标签存档: 比较可视化

Visual Boosting in Pixel-based Visualizations (基于像素的可视化中的视觉增强)

基于像素的可视化方法是针对每一个数据项仅使用很小的一个区域(若干个像素)进行视觉编码的一种可视化方法。在面对大规模数据集时,基于像素的可视化方法有较好的表现,可以提供高分辨率。然而同时也有其弊端,若数据较为稀疏,像素大小的数据项容易被人忽视,而若数据项较密集,紧密排布的像素数据点会掩盖潜在的数据特征。因此,视觉增强的方法被用来加强对基于像素的可视化的认知,常用的视觉增强方法有光轮、颜色、变形、影线、形状符号等。

继续阅读 »

比较时间序列可视化中的相似感知(Comparing Similarity Perception in Time Series Visualizations)

使用时间序列数据的许多领域专家面临的共同挑战是如何识别和比较类似模式。该操作是很多研究任务的基础,例如检测重复现象或创建类似时间序列的簇。虽然存在用于计算时间序列相似性的自动测量算法,但是通常需要人工干预来视觉检查这些自动生成的结果。可视化文献已经检查了相似性感知及其与折线图的自动相似性度量的关系,但尚未考虑替代可视化表示(例如地平线图和色域)是否会改变这种感知。受神经科学家如何评估癫痫样式模式的启发,本文[1]进行了两项实验,研究这三种可视化技术如何影响EEG信号中的相似性感知。我们试图了解自动相似性度量返回的时间序列结果是否以类似的方式被感知,而与可视化技术无关;如果人们认为与每个可视化相似的东西与不同的自动测量及其相似性约束一致。我们的研究结果表明,水平图与相似性度量对齐,这些度量允许比其他两种技术更多的时间位置或速度的局部变化(即,动态时间扭曲)。另一方面,水平图不与对幅度和y偏移缩放不敏感的度量(即,基于z归一化的度量)对齐,但是线性图和色域的情况似乎是逆的。总的来说,我们的工作表明,可视化的选择会影响我们认为相似的时间模式,即时间序列中的相似性概念不是独立于可视化的。

继续阅读 »

使用一些比较任务比较不同类型的柱状图( What’s the Difference?: Evaluating Variants of Multi-Series Bar Charts for Visual Comparison Tasks )

越来越常见的数据分析方法涉及到使用信息仪表板来直观比较变化数据。 但是对于不同布局约束与不同层次的可视化形式的视觉比较是一项具有挑战性的任务。 在在本文中,我们评估了条形图的不同变体,我们使用常见的在仪表板中使用的流行类图表。 我们使用了一个在线实验(N = 74)进行评估四个选择设计:1)分组条形图,2)分组条形图差异叠加,3)条形图与差异叠加,和4)差异图表。 结果显示有带有叠加层的差异图表适合更广泛的比较任务。 最后,我们讨论我们调查结果的含义,重点是支持仪表板中的视觉比较[1]。

继续阅读 »

TextTile:给结构化数据和无结构文本提供无缝探索性分析的交互式可视化工具 (TextTile: An Interactive Visualization Tool for Seamless Exploratory Analysis of Structured Data and Unstructured Text)

在实际的很多应用中,数据集由无结构文本和结构化数据组合而成。比如购物网站上,顾客会给商品的质量、物流服务质量、商家态度等条目打分,也可以写一段关于商品的评论。前者就是结构化数据,后者则是无结构文本数据。分析者面对这些数据时,往往需要同时分析二者。既可能先指定结构化数据字段的过滤条件(如对于北京的餐馆),总结文本信息(如,用户评价这类餐馆时最经常使用哪些关键词);也可能先指定无结构文本(如用户评价中含有“非常满意”),再观察这些数据在结构化数据字段的分布(如,这样的评论的地理分布)。然而,分析者面对这类数据时,面临两大问题:(1)没有一种系统的方式来组织和连接这些操作;(2)缺少完整地集成了这些操作的可视化系统,能够支持用户灵活地进行分析。 继续阅读 »

对参数相关的无序移动的特征驱动可视分析(Feature-Driven Visual Analytics of Chaotic Parameter-Dependent Movement)

在生物、气象等相关领域,科学家常常通过建立计算模型以观察和研究相关现象。例如,在系统生物学中,对生物现象进行抽象建立生物反应过程的模型。科学家通过输入不同的参数,分析和比较不同的模拟结果,发现参数与现象之间的相关性,建立和验证假设。本文[1]所做的工作针对系统生物学中的蛋白质与脂筏在细胞表面的运动模拟模型,提出特征驱动的可视分析系统,以帮助领域科学家分析比较不同参数下的运动模型。

继续阅读 »

相似性探索:针对多角度气候模型的比较可视化工具 (SimilarityExplorer: A Visual Inter-Comparison Tool for Multifaceted Climate Data)

在气候数据分析中,相似性比较对研究不同气候模型之间存在共识和差异很重要。陆地生物圈模型等气候模型模拟了生态系统在时间和空间上的变化,比如光和作用,呼吸作用等。众所周知,交互可视化方法可以让研究者们更方便地浏览数据,从不同角度和粒度下对数据进行分析。但目前并不存在一个特别针对气候模型数据比较的可视化工具。在今天的EuroVis2014会议上,美国纽约大学的学者针对气候数据提出他们的工作SimilarityExplorer[1]。作者首先提出了针对气候数据不同角度下模型相似度的四种可视化分析需求,之后从这些需求出发,作者设计了满足这些需求的四种可视化任务设计指导。最后基于这些设计指导,作者开发了一个可视分析工具SimilarityExplorer,它结合了矩阵、散点图投影技术、平行坐标等多种可视化技术,重点从空间和时间这两个角度出发,对气候模型之间相似度做比较。由于这些设计指导和开发的系统都是基于与气候领域专家讨论的基础上得出的,所以这个系统的实用性和有效性都得到很好的验证。

继续阅读 »

Small Multiple显示中多类别的结构化比较模型(A Model for Structure-Based Comparison of Many Categories in Small-Multiple Displays)

不同类别间的相互比较是可视化中的一个基本任务。以船舶轨迹数据为例,人们需要比较船舶在一周不同天和一天不同时刻的线路。对于这类任务,一种通常的可视化策略是Small Multiple显示,而Pivot Table就是相应的一种可视化形式。那么,用Pivot Table到底可以完成哪些比较人物呢?如何设计Pivot Table以支持这些比较任务呢?

继续阅读 »