[论文解读] Visual Analytics of Movement Pattern Based on Time-Spatial Data: A Neural Net Approach

Zhenghao Chen, Jianlong Zhou+1 more|arXiv (Cornell University)|Jul 9, 2017

Data Visualization and Analytics参考文献 8被引用 3

一句话总结

本文提出了一种基于神经网络的时空移动数据可视化分析框架，整合了后端数据库、用于聚类的自组织映射（SOM）以及用于预测的循环神经网络（RNN）。该系统通过二维热力图、三维时空立方体和动画实现交互式可视化，在商业推广和自然保护区野生动物影响评估等实际应用中，实现了对移动模式的高精度预测和异常交通行为的检测。

ABSTRACT

Time-Spatial data plays a crucial role for different fields such as traffic management. These data can be collected via devices such as surveillance sensors or tracking systems. However, how to efficiently an- alyze and visualize these data to capture essential embedded pattern information is becoming a big challenge today. Classic visualization ap- proaches focus on revealing 2D and 3D spatial information and modeling statistical test. Those methods would easily fail when data become mas- sive. Recent attempts concern on how to simply cluster data and perform prediction with time-oriented information. However, those approaches could still be further enhanced as they also have limitations for han- dling massive clusters and labels. In this paper, we propose a visualiza- tion methodology for mobility data using artificial neural net techniques. This method aggregates three main parts that are Back-end Data Model, Neural Net Algorithm including clustering method Self-Organizing Map (SOM) and prediction approach Recurrent Neural Net (RNN) for ex- tracting the features and lastly a solid front-end that displays the results to users with an interactive system. SOM is able to cluster the visiting patterns and detect the abnormal pattern. RNN can perform the predic- tion for time series analysis using its dynamic architecture. Furthermore, an interactive system will enable user to interpret the result with graph- ics, animation and 3D model for a close-loop feedback. This method can be particularly applied in two tasks that Commercial-based Promotion and abnormal traffic patterns detection.

研究动机与目标

• 解决大规模时空移动数据的模式发现与预测分析挑战。
• 通过集成深度学习技术改进传统可视化与聚类方法，实现可扩展且高精度的特征提取。
• 开发交互式前端系统，使用户能够通过图形、动画和三维模型探索并解读复杂移动模式。
• 将该框架应用于实际问题，包括商业用户推广和自然保护区中的野生动物影响检测。

提出的方法

• 该框架采用关系型与动态非关系型数据库相结合的混合后端，用于管理时空数据，并按需生成时间数据库。
• 采用自组织映射（SOM）进行移动模式聚类，基于空间和时间特征识别常规与异常的访客行为。
• 使用循环神经网络（RNN），特别是长短期记忆网络（LSTM），对移动对象的未来位置进行时间序列预测。
• 前端系统通过二维热力图、三维时空立方体、关系图和动画可视化结果，支持用户理解与反馈。
• 该流程将数据摄入、特征提取（聚类与预测）以及交互式可视化整合为闭环分析系统。
• 该系统在两个真实世界数据集上进行了验证：中国手机用户活动数据与VAST 2017自然保护区的车辆轨迹数据。

实验结果

研究问题

• RQ1 与传统统计与可视化技术相比，基于神经网络的方法在大规模时空移动数据的聚类与预测方面有何改进？
• RQ2 交互式可视化在提升用户对复杂移动模式与异常行为理解方面发挥何种作用？
• RQ3 RNN模型在时空数据中预测未来移动模式方面是否优于经典机器学习模型？
• RQ4 SOM聚类如何识别异常交通模式，这些模式可能指示重大事件，如车辆在生态敏感区域长时间停留？

主要发现

• 在VAST 2017自然保护区数据集上，RNN实现了92.3%的最高预测准确率，优于支持向量机（SVM，87.6%）、K近邻（KNN，84.2%）和随机森林（79%）。
• SOM聚类方法成功识别出四种显著且异常的车辆行为模式，其中包括一辆车在保护区停留92天，表明存在长期生态影响。
• 交互式三维时空立方体与热力图清晰地可视化了异常聚类的轨迹与签到频率，实现了对高影响车辆的快速检测。
• RNN预测结果与19:00–20:00实际交通模式高度吻合，准确识别出从6号总部门出发的四条主要移动路线。
• 该系统为商业推广提供了可操作的洞察，例如提前识别高流量移动基站，以指导精准广告投放。
• 该框架在商业与生态应用中均表现出色，验证了其在真实世界时空分析中的通用性与可扩展性。