作者存档: Qiangqiang Liu

基于等价目的地的位置相关路网概括(Location-dependent generalization of road networks based on equivalent destinations)

位于道路网中某个顶点的用户想要到达某个地方。事实上用户的确切目的地可能与计划路径关系不大,因为确切的目的地并不会影响我们的初始方向。我们到达目的地有很多的条路径,其实绝大部分路径是重合的。许多目的地对于用户来说是等效的。我们提出了一种自动找到这些等价目的地的方法,并通过所得到的这些集群来简化路网。我们将这个问题模型化为有根,边缘加权的树中的聚类问题。我们计算出的聚类网络提供了一个常数等价度因子。通过我们这种方法可以简化节点和边,使得我们寻找最短路径的时候能够不被整个地图所干扰,能够高效的找出最短路径[1]。

继续阅读 »

在长的时间序列上使用形状语法对手绘图案进行高效匹配(Shape Grammar Extraction for Efficient Query-by-Sketch Pattern Matching in Long Time Series)

数千甚至数百万的时间步的长的时间序列,在许多应用领域是常见的,但是我们想要交互性的探索这些时间序列及其困难。通常我们的分析任务数据是识别特定模式,但是找到有趣的模式是非常复杂的和需要大量的计算。我们提出一种有效的方法来探索用户绘制的模式,结合领域专家的知识,通过形状语法的方法来探索时间序列数据。形状语法是从时间序列中提取我们定义的基本形状组合。我们使用比率值来表示这些基本形状,使用对比值进行模式匹配。我们提出的模式匹配方法是基于幅度,尺度和翻译不变性。在图1中,将感兴趣的草图模式与时间序列数据匹配。 我们能够基于梯度比对非常大的时间序列进行实时的模式匹配[1]。

继续阅读 »

在智慧工厂中可视化监测流水线的状态(Visual Diagnostics of Assembly Line Performance in Smart Factories)

工业4.0受到越来越多的关注,这促进了“智慧工厂”的提出。智慧工厂与传统的制造业相比,它具有高度的数字化。每个状态的改变都可以被记录和存储起来,能够使管理员很快发现异常并且解决。工厂中的流水线由一系列的工作站组成,其中每个工作站对应产品的一种状态。产品在生产过程中,记录下产品在每个阶段的状态。这篇文章提出了一个对制造业大数据数据分析的可视化分析系统。它能够对流水线进行实时追踪和分析历史数据。能够监测出流水线的异常事件和对其进行预测分析[1]。

继续阅读 »

时间序列多粒度趋势检测分析(Multi-Granular Trend Detection for Time-Series Analysis)

trendtitle

 图1 时间序列数据的趋势检测

时间序列数据数据越来越多,如何快速的从这些数据中得到一个概览和展示数据之间的结构显得极为重要。对于典型的时间序列数据集合数据(ensemble)具有复杂性和不确定性的特点。本文对该类数据提出了一种趋势检测的几何模型,提供多种交互手段,能够让我们快速的看到时间序列数据的变化趋势和它们之间的关系。

继续阅读 »