如果把城市之间的来往画成山，我们看到的是什么？
论文名片｜Guangyu Du、Lei Dong、Fábio Duarte、Carlo Ratti，Wanderlust: 3D Impressionism in Human Journeys，2021 IEEE VIS Arts Program（VISAP），45—58页，图像论文（Pictorial）。DOI。
早上去熟悉的办公室，周末去郊外公园，一年中偶尔拜访远处的朋友：这些来往都可以在地图上画成线。但当两百万人留下的联系挤在一起，地图往往只剩下看不清的线团。
Wanderlust 尝试让这些线形成一片山景。山顶不是地表高程，而是地点的吸引力；山坡不是道路，而是来自不同地方的访问联系。它希望保留距离、人数和访问频率，同时让读者感到一座城市由多种强弱不同的往来共同塑造。
这篇论文的贡献是可视化设计与数据艺术探索，主要通过示意图、设计迭代和交互作品展示。它所依据的访问规律来自另一项已发表研究，不能把两者合并成这篇图像论文独立完成的统计发现。
先说结论
- 把目的地抬升到由吸引力决定的高度，可以把流向和地点差别放在同一个空间里，颜色则留给访问频率。
- 一条联系的粗细表示独立访客人数，线内不同色段的长度比例表示不同频率访客的组成；色段不是一段路上先后经过的交通状态。
- 分层与阈值让高频核心、低频远距离联系分别显现，但筛选和高度变换也会主动改变观众对城市重要性的感受。
- 这是一种帮助探索和表达的方案，论文没有通过受控读图实验、误差或效率评估证明它优于二维地图，也没有把动画当作完整真实轨迹。
先把真实城市与视觉山景分开
基础研究涉及五组手机数据：美国大波士顿、新加坡、葡萄牙的里斯本—波尔图—布拉加、塞内加尔达喀尔、科特迪瓦阿比让。这里五组数据对应的城市名称不只五个，不能把葡萄牙三座城市当成三次同质实验。
波士顿原始数据约含200万名匿名用户在2009年7—10月的十亿条位置记录。作品为简化展示，选用其中8月；原文没有说200万人都在这个展示月满足同样记录密度。区域被划为1公里×1公里网格，以兼顾城市与乡村中不同的基站定位尺度。网格足够展示区域联系，却不足以把某条线认作一名行人走过的街道。
作品依据的访问规律把空间距离与重复访问频率放在一起：距离更远、又要求更频繁到访的访客组合，一般更少见；不同目的地还有各自的吸引力参数 μ。μ 是模型中的地点参数，不是直接问卷测出的喜欢程度，也不等于地点的总访客数。本文不把这项基础研究的拟合结果改写成作品新做的因果验证。
图1｜没有三维山峰之前，吸引力在地图上怎样分布？
按1公里网格显示大波士顿，蓝到粉的色标表示较低到较高的地点吸引力。它是模型参数的空间表示，不是地形、房价或人口普查密度。来源：原论文第46页地图。
为什么普通三维弧线仍不能解决所有问题？
传统流图直接连接起点与终点。流量一多，线之间容易遮挡；边捆绑能整理线束，却可能引入原始数据没有的树状结构；密度表面能显示总体集中区，又会弱化每条联系的差别。论文讨论这些取舍，而不是用统一基准测试给这些方法排名。
把线弯到空中，也不一定使用了一个真正独立的信息维度。如果弧线的高度只是由两点距离决定，第三维主要是在重复已知距离；如果高度只是单一数值的地形化表达，也可能改用二维颜色。Wanderlust 要做的是，让目的地高度、水平位置和联系属性相互配合。
图2｜图像看起来立体，就意味着多表达了独立信息吗？
从上到下，图板给出空中弧线、密集点状表面、距离决定的弧线示意，以及用高度表达数值的地形示意。后两幅分别强调弧高与距离的依赖、地形高度可以换成其他视觉编码。这是设计论证，不能读成三维一定不必要或一定更准确的实验结论。来源：原论文第47页图板。
