伴随着居民生活水平的提高，人们对于优质的公共交通服务的需求不断增加，快捷、舒适、直达成为居民的出行需求。但与此相比，我国城市公共交通发展总体滞后，公共交通系统基础设施缺乏统一标准，城市道路状态变化频繁，现有公共交通仍存在公交车辆准时性差、灵活性不足、换乘不便、过于拥挤引发的舒适度不高等问题，严重影响了公共交通出行服务体验[1]。如何探索和分析城市公共交通服务水平，优化城市公共交通调度，提高公共交通效率，增强城市公交运载效能仍是一大难题。

在互联网、物联网等信息技术加速创新的背景下，“万物互联”成为可能。世界已经迈入大数据（Big Data）时代，大数据与交通深度融合，卫星导航、全球定位系统（GPS）、遍布世界各地的智能传感器、移动设备、社交网络技术催生出了前所未有的、巨量的时空轨迹数据。时空轨迹数据覆盖范围广、实时性强，是最能反应道路交通时序变化的数据。轨迹数据在城市交通中广泛应用于城市功能单元识别、城市规划、城市居民出行模式识别、公交路线优化、个性化推荐路线、路网检测等方面[2]。作为大数据的一种，时空轨迹数据同样具有4V特征：体量巨大（volume）、类型繁多（variety）、时效性高（velocity）以及价值高密度低（value），给数据分析带来了新的机遇与挑战。在城市公共交通建设领域，智能交通、“数字公交”不断发展，信息化水平不断完善。我国的城市公交年客运量早已达千亿次，大量的客流数据、时空轨迹数据为大数据背景下的公共交通数据分析提供了可靠的数据来源，公共交通数据挖掘与分析无疑对改善城市交通条件，优化公共交通调度具有重要意义。

城市公共交通数据是典型的时空轨迹数据，有效地记载了交通移动对象的空间地理位置分布、运动轨迹、客运流量等现象，但由于时空轨迹数据维度高、时空、数据复杂等特征，使用传统的统计分析软件和GIS进行分析有一定局限性，难以有效处理时空数据中隐含的复杂关系模式和特征[3]。可视化(Visualization)将人作为分析主体和需求主体，将数据通过直观的视觉形式展现出来，并引导用户探索数据中潜在的信息和规律[4]。可视分析(Visual analytics)在有效融合可视设计与数据挖掘的基础上，能够借助交互技术增强用户认知力和洞察力，对地理空间数据进行可视分析，能够有效地应用于挖掘交通对象移动模式、优化城市规划建设、解决交通拥堵等问题[3]。

公共交通数据可视分析具有广阔应用前景，近年来许多可视化工作也开始使用公交轨迹数据作为可视对象。本文整理了近年来部分交通数据可视分析和公共交通可视分析的工作，提炼了现有工作的研究内容，并对相关理论技术进行了介绍，希望能为公共交通可视分析提供可能的灵感。

交通数据可视分析

地理空间数据普遍呈现属性描述多样化、特征分布时空化、结构关系层次化等特点[3]，是指用于描述自然现象和社会事件的发生及演变的空间位置、分布、关系、变化规律等方面的地理信息。交通数据作为一种特殊的地理空间数据，它带有时空坐标，通常是由交通车辆上的传感器或道路监测仪产生和收集的。针对交通数据集的多维、时空、层次特征，交通数据可视分析主要采用关注抽象、非结构化和高维数据表示的信息可视化以及利用迭代、交互技术、动态集成人类智能的可视化分析方法[5]。

随着信息技术与人类社会的不断交叉融合，以时空点、时空轨迹为主要形式的交通数据不断增长，并逐渐成为现代城市的数据宝库。在可视分析的相关研究工作中，人们关注的对象包括了移动个体[6]、空间区域[7]、时间特征[8]和移动事件[9]。交通数据可视化系统通常包括三个处理阶段[5]：数据预处理(Data preprocessing)、可视化转换(Visual transformation)和可视化映射（Visual mapping）。用户通过与交通数据映射成的可视化符号交互，可以很容易地理解和发现隐藏在数据背后的信息和模式。交互式可视分析系统广泛应用于交通状况分析、城市道路规划、交通线路优化、空气质量检测等方面。

