MotionRugs：集体趋势时空可视化（MotionRugs: Visualizing Collective Trends in Space and Time）

了解集体的运动模式，如鸟群或鱼群，是一个有趣的开放研究问题。集体由共同目标驱动或对个体方向变化和外部影响因素和刺激作出反应。可视化集体运动数据的挑战是同时显示数百个运动的空间和时间，以便能够检测时空模式。本文[1] 提出了MotionRugs，一种用于可视化移动实体组的新型空间高效技术。在已建立的空间划分策略的基础上，我们的方法将每个时间步骤中的空间维度减少到单个实体的一维有序表示。通过设计，MotionRugs提供了无重叠，紧凑的群体运动随时间发展的概述，从而使分析师能够直观地识别和探索群组特定的时间模式。我们证明了我们的方法在鱼群分析领域的有用性，并报告了集体行为领域领域专家的初步反馈。

图像分析和小型GPS跟踪设备的快速发展使我们能够大规模捕捉实体组及其运动行为：团队运动游戏，鸟群，鱼群或由多个实体组成的任何其他相互影响的集体运动。 理解群体行为的一个具有挑战性的关键任务是探索空间配置的突然变化以及影响决策制定的其他因素。 可视化有助于探索随时间演变的基本运动数据并跟踪变化，以了解潜在的群体动态和行为。 此外，可视化分析方法可用于提供大量数据的概述，同时揭示单一的，卓越的行为事件。

MotionRugs是一种通用方法，可以根据空间分区技术紧凑地显示多个实体的时空数据的变化。 一般的想法是将所有实体的空间表示分别转换为每个时刻的一维（1D）有序切片。 在每个切片中，实体呈现为彩色的垂直排列的矩形。 例如，颜色对用户定义的特征值（例如速度，加速度或方向）进行编码。 为了能够在不同特征之间进行比较，可以垂直分组几个MotionRug，每个都显示不同的特征。 虽然MotionRug的外观自然是我们要求的直接结果，但该技术也与梵高的绘画风格有些相似之处。

MotionRugs技术原则上：给定一个大的时空数据集，我们的方法遵循三步流程，我们连续处理数据的所有时间帧。 对于每个帧，我们（1）首先使用空间抽象策略索引数据点的位置。 描绘的管道显示了希尔伯特曲线的应用，这是一种空间填充曲线方法。 （2）通过遍历空间结构，我们然后导出数据的一维排序 – 在这种情况下，t = 20处的帧的切片。每个数据实体由矩形表示，其可以使用矩形来编码任何相应的数据特征。 颜色。 （3）最后，我们将生成的切片与时间轴上的所有其他切片对齐。

下图为两种常用的空间划分方法：左：由Point-QuadTree和树表示创建的空间分区。 DFS前序遍历策略（蓝色虚线）确定实体的顺序。 右：Hilbert和Z-阶曲线以及它们如何用于推导实体的一维顺序。 在希尔伯特曲线中，下一个曲线抽象级别以灰色突出显示。

比较一组151条鱼在几分钟的时间内运动的结果。 虽然R-Tree策略只能模糊地感知空间动态，但Point-QuadTree会受到伪影的影响。 对于Z-Order曲线，我们发现它很容易产生“Phantom-Splits”，视觉伪像会在没有实体的情况下产生物理分裂的印象。 相反，希尔伯特曲线比Point-QuadTree更好地显示空间动态，并显示比Z-Order更少的伪像。

MotionRugs应用于编码三种不同功能的相同时间跨度。 空间动态显示每个要素中的波形，可以得出结论：速度，质心距离和航向变化严重相关。 例如，“速度”和“标题更改”功能在蓝色和红色之间显示相同的交替。 我们总体上认为快鱼比慢鱼更容易改变它们的风向。

在下文中，我们展示了MotionRugs应用于真实数据集的实际示例，该数据集用于探测，分析和解释鱼群中集体行为的形成。

模式1：移动和转动在第一个模式中，可以观察到弯曲的红色动态，从中间开始，同时变为蓝色，然后再次弯曲到右上方，红色像素数量增加，而蓝色渐弱。对这种模式的正确解释是，最初，鱼减速并转向。当整个团队赶上时，他们一个接一个地加速，再次转向。在数据中，鱼群在这里碰到了一堵墙，然后转身反应。

模式2：从停滞中断开第二，我们看到一个水平的蓝色图案开始向右下方弯曲，图像的下半部分有前几个红色实例。在图像的最后三分之一处，曲线变为完全红色。在可视化的这一部分中，我们可以观察到一个缓慢游动，几乎静止的鱼群。在某一点上，很少有鱼开始通过加速从碾磨中脱离出来，接着是大部分鱼必须快速加速以跟上前方游泳的速度。

模式3：铣削的开始和结束在第三种模式中，我们看到大部分图像最初主要是红色水平动态转动蓝色。在图像的一半处，一些红色部分出现在上部区域，开始转向图像的末端，此时所有部分也变为红色。在这里，整个鱼群几乎巧合地减速，然后在某个位置停留较长时间，直到一些鱼开始加速并且所有鱼再次改变方向。

模式4：转向在第四种模式中，我们看到曲率和颜色分布都有几处变化。 在这种模式中，我们可以发现鱼转了四次，两者之间的速度交替变化。

总之，用例表明，可以使用MotionRug提取动物行为的几个属性。 其中包括群体位置变化的变化，特征发展和趋势特征的识别。

在本文中，我们介绍了MotionRugs，这是一种新颖的可视化技术，旨在通过抽象空间维度来提供多个实体的时空行为的有效概述。 与现有方法相比，MotionRugs是运动的密集表示，允许查看和比较观察到的实体随时间的行为。 我们从基于树的数据结构和空间填充曲线领域提出了几种最先进的空间聚合策略，并研究了质量测量以评估订购策略。 我们收集的初步专家反馈非常有希望，并概述了可行的用例和应用场景。

参考文献：

[1] Buchmüller J, Jäckle D, Cakmak E, et al. MotionRugs: Visualizing Collective Trends in Space and Time[J]. IEEE transactions on visualization and computer graphics, 2018.