[文章摘要]iVizTRANS: Interactive visual learning for home and work place detection from massive public t

文章：iVizTRANS: Interactive visual learning for home and work place detection from massive public transportation data
作者：Yu L, Wu W, Li X, et al.
来源：Visual Analytics Science and Technology (VAST), 2015 IEEE Conference on. IEEE, 2015: 49-56.

本文利用新加坡的交通刷卡数据来辅助城市规划者来分析市民出行模式，主要是分析职住地，设计了一个交互式可视学习工具来检测home和work地点。

本工作包含：
1，时空可视化职住地以更好的辅助决策人员
2，利用机器学习方法从用户学习，将学到的知识来批量自动对职住地分类。


当前工作的类型：
1，经验模型
2，带参数的经验模型


但是由于居民出行的复杂性（有些只有单程出行信息，有的市民有轮班，夜班，兼职，多个home或者work地点），当前的方法存在两个局限性：
1，不能解决复杂性，比如机场有的上夜班，现有方法把机场当作了home。
还有假设人们访问home比访问work更频繁的假设也值得怀疑，特别是使用刷卡数据的时候。还有可能有的人有多个工作地点或者home。

2，难以验证模型的正确性。

系统框架如下：

用户标注出home/work后，训练出分类模型，然后利用分类器对地点分类，

使用者可以对此进行纠错，然后再训练模型，当分类器的性能到达一定水平后，可以大规模的使用。

利用时空立方体可视化，蓝色为起点，橙色为重点，时间对齐到一天。

用Arc图来标注地点之间的联系：

由于关注长时间停留的地点，因此对trip进行聚集，trip小于3.5小时则合并为一个trip，如下图。

移除随机trip，保留具有dominant模式的trip，对trip进行聚类（利用起始、终止的地点和时间），如下图。

下图是一些统计表，其中e为出发和到达时间的谱，这里可能是搬家 了。

特征构建：

1，Primitive statistical descriptors

2，Comparative descriptors

3，Partial descriptors

特征：

注意：这里没有使用一天的出发时间和到达时间，这是由于考虑了机场等地方有夜班等情况。