结合国内外现有工作，交通数据可视分析的任务主要可以分为三种[5]。最基础的任务场景是对交通状况的可视化监控，利用交通数据对交通流量、交通事件和道路交通状况进行监测分析。交通事故可视化分析工具ICE[10]，集成了地图视图、直方图、二维图和平行坐标图，包括图标和热图两种模式，帮助用户研究和探索交通事故集。Wang等人[11]提出了一种交通堵塞的视觉分析系统，通过五个视图：道路速度视图、空间视图、图列表视图、图投影视图和筛选器视图，对道路速度、交通拥堵概况和传播进行展示，深入讨论了交通拥堵模式及传播。何贤国等人[12]通过箭头图和内嵌箭头的栈图编码车流量、行车方向和速度，利用聚类算法规整数据，以杭州市出租车GPS数据为例分析道路行车情况。

运动模式检测和聚类是交通数据可视化的一个重要应用，运动模式可以反映个体运动的特征，对于把握城市居民出行状况、道路合理性、交通可达性等信息有重要作用。Li等人[13]提出了StreamMap模型,通过自适应聚类高密度点的方法来分析流点数据，并以动态密度图进行可视化展现，检测了上海中心人流变化趋势。赵凡等人[14]设计了多维时空属性的车辆加油数据可视化分析方法，利用甘特图、热力图、日历矩阵图对车辆的加油数据的时空特征进行展示，识别检测异常加油行为。Ferria等人[15]创新性地提出了一种通过玫瑰图辅助决策者分析轨迹数据的方法，实现了支持人口通勤移动分析的交互式可视化系统RoseTrajVis。玫瑰图映射了轨迹方向、速度等信息，可以直观地展现并对比城市不同点附近的轨迹状况。

交通数据可视化还被广泛用于情景感知的探索和预测，用于探索和解释城市交通状况，在城市热点检测和城市区域关系分析具有显著优势。SmartAdp[16]利用集成多视图交互式可视化工具，通过仪表盘视图、解决方案视图、位置视图和排名视图，基于大规模出租车轨迹数据确定广告牌最优投放的热点区域。交互式可视分析系统UFAVIS[17]利用轨迹数据的时空特性，能够基于数据挖掘和POI语义分析对城市功能区进行划分和识别，该系统从居民移动的时序变化出发，对城市区域不同时段的活动和功能性进行了深入分析。Location2vec[7]通过对城市轨迹数据的编码和映射，利用热力图可视化上下文轨迹，实现了对不同区域位置差异的比较和探索。

公共交通可视分析

作为现代城市的重要基础设施，公共交通系统与城市经济社会发展息息相关；作为城市居民的主要出行方式，公共交通可以降低城市的整体运输成本，减少能源消耗，为城市居民流动提供了便利共享的运输服务；作为交通数据的子集，公共交通数据为城市交通状况分析提供了坚实的数据基础。根据数据来源和数据内容，城市公交数据通常有为三种类型[18]：（1）公交配置，主要是由公交公司或城市相关部门规定的数据，包括了公交线路、时刻表、公交站点等相关数据；（2）公交轨迹，由一系列的时空点构成，记录了公交车在提供服务过程中的运动轨迹，数据主要由固定频率的GPS设备收集；（3）乘客记录，主要指乘客在使用公交出行过程中的上下车记录，一般由公交车的乘车卡收集。

