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]。
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)
作者: Jiang Zhang
日期: 2015年11月20日
用于理解时变体数据的图挖掘 (Mining Graphs for Understanding Time-Varying Volumetric Data)已关闭评论
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)
作者: Tangzhi Ye
日期: 2015年11月20日
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)已关闭评论
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)
作者: Chufan Lai
日期: 2015年11月17日
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)已关闭评论
渐进式的视觉时序查询设计 (Supporting Iterative Cohort Construction with Visual Temporal Queries)
作者: Min Lu
日期: 2015年11月6日
渐进式的视觉时序查询设计 (Supporting Iterative Cohort Construction with Visual Temporal Queries)已关闭评论
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]。
近期评论