一条线怎样同时说明去哪里、多少人和多久去一次？
作品让每条流从起点地面的z=0出发，连接到由目的地吸引力决定的高处。A到B和B到A分别升向不同的山顶，因此在三维空间中不再只是相反方向的同一条地面线。这是视觉上的方向提示，不是人真的向上旅行。
线宽表示这一联系的独立访客人数。某个人一个月去了同一地点很多次，并不因此变成很多名访客；总访问次数与独立访客数必须分开。频率用颜色编码：1—7次/月为深蓝，8—14次/月为浅蓝，15—21次/月为珊瑚色，22—30次/月为深粉。不同频率组的边界是作品的分类选择，而不是已经证明存在四种固定行为类型。
图3｜三维目的地抬升怎样分离来回两个方向？
上部中间比较频率与人数可用的线宽、点密度、透明度和色相等通道；右上保留1公里网格示意。中部与下部展示流从地面汇向高处A，以及A、B分别按自身高度接收来流；左下是相应三维视觉效果。全部示意共同说明编码选择，没有将它们拆成独立结果。来源：原论文第48页完整图板。
最初设计对同一OD联系最多画四条不同颜色的线，各自粗细与对应访客数有关。但透明线重叠会增加绘制排序问题，也会把同一对地点的联系重复画多次。修改后的方案只画一条总宽度代表总访客数的流，再沿线分成色段，长度比例对应不同频率组的访客占比。
读这条线需要特别小心：蓝色出现在靠近起点的一段，并不表示人在那里低频活动，粉色靠近山顶也不表示最后一段路更繁忙。颜色沿线的位置是为了分配组成比例，不是真实地理位置上的属性变化。
图4｜同一条联系，应该叠四条线还是分成四个色段？
左侧保留不同视角的初始效果，左下agglomeration与subdivision示意对照叠加和分段；中间上方与右下为不同视觉效果。色标完整列出四个频率组。粗细传达总人数，色段占比传达群体组成，这不能替代对每个人出行顺序的观察。来源：原论文第49页完整图板。
为什么山峰看起来像由许多笔触组成？
作品借鉴印象派的整体色彩感受：为流线设置带空隙的小液滴纹理，允许观众看见下面的颜色，而不是把上层画成不透明的实心表面。实现依赖WebGL等图形绘制；这说明作者选择了适合大量像素与纹理处理的工具，并不构成SVG永远不能处理大数据的性能定理。
同一幅景观可以按频率组筛选，分别观察高频、低频来往。低频组中联系和跨度看起来更多，与基础访问规律的方向相容；但静态图的透视、阈值和颜色也影响可见线的多少，不能靠画面面积重新估计幂律指数。
图5｜不同访问频率会形成怎样的视觉层次？
按原文说明，从左上、左下、右上到右下，访问频率逐步降低；四幅画面展示包含相应频率访客的流。左侧较暖色强调较频繁访问，右侧较冷色联系更广。它们是同一编码体系的定性对照，不是四座真实山，也不是交通负荷的独立测量。来源：原论文第50页完整四联图。
一座山的轮廓，有多少来自数据，有多少来自设计？
为了让宏观结构可读，作品会筛选目的地与流。某些画面只保留单月独立访客至少5,000人，或 log₁₀μ≥1.65的目的地，再按每条流的访客人数设置门槛。门槛提高后，细弱联系消失，城市和城镇核心更突出；门槛降低后，外围与低频来往更容易出现。
这是一项可解释的视觉取舍。被隐藏不等于没有联系，保留下来的高峰也不自动代表所有居民最需要的服务。对医疗、照护或弱势群体而言，少量来往可能比总体大流量更值得看。
图6｜删去较弱的流，城市的中心感会怎样改变？
原图由上到下分别标出每条流至少10、20、100名访客，保留同一纵向图组。随着门槛升高，外围细弱联系减少，核心较强联系更突出。旁边文字还讨论过50人的中间层，但第三幅图内明确标的是100人，不能把它误记为50人。来源：原论文第51页完整三联图。
