作者存档: chenglei

ThermalPlot: 使用暖气流隐喻可视化多属性时序数据(ThermalPlot: Visualizing Multi-Attribute Time-Series Data Using a Thermal Metaphor)

多属性时间序列数据在许多不同的领域,如经济学,传感器网络和生物学中都起着至关重要的作用。理解这些数据的一个重要任务是为用户提供一个总览,帮助用户识别随着时间的推移显示出有趣的绝对和相对变化的数据项。但是,现有的可视化技术并不能很好地支持这一点。为了解决这个问题,作者提出了ThermalPlot[1],把多个属性随着时间的推移变化映射到空间中位置的变化。ThermalPlot中的x位置是基于用户定义的兴趣度Degree-of-interest(DoI)函数,该函数通过加权综合了多个属性数值。 y位置由用户指定时间窗口内DoI值(DDoI)的相对变化决定。通过一个移动的时间窗口对这个映射进行动画处理会导致数据项的位置随着时间做环形的移动,就像热系统一样,因此使用暖气流的隐喻。作者通过OECD国家经济合作和发展数据和股票市场数据两种使用场景来展示ThermalPlot技术的有效性。

继续阅读 »

通过对OD数据的空间时间抽象来揭示大规模移动数据的模式和趋势(Revealing Patterns and Trends of Mass Mobility Through Spatial and Temporal Abstraction of Origin-Destination Movement Data)

Origin-destination (OD)移动数据没有具体的描述移动的轨迹,而是仅具有起点,目的地,开始和结束时间以及其他属性。为了研究大规模移动数据的时空模式和趋势,常常把单个轨迹通过时间间隔聚合成流。时变的OD流数据为可视化和分析提出了两个难题。首先,流可以连接任意位置,从而形成的具有许多边缘交叉遮挡的难以理解的表达。第二个挑战是需要分析长时间序列的多个空间状态。这篇文章[1]提出一种方法,通过空间和时间抽象来促进对长时间序列流数据的探索。它通过一种特殊的数据聚合方式,允许通过图表而不是流图来表示空间状态,从而减少流图所具有的交叉和遮挡问题。聚合数据用于通过空间状态的相似性对时间间隔进行聚类。聚类结果的时间和空间可视化表达有助于发现大规模移动行为的周期性模式和长期趋势。

继续阅读 »

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 »

对交通流的可视化、过滤与分析(Visualization, Selection, and Analysis of Traffic Flows)

移动物体(Moving objects)例如车辆、船舶、飞机等不是随机地运动,而是有一定的功能性的关系,例如飞机的有相同的目的地。这时我们把这类轨迹的集合成为交通流(Traffic flows)。然而这些轨迹通常数目多而且具有重叠。交通流通常会有一定的行为模式(Patterns),但是这些模式很难挖掘到。因此可视化交通流面临许多挑战: 继续阅读 »

Map LineUps: 空间结构对图形推理的影响(Map LineUps: effects of spatial structure on graphical inference)

地图是展现空间数据的有效工具之一。人们常常用地区分布图(choropleth maps),在不同的地图单元中使用不同的颜色来表示不同的数据范围。图形推理是一门可以帮助人们发现以及解释地图中的空间模式的技术。Wickham等人的 line-up[2]使用零假设显著性检验的方法,让人们从一些通过零假设生成的“诱饵”的混合集找出由真实数据绘制的地图,来确定所发现的模式的可信性。

继续阅读 »