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。
因为专业原因,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,比如去掉环形的轨迹。
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。经常使用的时间数据可视化方法有timeline,本文採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
採用四个视图来可视化。全局分布视图、相关性探測视图、组分趋势视图、聚集视图。
watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center" alt="">
-----------------------------------------------------------------------------------------------------------------------------------------------------------
基于移动终端日志的人群特征可视化
採用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,
watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center" alt="">
数据来源①通过日志採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,展示全国每一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,提出一种能够预计全局又能够聚焦到详细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。
比如要找到如“M”形式的波折处。能够直接在途中话出M如上图红色圆圈所看到的。那么系统就会在下方显示具有这样的形式的折线处。
通过,上述的两种交互方式来为用户提供便捷,同一时候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。
依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keyword集合,依据词频的权重比的乘积的反对角函数值来得到(MIQ)。
依据sentiment tendency(ST)来測量微博情感分布。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。
依据用户的影响因子来衡量用户在信息传播过程中的角色。用户影响因子依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。
最新文章
- Rootkit Hunter恶意程序查杀
- 。linux中swap分区
- git的一些命令
- 《架构探险——从零开始写Java Web框架》这书不错,能看懂的入门书
- IE6、火狐不支持a:visited
- WM_PAINT在微软官方定义中,wParam和lParam都没有使用,所以就被Delphi给重定义了这个消息,还增加了DC(Delphi可任意改写消息的结构)
- C#中运算符的使用
- hibernate 使用 hibernate tool 生成配置文件和实体类
- input的文件上传图片
- javascript常用的Math对象的方法
- Python 二分查找
- UML之结尾篇
- Java 读书笔记 (八) 修饰符
- Android NDK pthreads详细使用
- 输入ip和端口号python脚本py文件
- Tomcat如何发布web项目
- GetStockObject 理解
- ECMAScript 6 入门之字符串
- 一步步搭建 Spring Boot maven 框架的工程
- Cracking The Coding Interview 9.6
热门文章
- Python中摘要算法MD5,SHA1讲解
- Spark——为数据分析处理提供更为灵活的赋能
- BeautifulSoup4系列四
- 对于一棵二叉树,请设计一个算法,创建含有某一深度上所有结点的链表。 给定二叉树的根结点指针TreeNode* root,以及链表上结点的深度,请返回一个链表ListNode,代表该深度上所有结点的值,请按树上从左往右的顺序链接,保证深度不超过树的高度,树上结点的值为非负整数且不超过100000。
- windows下的host工作原理
- 【LeetCode】Jewels and Stones(宝石与石头)
- 【Python】SyntaxError: Non-ASCII character '\xe8' in file
- rabbitmq php 学习
- BZOJ 3205 [Apio2013]机器人 ——斯坦纳树
- BZOJ 2780 [Spoj]8093 Sevenk Love Oimaster ——广义后缀自动机