另有三种设计共同形成层次：小液滴纹理让下层透出，三次曲线把不同来向组织到山体附近，非线性的高度变换让较高吸引力地点更突出。原文说明后者针对非负log₁₀μ情形，画面高度经过加工，不能拿屏幕上山高的倍数直接当作吸引力参数的倍数。曲线只是连接表示，既不是实测道路，也不是每个人的飞行轨迹。
图7｜纹理、曲线和高度如何共同形成层次？
左上、左下比较每条流至少50与200名访客时的效果；右侧主图展示较完整的层次，两个放大插图对照至少5,000与10,000名访客的目的地筛选。原图还保留频率、访客与三次曲线的标注；较小山峰被较大山体遮蔽，是这套设计的一部分，并非数据真的不存在。来源：原论文第52页完整图板。
图8｜完成设计后，整片波士顿联系呈现什么样子？
整幅画面保留原始视角：目的地满足每月至少5,000名独立访客或log₁₀μ≥1.65，流中包含22—30次/月的高频访客；颜色、线宽、山高分别对应频率、独立人数和吸引力编码。这是有明确筛选条件的区域印象，不能当作未筛选的完整交通网络。来源：原论文第53页。
动画中的点，真是在那个时刻经过那里的人吗？
为了让人感到线条由个体活动累积而成，作者从总计约34万名访客中，选约1万人用于个体移动模拟。每一步按照此前到访频率决定下一个目的地，更常去的地方更容易被再次选中。这个偏好回访的模拟可以呈现总体来往的动态感，却不是把1万人每个时刻的实测运动原样播放。
若误把模拟当作实时交通，就会给画面赋予没有的数据精度。论文也承认当前数据适合群体流，学习个人真实的串联行程仍较粗；基础表示带有访问后返回家的简化，而现实中人可能一天连续经过多个地方。
图9｜为什么单有移动的点还不足以说明联系？
左上展示点与线结合的局部，右侧展示区域联系。原图正文与图像共同解释，细的深粉线可以保留人数少但访问频繁的连接；单靠许多点的颜色混合，未必容易看见这种联系。移动点的过程来自频率驱动模拟，不能当作逐秒观测。来源：原论文第54页完整图板。
交互界面让观众选择目的地，再查看具体位置、访客人数、访问次数和log₁₀μ，也可以改变视角和显隐。论文报告将138个吸引力目的地反向地理编码，并给出38个城镇、93个社区的汇总描述；这些不是一组必须相加等于138的互斥人口统计。
图10｜整体印象如何连接到某个具体地点？
左侧是可拖动、切换显示的三维流与选择标记，右上为当前网格的地图和指标，右下是以该目的地为中心的访客图。原文提供交互作品供探索；本图是论文界面截图，图中状态不代表实时城市情况。来源：原论文第55页。
吸引力接近的地点，为什么看起来仍很不同？
把一个目的地单独拿出来，可以画一张以它为中心的圆盘：点表示访客，颜色对应访问频率，离圆心的距离对应到目的地的距离。这样，宏观山景里被叠加的差别重新显现。
原图中Beacon Hill有29,706名访客、82,539次访问，log₁₀μ为2.717；Wright’s Park有1,951名访客、2,150次访问，log₁₀μ为1.919。后者人数少，却仍有不可忽略的吸引力参数。Fenway-Kenmore有11,851名访客、34,594次访问，log₁₀μ为1.637，正好说明总人数多不必然意味着参数更高。μ综合的是基础模型中的距离—频率关系，不能直接用来排名地点对每个个体的主观价值。
图11｜同样一座城市，各目的地的访客组成如何不同？
左上Beacon Hill、右上小圆Wright’s Park、左下Cambridgeport、右下小圆Fenway-Kenmore，以及右侧大圆Smith Mills，均保留原始排布与数值。点是访客，颜色是频率；左侧四圆半径50公里，右侧大圆半径100公里，不能按相同像素距离直接比较远近。Cambridgeport为9,339人、20,624次、log₁₀μ=1.705；Smith Mills为6,180人、19,062次、0.919。来源：原论文第56页完整图板。
