2. Molti dataset contengono informazioni di OD
(Origin Destination).
Il problema è che la flow analysis non riesce a
scoprire I modelli di mobilità umana quando le
informazioni sono molte e si genera disordine
visivo.
Modelli di mobilità umana
3. Visione geospaziale dei flussi nella comunità di IV
Esistono 3 topic fondamentali per la visione
dei flussi:
1. Visualizzazione dei movimenti di OD;
2. La semplificazione delle mappe di flusso;
3. Word Embedding;
5. Visual OD movement data – Matrice OD
Origin/
Destination
Venezia
Piazzale Roma
Venezia
FS S.Lucia
Venezia
Tronchetto
Venezia
Mestre
Venezia
Aeroporto
Venezia
Piazzale Roma
- 5.000 7.000 30.000 2.000
Venezia FS
S.Lucia
1.000 - - 18.000 300
Venezia
Tronchetto
7.000 - - 500 -
Venezia Mestre 30.000 18.000 500 - 2.000
Venezia
Aeroporto
2.000 200 - 2.000 -
7. Visual OD movement data – Problema
Il problema è che con l’aumentare della
dimensione dei dati geografici, una grande
quantità di interazione e occlusioni di linee
disturbano la percezione visiva, sia con
flow map che con matrice OD e le OD
map.
8. Flow Map Simplification - Filtering
Filtering: Data una soglia
definita in input, vengono
presentati i flussi con grandezza
maggiore alla soglia definita in
input.
9. Flow Map Simplification - Bundling
Bundling:I flussi vicini sono
raggruppati in schemi di
raggruppamento basati su
bordi.
10. Flow Map Simplification - Clustering
Clustering: i metodo di
clustering estraggono i
pattern intrinsechi da enormi
dati di OD e selezionano un
sottoinsieme di flussi per
rappresentare i pattern
principali.
22. Map View
Una flow map è importante per lo
studio dei pattern di mobilità delle
persone
L’interfaccia propone per una
maggiore chiarezza visiva, l’idea
della FlowWheel con il quale si può
mettere a fuoco solo i dati che
vogliamo studiare
Una matrice accompagna la mappa
per fornire informazioni sulla
quantità di spostamento sul focus
corrente
23. Flow Representation
Una word embedding view che ci
fornisce informazioni semantiche sui
flussi OD
Questa view ci dà la possibilità di:
• Isolare i flussi OD
• Selezionare una porzione della
mappa
• Capire come i flussi sono
clusterizzati
24. Comparison View
Per guidare il campionamento e
valutare l’affidabilità dei risultati del
sistema, vengono calcolate delle
metriche.
Queste view rappresentano
graficamente i risultati e li mettono
in comparazione con i dati originali
25. Case Study
Quattro Case Study per dimostrare che questo sistema riduca il disordine visivo:
• Vectorized Representation
• Adaptive Blue Noise Sampling
• Multi-objective Sampling
• Interactive FlowWheel
Il dataset usato è quello delle posizioni dei telefoni cellulari in un ambiente urbano:
• Una settimana di raccolta dati
• Registrazione da 2755 stazioni radio
• Traiettorie OD di 1.1 milioni di persone
26. Case Study: Vectorized Representatiton
Con questo caso studiamo come i
flussi OD sono distribuiti tra il
word embedding view e la view
della mappa
27. Case Study: Adaptive Blue Noise Sampling
Vediamo ora l’efficacia dell’Adaptive Blue Noise
rispetto al filtro con threshold
Per una varietà di problemi fondamentali nelle
aree grafiche dei computer, tra cui rendering,
imaging ed elaborazione della geometria, il
campionamento puntuale è un passo
importante.
Nell'ultimo decennio, sono stati studiati e
analizzati molti diversi modelli di
campionamento.Tra questi, blue noise è stato
identificato come uno dei migliori modelli di
campionamento perché ha proprietà spaziali e di
spettro uniche. In sostanza, il rumore blu
produce risultati migliori sostituendo l'aliasing a
bassa frequenza con rumore ad alta frequenza.
28. Case Study: Multi-objective Sampling
La differenza tra le strategie di samplingAdaptive Blue Noise vs Multi-objective
29. Case Study: Interactive Flow Wheel
Studiamo una zona della città in
particolare con la FlowWheel.
In particolare studiamo gli orari
di punta di arrivo ed uscita dei
lavoratori.
30. Feedback degli esperti
Sono stati intervistati degli esperti e i feedback sul sistema sono
positivi
• Buon design dell’astrazione visiva
• User-friendly
• Disordine visivo effettivamente ridotto
• Interazioni semantiche ben rappresentate
31. Conclusioni
1. Stabilire un’analogia tra i movimenti umani di
O-D di grandi dimensione e termini NLP;
2. Progettare un modello di campionamento
iterativo multi-obiettivo;
3. Integrare una serie di progetti visivi in un
framework di visualizzazione iterativo.
Frameword di
Visualizzazione
Analogia tra
Flow OD –
NLP terms
Modello di
Campionamento
Mobilità umana – Matrice OD, la mancanza di informazioni spaziali limita le sue ulteriori applicazioni.
Mobilità umana – Matrice OD, la mancanza di informazioni spaziali limita le sue ulteriori applicazioni.
Mobilità umana – Matrice OD, la mancanza di informazioni spaziali limita le sue ulteriori applicazioni.
Il corpus è generato da traiettorie di persone e il documento è generato dala formula dove n è il numero di persone.
Per una varietà di problemi fondamentali nelle aree grafiche dei computer, tra cui rendering, imaging ed elaborazione della geometria, il campionamento puntuale è un passo importante.
Nell'ultimo decennio, sono stati studiati e analizzati molti diversi modelli di campionamento. Tra questi, blue noise è stato identificato come uno dei migliori modelli di campionamento perché ha proprietà spaziali e di spettro uniche. In sostanza, il rumore blu produce risultati migliori sostituendo l'aliasing a bassa frequenza con rumore ad alta frequenza.
The slave has the permission to response immediately in this case
The slave has the permission to response immediately in this case