A visual analytics framework for spatio-temporal analysis and modelling
A visual analytics framework for spatio-temporal analysis and modelling
Natalia Andrienko · Gennady Andrienko本文设计一种可视分析的框架，可视探索时空数据，并创建时空数据模型。传统的可视化分析，主要是用来探索变化模式。我们都知道仅仅用电脑的自动方法或者仅仅交互可视化技术，不能合适、高效的分析复杂的现实世界数据。可视分析的研究者力图通过交互的可视技术与计算数据分析的算法，来增加包括人和计算机的分析能力，发展新的方法和程序使得可视化和计算相互作用和完善。
传统的数据可视化使得分析能看的数据中的模式。而可视分析研究者力图创造技术，能够为分析者的视觉感知，高效地揭示多种多样的模式。然而，这种意思到的模式仅仅存在分析者的大脑里。为了避免这些发现被遗忘或者丢掉，使得可以与其他交流，已经将来进一步分析，分析者需要将这种模式以一种显示的形式展示。注记工具，可以允许分析者增添文本或者音频标签等到可视显示，这些也许支持回调与交流足够了，但是，他们不能进一步的计算机分析。由于这个目的，模式需要展示成计算机接受的模型。交互的可视化接口能够有效的支持这种处理过程来产生这个模型。因此，可是分析方法和工具应该能够不仅仅发现数据中的模式，也要都建这种规则模型来展示着种模式。
本文研究集中在时刻数据。虽然可视化分析系统支持探索预先构建好的时空模型，但是现存的可视分析方法和工具，并没有支持从时空数据中获取模型的过程。本文的框架一定程度上填补了这个鸿沟。本文的方法针对时空分析，以及模型的导出可以简单的描述成如下所述。
时空数据通常可以转换成数值型的时间序列，即不同位置在空间和不同地理对象；这个TS将进一步对应为时空序列，或者空间TS。而TS的分析方法以及工具有很多，我们支持交互的可视接口。然而，分析和建模每个空间TS独立于其他，忽略空间位置和对象的关系和相识度。为了允许这些关系可被发现和显式展示在时空模型的结果中，本文用采用聚类和交互群组，所以这个相关的位置或对象能一起分析。
文章的贡献主要是如下：
1、针对以多空间TS描述的时空场景，一个新的分析方法，以及的建模方法。
2、展示了一个可理解的框架，支持整个分析或建模过程。包括交互的可视化工具集，嵌入到现有的计算分析方法中，以及一个清晰的，应用这些工具和方法的分析程序定义。
相关研究
2.1 连接和可视化分析与建模
在交互的可视化设计方面已经有很多工作，帮助用户探索、理解、评估预先构建的规则模型。因此，Demsar et al 2008使用协同连接的视图和聚类来探索时空场景的地理加权回归模型。Matkovic2010 支持用户探索多个运行的模拟模型。可视化交互能够减少重复数据量的模拟运行，通过允许用户集中在感兴趣的案例（MatKovic 2011）。Migut and Worring2010 可视化一个分类模型，特别是类别的分界线决策。交互技术允许用户更新模型来获得希望的性能。
评估一个模型通常需要测试它的参数值或者输入数据的灵敏性。可视化和交互技术用来探索这人工神经网络模型的输入数据灵敏性（Theron and De Paz 2006），这个参数选择的影响在LSA（latent semantic analysis）模型以及使用LSA结果的进一步分析模型，由于自然灾害所导致的评估损失模型中不同的假设效果，特别是，假设关于灾害暴露的空间的分布。
Maciejewski 2010,2011 展示可视分析技术支持探索和运用现存的时空模型。在前序工作，粒子密度评估被用来空间建模，和累加总和来TS建模。用户可以分别观察和探索模型展示在地图和TS显示图上的结果。在后续工作，作者展示了一个交互的可视接口允许用户探索流行病的模拟模型和调查多种可能影响在流行病方向上的决策。在两种情景下，用户不需要参与模型的构建。
在交互可视技术工作中支持建模的过程，多个文章集中在分类模型。描述了一个系统的可视化网络事件，用户可以选择一系列的事件作为摸式的实例，并通过逻辑图来描述这个模式。然后，这个系统用这个描述找到数据中这种模式的其他实例。Garg 2008展示了一个框架，通过借助机器学习的方法，基于用户通过交互可视接口提供的积极和消极的例子（模式）；用户用可视化方式找到这些模式。Garg 2008描述了一个程序，可以聚类结合计算机和交互技术构建的文档，然后，一个分类器分发文档到自动产生的聚类中，再由用户重定义和调试这个模型。这个有点类似Andrienko 2009分析一个非常大的轨迹集：第一步，相似路径的轨迹的聚类被定义在一个轨迹子集基础上；第二步，一个分类模型构建并交互重定义，第三，模型用来分发新的轨迹到聚类中。
可视分析技术能够支持构建数值的模型。因此，Guo 2009 展示了能够帮助分析发现在多变量数据中的单一或多个线性趋势。Hao 2011描述了一个方法能够构建单一TS的peak-preserving模型。然而，这个从多时空引用的TS中获取时空模型的过程，还没有被解决在可视化分析领域中。
References
Andrienko GL, Andrienko NV (2005) Visual exploration of the spatial distribution of temporal behaviours.
In: 9th International conference on information visualisation IV2005, 6–8 July 2005, London, UK.
IEEE Computer Society, pp 799–806
Andrienko N, Andrienko G (2011) Spatial generalization and aggregation ofmassive movement data. IEEE