公共交通系统对城市道路实现了大范围的覆盖，现有的许多智慧城市研究都选用公交数据为分析对象。相关时空轨迹数据广泛应用于城市交通状况分析、城市道路规划、拥堵检测、城市热点分析、移动模式识别等场景，公交轨迹数据还可以用来评估道路环境友好性[19]。近年来，由于公共交通系统日益复杂，公交客流量不断增长，利用可视化分析方法对公交数据进行探索，提高公交数据挖掘和研究效率，对于城市经济社会发展具有重要意义。

Zeng等人[20]提出了一个集成可视化的公共交通系统解决方案，用于探索公共交通乘客的流动。他们的工作基于乘客RFID卡数据，通过等时地图、等时流地图和OD-pair旅程三个视图对公共交通移动相关因子进行详细的可视化分析，帮助交通研究人员评估和比较出行效率，辅助公共交通管理和规划。Barbosa等人[21]提出了Vistrada，一款具有清洁、管理、集成和分析轨迹数据功能的可视化系统。该系统通过对公交轨迹数据进行可视化分析，可以帮助公共管理者提高对城市公交运行状况的洞察力。Mazimpaka等人[22]提出了一种沿公交线路来确定重要位置和时间段的可视化方法，该方法便于从时间、空间等属性中提取特征，帮助交通管理者发现和理解公交运动模式，在公共交通调度和路线规划中的特殊位置。Kwee等人[8]通过现有的公交车辆轨迹数据实现了低成本的交通拥堵生命周期检测，他们提出了一个检测交通拥堵事件的仪表盘系统，并对交通拥堵生命周期进行了可视化。Ning等人[18]提出的CheetahVIS可视分析系统，提供了公交线路分析、多区域分析和公交流量概述等功能，可以辅助用户分析大规模城市公交数据。为了帮助用户了解城市交通拥堵情况，Liu等人[23]提出了一种基于公交数据的交互式可视分析系统VABD。该系统通过对于车辆速度和站点停留时间等数据的多维度可视分析，分析了公交网络总体线路和城市交通阻塞情况，并挖掘了城市居民出行习惯。

相关理论技术概述

轨迹大数据

轨迹数据具有显著的时空特征，是由两个或多个带有时间戳的地理空间点序列构成的，轨迹数据的定义如下[24]：

定义1.1.1 采样点p={x,y,t}，记录了移动对象在时间戳t时的经度x和纬度y。
定义1.1.2 轨迹T是一个采样点序列{p_1,p_2,…,p_m}, m>=2。根据采样设备的不同，轨迹采样点p_i通常还会带有不同的附加信息，记录采样对象的速度、运动方向等数据。

轨迹数据的类型种类繁多，数据来源多样，实时性强。作为大数据的一种，轨迹数据同样具有4V特征：体量巨大（volume）、类型繁多（variety）、时效性高（velocity）以及价值高密度低（value）。本节对公交轨迹数据和轨迹大数据处理框架进行了阐述，明确了本文对公交轨迹数据的处理流程。

公交轨迹数据概述

在城市公共交通服务中，轨迹数据的类型一般有人类活动轨迹数据和公交车轨迹数据两种。这两类轨迹数据大多是通过公交刷卡记录、移动网络、监控记录、公交车的车载GPS等途径采集，数据量大，覆盖范围广。与其他轨迹数据不同，公交轨迹数据往往带有公交调度信息，包括公交路线、公交行程、公交站点等数据，为评估公共交通服务质量，分析城市公交流量，探索城市交通状况和挖掘居民出行行为模式提供了新的数据支持。作为轨迹数据的一种，公交轨迹数据具有如下几个特征[25]：

l  时空序列性：公交轨迹数据由带有空间、时间信息的采样点构成，蕴含了公交车的时空运动特征。

l  异频采样率：GPS设备在传播采样数据时易发生中断和重传，公交轨迹的采样时间为秒级，数据采样间隔时间存在显著差异。

l  数据质量差：公交轨迹数据由采样设备传送的离散采样点构成，易受到GPS定位的精度误差、采集缺失等影响，数据量大，价值密度低，需要借助数据挖掘和数据处理提取有效数据。

