MovementSlicer:更好的甘特图可视化移动数据中的行为和相遇事件(MovementSlicer: Better Gantt Charts for Visualizing Behaviors and Meetings in Movement Data)

通过GPS或其他技术收集的移动数据越来越普遍,但是这种数据由于在二维地图上轨迹的遮挡问题而变得难以可视化出来。另一个挑战是提取原始移动数据中有用的更抽象的特征信息(例如相遇事件)。作者展示了MovementSlicer[1]的设计研究,一个可视化个人访问地点和行为的工具,同时展示多个参与者之间的相遇事件。作者首先提出运动数据可视化的分类,然后在分析运动数据,特别是多个参与者的相遇事件支持的任务。他们认为甘特图对于理解小团体的运动和相遇事件有很多好处,并且提出了一个甘特图的设计,甘特图可以把人物嵌入地点信息或地点嵌入人物信息展现在Y轴,并沿水平方向x轴显示时间轴。甘特图的行可以按照活动级别进行排序,并且可以使用显示人们之间相遇次数的加权邻接矩阵进行过滤。甘特图中的没有记录信息的时间间隔可以自动折叠,从而产生多焦点视图。作者使用多个案例研究证明了MovementSlicer的实用性。

继续阅读 »

HiPiler: 基于交互式small multiples的大型基因组交互矩阵可视分析工具(HiPiler: Visual Exploration of Large Genome Interaction Matrices with Interactive Small Multiples)

 

人类基因组长约2米,紧密折叠到每个细胞核中。这种存在方式导致相聚很远的基因组序列可以紧密地在空间上接近。生物学家分析发现,基因组序列在空间上的靠近行为与某些疾病的发生紧密相关。为更好地帮助领域专家分析基因组的构建,这篇文章[1]提出一个可视分析工具HiPiler(图1)。这个工具支持用户在非常巨大的矩阵中,分析少数模式(patterns)的特征。

继续阅读 »

交互式的从表格中提取数据(ChartSense: Interactive Data Extraction from Chart Images)

表格数据广泛存在于各种类型的电子文档中,比如网页,论文,幻灯片等等。但是表格中存在的数据我们是无法获取的。所以从表格数据从提取原始的数据变得极为重要。提取出数据后,我们可以对数据做进一步的分析,或者改进原有的表格形式。

继续阅读 »

现场决策中异构数据异常检测的沉浸式可视化(Immersive Visualization for Abnormal Detection in Heterogeneous Data for On-site Decision Making)

随着混合现实的发展,HoloLens等头显设备为我们提供的在现实世界中探索数据的能力对可视化交互和分析越发重要。对于安全可视化,混合现实可以产生桌面可视化难以实现的效果,能够满足无需上下文转换的数据探索和物理操作,并支持多人协同探索,在许多安全领域应用中有实际意义,涉及范围涵盖从基础设施安全和应急响应到对可疑行为的日常监控。研究如何利用MR在真实物理环境中有效地可视化抽象数据并利用声音和姿势与之交互具有创新的意义。本文[1]使用VAST Challenge 2016的数据集,以复杂的多维时序传感器数据中隐含的安全事件作为研究对象,提出了异常检测的方法,设计了一套沉浸式可视分析系统,能够将二维图表信息和三维平面图信息紧密结合,并提供了语音、凝视和手势等交互。

继续阅读 »

Voyager 2:通过部分具体视图扩展可视分析(Voyager 2: Augmenting Visual Analysis with Partial View Specifications)

探索性的可视分析主要分为两类高层级的任务,一类是无预期结论的探索,一类是针对于特定问题的解答。然而现有的工具都仅针对上述的一个任务进行设计,没有能同时解决上述两个任务的工具。

因此,这项工作提出了一个名叫Voyager 2的工具,它是一个新型的,混合主动性的系统。它混合了人工和自动的图形绘制,帮助分析人员进行无预期结论的探索,和解答特定问题。

继续阅读 »

Keshif: 提供可视化初学者快速有表现力的表格数据探索 (Keshif: Rapid and Expressive Tabular Data Exploration for Novices)

现有的一些交互式可视化设计环境,一般针对的是通用的可视化环境,强调强大的表达能力。用户需要手动定义可视化和交互。这样就造成用户学习这类工具的开销较大,探索数据的速度减缓等问题并且可视化初学者容易选择低效甚至错误的可视化映射。

继续阅读 »

气泡树图对不确定性的可视化(Bubble Treemaps for Uncertainty Visualization)

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。

继续阅读 »

CrystalBall: 对于社交媒体数据进行未来事件识别和分析的可视分析系统 (CrystalBall: A Visual Analytic System for Future Event Discovery and Analysis from Social Media Data)

社交媒体数据可以为世界各地发生的事件提供宝贵的见解,且事件本质上是时间和空间的。现有的文本可视分析系统专注于探测和分析过去和正在进行的事件,很少有人利用社交媒体信息来寻找未来可能发生的事件。在本文中,我们提出了一个交互式可视化分析系统CrystalBall,它可以自动识别和排列来自Twitter的未来事件。 CrystalBall集成了新的方法,通过交互式可视化发现事件,从而可以识别未来事件。该方法利用有关的时间,地点,社交网络和消息,整合了七种不同的方法来识别和表征未来事件。同时,可视化界面与计算方法紧密结合以提供未来可能事件的简明摘要。

继续阅读 »

在异步协同式意义构建场景下使用知识传输图传递知识(Supporting Handoff in Asynchronous Collaborative Sensemaking Using Knowledge-Transfer Graphs)

在数据分析中,将知识和发现通过可视化的方式展现出来可以帮助分析者追踪、组织、综合自己的发现和问题。当分析者互相合作时,通过互相交流,这些可视化形式能够帮助分析者互相理解自己的发现,这被称为协同式意义构建(Collaborative Sensemaking)。然而在复杂场景下,如何在合作者之间明确的传递知识(Tranfer of Knowledge/Handoff) 仍然是一个挑战。在异步合作场景下,分析者由于时空限制或者隐私考虑等不能够直接见面或者交流,前一个分析者需要将自己的发现传递给下一个分析者,但是少有的分析系统能够满足这样的需求。本文提出了一系列可视化加护技术帮助异步合作者之间有效传递发现、知识。

继续阅读 »

基于规则,聚类以及选择的多变量事件序列的探索(Exploring Multivariate Event Sequences using Rules, Aggregations, and Selections)

事件序列类型的数据在现实生活中广泛存在,比如通信过程中传递的数据包,医院中病人的看病流程,商场中用户的购买记录等等。在通常情况下,对于事件序列进行分析用到的属性非常有限,包括时间属性以及事件类型,然而对于某些数据分析任务,必须要结合对于事件对象的多变量分析。本文所针对的问题即为多变量的事件序列数据的探索[1], 将正则表达式扩展到事件序列的基础上,提出基于规则,聚类以及选择的多变量事件序列的探索流程,并且在此基础上开发了多变量事件序列的可视分析系统,本文通过对于通话数据以及病人看病流程数据的探索验证了系统的有效性。

继续阅读 »