标签存档: 时变数据可视化

IGAL可视化讲习班-6:基于智能可视化的电子病历分析及辅助诊疗技术 – 曹楠

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 »

SRVis:在可视化排名中实现更好的空间整合(SRVis: Towards Better Spatial Integration in Ranking Visualization)

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。

继续阅读 »

事件线程:视觉总结阶段的事件序列数据分析(EventThread: Visual Summarization and Stage Analysis of Event Sequence Data)

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。

继续阅读 »

无轨迹信息时空统计数据的数据流分析与可视化(Data Flow Analysis and Visualization for Spatiotemporal Statistical Data without Trajectory Information)

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。

继续阅读 »

多空间分辨率的时变气候集合模拟数据可视化 (Visualization of Time-Varying Weather Ensembles Across Multiple Resolutions)

系统的可视化界面

在气象相关的集合模拟中,量化模型中的不确定性是领域科学家们十分关心的问题,其对在现实世界中做出决策有十分重要的意义。现如今,随着计算能力的飞速提高,已有的模型模拟已经能够产生出时变的多分辨率的集合模拟数据集。因此而产生了领域科学家十分关心的两个问题:一是输入参数的敏感度信息,二是模型在不同分辨率下的精确程度。根据输入参数的敏感度信息,可以将更多的计算资源倾斜到那些对输出有更高影响上的输入变量上。同时,了解模型在不同分辨率下的精确程度,也能在节省存储和计算代价的前提下,得到足够优秀的模型输出结果。本文就针对WRF (Weather Research and Forecasting) 模型,根据其在不同参数不同分辨率下的输出,并在真实数据的辅助下,研究参数敏感度和空间分辨率精确度的关系。

继续阅读 »

在平行坐标图中集成时间序列图 (Time-Series Plots Integrated in Parallel-Coordinates Displays)

图3:探索两变量间变化的延迟的关系

时变的高维数据是一类十分复杂的数据。例如,在模型模拟数据中,通常会预先设置一些(非时变的)输入参数的数值,然后模型模拟会产生一些输出属性,其中有些是非时变的,而有些是时变的。在这些数据中,领域专家通常需要研究输入参数与输出参数、输出参数之间的关系。此时,对时变高维数据进行可视化就变得非常重要了。本篇工作中提出了一种基于平行坐标图的焦点+上下文的可视化方式,通过在平行坐标图的相邻轴之间插入时间序列图来展示时变信息。

继续阅读 »

公共交通数据中途经限制的OD模式可视分析 (Visualizing Waypoints-Constrained Origin-Destination Patterns for Massive Transportation Data)

在交通领域,对OD模式的研究能够帮助交通领域的专家研究城市交通的动态规律以及移动行为。但是大多数OD模式的研究多集中于对全局OD模式的探索,而很少针对具有一定限制的OD模式分析。基于这个需求,本文[1]提出公共交通数据中途经限制的OD可视分析方法,通过交互式过滤满足途经限制的轨迹,并提出新颖的可视化设计,帮助领域专家分析对应的OD模式。

继续阅读 »

PieceStack: 更好理解堆叠图 (PieceStack: Toward Better Understanding of Stacked Graphs)

对于多条时变数据的可视化与分析有多种方法,包括了多折线图、堆叠图、折线图的Small Multiples布局等。作为一种直观的多时序数据可视化方法,堆叠图因其直观形象的可视化表达被广泛使用。但同时由于存在着比较困难、当时序数据数量增加时可伸缩性差等缺点,被谨慎地用于可视分析中。本文[1]提出一种基于堆叠图的可视化设计,PieceStack,更好地理解和使用堆叠图进行时序数据的分析。

继续阅读 »

时变集合模拟数据的有效可视化 (Effective Visualization of Temporal Ensembles)

图1:对于单个时间步粒子形态的可视化。左图包含八叉树的完整结构,右图仅包含八叉树中第四层的结构。

随着计算能力的不断提高,集合模拟 (ensemble) 数据已经被广泛应用于各类科学模拟中。从定义来说,一个集合模拟数据是一组紧密相关数据集的集合,每个数据集被称作“成员”,它们来自于同一次模拟或同一次试验的多次运行结果。通常集合模拟数据的分析难度巨大,既因为其数据量庞大,也因为其具有时变、高维、以及多变量的多重复杂性。本文提出了一系列的可视化分析方法来研究这类具有时变特征的集合模拟数据,尤其是其关注其所包含特征在各成员间的异同及演变过程。

继续阅读 »

用于理解时变体数据的图挖掘 (Mining Graphs for Understanding Time-Varying Volumetric Data)

在科学可视化中,利用graph等抽象视图来展示数据是近年来一中比较流行的趋势。通过将数据和它们之间的关系映射到一个低维的空间,用户往往可以探索更复杂的数据关系,并且更好地理解数据的特性。但是,这些基于graph的方法大多数都缺乏足够的对用户探索的引导,导致用户常常只能够依赖于一些低级的视觉提示(例如结点和边的大小和密度等)和简单的刷选链接等交互,在使用的时候会感到费时费力。当面对规模比较大数据关系比较复杂的情况时,这些方法更是表现出了很大的不足。针对这些问题,这篇文章提出了一种图挖掘的方法,包含了图简化(graph simplification),社区检测(community detection)和视觉推荐(visual recommendation)等三种技术,能够自动提取时变数据的特征[1]。

继续阅读 »