伴隨著交通系統的迅速發展，交通早已變成人們日常生活一個關鍵的構成部分。據調查，大城市中大體上有40%的人口數量每日花費1小時在交通上。殊不知，當代城市中海量的人口數量以及交通工具造成了許多環境污染問題，例如交通擁擠、交通安全事故和環境污染等。
伴隨著大數據可視化的浪潮，在交通數據中應用可視化能夠 協助大家合理地了解移動車輛的行為、發現交通在時空上的方式，進而為交通優化等出示管理決策信息。當今交通系統時時刻刻都是產生海量的數據，例如，的士上配用的GPS傳感器會記錄的士的行車運動軌跡；街道社區監控攝像頭會記錄車子的通過狀況。并且，伴隨著大城市越來越大，轎車逐漸增多，監控逐漸增多，交通數據的經營規模擁有爆炸性的提高。在這類狀況下，直接對交通數據展開分析的傳統式方式 早已變得越發的艱難，并且效率急劇下降，數據發掘、深度學習和可視化等智能化系統技術的深層次和普遍應用早已變得勢在必行。尤其地，可視化能夠 將客戶和數據直接相關，適用客戶以簡易可視性的方法與數據展開互動，從而完成客戶智慧和設備智慧相融反饋，能夠 極大地提高分析和管理決策的高效率與精準度。
首次將交通可視化做為一個單獨的科學研究與主要用途進行工作，覺得這一技術是通往將來新型智慧城市的必然選擇。狹義上來講交通可視化便是對交通系統中產生的數據展開編碼，根據照片、數據圖表的方法向客戶展現交通數據，適用客戶互動的分析交通數據，主要包含目標運動軌跡的可視化、監管數據的可視化及其公路網實時路況的可視化。運動軌跡的可視化一般是將交通系統中的實體（例如的士、公共汽車、非機動車這些）的運動軌跡在地圖上用線框的方法展開展現；而監管數據的可視化則能夠 依據監管的種類分成基于監管惡性事件的可視化和監控錄像的可視化；對于公路網實時路況的可視化，則一般是根據熱力地圖等技術可視化實時行駛情況和擁擠情況等。
廣義的交通可視化則能夠 了解為在交通智能化分析系統中能夠 運用的全部可視化技術的總數。一個智能化分析系統一般能夠 大體上的拆分為數據收集、數據預備處理、數據查詢和數據分析四個部分。除開數據收集外，其它三個部分都是有可視化技術的施展空間。例如，在數據預備處理全過程中，收集到的初始交通數據將會存在包含重復、缺少在內的各式各樣的難題，可視性數據清理能夠 協助用戶對初始交通數據展開去重復、補齊等實際操作，提升數據的易用性；在數據查詢全過程中，根據可視化的查詢頁面，協助客戶提升查詢條件，分析查詢結果等等；在數據分析全過程中，可視化技術能夠 與其它數據分析方式 緊密結合，適用客戶干涉數據分析步驟。
1.交通可視化起源
伴隨著交通系統的不斷完善，大家針對交通出行的需求越發的迫切。為了提高交通系統對于大家的服務水平，交通數據的可視性分析飾演了一個關鍵的角色。數據可視化盡管是剛興起的學科，可是可視化方式 在交通數據的分析全過程中存在已久。
地鐵出現距今百余年時間，現階段最早的地鐵工程項目追朔至1863年的倫敦大都會鐵路。為了向群眾展現地鐵在大城市中的遍布狀況和停靠點詳細地址，人們應用線框和小圓點在城市地圖上形象化地表明地鐵路線。下圖是1907年英國倫敦TheEveningNews公布的“倫敦地鐵地圖（TubeMap）”，在其中不同的地鐵路線應用可以顯著區別的色調展開編碼，站點位置均選用地圖上的真實位置。
