分类存档: 未分类

动物运动生态学的探索性视觉分析(Exploratory Visual Analysis for Animal Movement Ecology)

运动生态学家研究动物的运动,以帮助了解他们的行为和相互作用和环境。从GPS记录器的数据越来越重要。这些数据需要进行处理,分割和总结进一步的可视化和统计分析,往往使用预定义的参数。通常情况下,这个过程是分开的后续的视觉和统计分析,使这些结果很难通知数据处理,并帮助设置适当的规模和阈值参数。本文[1] 探讨了使用高度互动的视觉分析技术,处理原始数据和探索性的可视化分析之间的差距缩小。与动物运动生态学家密切合作,我们提出的要求,使数据的特点来确定,初步研究的问题进行调查,以及进一步分析的数据进行评估的适用性。我们设计的视觉编码和互动来满足这些要求而提供的软件实现。我们展示了这些技术与指示性的研究问题的一些鸟类,提供软件,并讨论更广泛的动物运动生态学的影响。

继续阅读 »

通过用户调研探究如何改进时间序列可视化中的用户体验(Investigating Time Series Visualisations to Improve the User Experience)

一个可视分析系统可以分成视觉表示和交互两个部分。有很多用户调研的相关工作对不同的视觉表示进行比较,但是少有相关工作对不同的交互设计进行比较。因此,这篇工作首要关心的是对于不同交互的比较。此外,在相关工作中,对于不同的视觉编码之间的比较仅限于位置编码和颜色编码效果的比较,没有人比较过面积编码与前两种编码的效果差别。也很少有人(但确实有)比较过笛卡尔坐标系和极坐标系的差别。综上,这篇工作就是要对不同的交互、视觉编码、坐标系下的时间序列可视化通过实验进行比较。

继续阅读 »

用海量出租车轨迹数据选取广告牌放置位置(SmartAdP: Visual Analytics of Large-scale Taxi Trajectories for Selecting Billboard Locations)

广告牌是最常见的室外广告形式之一。尽管电视广告等传统广告方式仍然占据主导地位,但是近些年来随着人们在出行上花费的时间越来越多,室外广告牌这种广告形式也变得越来越有价值。室外广告牌是否有效取决于他的内容设计,可见性以及放置的地理位置。其中地理位置被认为是最重要的因素。然而选取室外广告牌的放置点并非易事,传统选取室外广告牌位置的方法依靠领域专家进行人工的选取,找到多个潜在的地点,进一步计算每个地点的人流量分析、人群种类分布等人口统计信息,生成报告。提供给商户做参考和选择。这样的方法自动化程度不高并且十分依赖领域专家的知识。因此来自香港科技大学可视化团队的成员开发了SmartAdP,一个基于出租车轨迹数据选取广告牌放置位置的可视分析系统。
继续阅读 »

Vol2velle: 一种可交互的物理媒介体可视化(Vol2velle: Printable Interactive Volume Visualization)

在体可视化中,有很多重要的交互,比如转动视角、更换传递函数、改变观测的界面、调整光源位置。在有些应用场景中,我们需要将这些体可视化印刷出来,用纸质的方式呈现。比如,当我们想把一个可视化的结果分发给很多人的时候,使用纸质的形式能够比电子的形式更加便宜;并且,在相关工作中,研究者发现在相同条件下,比起电子的可视化,使用纸质的可视化能够让用户更好地理解数据。但是常规的纸质媒介的体可视化不具有交互性,在体可视化中各种重要的交互都无法进行,这使得纸质的体可视化的效果比起电子的体可视化效果大打折扣。针对在物理媒介中保持体可视化的交互的问题,作者设计了VolumeVolvelle [1](也即Vol2velle),一种可交互的物理媒介体可视化。

继续阅读 »

可视化演示:一种可视化数据探索的交互范式(Visualization by Demonstration: An Interaction Paradigm for Visual Data Exploration)