轨迹大数据处理框架

在轨迹大数据处理中，因为原始轨迹数据中存在数据噪声，有许多重复数据和无效数据，需要经过数据清洗、轨迹分段、路网匹配等预处理方法将原始轨迹数据进行转化和映射。经过数据处理的轨迹通过轨迹索引进行存储管理，轨迹相似度和轨迹查询等能够有效地对大量轨迹数据进行检索[26]，最后通过轨迹数据挖掘、可视分析等方式提取轨迹中的有效信息和数据。图1给出了轨迹大数据处理的框架。

图1 轨迹大数据处理框架

轨迹数据预处理

轨迹数据清洗: 在移动对象的轨迹采集过程中，常常会产生重复数据和噪音数据，会降低数据质量，影响后续研究。轨迹数据清洗最常使用噪音滤波过滤噪音，使用停留点检测识别数据中的冗余点和停留点，排除数据干扰[27]。

轨迹压缩: 高频率采样往往会产生大量的轨迹数据，轨迹压缩可以通过使用距离测量、去掉可以忽略的轨迹点产生近似轨迹，在保证轨迹质量的同时，压缩数据大小以减少通信、处理和数据存储的开销。

轨迹分段: 轨迹分段将长轨迹按照时间间隔、空间形状或语义信息进行切分，得到便于分析、数据价值更集中的子轨迹，为后续数据挖掘和分析提供更细粒度的数据[27]。

路网匹配: 路网匹配可以将轨迹采样点的坐标映射到道路网络中去，能够消除轨迹数据采集时产生的漂移和偏差，重构真实轨迹。目前常见的路网匹配算法主要有基于HMM模型、基于最大权重、基于深度学习等类型[28]。

轨迹数据管理

轨迹索引: 海量轨迹数据的遍历查询具有时间开销大等问题，轨迹索引为轨迹数据提供了快速存取和查询[25]，是提高轨迹搜索效率的重要方法，常见的轨迹索引结构有Quad-Tree、R-tree等。

轨迹查询: 轨迹查询常通过距离测量等方法对给定的点集合或轨迹进行查询。轨迹查询的类型有路径查询、区域查询、最近邻查询等[24]，功能丰富、效率高的轨迹查询可以有效提升数据分析质量。

轨迹存储: 轨迹数据可以存储于通用数据库，也常存储于空间数据库，合理的存储方法可以提高轨迹查询速度。

轨迹数据挖掘与分析

轨迹聚类: 轨迹聚类可以通过特征向量来确定轨迹间的相似性，找到多条轨迹的共同特征和趋势[24]，减少轨迹数据的复杂性，在轨迹压缩、轨迹分类等多个方面都有重要作用。

轨迹分类: 轨迹分类通过对轨迹特征的提取，将相似或相近的轨迹进行划分，可以区分不同类型和状态的轨迹或轨迹段，常用于辅助挖掘轨迹特征和分析。

轨迹模式挖掘: 轨迹模式挖掘常通过对移动对象的跟踪和分析，获取轨迹数据中移动对象的移动模式，获取轨迹的特征和规律。常见的轨迹模式挖掘包括了周期模式、伴随模式、语义模式和频繁模式等[27]。

轨迹数据可视分析

轨迹数据可视化一般借助数据可视化工具，使用交互式的可视化图表为用户提供清晰、直观的数据信息，帮助用户理解数据。轨迹数据可视化按照分析流程的不同可以分为直接可视化、聚集可视化和特征可视化[29]。

数据可视化

数据可视化概述

数据可视化作为大数据分析的重要工具，可以通过直观的图形或图表展示复杂数据，帮助分析者使用视觉感知洞悉数据背后隐藏的信息和规律。随着大数据的发展，数据可视化研究领域不断深入扩展，数据可视化通常可以划分为科学可视化和信息可视化两种类型[30]。可视分析作为一种将可视化、人为因素和数据分析结合在一起的决策方法，也是目前数据可视化的重要研究领域。

