Flow map is an effective way to visualize object movements across space over time. It aims to model the paths from destinations to origins with quality constraints satisfied, which is similar to river system extraction in a digital elevation model (DEM). In this paper, we present a novel and automated approach called RFDA-FM for spatial flows from one origin to multiple destinations using a river flow directions assignment algorithm in DEM. The RFDA-FM first models the mapping space as a flat surface by DEM. An improved maze solving algorithm (MSA) is then introduced to assign the flow directions by constraining its searching directions, direction weights and searching range. The paths from the destinations to the origin are obtained iteratively based on the improved MSA according the path importance. Finally, these paths are rendered with varied widths and smoothed according to their volume using the B\'ezier curves. The evaluation results indicate that the flow maps generated by RFDA-FM can have a higher quality on uniform distribution of edge lengths and avoidance of self-intersections and acute angles by comparing to the existing approaches. The experiments demonstrate that RFDA-FM is also applicable for heterogeneous mapping space or mapping space with obstacle areas.


翻译:流动图是将不同时段的物体移动可视化的有效方法,目的是模拟从目的地到来源的路径,其质量有限,类似于在数字高程模型中提取河流系统。在本文中,我们展示了一种新颖和自动化的方法,称为RFDA-FM,用于从一个来源到多个目的地的空间流动,使用DEM的河流流方向分配算法。RFDA-FM首先将空间测绘作为DEM平坦的表面。然后引入了改进的迷宫解算法(MSA),通过限制其搜索方向、方向重量和搜索范围来分配流动方向。从目的地到来源的路径的路径是以改进的MSA为基础迭接方式获得的。最后,利用B\'ezier曲线,这些路径以不同宽度并根据其体积平滑而成。评价结果表明,RFDA-FM生成的流量图在边缘长度统一分布和避免自我间隔段和直角角度方面,可以通过比较现有方法来提高质量。实验表明,RFDA-FM还适用于不同空间绘图或空间区域。

0
下载
关闭预览

相关内容

【DeepMind】强化学习教程,83页ppt
专知会员服务
153+阅读 · 2020年8月7日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
FlowQA: Grasping Flow in History for Conversational Machine Comprehension
专知会员服务
29+阅读 · 2019年10月18日
【新书】Python编程基础,669页pdf
专知会员服务
194+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
动物脑的好奇心和强化学习的好奇心
CreateAMind
10+阅读 · 2019年1月26日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
视觉机械臂 visual-pushing-grasping
CreateAMind
3+阅读 · 2018年5月25日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
动物脑的好奇心和强化学习的好奇心
CreateAMind
10+阅读 · 2019年1月26日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
视觉机械臂 visual-pushing-grasping
CreateAMind
3+阅读 · 2018年5月25日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员