Yo sugeriría un enfoque que en gran medida se centra en lo simple, la estadística descriptiva y la visualización (y en gran medida ignora el flujo de parte de los datos en el inicio).
En primer lugar examinar la prevalencia de tráfico en todas sus calles a través de visualizaciones mapa (proporcional pin mapas de densidad de kernel, choropleth calles, etc.) y tablas de frecuencia/histogramas. Yo sospecho sólo examinar esto le permitiría tener buenas conjeturas en cuanto a la naturaleza de los flujos en la red. También quiero decir que no se pierde mucho por la visualización de puntos como oppossed a la totalidad de las calles, aunque si convienant que también podría generar ambos tipos de mapas. En esta etapa me gustaría centrarse en las áreas que tienen una alta prevalencia, y cualquier contrastes interesantes que aparecen (es decir, las calles de poco o ningún tráfico junto a calles con alto tráfico).
Próximos pasos dependen de lo que preguntas interesantes que tienen actualmente o desarrollar. Diádico de las conexiones entre las calles sería bastante simple para examinar, pero más conexiones es probable difícil descubrir sin estrategias más complejas y específicas de la hipótesis. Ejemplo de preguntas podrían ser: "¿los ciclistas de evitar empinadas colinas?", "¿Los ciclistas de evitar la luz intersecciones?", o "¿los ciclistas tienden a utilizar las carreteras con un carril bici con más frecuencia?". Tal hipótesis puede parecer plausible después de examinar la prevalencia de viajes en bicicleta en las calles, especialmente si usted tiene el conocimiento local de la zona y observar los contrastes de apoyo a dichas hipótesis.
Si usted tiene covariables que usted sospecha que puede tener alguna relación con la bicicleta en el inicio de los análisis que usted puede repetir todas las mismas sugerencias que dieron anteriormente, excepto la condición de los mapas y otras estadísticas sobre aquellas covariables y trate de identificar los interesantes cambios en los patrones. Un ejemplo podría ser: "¿las personas toman diferentes rutas en bicicleta el fin de semana que durante la semana de trabajo?". Para ello se puede elaborar dos mapas, uno con la bici viajes realizados de lunes a viernes en comparación con viajes en bicicleta el sábado y el domingo. Si la covariable es continua, diagramas de dispersión de la covariable en contra de las coordenadas X e y de paseos en bicicleta pueden identificar obvio que los cambios en los patrones espaciales (que es un diagrama de dispersión de la covariable en contra de todos los viajes en bicicleta como oppossed para el número de viajes en un determinado segmento de la calle).
Temporal de visualización sugeriría la exportación de los datos a kml con las marcas de tiempo si es posible y el uso de Google Earth. Me gusta mucho el reloj de tiempo en GE (mucho más de lo que cualquier complemento de ArcMap que he encontrado), y tiene el beneficio añadido de la fotografía aérea y la capacidad para buscar ubicaciones cercanas si usted descifrar los patrones interesantes. No he probado esto con segmentos de línea, pero funciona bastante rápido para el punto de datos y produce una genial pantalla (no trabajar muy rápido para los polígonos de los datos de la última vez que probé). De lo contrario, la producción de pequeñas varios mapas o imágenes secuenciales es otra opción (aunque no es tan divertido como el de la animación en GE).
Al desarrollar las preguntas más específicas, potencialmente interesantes maneras de analizar los datos pueden ser simuladas agente basado en modelos o modelos de elección discreta. Pero estos sólo será necesario si usted tiene más compleja hipótesis, y ellos sólo tienen un valor limitado para la exploración de la OMI. Estos datos pueden ser muy complicado, y poco a poco va desde la simple a lo más complicado, creo que es el mejor enfoque para no agobiarse.
