地理可视化研究使用多种技术来表示和探索时空数据。这些技术的目标是使用户能够在空间和时间上探索事件和交互,以便于发现数据中的模式、异常和关系。然而,对于没有轨迹信息的非方向性统计数据,很难提取和可视化数据流模式。在本文[1]中,我们开发了一种新的流分析技术,以提取、表示和分析无方向时空数据流图,而不受轨迹信息的影响。我们估计这些事件在空间和时间上的连续分布,并利用重力模型提取空间和时间变化的流场。然后,我们使用流可视化技术可视化数据中的时空模式。用户在地图上呈现地理参考离散事件的时间趋势。因此,整体的时空数据流模式帮助用户分析地理时空的事件,如疾病暴发,犯罪模式,等来验证我们的模型,我们丢弃的轨迹信息在OD数据集和应用我们的技术数据和比较得出的轨迹和源。最后,我们提出了包括推特数据统计数据的时空趋势分析、海上搜救事件和症状监测案例。
月度存档: 九月 2017
无轨迹信息时空统计数据的数据流分析与可视化(Data Flow Analysis and Visualization for Spatiotemporal Statistical Data without Trajectory Information)
美国雪城大学艺术学院访问北京大学
TACO:可视化表格数据的变化(TACO: Visualizing Changes in Tables Over Time)
悉尼科技大学Jie Lu教授访问北京大学
2017年9月19日下午,悉尼科技大学的Jie Lu教授访问北大可视化与可视分析实验室。Jie Lu教授是一位国际知名的,在模糊迁移学习、决策支持系统、推荐系统、预测和提早警示系统方面的有卓越贡献的科学家。她担任悉尼科技大学Engineering and Information Technology院Research Excellence的副主任,她还是Centre for Artificial Intelligence (CAI)的负责人。她出版过6部研究性的书籍,在学术期刊和会议中发表过400余篇论文。在过去的15年中,她获得过8次Australian Research Council (ARC)的探索津贴和10次其他研究津贴。
ConceptVector: 基于词嵌入的交互式词典构建进行文本可视分析 (ConceptVector: Text Visual Analytics via Interactive Lexicon Building using Word Embedding)
目前而言,许多文本分析方法的核心都是一个Concept:一组表征特定对象、现象或主题的语义相关的关键词。另外,Word Embedding的不断发展允许用户通过一小部分的关键词来构建一个Concept。然而,由于自然语言的多义性,直接使用这种技术可能导致错误。为了降低这个问题,这篇文章[1]提出了一个名为ConceptVector的可视分析系统,来指导用户构建这些Concepts,然后使用它们来分析文档。这篇文章使用现实生活中的数据集来进行案例分析,展示了ConceptVector的细粒度分析。为了支持这个“种子关键词”的概念,他们引用了双极概念模型,并且支持不相关的单词。
文本可视分析中涵盖了很多领域的方法:1. 词关系与层次结构;2. Word Embedding;3.基于单词层次的文本可视分析。
针对航空交通分析的轨迹相关部分聚类方法(Clustering Trajectories by Relevant Parts for Air Traffic Analysis)
如今移动物体的轨迹数据在多个领域被广泛的收集,如动物生态学,运动以及航空。移动物体的相似轨迹的聚类是运动分析中的重要技术。可以使用距离函数基于轨迹点或段的属性来评估轨迹之间的相似性。属性可能包括空间位置,时间和其他数据属性。有这样的需求,需要分析轨迹的某些部分,即具有特定属性的点和段。根据分析焦点,需要对轨迹的相关部分进行聚类。在整个分析过程中,焦点可能会改变,轨迹的不同部分可能会变得相关。这篇文章[1]提出一个分析工作流程,其中使用交互式过滤工具将相关标志附加到轨迹点,聚类是使用忽略不相关元素的距离函数完成的,并且汇总了所得到的聚类进一步分析。
该工作有三个主要的工作流程,分别为过滤,聚类和汇总分析。 继续阅读 »
ACTIVIS: 工业规模深度神经网络的可视化探索 (ACTIVIS: Visual Exploration of Industry-Scale Deep Neural Network Models)
深度学习在许多领域,比如计算机视觉、自然语言处理,取得相当重要的突破。尽管越来越多公司在他们的产品上,用越来越多深度学习模型。但这些模型依靠非常多的参数,尝试从数据中学习隐藏的非线性的结构。这个特点,使得人们难以理解模型的结果,难以分析模型不好的原因进而采取进一步的措施。
近些年,越来越多研究者研发可视化工具,尝试帮助人们理解深度学习模型的结果。但现有的工具,往往针对某一特定的模型和某种类型的数据,不能满足工业界的需求。在工业界,一方面,使用的模型种类非常多,模型结构非常复杂;另一方面,分析的数据类型非常丰富,数据量也非常的大。
为此,本文提出ACTIVIS[1],一个支持工业界深度学习模型分析的可视化探索工具。
近期评论