科学可视化：科学可视化侧重于科学过程生成的物理数据[31]，它通常应用于如电磁场模拟、天气建模、细胞绘制等工程模拟，常与物理学、医学、生物学等自然科学研究领域结合。科学可视化一般使用计算机图形学对数据实体进行3D可视化，如标量、向量或张量场等[32]，为科研人员提供了分析模拟和理解数据的有力工具。

信息可视化：信息可视化侧重于抽象的、非物理的数据[31]，如文本、数据库、层次结构和统计数据。信息可视化利用视觉元素的颜色、位置、文字等特征，将本来不是空间的数据编码为可视化图形，帮助用户探索数据中隐藏的信息和规律。

可视分析：可视分析被定义为一种将自动化分析技术与交互式可视化相结合，用于理解、推理复杂数据集的决策[30]。可视分析的目标是将计算机与人类的视觉感知结合到交互过程。它常与聚类、过滤、缩放等方法结合，帮助用户从大量的、模糊的、复杂的数据中获取洞察力，增强用户的分析能力。

可视化技术

现有的数据挖掘常使用可视化来辅助数据分析，以便使用更直观和快速的方式探索大规模的数据集。随着可视化的不断发展，数据可视化的技术也不断完善，不同的可视技术探索的数据类型和目的不尽相同。Keim等人[33,34]在深入研究可视化数据挖掘的基础上，按照可视化原则将它们分为六种类别，如下所述。

几何投影技术

几何投影技术主要通过对数据的一个或多个属性进行投影，将数据投射到空间坐标中，并通过几何图形表示数据特点，常用来探索多维数据的数据特征。常见的散点图，就是通过对数据属性的两两投影获得散点矩阵，进而挖掘数据之间关联关系；平行坐标轴则将数据属性与轴关联，通过绘制多个的等间距平行轴，直观地展示数据在不同属性之间的变化趋势和数据关系。几何投影技术在数据量大时容易因为图形之间的重叠等造成视觉混乱，妨碍可视分析和交互，适合小数据集。

基于图标的技术

基于图标的技术的思想是将数据的属性值映射到图标上，利用图标的视觉特性来表示数据特征，数据项往往决定了图标的可视化形式。图标之间的差异帮助用户快速定位数据差异，而不同符号的叠加则为用户提供了丰富的数据表示。形状编码是一种基于图标的技术，使用不同属性对图标的形状、大小、角度等视觉特征进行编码，可以将用户的注意力集中到特定的属性上，直观清晰。此外，简笔画、颜色图标都是常用的可视化方法。

面向像素的技术

面向像素的可视化通过使用像素表示数据。它通常使用不同的子窗口来展示不同的属性，根据颜色映射将数据值映射到像素点，每个像素点表示一个数据。像素的不同排列方法可以提供不同的视觉感知，圆段技术、螺旋技术都是常用的面向像素的可视化方法。

分层技术

分层技术是将数据以层次化的方式划分为子空间并展示的技术，适用于具有层次结构的多维数据如文件系统、关系网络等。维度叠加常以单元格的形式来划分子空间，通过在外部坐标系中嵌入子级坐标系的方式映射数据维度。此外，树图、圆锥树等树状结构也是常用的分层可视化技术。

基于图的技术

基于图的技术主要通过特定的布局算法和抽象技术来清晰、快速地传达图的含义，常用于大型图网络数据。在2D图可视化中，正交图通过对边的统一化来减少视觉复杂度，对称优化图通过对点和边的对称布局来实现清晰的效果，3D图可视化也通过规律化的布局与结构来提高图的可读性，如球状图、类圆环状图等。