初期地鐵線路圖一般 將視覺效果元素直接累加在真實占比的城市地圖上。殊不知在大家交通出行時，許多情況下并不一定考慮到精確的站點所在位置，只需要關心“我從某地出發，乘某條線，能到某一站點”這樣的信息內容，就已足夠滿足交通出行需要。因而當代地鐵圖舍棄徹底迎合真實占比地圖，繼而應用較為整齊的“示意性”合理布局計劃方案。大家以現階段全新的上海城市軌道平面圖為例子，在其中所有用以表明路線的線框均由水平、垂直線和貼近四十五度的斜線段構成，其站點位置的放置僅大體上表述了站點在大城市中所處的位置。這類整齊的合理布局設計能讓人更為專注于獲取“起始點——終點”信息內容，而不用費勁地追蹤本來盤根錯節的曲線圖線框。然而真實占比的地鐵地圖并不是徹底被遺棄，地鐵口常常會在非關鍵位置放置真實比例圖，出示給需要參照精確所在位置的旅客應用。
制做地鐵線平面圖的工作最初通常由設計師進行，其站點位置完全由人工分配。但是在站點和路線關聯繁雜的大城市中，怎樣轉化成這類整齊的地鐵線平面圖確實是一門大學問。伴隨著優化計算方法的引進，許多專業的優化算法都能夠用以轉化成這種地形圖，并適用添加各種各樣約束（如維持總體樣子、降低交叉式數量、降低應用斜線等），以轉化成不同要求下的平面圖結果，供設計師和領導者參照。早在一個世紀前，étienne-JulesMarey為了分析列車交通系統的運作情況，設計了一個展現火車時刻的數據圖表。如下圖所示，多條時間線平行遍布，每一個時間線對應一座地鐵線，沿縱向依據地鐵線間自然地理間距遍布。每一條曲線聯接不同時間線上的時間點，表明每一列火車在每一個停靠點停靠的時間。另外，線的斜率體現了火車的速度：越傾斜意味著火車速度越快。如今大家稱這樣的數據圖表為Marey’sGraph。
2.可視化方式
交通數據主要指的是由移動終端的相位傳感器和安裝在路面上的監控所生成并且搜集的數據。比如，的士GPS運動軌跡數據記錄了車子實時的精準地理坐標位置，手機用戶的通信基站數據記錄了手機用戶出入的通信基站編號，路面上的監控系統實時錄制、拍攝和計數過往的汽車信息。運動軌跡數據是一種最普遍的交通數據，每一個運動軌跡記錄點不但包括位置信息，另外還記錄了當時的時間。事件日志出示了大量有關城市交通路面上的詞義信息內容，能夠 提高大家對出現異常運動軌跡的了解和分析，例如擁堵、車禍事故等惡性事件。交通數據的可視化方式 主要分成三類：統計分析、時空運動軌跡和多維度編碼。
2.1統計分析
熱力地圖做為最基礎和普遍的可視化方式之一，一般 用以表述單一數值（如交通量、總數、忙碌水平等）在不同位置上的遍布。下圖是美國紐約2011年中某一周的的士經營情況，在其中，地圖上每一個像素點的色調濃淡意味著該位置每鐘頭的均值運營量；色調越重，則意味著該位置的士上下客越頻繁。因而在熱力地圖的色調遍布中，大家可直觀見到大城市熱鬧地域的的士客運更為忙碌。
2.2時空運動軌跡
運動軌跡數據有著豐富的時空信息內容，我們可以從時間和空間視角對運動軌跡數據展開可視化。運動軌跡的時間特性主要有線形時間和周期性時間兩類。線形時間能夠 應用基于時間軸的可視化方式 編碼，時間軸的兩邊編碼了數據的起止時間。下圖中的主視圖選用時間軸的方式 可視化了地鐵線相對路徑挑選與時間的關聯。從一個停靠點出發，客戶能夠 依據地鐵線網絡挑選隨意一個停靠點下車，水平軸上的長短代表了整一趟旅程所花費的時間。針對周期性的時間，例如周、天、小時，最常見的可視化方式 是環形布局。
