在高维数据分析中，聚类（Clustering）与降维（Dimension Reduction）都是常用的机器学习方法。前者尝试对数据进行归纳分类，而后者则试图压缩维度并尽可能地保留分布信息。可视分析往往结合两者的优点，以帮助用户更好地挖掘数据隐含的信息。在具体应用中，我们应该如何挑选聚类和降维方法呢？两者的结合都有哪些因素需要考虑，又有哪几种不同的方案呢？这篇发表于IEEE VAST 2017的文章[1] 便系统地探讨了这些问题。

继续阅读 »

如今移动物体的轨迹数据在多个领域被广泛的收集，如动物生态学，运动以及航空。移动物体的相似轨迹的聚类是运动分析中的重要技术。可以使用距离函数基于轨迹点或段的属性来评估轨迹之间的相似性。属性可能包括空间位置，时间和其他数据属性。有这样的需求，需要分析轨迹的某些部分，即具有特定属性的点和段。根据分析焦点，需要对轨迹的相关部分进行聚类。在整个分析过程中，焦点可能会改变，轨迹的不同部分可能会变得相关。这篇文章[1]提出一个分析工作流程，其中使用交互式过滤工具将相关标志附加到轨迹点，聚类是使用忽略不相关元素的距离函数完成的，并且汇总了所得到的聚类进一步分析。

该工作有三个主要的工作流程，分别为过滤，聚类和汇总分析。 继续阅读 »

集合模拟数据是现今科学可视化领域中的重要挑战之一。对于同一个物理现象，使用多个物理模型或者同一模型多组不同参数进行模拟，产生的一组模拟结果就称之为集合模拟数据，每个单独的结果称之为集合成员。对集合模拟数据的研究，一方面可以对各个结果之间的相似性和相异性进行分析，另一方面可以用于进行模型参数的优化。而这个工作主要关注的对应两个问题就是：时变集合模拟数据中趋势特征和异常成员的识别，以及和参数空间的结合探索。

继续阅读 »

集合(ensemble)模拟数据可视化是科学可视化的一个重要研究方向，特别是针对气象学这一特定领域。通过扰动初始条件或者使用不同的预测模型公式，集合方法会生成代表大气未来可能状态的一些数据成员。分析集合预报中的时间演化和可变性是这类问题的一个重要的任务。在已有的方法中，spaghetti plots (意大利面条图)是一种比较常用的分析气象标量场集合数据中等高线(iso-contour)的变化的方法。具体来讲，对于每个时间步，都有一个spaghetti plot展示某一iso-value下所有集合成员的等高线，这些spaghetti plots往往并列放置。如果需要看其动态演变，则需要通过动画的方式。但是，由于用户需要感知大量的视觉信息，动画很难建立连续时间步下等高线之间的关联。针对这一问题，今年的SciVis上提出了一种新的方法，可以分析集合天气预报数据中等高线的时空演变[1]。

继续阅读 »

二部图(Bipartite Graph)是图论中的一种模型，图的顶点集V可以分割成两个互不相交的子集，图中每条边两端的顶点都属于不同的两个子集，并且同一个子集中的顶点不相邻。二部图出现在不少实际情况中，例如研究者和研究课题可以看做是两个不相交的子集，而研究者和研究课题间可以形成联系；议员与议案之间也存在类似的关系。双聚类(Co-Clustering)可以对二部图的两个子集同时进行聚类。

继续阅读 »

运动是这个世界的本质，而运动轨迹则是描述运动的重要方式之一。轨迹数据被人们研究了数百年，研究的对象从战争中的行军路线，船舶航行路线，到鸟类迁徙路线，以及如今GPS技术普及之后的出租车、自行车行驶路线等等。面对轨迹数据，一种常见的做法是对轨迹数据进行聚类，将相似的轨迹数据聚到一起，便于研究者发现内在的模式。来自纽约大学与AT&T实验室的学者Nivan Ferreira等人在今年的EuroVis上提出了一种新颖的基于向量场拟合的向量场k-Means算法。

继续阅读 »