换到另一座城市，这种图还表达同一件事吗？
论文把方案应用到多个地区。波士顿、达喀尔、新加坡、葡萄牙三城与阿比让出现不同形状，展示了方法可用于多种城市结构。但数据采集、位置误差、时间窗口、人口覆盖与绘制视角都可能不同，图像差异不能直接变成哪座城市更有活力或更包容的定量排名。
图12｜相同编码在不同城市如何形成不同景观？
上排为波士顿四种频率表现，中间为达喀尔与新加坡，下部保留波尔图—布拉加—里斯本以及阿比让的原始布局。它们展示视觉方案的适用范围，没有提供跨城市统一采样与定量误差比较。来源：原论文第57页完整图板。
图13｜如果追踪到个人行程，还有哪些信息尚未表达？
线表示个体的起讫点联系，而不是已还原的逐路段轨迹。论文据此提出更细时间频率、社区级聚合和个人轨迹等未来方向。不能将这张图理解成作品已经完成对全天多目的地活动链的识别。来源：原论文第58页。
作品没有报告受控用户研究，也没有读图正确率、任务时间或与二维方案的系统性能比较。因此，它能证明一种编码可以被构建并产生有层次的表现，尚不能证明一般观众能可靠读取精确数值。遮挡在三维空间被缓解，也可能在某些相机视角的屏幕投影中重新出现。模型参数、视觉变换与筛选条件，始终需要和画面一起解释。
一句话总结
Wanderlust把城市的访问联系变成可探索的三维山景，价值在于同时组织地点、人数与频率的整体印象，而它的山高、颜色和动画都需要按编码解释，不能当作真实地形、道路或实时个人轨迹。
核心来源
- Du G., Dong L., Duarte F., Ratti C. (2021). Wanderlust: 3D Impressionism in Human Journeys，2021 IEEE VIS Arts Program，45—58。本文依正式图像论文14页及全部可视化图板；文中导读图号对应各原始页。
- IEEE VIS官方作品页面与MIT交互作品。
- 基础研究：Schläpfer M. et al. (2021). The universal visitation law of human mobility。其统计规律为本作品提供依据，不等同于本图像论文另行验证。
作者介绍
Guangyu Du 在本文署名为麻省理工学院 Senseable City Laboratory 作者。Lei Dong 同时署名该实验室与中国北京大学；以上采用原文英文署名，避免把未核对的人名译法当作作者本人用名。
Fábio Duarte 与 Carlo Ratti 均署名为麻省理工学院 Senseable City Laboratory 作者。四人合作完成本文呈现的可视化与设计讨论；这里不据作品风格推断未经原文说明的个人贡献分工。
延伸思考
以下是 AI 基于论文结果所作的延伸，不属于原论文结论。
越像自然景观的图，越容易让人忘记它是设计的结果。可以让交互界面同步显示一张朴素的二维统计图：选中山峰时，看见独立人数、访问次数、距离分布与显示阈值；改变高度变换时，保留原始参数刻度。这样的双视图能让感性的整体印象与可核查的数值相互校正。
若要评估它是否帮助城市理解，可设计两类任务。第一类要求准确判断哪条联系人数更多、哪个地点低频远距离访客更多；第二类要求提出有证据的新问题。艺术表达可能在激发问题上有优势，却未必在精确排序上有优势，两类任务应分别评估。
最后，不妨加入专门显示低流量但高必要性联系的模式。总体访问量形成的山景会突出多数人的共同去处，而少数人的医疗、照护与无障碍需求可能藏在细线里。把这些需求补进叙事，需要额外数据与明确目的，不能只靠把山峰画得更高。
