域,矩阵元素的色阶表示交互的强度。Ghoniem等人的研究表明,当节点数超过20时,基于矩阵的可视化效果要优于基于图的可视化。交互矩阵需要对行或列的进行排序以突出矩阵视图里交互特征和规律,如图8.13所示。另一不足在于空间交互的不均匀性导致矩阵比较稀疏。
图8.13 矩阵重排使得空间交互可视化模式更为明显
OD map是一种基于空间变换的可视化方法。如图8.14(a)所示,这种方法把空间区域进行矩形划分,并对行、列分别进行编码,在右图的OD map中,大格编号表示O点位置,小格编号代表D点位置,颜色可表示交互强度。例如,在OD map中(AE,25)处元素表示的是是从位置(A,2)到(E,5)交互(红色)。图8.14(b)展示了模拟数据的可视化。这种可视化方法不会出现杂乱问题,但全局模式被割裂成小的子模式。
3.空间交互时态变化可视化
Flowstrates由Boyadin等人提出,主要由三部分构成,如图8.15所示,左图和右图分别为空间交互的O、D点分布地图,中间为时序热力图,每行的连线即表示左、右两图中对应的OD点间的空间交互强度的时间变化情况。这个方法能够追踪任意两个区域间的空间交互的动态变化,但丢失了交互的空间分布模式,并且在区域很多的情况下,展现交互数据和查找热力图都是很低效的。
图8.14 OD map可视化
图8.15 东非到西欧间的难民移动
平行坐标法也是一种应用广泛的方法,可以发现区域间的交互模式的变化差异,但由于只表现交互数据的某项指标,无法反映空间模式。Guo等人用对深圳市不同区域出租车数据按全天6个时段进行划分,计算每个区域每个时段的空间交互指标,然后用平行坐标法展示其变化,并发现了四类模式,如图8.16所示。
图8.16 深圳市各区域驶入和驶出的出租车数量指标变化,颜色对应不同区域
