月度存档: 十一月 2015

用于理解时变体数据的图挖掘 (Mining Graphs for Understanding Time-Varying Volumetric Data)

在科学可视化中,利用graph等抽象视图来展示数据是近年来一中比较流行的趋势。通过将数据和它们之间的关系映射到一个低维的空间,用户往往可以探索更复杂的数据关系,并且更好地理解数据的特性。但是,这些基于graph的方法大多数都缺乏足够的对用户探索的引导,导致用户常常只能够依赖于一些低级的视觉提示(例如结点和边的大小和密度等)和简单的刷选链接等交互,在使用的时候会感到费时费力。当面对规模比较大数据关系比较复杂的情况时,这些方法更是表现出了很大的不足。针对这些问题,这篇文章提出了一种图挖掘的方法,包含了图简化(graph simplification),社区检测(community detection)和视觉推荐(visual recommendation)等三种技术,能够自动提取时变数据的特征[1]。

继续阅读 »

TrajGraph:利用出租车轨迹数据和图模型可视分析城市道路的重要程度(TrajGraph: A Graph-Based Visual Analytics Approach to Studying Urban Network Centralities Using Taxi Trajectory Data)

出租车是城市交通情况的探针。近些年来,许多城市都在采集出租车GPS轨迹数据。同时,越来越多的机构例如交通局、公司或者研究机构利用这类数据做分析。来自Kent State大学的这个工作利用图模型分析轨迹数据,分析城市中不同区域在交通中的重要程度。把路网数据的每个路段当做图的顶点,用1.道路长度、2.车流量、3.旅行时间、4.车速四种方式定义不同类型的图,在不同的时间段生成不同的图。利用图分析中的Pagerank和betwneeness的概念度量节点的重要性,分析深圳市的交通状况。

继续阅读 »

时间曲线: 通过折叠时间轴来表现时序数据的演化特征 (Time Curves: Folding Time to Visualize Patterns of Temporal Evolution in Data)

时间曲线示意图

在一个时序数据中,不同时间点的数据之间往往有一定的联系,譬如气温达到了近年来的最低,音乐旋律回到了最初的主题等等。而传统的线性时间轴,虽然能展示连续的数值变化,却无法表达这种具有时间跨度的数据关联。本文提出了一种直观通用的可视化方法,即所谓的时间曲线[1],通过折叠时间轴的方式来反映数据中的自相关性(self-similarity),以此来发掘数据演变的规律。

继续阅读 »

渐进式的视觉时序查询设计 (Supporting Iterative Cohort Construction with Visual Temporal Queries)

在许多领域如医学、社会科学以及商业分析领域中,群体指的是一群具有相似特征的对象。在这些领域中,有大量的针对群体的研究。例如,在医学领域,有大量的电子医疗记录,领域专家们常常需要找到满足一定医疗记录的群体,从而进行发病特征或疾病预测等分析。然而,从大量的个体中,要查询获得满足一定时序条件的群体并不直接。使用传统的查询语言来描述时序关系不仅繁琐、易错。同时,由于此类系统不能动态地返回查询结果,按照这种方式查询的结果常常要么过大、要么过小,不能灵活地帮助领域专家对查询条件进行调整。本文作者旨在提出一种直观的渐进式视觉查询设计,通过自然的交互方式以及动态的查询结果反馈机制,更好地帮助领域专家查询符合时序条件的群簇[1]。

继续阅读 »