China Vis 2015 会议小结

 

         China Vis 2015  Paper有6个分会场，主要有

         1、天气、气象、灾害可视化；

         2、文本可视化应用；

         3、树、网络，以及高维技术；

         4、时空分析；

         5、科学可视化与应用；

        五个方面主题。

         

        由于专业原因，我们主要集中在时空分析这个主题上。

 

-----------------------------------------------------------------------------------------------------------------------------------------------------------

       Exploring OD Patterns of Interested Region based on Taxi  Trajectories

 

       文章提出一个可视分析系统，来探索某一区域中基于出租车轨迹的OD模式。主要内容涉及三个方面，

       OD过滤，将原始轨迹数据进行筛选，选出满足条件的数据，例如去掉环形的轨迹。

       OD可视化，分为两个层面，空间层集中在OD的空间概述，抽象视图可运用混合的线性圆圈设计来展示OD的交通流量动态和旅行时间。

         时间数据可视化，常用的时间数据可视化方法有timeline，本文采用的是圆圈方式进行。

         通过OD-Wheel来探索OD量的动态变化

 

     

 -----------------------------------------------------------------------------------------------------------------------------------------------------------

     Visual Analytics of Smogs in China

         采用四个视图来可视化，全局分布视图、相关性探测视图、组分趋势视图、聚集视图。

 

 

 

 

 

 -----------------------------------------------------------------------------------------------------------------------------------------------------------

      基于移动终端日志的人群特征可视化

        采用LDA主题模型分析移动端的日志数据，对用户群体进行分类，提取出手机应用的分类主题，

         数据来源①通过日志采集到的每天的手机用户安装的应用序列表信息；②从各大应用市场得到的应用程序所属的分类标签信息。将手机看做文档，用LDA主题模型对日志数据进行建模，再通过聚类分析，得到人群特征，本文提取了5个主题来进行人群分类。最后，用汽包图来进行人群分类的可视化表现，另外还用马赛克地域分布图，展示全国每个地方不同人群的分布情况。

 

 

 -----------------------------------------------------------------------------------------------------------------------------------------------------------

SketchTime: A Sketch+Fisheye System for Visual Analytics of Large Time-Series

 针对大量时间序列数据存在的密集性，提出一种可以估计全局又可以聚焦到具体细节的交互可视化方法。
    
    在上图折线途中，用画圈的方式，选择要展开的时间段，之后，就会将用户画圈的部分进行展开，从而以较小的尺度去观察数据。
  
    
   例如要找到如“M”形式的波折处，可以直接在途中话出M如上图红色圆圈所示，那么系统就会在下方显示具有这种形式的折线处。
通过，上述的两种交互方式来为用户提供便捷，同时将注意力集中在分析上。

 

 

 

-----------------------------------------------------------------------------------------------------------------------------------------------------------

Visual Analysis of Micro-blog Retweeting Using an Information Diffusion Function

         用IDF（information diffusion function）模型来分析微博转发的机制，并结合可视化方式来展示信息传播的动态过程，并追踪用户行为。

        根据三个影响因子来定量IDF，微博信息量（MIQ），微博情感，用户影响力。

将微博分解为关键字集合，根据词频的权重比的乘积的反对角函数值来得到（MIQ）。

        根据sentiment tendency（ST）来测量微博情感分布。将关键词划分为积极的和消极的词，积极的词为1，消极的词为-1，最后整个微博的情感值（MSV）大于0为积极，小于0为消极，等于0为中性的。

        根据用户的影响因子来衡量用户在信息传播过程中的角色。用户影响因子根据用户的粉丝占集合中的比值，加上转发微博条数占集合中的比值来确定。