空間在運動軌跡分析中是十分關鍵的特性，人們的社會實踐活動都和位置息息相關。運動軌跡的空間特性能夠基于線展開繪圖。將貨輪的航道用曲線繪圖于地圖上，出示船舶的檢測服務項目。然而，如果直接繪圖規模性的運動軌跡，顯示屏上便會充斥著很多復雜的運動軌跡，可視性分析系統的使用人就沒法展開了解分析。可視化研究者明確提出了邊綁定優化算法對類似的運動軌跡展開匯聚。下圖所顯示的是美國地域的飛機場運動軌跡。在我們選用邊綁定的優化算法對樣式相近的運動軌跡展開聚類算法，客戶能夠清晰地見到美國州與州之間的航行狀況。
2.3多維度編碼
熱力地圖和軌跡圖等可視化方式一般只有編碼較少的層面信息內容。當數據層面較多時，通用性可視化方式開始越來越無法掌控如此繁雜的信息內容，因而需要針對應用領域和分析任務針對性設計適合的視覺編碼。諸如，時空立方體（STC）是一種表述時空運動軌跡的常見方式 ，在其中物塊的運動軌跡使用從地圖平面慢慢向上邊拓寬的線框展開表述。以便呈現運動軌跡不同位置上的各種特性（諸如群體種類，車輛型號，產生惡性事件的詳細資料等），運動軌跡線框上還能夠在相對位置加上色調、點、圖形或者獨特設計的圖符等。如下圖所示，曲線編碼了車子在室內空間和時間維度上的位置，在其中色調從紅到綠編碼了移動速率，一些遭受交通擁擠的運動軌跡非常容易被辨別出來。
2.4查詢
大城市交通公路網分析對于交通管理方法有一定的指導作用。目前的公路網分析方式 一般需要布局特殊的機器設備和專業工作人員實地收集數據，過程也多采用多次嘗試錯誤的方法調整各種實體模型主要參數，需要很多的人力資源和物力資源。城市交通運動軌跡數據儲存了很多車子長期性行車記錄，數據覆蓋城市絕大多數路面，有益于市政道路總體評定。陳為教授團體明確提出了一種根據路面的軌跡查詢實體模型，對運動軌跡數據創建了雙重鏈接哈希索引提高查詢效率。他們設計的可視化系統里將路面做為空間查詢管束，把路面上車流模式區分為四種拓撲結構方式：leave，cover，enter和cross。另外，系統出示了刷選工具，分析師能夠隨意挑選路面，根據該路面的車流熱力地圖，數據圖表等對路面展開評定和分析，見下圖。根據具體范例分析，該系統能夠發現潮汐車道以及“分界點”等市政道路的車流方式特征。
針對交通運動軌跡數據的信息內容發掘和專業知識獲取愈來愈關鍵，目前的工作中大多數都緊緊圍繞對特定地理位置地域和時間范圍的運動軌跡數據展開過濾。而對于特殊的分析任務，查詢難度系數就大大的升高了。諸如商城的管理人員，希望了解在城市的哪些位置放置擺渡車子。趙燁教授團體研發了一種可以根據詞義的規模性運動軌跡查找方式 。系統將超多運動軌跡數據變換為兩種不同的索引文本文件進而適用對的士和對于行程安排的快速搜索作用（見下圖）。權威人物或技術人員能夠根據輸入含有詞義的查詢語句對運動軌跡展開查找。諸如客戶能夠查詢通過特定的街道社區或位置的運動軌跡。統計分析主視圖、文字主視圖和環境地圖從不同的分析視角呈現查詢結果。最終團體根據對商城運動軌跡的具體范例分析，發現了如“商城繁忙路段”、“最喜歡來商城購物群體”及“最受歡迎商業圈”等有使用價值的信息內容。
2.5統計分析
手機位置數據可用以科學研究城市中的群體流動性方式與特點。然而針對城市級別的超多位置數據，分析師首先希望從宏觀經濟視角查詢和探尋整體數據集，獲取對數據遍布和特點的大概印像。如下圖所示，陳為教授團體將客戶在手機通信基站間的流動率做為網絡流展開模型，對城市范疇內的移動用戶的移動行為特點從四個層面展開可視化：①根據通信基站的總流量分析，應用獨特設計的視覺編碼展現每一個通信基站上的總流量和方位遍布；②通信基站總流量的時序特點分析，用以分析通信基站總流量隨時間的分布和規律性起伏；③通信基站間總流量的相對密度圖可視化，應用相對密度圖方式 展現通信基站間的流動性關聯和人流相對密度；④融合社交媒體關聯的群體流動性可視化，根據在同一社交圈中的移動用戶在地域上的移動挖掘群體社交媒體關聯與所在位置間的關系。
