标签存档: 时序数据

LSTMVis:一个递归神经网络中隐含状态动态变化的可视分析工具 (LSTMVis: A Tool for Visual Analysis of Hidden State Dynamics in Recurrent Neural Networks)

图3:LSTMVis的用户界面

深度神经网络已经在计算视觉、自然语言处理等许多领域中取得了卓越的性能表现。深度神经网络能够自动地学习输入数据的隐含特征表示,用于相关任务。之所以称之为“隐含”特征表示,是因为这些特征表示难以以原始输入数据的形式表示出来,从而让使用者难以理解深度神经网络到底学习到了数据的什么信息。现有的研究中,有许多深度神经网络被广泛应用:标准的前馈神经网络、用于图片任务的卷积神经网络、以及用于对序列数据建模的递归神经网络等等。本文主要关注一类递归神经网络——长短期记忆(Long Short-Term Memory, LSTM)模型中隐含状态表示的可视化。

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 »

TimeArcs: 可视分析动态图中的波动 (TimeArcs: Visualizing Fluctuations in Dynamic Networks)

可视分析动态图中数据的波动模式,是个很有挑战性的问题。一般情况下,我们会选择small multiples形式或动画形式,来分析动态图中的变化模式。本文提出了新的可视化展示方式,TimeArcs,来分析动态图中的波动模式。 继续阅读 »

时间曲线: 通过折叠时间轴来表现时序数据的演化特征 (Time Curves: Folding Time to Visualize Patterns of Temporal Evolution in Data)

时间曲线示意图

在一个时序数据中,不同时间点的数据之间往往有一定的联系,譬如气温达到了近年来的最低,音乐旋律回到了最初的主题等等。而传统的线性时间轴,虽然能展示连续的数值变化,却无法表达这种具有时间跨度的数据关联。本文提出了一种直观通用的可视化方法,即所谓的时间曲线[1],通过折叠时间轴的方式来反映数据中的自相关性(self-similarity),以此来发掘数据演变的规律。

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 »

传感器网络中时序数据相似性探索与异常检测的可视分析 (Visual Analysis of Time-Series Similarities for Anomaly Detection in Sensor Networks)

智能电网(Smart Grid)连接城市的不同部位,将发电厂产生的电能输送到千家万户,对城市的正常运转至关重要。用户用电量的变化,以及偶尔发生的电网故障,都会导致电网上各处的负载发生变化。电网不同位置有不同的负载变化模式,会出现不同的异常状况。电网管理人员需要密切监视这些模式和异常。然而,对电网负载的分析较为复杂。首先,这种分析需要同时考虑多个角度,包括:电网上传感器的空间分布、拓扑关系以及每一个传感器上的负载变化,而通常的分析工具往往只考虑时变特征或者拓扑特性。此外,电网上的异常行为通常难以预知,因此没有特别好的自动方法可以检测所有异常,而异常检测很大程度上以来于专业人员的判断。在EuroVis 2014中,来自德国的研究者们设计了一个可视分析系统 [1],可以同时研究电网中的相似性和异常事件。

继续阅读 »

TimeBench:应用于时序数据可视分析的数据模型与软件库 (TimeBench: A Data Model and Software Library for Visual Analytics of Time-Oriented Data)

我们生活的信息时代被数字包围,记录我们一举一动的许多数据带有时间的信息,被称为与时间有关的数据,或时序数据(Time-oriented Data),常见的时序数据如电子医疗记录、网络流量记录等等。时间是一个十分特殊的维度,不同于普通的数值变量维度,时间中存在不同粒度的计时方法和循环方式,选择何种的粒度取决于数据分析的具体应用。

继续阅读 »