1.一种高密度群体轨迹数据的微观可视分析方法，其特征在于，所述方法包括以下步骤：

1)数据处理；考虑空间属性位置序列表征了轨迹的特征具有实际的意义，为了提高轨迹数据的可扩展性以及提高运行速度，根据空间属性特征将空间进行多层次划分以及热度计算，从而将轨迹数据转化为基于网格热度的空间事件序列；

(1-1)活跃度计算；人流量信息能反映区域间的流动量，但无法描述群体内部人员的移动信息；活跃度 表征高密度区域内部人员的运动状态，进而分析不同区域的活跃度差异；定义θ为当前时刻， 为θ时刻在区域X内的第i个成员所在的区域编号，n为θ时刻X区域的人员总数，那么区域X在θ时刻的空间活跃度为：其中：

(1-2)轨迹数据集分析；个体的轨迹信息为Si＝{p1,p2,p3,…,pi,…}，其中，pi＝[x,y,t]表示个体i在t时刻的坐标，m表示个体轨迹中定位到的坐标数量；在预处理阶段提取的事件序列上，根据空间属性特征将空间进行多层次划分以及热度计算，从而将轨迹数据转化为基于网格热度的空间事件序列Si＝{e1,e2,e3,…,ei,…,em}；

2)可视分析；在通过以上步骤完成数据处理以后，提供的可视化分析原型组件对高密度群体轨迹数据进行交互式探索和分析；包括4部分：基于small-multiples的特征统计视图，展示高密度轨迹数据在时间和空间维度上的特征分布；采用多分辨率河流视图支持从多层次聚合角度展示高密度轨迹数据的变化；采用轨迹投影视图揭示高密度群体轨迹间的相关性；采用多层次空间地图以展示高密度轨迹数据的具体分布情况；

3)基于高密度群体轨迹数据的模式分析；探索轨迹中坐标转变频率，分析高密度群体内部活跃度；通过改变阈值来快速锁定人流突变节点，根据图元标识符的多分辨率河流视图提前做好应对策略；同时根据个体微观移动轨迹推断异常现象，从而加强对人员的管理。

2.如权利要求1所述的高密度群体轨迹数据的微观可视分析方法，其特征在于，所述步骤2)的过程如下：

(2-1)提供基于small-multiples的特征统计视图分析对轨迹数据根据空间区域进行四分位统计处理，将每个区域的数据分为最小值、中位数、最大值以及离群值等；采用直方图可视化每个特征的时序流量，采用盒图可视化数据的空间分布特征，将两者结合直观地展示轨迹数据在时间和空间维度上的分布，帮助用户理解数据；

(2-2)提供基于网格轨迹热度的空间层次分布地图空间层次分布地图系统中提供2种模式，结合视图呈现，帮助用户对群体轨迹数据从概览其分布到具体理解其详细信息：轨迹空间层次分布模式；层次结构是根据空间的属性进行划分；基于网格热度的轨迹图模式；将轨迹数据的原始数据进行可视编码，包括路径、方向、速度和停留时间；不同的颜色编码轨迹不同的日期，线条重叠表示两天及以上具有相同的轨迹路线；本发明采用圆映射人员在相应的位置停留的时间，半径越大，表示停留时间越长，采用三角形映射人员的移动速度，三角形越大，表示移动速度越快；提示栏显示个体的状态，采用动画的方式显示相关个体的移动方向和速度；

(2-3)提供基于MDS的轨迹投影视图分析使用Levenshtein距离计算轨迹之间的相似度，将两个基于网格热度的两个序列之间的距离定义为“将一个序列转换为另一个序列所需的插入、编辑和删除操作的次数”；若a，b的轨迹序列分别为Sa＝{a1,a2,a3,…,ai,…}和Sb＝{a1,a2,a3,…,ai,…}，那么a和b之间的Levenshtein距离为：

i和j分别代表时间段内的事件序列下标；如果两个事件相同，ai＝＝bj，则[ai≠bj]＝0，否则[ai≠bj]＝1；

基于式(3)的相似度距离计算，采用MDS算法，将轨迹数据降维并投影到二维平面形成散点图，散点图中的点代表一条轨迹，两点之间的距离代表个体之间的相似度，距离越小代表相似度越高，关系越密切；投影视图帮助用户从概览的角度了解群体之间的相似性与差异性，用户可以通过点击对应的点查看该轨迹的具体路线；构建字形来展示集群特征：利用DBSCAN聚类算法发现集群并定位集群的中心点；进一步通过南丁格尔玫瑰图构建字形：内圆半径代表簇的大小，扇形的颜色代表特征，扇形的大小代表空间特征的贡献度，用户通过字形概览数据的整体分布，获得集群的特征；考虑用户不同的需求，系统支持用户交互式设置面板的参数，以获得适合的集群模式；采用拉索的交互技术探索群体，以弹出框的形式构建了像素轨迹图，展示了感兴趣群体的细节信息，来帮助用户进行个体之间的比较；为了缓解视觉上的混乱，像素轨迹图展示了不同轨迹的时序信息，将空间属性用颜色进行可视化映射，色块的颜色代表空间区域横坐标代表时间，纵坐标为个体编号，用色块的颜色和宽度分别映射区域和逗留时间；

(2-4)提供多分辨率河流图分析

使用图元嵌入的多分辨率河流图，在不同聚合层次上展示数据在时间和空间维度上的信息演变趋势以及突显特殊模式；它的层次结构数目是由轨迹数据的空间分层结构决定的，可以由多个层次结构组成；采用较低层次且拥有较高分辨率的结构可查看局部详细信息，采用较高层次且分辨率较低的结构可概览整体；为了使得层次结构的转变过程缓和，在高、低层数据结构中间加入缓和层；在多分辨率河流视图中显示了2个层次的结构，最高和最低层次；而实际中的层次结构会则是多层；因此为了处理多层次的结构数据，提高系统的可扩展性，本视图在上下文区域中显示高层次结构，在详细层中显示最低层次结构；

多分辨率河流视图展示了不同时空聚合度的时序演化情况；通过拖动滑动条的操作方式，观察最低层次结构下的数据演变的细节信息，效率较低，当时间序列较大时，不能快速精准地筛选到特殊目标信息；因此基于MultiStream构建嵌入式图元来表示急剧增加/减少的特定时刻；若当前时刻数据为CX，前一时刻X区域的数据为PX，X区域数据变化为：根据用户设定的急增/急减阈值(分别为Tup和Tdown)，确定图元的位置为：系统根据获取的急增/急减点的信息，在河流视图的对应区域嵌入图元；用户通过图元的位置快速且准确地捕捉到关键信息节点，缩减探索时间；多分辨率河流图中具有以下功能：层次聚合；为了探索高密度群体轨迹数据在不同的聚合层次的时序演变趋势，系统支持用户浏览层次结构；高亮图元；为了提高用户探索效率，快速发现数据中隐藏的模式，系统自动突显数据的关键点，支持用户自定义调整阈值并定位出急剧增加/减少的区域和时间段；其中红色上升图元表示高于设定的上升阈值，绿色下降图元表示高于设定的下降阈值；

由分析可知，图元常出现于峰值或低谷处前；所以图元不仅具有提高探索效率的作用，而且还具有预测的作用，帮助用户提前做好应对策略。