使用时间序列数据的许多领域专家面临的共同挑战是如何识别和比较类似模式。该操作是很多研究任务的基础，例如检测重复现象或创建类似时间序列的簇。虽然存在用于计算时间序列相似性的自动测量算法，但是通常需要人工干预来视觉检查这些自动生成的结果。可视化文献已经检查了相似性感知及其与折线图的自动相似性度量的关系，但尚未考虑替代可视化表示（例如地平线图和色域）是否会改变这种感知。受神经科学家如何评估癫痫样式模式的启发，本文[1]进行了两项实验，研究这三种可视化技术如何影响EEG信号中的相似性感知。我们试图了解自动相似性度量返回的时间序列结果是否以类似的方式被感知，而与可视化技术无关;如果人们认为与每个可视化相似的东西与不同的自动测量及其相似性约束一致。我们的研究结果表明，水平图与相似性度量对齐，这些度量允许比其他两种技术更多的时间位置或速度的局部变化（即，动态时间扭曲）。另一方面，水平图不与对幅度和y偏移缩放不敏感的度量（即，基于z归一化的度量）对齐，但是线性图和色域的情况似乎是逆的。总的来说，我们的工作表明，可视化的选择会影响我们认为相似的时间模式，即时间序列中的相似性概念不是独立于可视化的。
12月27日上午，来自同济大学的曹楠教授为大家带来了题目为《基于智能可视化的电子病历分析及辅助诊疗技术（Visualization in Health Informatics）》的讲座，详细阐述了可视化在医疗信息领域的应用。 继续阅读 »
互动排名技术大大提高了分析师根据多种标准有效做出明智和明智决策的能力。然而，现有技术不能令人满意地支持对大规模空间替代品进行排序所涉及的分析任务，例如为连锁店选择最佳位置，其中所涉及的复杂空间背景对于决策过程是必不可少的。在将排名与空间背景相结合的先前尝试中观察到的局限性促使我们开发上下文集成的视觉排序技术。基于我们通过与领域专家合作总结的一组通用设计要求，本文[1] 提出了SRVis，一种新颖的空间排序可视化技术，通过解决上述环境集成中的三个主要挑战，即支持高效的空间多标准决策过程，即a）空间排名和背景的呈现，b）排名的可视化表示的可扩展性，以及c）对上下文整合的空间排名的分析。具体来说，我们使用可扩展的基于矩阵的可视化和基于新型两阶段优化框架的堆叠条形图来编码大量排名及其原因，该框架可最大限度地减少信息丢失，并采用灵活的空间过滤和直观的比较分析来实现 深入评估排名并帮助用户选择最佳空间替代方案。通过对优化方法，两个案例研究和专家访谈的实证研究，对所提出技术的有效性进行了评估和论证。
了解集体的运动模式，如鸟群或鱼群，是一个有趣的开放研究问题。集体由共同目标驱动或对个体方向变化和外部影响因素和刺激作出反应。可视化集体运动数据的挑战是同时显示数百个运动的空间和时间，以便能够检测时空模式。本文[1] 提出了MotionRugs，一种用于可视化移动实体组的新型空间高效技术。在已建立的空间划分策略的基础上，我们的方法将每个时间步骤中的空间维度减少到单个实体的一维有序表示。通过设计，MotionRugs提供了无重叠，紧凑的群体运动随时间发展的概述，从而使分析师能够直观地识别和探索群组特定的时间模式。我们证明了我们的方法在鱼群分析领域的有用性，并报告了集体行为领域领域专家的初步反馈。 继续阅读 »
散点矩阵（SPLOM）是可视化中渲染多变量多类别数据的常用技术。然而，多类别 SPLOMs 有透支（重叠点）的问题，大多数现有技术只关注于单个散布图与单一类的透支减轻问题。本文利用闪烁点动画来达到减轻多类别散点矩阵中的透支问题。在69个参与者的用户研究中，我们发现用户不仅在使用动画SPLAMs识别密集区域方面表现更好，而且还发现他们更容易解释，并且优于静态散点矩阵。这些结果为今后减轻多类别SPLOM透支的工作开辟了新的方向，并为应用动画减轻其他可视化形式中的透支提供了见解。
由于缺乏构建在创造性的视觉表达的同时，提供支持将图形内容绑定到数据的工具，创建异想天开的个人数据可视化仍然是一个挑战。许多数据分析和可视化创建工具的目标是可视化表示的快速生成，但缺乏图形设计所必需的功能。工具包和制图库提供了更多的表达能力，但需要专家编程技巧来实现定制设计。相反，素描以自由形式的方式提供流体实验与视觉形状和布局，但需要手动绘制每一个数据点。我们的目标是弥合这些极端之间的差距。本文[1]提出了DataInk，一个支持通过直接笔和触摸输入的严格直接操作来创建表达性数据的可视化系统。利用我们常规的操作，再加上一个新颖的图形用户界面，DataInk使创造性数据可视化的直接、流畅和灵活的创作成为可能。
事件序列数据，如电子健康记录、一个人的学术记录或汽车服务记录，都是一段时间内发生的一系列事件。分析事件序列的集合可以揭示常见的或语义上重要的序列模式。例如，事件序列分析可能揭示了常用的治疗疾病的护理计划，教授的典型出版模式，以及导致维护良好的汽车的服务模式。然而，在视觉上探索大量事件序列或大量事件类型的序列是具有挑战性的。现有的方法侧重于通过统计分析来提取事件的明确匹配模式，以创建随时间变化的事件进程的阶段。然而，这些方法未能捕捉到相似但不完全相同的事件序列演化的潜在簇。在本文[1] 中，我们引入了一个新的可视化系统命名事件线程集群事件序列为基于张量分析线程和可视化的潜伏阶段分类和演化模式的交互的线程分组相似到特定时间集群。通过用户与专家的访谈，在三个不同应用领域的使用场景，我们证明了事件线程的有效性。
本文[1]提出了一个新的圆形树图类型，故意分配额外的视觉变量的额外空间。有了这个扩展的可视化设计空间，对分层结构数据及其组合图中的不确定性进行编码。本文引入一个分层和基于力的圆填充算法来计算气泡图，其中每个节点使用嵌套轮廓圆弧的可视化。气泡图不需要任何颜色或底纹，以提供更多的设计选择。本文探讨的不确定性可视化作为一个应用程序，使用标准误差图和蒙特卡洛的统计模型。为此，本文将讨论不确定性如何在层次结构中传播。此外，本文用三个不同的例子说明了我们的可视化的有效性：Flare的包装结构、标准普尔500指数和美国消费者支出调查。
本文[1]通过在交互中加入个人代理，对流行的交互刷选技术进行了推广。将现有的交互刷选研究映射到一个设计空间，并把交互技术解构为三个部分：源（被刷选的对象），链接（源和目标之间的关系表达），和目标（显示源相关的是什么）。采用这种设计空间，本文创造了MyBrush，这是一个统一的接口，在交互刷选中提供个人代理，用户可以灵活配置多个刷的源，链接，和目标。三个焦点小组的实验结果表明，不同背景的人用不同的方式使用个人代理，包括执行复杂的任务和显式地显示链接。我们对这些结果进行了反思，为未来个人代理在信息可视化中的作用奠定了基础。
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。
近期评论