[文章摘要]Visual Exploration of Big Spatio-Temporal Urban Data: A Study of New York City Taxi Trips

本文介绍了一种针对纽约市大规模时空出租车数据的可视化查询模型,支持标准查询及起终点查询,通过时间、空间和属性约束展示数据变化,揭示飓风等异常事件的影响。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

文章:Visual Exploration of Big Spatio-Temporal Urban Data: A Study of New York City Taxi Trips
作者:Nivan Ferreira, Jorge Poco, Huy T. Vo, Juliana Freire, and Cl´audio T. Silva
Fig.

来源:IEEE TVCG (2013): 2149-2158.


本文针对出租车数据复杂、数据量大、含有多元变量,导致难以进行对比分析(如比较不同区域随时间的变化)的特点,提出一个可视查询(visuallly query)的模型来分析taxi trips。除了标准的分析查询外,它还支持OD(origin-destination)查询。


下图为比较查询界面,左右分别为周日和周一,到从一个地方到两个地方的OD。pickup为蓝色,dropoff为红色。

下图为不同时间段trip的持续时间。




下图为不同年份的trip数据对比,可以看到有异常情况,比如有飓风来临,以及节假日或者道路封锁。




这是TaxiVIs系统总体的流程,用户通过节目指定了可视查询的范围,程序会将该查询转变成文本查询。



下图为系统界面,A为指定时间界面,B为map 界面,C为工具栏,D为数据汇总信息。





下图为查询的空间约束加上属性约束生成查询结果。




利用LOD、密度热图以及专题图展示查询结果,


为了支持大数据集的实时交互查询,系统设计了高效的索引结构,以及渲染引擎系统。








深度学习在语义道路场景的多模态融合中的探索是一项研究任务,目的是通过结合多种视觉和感知模态的信息,提升对道路场景的语义理解能力。 在这个任务中,我们使用深度学习的方法来处理不同模态的数据,如图像、激光雷达和 GPS 等。我们首先将这些模态的数据进行预处理,将其转换为神经网络可以处理的格式。然后,我们构建深度神经网络模型,用于将这些模态的信息进行融合。这种融合可以是级联式的,也可以是并行式的,即同时处理多个模态,以充分利用不同模态数据之间的相关性。 在模型的训练过程中,我们使用大量的标注数据,将不同模态数据与其对应的语义标签进行匹配。通过反向传播算法,我们可以优化模型参数,使其能够准确地预测道路场景的语义信息。 深度学习的多模态融合方法在语义道路场景中有广泛的应用。通过结合不同模态的信息,我们可以更好地理解道路场景中的障碍物、车辆、行人等不同元素。这种融合方法还可以提高对不同道路环境的适应性,使得我们的模型在城市、乡村等不同场景中都能够有效地工作。 总之,深度学习的多模态融合方法对于道路场景的语义理解具有重要意义。通过结合多种视觉和感知模态的信息,我们可以提高对道路场景的认知能力,为自动驾驶、智能交通等领域的发展提供有力支持。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值