使用机器学习改进大型采集交通探测器数据的交互式可视化

在交通工程中,城市依赖大型探测器数据集来管理交通。可视化这些大型多维数据集存在诸如过度绘图和降维等挑战,通常使传统可视化技术不足以应对。为此,我们向交互式时间序列可视化中添加了两种机器学习算法(局部异常因子算法和K-原型聚类),以改善领域专家和非专家的探索体验。我们使用了德国一个中等规模城市的原始探测器数据集。研究结果表明,机器学习算法大幅提升了这些交互式可视化中的数据探索效果,对于领域知识有限的用户尤为如此。这项研究直接为交通数据分析工具的设计做出了贡献,为交通检测硬件和软件的改进提供了基础,同时推动了复杂数据集可视化的一般发展。最终将带来更明智的决策、改善的交通管理,并有潜力减少空气污染物,从而应对气候变化。