Trans Vis Comput Graph 17(2):205–219
Andrienko G, Andrienko N, Rinzivillo S, Nanni M, Pedreschi D, Giannotti F (2009) Interactive visual clustering
of large collections of trajectories. In: Proceedings of the IEEE symposium on visual analytics
science and technology VAST’09, pp 3–10
Andrienko G, Andrienko N, Bremm S, Schreck T, von Landesberger T, Bak P, Keim D (2010a) Spacein-
time and time-in-space self-organizing maps for exploring spatiotemporal patterns. Comput Graph
Forum 29(3):913–922
Andrienko G, Andrienko N, Bak P, Bremm S, Keim D, von Landesberger T, Pölitz C, Schreck T (2010b) A
framework for using self-organizingmaps to analyze spatio-temporal patterns, exemplified by analysis
of mobile phone usage. J Locat Based Serv 4(3/4):200–221
Crossno PJ, Dunlavy DM, SheadTM(2009) LSAView: a tool for visual exploration of latent semantic modelling.
In: Proceedings of the IEEE symposium on visual analytics science and technology VAST’09,
pp 83–90
Demšar U, Fotheringham AS, CharltonM (2008) Exploring the spatio-temporal dynamics of geographical
processes with geographically weighted regression and geovisual analytics. Inf Vis 7:181–197
Garg S, Nam JE, Ramakrishnan IV, Mueller K (2008) Model-driven visual analytics. In: Proceedings of the
IEEE symposium on visual analytics science and technology VAST’08, pp 19–26
Garg S, Ramakrishnan IV, Mueller KA (2010) Visual analytics approach to model learning. In: Proceedings
of the IEEE symposium on visual analytics science and technology VAST’10, pp 67–74
Guo D (2009) Multivariate spatial clustering and geovisualization. In: Miller HJ, Han J (eds) Geographic
data mining and knowledge discovery. Taylor & Francis, London pp 325–345
Guo Z, Ward MO, Rundensteiner EA (2009) Model space visualization for multivariate linear trend discovery.
In: Proceedings of the IEEE symposium on visual analytics science and technology VAST’09,
pp 75–82
Hao MC, Janetzko H, Mittelstädt S, Hill W, Dayal U, Keim DA, Marwah M, Sharma RK (2011) A visual
analytics approach for peak-preserving prediction of large seasonal time series. Comput Graph Forum
30(3):691–700
Kamarianakis Y, Prastacos P (2003) Forecasting traffic flow conditions in an urban network: comparison
of multivariate and univariate approaches. Transp Res Rec J Transp Res Board 1857:74–84
Kamarianakis Y, Prastacos P (2005) Space–time modeling of traffic flow. Comput Geosci 31:119–133
Kamarianakis Y, Prastacos P (2006) Spatial time-series modeling: a review of the proposed methodologies.