图片 1

图1. 可视化演示的工作流程

本文提出了可视化演示,这是可视化数据探索的一种新的交互方法。它可以独立使用或添加到现有的可视化工具。不同于直接的可视化规范,这种方法允许用户提供可视化表示增量变化的可视化演示。用户可以直接操作空间和图形的编码。然后,该系统基于给定的演示提出潜在转换的建议,它也提取了能够匹配给定演示的可视化映射和参数。由于它不需要用户提前指定可视化技术,它降低了可视化数据探索所需的基本知识水平。用户和系统继续合作,逐步产生更多的演示,然后提炼出转换方式。 继续阅读 »

用时序MDS视图分析高维数据(Temporal MDS Plots for Analysis of Multivariate Data)

在大数据时代,数据的维度越来越丰富,一个数据往往拥有许多属性(Multivariate)。同时数据越来越多的数据带有着时间属性,如何分析高维数据的在时间上的模式成为一项挑战。在现实中,这类数据包括了计算机通络流量数据、医疗数据、金融数据等。可视分析技术致力于帮助人们理解复杂的数据并且找到数据中蕴含的模式。在2015的VAST论文中,来自德国Konstanz大学的小组提出了时序MDS视图(Temporal MDS Plots)的方法帮助分析高维数据在时间上的模式。 继续阅读 »

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)

出租车是城市交通情况的探针。近些年来,许多城市都在采集出租车GPS轨迹数据。同时,越来越多的机构例如交通局、公司或者研究机构利用这类数据做分析。来自Kent State大学的这个工作利用图模型分析轨迹数据,分析城市中不同区域在交通中的重要程度。把路网数据的每个路段当做图的顶点,用1.道路长度、2.车流量、3.旅行时间、4.车速四种方式定义不同类型的图,在不同的时间段生成不同的图。利用图分析中的Pagerank和betwneeness的概念度量节点的重要性,分析深圳市的交通状况。

继续阅读 »

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

移动物体(Moving objects)例如车辆、血管、飞机、或者行人的轨迹是一种常见的数据。当这些移动物体不是随机地运动,而是有一定的行为模式,例如飞机的航线是固定的,城市中车辆的轨迹反应人们出行的规律,这时我们把这类轨迹的集合成为交通流(Traffic Flow)。然而可视化交通流面临许多挑战:

1.如何可视化所有轨迹的概览(overview)能让用户轻松的找到他们关心的交通流。

2.如何选取交通流。

3.如何分析交通流的运动特征(例如方向,速度,海拔高度等)。

4.如何对比不同的交通流。
继续阅读 »

对偶邻接矩阵:稠密网络中的邻边聚类探索(Dual Adjacency Matrix: Exploring Link Groups in Dense Networks)

对关系网络图中的结点进行聚类是社群分析的一个重要方法,但对于特殊任务,比如寻找社群之间的公共结点,对边进行聚类则更加有效[1]。这篇EuroVis2015的文章[2]通过对偶邻接矩阵(Dual Adjacent Matrix)的方法,把结点邻接矩阵和边邻接矩阵合并到了一起,共同来进行网络图中的社群分析。

继续阅读 »

矩阵可视化中表现形式和并列排布方式对视觉感知的影响(The Effects of Representation and Juxtaposition on Graphical Perception of Matrix Visualization)

图数据(或网络结构数据)是一种常见的由顶点和边组成的数据类型,例如人与人的社交网络,计算机网络架构。对于网络数据的可视化通常有矩阵(matrix)和点边图(node-link graph)两种形式。本文[1]专注分析无向图数据的矩阵可视化。包括分析两种矩阵的表现形式:方形矩阵(square matrix)和三角矩阵(triangular matrix),以及基于三角矩阵的三种并列排布方式:并排(side-by-side),背靠背(back-to-back),互补拼接(complementary) 对用户的影响。并且基于分析的结论提出了用于时变(time-varying),多属性(multi-faceted),带权重(weighted)的无向图数据的可视化设计—— TileMatrix。 继续阅读 »