2.6查詢邏輯推理
“新型智慧城市”一詞萌芽于如今的數據爆炸時期。社交網絡，車輛人流，設備圖像等各行各業匯聚了超多數據信息內容。大家開始結合多行業數據，期待獲取更為全方位的分析結果。多源異構數據的查詢與邏輯推理可以最直接的融合每個數據集的知識。“Stepbystep”的數據分析方式 運用上一步分析結果，具體指導并影響下一步的分析，運用邏輯推理方式對多數據源的城市數據展開分析。對于查詢邏輯推理的可視性分析工具則能讓人更為直觀便捷的輸入查詢條件，搭建邏輯推理步驟，獲取分析結果。浙大陳為教授的團體研發了一種可以運用于城市規劃建設，交通管控和情景重現的可視性分析系統。系統根據創建高效率的數據索引，出示對多源異構城市數據的查詢、展現和邏輯推理，能夠完成繁雜的城市分析任務。系統中，繁雜的環境污染問題能夠被拆分為多個簡易的原子查詢，進而創建邏輯推理步驟，進行分析。如下圖所示案例，微博的博主期待找尋在的士上遺失的手機。分析人員最先在房屋建筑信息內容數據中查找到行程安排起始點和終點的位置。隨后，根據對的士運動軌跡數據的O-D查詢，精準定位到兩輛當夜通過起始點和終點的的士。系統根據對的士運動軌跡的情景重現，融合的士的載人情況與微博敘述，進而鎖住了乘客乘座的的士。
3.系統案例
文中以數個交通數據可視性分析系統的案例詳細介紹交通模式發現和交通趨勢監管。交通數據可視化的一個重要目標便是發現和分析交通系統中實體的移動方式。一種移動方式能夠敘述交通系統中一組實體的移動方法。根據將可視化技術與聚類算法等數據發掘的方式 緊密結合，便能夠適用客戶互動的探尋交通數據中實體的移動方式。諸如，在TripVista中，就運用了streammap，平行坐標圖等可視化技術對一個十字路口中，非機動車、公共汽車、小汽車、單車等實體的移動方式展開了可視化的分析，如下圖所示。
交通可視化的另一個關鍵目標便是對交通趨勢的可視化監管。可視化監管的總體目標就是以交通監管數據中發現在交通系統中出現的一些意外事故，例如車禍事故、汽車拋錨等等。一般狀況下，交通監管系統造成的數據量是十分巨大的，由于這種系統時時刻刻都會不斷的產生數據。因而，直接從初始的監管數據中尋找交通系統中產生的獨特惡性事件是十分費時間且艱難的工作。如果運用可視化技術，就可以讓客戶依據可視化出示的一些視覺效果線索，從宏觀到微觀，自頂向下地找尋交通數據中存有的一些惡性事件。例如，AIVis就最先從視頻監控系統中提取出交通惡性事件，隨后再根據可視化的方法展現在隧道施工中產生的惡性事件；而T-Watcher則是一個監管和分析城市中繁雜交通情況的可視性分析系統，根據各種主視圖來展現城市中不同限度下的交通狀況，正確引導客戶從整體城市的宏觀交通狀況探尋到一個比較微觀的限度中，監管一小部分車輛的行車狀況。
4.結語
交通大數據給我們帶來了無限的機會，另外也存在著極大的挑戰。怎樣看待、分析和預測交通數據，是大家這個時期所面臨的難題。可視化是處理分析大規模非結構化交通數據的一把關鍵的鑰匙。根據對交通數據的互動式分析，可視化技術將用戶智慧和設備智慧相融反饋，從而優化并且處理交通難題。堅信在不久的將來，我們可以享受到更為高效的城市交通系統，生活在一個方便快捷的新型智慧城市中。