Working papers of the University of Crete, Department of Economics, No. 0604, http://ideas.repec.
org/p/crt/wpaper/0604.html. Accessed September 19, 2011
Keim D, Andrienko G, Fekete J-D, Görg C,Kohlhammer J,MelançonG (2008) Visual analytics: definition,
process, and challenges. In: Kerren A, Stasko JT, Fekete J-D, North C (eds) Information visualization—
human-centered issues and perspectives. Lecture notes in computer science. Springer, Berlin
pp 154–175
Kohonen T (2001) Self-organizing maps. Springer, Berlin
Kyriakidis PC, Journel AG (2001a) Stochastic modeling of atmospheric pollution: a spatial time-series
framework. Part I: Methodology. Atmos Environ 35:2331–2337
Kyriakidis PC, Journel AG (2001b) Stochastic modeling of atmospheric pollution: a spatial time-series
framework. Part II: Application to monitoring monthly sulfate deposition over Europe. Atmos Environ
35:2339–2348
Maciejewski R, Rudolph S, Hafen R, Abusalah A, Yakout M, Ouzzani M, Cleveland WS, Grannis SJ,
Ebert DS (2010) A visual analytics approach to understanding spatiotemporal hotspots. IEEE Trans
Vis Comput Graph 16(2):205–220
Maciejewski R, Livengood P, Rudolph S, Collins TF, Ebert DS, BriganticRT,Corley CD, Muller GA, Sanders
SW (2011) Apandemic influenzamodeling and visualization tool. JVis Lang Comput 22:268–278
Matkovi´c K, Graˇcanin D, Jelovi´c M, Ammer A, Lež A, Hauser H (2010) Interactive visual analysis of
multiple simulation runs using the simulation model view: understanding and tuning of an electronic
unit injector. IEEE Trans Vis Comput Graph 16(6):1449–1457
Matkovi´c K, Graˇcanin D, Jelovi´c M, Cao Y (2011) Adaptive interactive multi-resolution computational
steering for complex engineering systems. In: Proceedings of the EuroVA, Bergen, Norway, pp 45–48
Migut M,WorringM(2010)Visual exploration of classificationmodels for risk assessment. In: Proceedings
of the IEEE symposium on visual analytics science and technology VAST’10, pp 11–18
Rinzivillo S, Pedreschi D, Nanni M, Giannotti F, Andrienko N, Andrienko G (2008) Visually-driven analysis
of movement data by progressive clustering. Inf Vis 7(3/4):225–239
Sammon JW (1969) A nonlinear mapping for data structure analysis. IEEE Trans Comput 18:401–409
Schreck T, Bernard J, von Landesberger T, Kohlhammer J (2009) Visual cluster analysis of trajectory data
with interactive Kohonen maps. Inf Vis 8(1):14–29
Slingsby A, Wood J, Dykes J, Clouston D, Foote M (2010) Visual analysis of sensitivity in CAT models:
interactive visualisation for CAT model sensitivity analysis. In: Proceedings of accuracy 2010
conference, Leicester, UK, 20–23 July 2010
Therón R, De Paz JF (2006) Visual sensitivity analysis for artificial neural networks. In: Lecture notes in
computer science. IDEAL 2006, vol 4224. Springer, Berlin, pp 191–198
Xiao L, Gerth J,Hanrahan P (2006) Enhancing visual analysis of network traffic using a knowledge representation.
In: Proceedings of the IEEE symposium on visual analytics science and technology VAST’06,
pp 107–114
Ziegler H, Jenny M, Gruse T, Keim DA (2010) Visual market sector analysis for financial time series data.
In: Proceedings of the IEEE symposium on visual analytics science and technology VAST’10, pp
83–90