混合技术

混合技术指的是对于上文提到的几种可视化技术进行混合，通过多种可视化技术的综合使用，达到增强可视化和用户理解的技术。现有的交互式可视化可以很方便地将多种可视化技术综合起来。多种可视化技术可以分别在单个窗口中使用也可以综合使用在一个窗口中，不同的可视化技术可以帮助用户深入对数据的探索。

结论

本文着眼于公共交通数据，首先对交通可视化的三种任务类型：交通状况的可视化监控，运动模式检测和聚类，情景感知的探索和预测进行介绍，之后着眼于论述公交可视分析相关工作，希望能够通过为读者提供交通可视化概览，启发读者对公交可视化新应用和新方向进行思考。此外，本文还提供轨迹大数据框架，数据可视化/可视化技术等相关理论和技术等概览，希望帮助用户了解公交轨迹数据可视分析的具体研究内容。

受篇幅限制，本文仅选取了部分经典的可视化工作进行介绍，勾勒出了公交可视化可能的不同应用方向。总体而言，公共交通数据目前已经应用于诸如道路交通拥堵检测、辅助交通管理和规划等交通可视化的经典分析任务，而对于结合公交数据特性的相关工作仍在探索中。公共交通数据蕴含着丰富的数据财富，相信随着相关研究的不断深入，它一定能为智慧城市、智慧交通建设提供新的机遇与可能。

Reference

[1]      毛保华. 公共交通服务能力是交通强国战略的重要标志[J]. 北京交通大学学报: 社会科学版, 2018, 17(3): 1-8.

[2]      牟乃夏, 张恒才, 陈洁, 等. 轨迹数据挖掘城市应用研究综述[J]. 地球信息科学学报, 2015, 17(10): 1136-1142.

[3]      周志光, 石晨, 史林松, 等. 地理空间数据可视分析综述[J]. 计算机辅助设计与图形学学报, 2018, 30(5): 747-763.

[4]      Herman I, Melançon G, Marshall M S. Graph visualization and navigation in information visualization: A survey[J]. IEEE Transactions on visualization and computer graphics, 2000, 6(1): 24-43.

[5]      Chen W, Guo F, Wang F Y. A survey of traffic data visualization[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(6): 2970-2984.

[6]      Chen S, Yuan X, Wang Z, et al. Interactive visual discovering of movement patterns from sparsely sampled geo-tagged social media data[J]. IEEE transactions on visualization and computer graphics, 2015, 22(1): 270-279.

[7]      Zhu M, Chen W, Xia J, et al. Location2vec: a situation-aware representation for visual exploration of urban locations[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 20(10): 3981-3990.

[8]      Kwee A T, Chiang M F, Prasetyo P K, et al. Traffic-cascade: Mining and visualizing lifecycles of traffic congestion events using public bus trajectories[C]//Proceedings of the 27th ACM International Conference on Information and Knowledge Management. 2018: 1955-1958.

[9]      Wang Z, Lu M, Yuan X, et al. Visual traffic jam analysis based on trajectory data[J]. IEEE transactions on visualization and computer graphics, 2013, 19(12): 2159-2168.

[10]  Pack M L, Wongsuphasawat K, VanDaniker M, et al. ICE--visual analytics for transportation incident datasets[C]//2009 IEEE International Conference on Information Reuse & Integration. IEEE, 2009: 200-205.

[11]  Wang Z, Lu M, Yuan X, et al. Visual traffic jam analysis based on trajectory data[J]. IEEE transactions on visualization and computer graphics, 2013, 19(12): 2159-2168.

[12]  何贤国, 孙国道, 高家全, 等. 出租车 GPS 大数据的道路行车可视分析[J]. 计算机辅助设计与图形学学报, 2014, 26(12): 2163-2172.

[13]  Li C, Baciu G, Han Y. Streammap: Smooth dynamic visualization of high-density streaming points[J]. IEEE transactions on visualization and computer graphics, 2017, 24(3): 1381-1393.

[14]  赵凡, 蒋同海, 周喜, 等. 基于时空特征的车辆加油行为可视化分析[J]. 计算机辅助设计与图形学学报, 2018, 30(6): 1100-1109.

[15]  Ferreira A, Afonso A P, Ferreira L, et al. Visual Analytics of Trajectories with RoseTrajVis[J]. Big Data Research, 2022, 27: 100294.

[16]  Liu D, Weng D, Li Y, et al. Smartadp: Visual analytics of large-scale taxi trajectories for selecting billboard locations[J]. IEEE transactions on visualization and computer graphics, 2016, 23(1): 1-10.

[17]  张慧杰, 王蓉, 陈斌, 等. 基于轨迹和兴趣点数据的城市功能区动态识别与时变规律可视分析[J]. 计算机辅助设计与图形学学报, 2018, 30(9): 1728-1740.

[18]  Ning W, Tang Q, Zhao Y, et al. CheetahVIS: a visual analytical system for large urban bus data[J]. Proceedings of the VLDB Endowment, 2020, 13(12): 2805-2808.

[19]  马连韬, 王亚沙, 彭广举, 等. 基于公交车轨迹数据的道路 GPS 环境友好性评估[J]. 计算机研究与发展, 2016, 53(12): 2694.

[20]  Zeng W, Fu C W, Arisona S M, et al. Visualizing mobility of public transportation system[J]. IEEE transactions on visualization and computer graphics, 2014, 20(12): 1833-1842.

[21]  Barbosa L, Kormaksson M, Vieira M R, et al. Vistradas: Visual Analytics for Urban Trajectory Data[C]//GeoInfo. 2014: 174-179.

[22]  Mazimpaka J D, Timpf S. A visual and computational analysis approach for exploring significant locations and time periods along a bus route[C]//Proceedings of the 9th ACM SIGSPATIAL International Workshop on Computational Transportation Science. 2016: 43-48.

[23]  Liu L, Wang S, Cai T, et al. VABD: Visual Analysis of Spatio-temporal Trajectory Based on Urban Bus Data[C]//2020 IEEE 6th International Conference on Computer and Communications (ICCC). IEEE, 2020: 2018-2022.

[24]  Wang S, Bao Z, Culpepper J S, et al. A survey on trajectory data management, analytics, and learning[J]. ACM Computing Surveys (CSUR), 2021, 54(2): 1-36.

[25]  高强, 张凤荔, 王瑞锦, 等. 轨迹大数据: 数据处理关键技术研究综述[J]. Journal of Software, 2017, 28(4).

[26]  Wang S, Bao Z, Culpepper J S, et al. Torch: A search engine for trajectory data[C]//The 41st International ACM SIGIR Conference on Research & Development in Information Retrieval. 2018: 535-544.

[27]  Zheng Y. Trajectory data mining: an overview[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2015, 6(3): 1-41.

[28]  于娟, 杨琼, 鲁剑锋, 等. 高级地图匹配算法: 研究现状和趋势[J]. 电子学报, 2021, 49(9): 1818.

[29]  王祖超, 袁晓如. 轨迹数据可视分析研究[J]. 计算机辅助设计与图形学学报, 2015, 1: 9-25.

[30]  Keim D, Andrienko G, Fekete J D, et al. Visual analytics: Definition, process, and challenges[M]//Information visualization. Springer, Berlin, Heidelberg, 2008: 154-175.

[31]  Rhyne T M. Does the difference between information and scientific visualization really matter?[J]. IEEE Computer Graphics and Applications, 2003, 23(3): 6-8.

[32]  Johnson C. Top scientific visualization research problems[J]. IEEE Computer Graphics and Applications, 2004, 24(4): 13-17.

[33]  Keim D A. Visual techniques for exploring databases[C]//Knowledge Discovery in Databases (KDD'97). 1997.

[34]  Keim D A. Information visualization and visual data mining[J]. IEEE transactions on Visualization and Computer Graphics, 2002, 8(1): 1-8.