面向交通状态时空模式的双向聚类可视分析

城市道路网络的交通状态存在多种时序变化模式和空间分布模式.为了能综合分析各时序模式在不同区域的分布情况，以及各空间模式在不同时间段的出现规律，本文提出一种基于双向聚类的时空模式可视分析方法.该方法可同时将路段集合和以小时为尺度的时间戳集合划分为簇，以提取出时序模式和空间模式.然后，通过多视图联动和降维投影可视化分别从小时尺度和日期尺度上分析时序模式的空间分布，同时分析空间模式的时间分布.本文以一份新冠疫情期间采集的交通数据为例进行研究，实验结果表明，该方法能有效发现因政府交通限制等因素而呈现的多种时序模式和空间模式，同时辅助用户分析这些模式在时空上的分布情况.     

大规模出租车起止点数据可视分析

在现代化城市中,出租车起止点数据是一类非常有用的交通大数据,其中蕴含着丰富的时空信息.为了挖掘潜在的出租车起止点时空模式,设计了一个出租车起止点数据可视分析系统.首先利用起止点分布的全局概览图从空间上确定需要进一步挖掘的区域;然后利用系统提供的套索或者矩形选择工具选择待分析区域,由所设计的环形像素图对该区域的起止点时空模式进行可视化编码;最后通过多可视化组件协同交互,从不同维度分析出租车起止点数据的潜在时空模式.将该系统用于杭州市出租车GPS真实数据,取得了良好的效果,既有助于交通管理部门按需调配车辆,也能帮助出租车司机获得更高收益.     

降水时空关联特征可视分析

目的 降水是影响全球气候变化和系统环境的重要因素,面向降水数据开展时空关联分析,对于区域气候特征探索及异常情况监测具有重要的意义。然而,降水时空关联特征的分析是一个复杂且耗时的过程,与气象站点的空间分布以及降水的时间序列密切相关。本文综合考虑降水的时空变化特征,研究和设计面向降水数据时空关联特征分析的可视化系统工具。方法 利用地图和矩阵图呈现降水数据的空间分布和周期变化特征,设计径向盒须图对降水数据的时空变化异常特征进行捕获;通过局部Moran''s I指数的计算和热力图的呈现表达降水的空间相关性,支持用户交互式地探索空间相关性的时序变化特征;利用普通克里金插值模型获得降水空间插值图,并对插值结果的准确性进行可视化评估。结果 以中国安徽省1971-2014年气象观测站长时间序列月降水数据集为例进行分析,实验结果证明本研究可视化交互系统能够直观高效地探索区域降水长时间序列时空变化特征和极端降水情况;有效探究区域降水空间分布模式、不同站点降水信息间空间依赖性和异质性,并快速发现降水奇异点;分析区域不同时间尺度降水气候特征空间变化。结论 系统工具集成便捷的交互模式,支持用户探索式地分析降水数据的时空关联特征,进而有效地探究区域气候变化规律和特征分布关系。基于真实降水数据的实验结果以及降水领域专家的反馈,进一步验证了本文系统工具的有效性和实用性。     

多维时空数据协同可视分析方法EI北大核心CSCD

随着获取渠道的多样化以及采集过程的规范化,数据普遍具有多维、时空属性.由于不同的属性维度中数据的分布方式和表达意义各不相同,针对数据的多维时空属性开展综合的分析和全面的探索存在较大的困难.为此,提出一种多维时空数据协同可视化方法.首先设计属性关联视图展现空间对象的多维属性数据及其关系;然后利用MDS算法将原始多维属性数据按照时间顺序关系分别降解至一维空间构建时序平行坐标系,并且对各时间轴的投影坐标点进行布局优化和层次聚类操作,利用信息熵度量类别的稳定性对平行坐标系中点和线的颜色进行映射;最后设计圆状布局的层次链接图,展示感兴趣特征的层次结构关系.文中通过设计便捷的交互模式有效地关联各个视图的可视化设计,构建多维时空数据协同可视分析系统.GDP数据和空气质量监测数据的实例分析结果表明,文中方法能够综合考虑多维时序属性,帮助用户快速探索数据中隐含的特征模式;专家用户的反馈进一步验证了该方法的有效性和实用性.     

多维时空数据协同可视分析方法

随着获取渠道的多样化以及采集过程的规范化,数据普遍具有多维、时空属性.由于不同的属性维度中数据的分布方式和表达意义各不相同,针对数据的多维时空属性开展综合的分析和全面的探索存在较大的困难.为此,提出一种多维时空数据协同可视化方法.首先设计属性关联视图展现空间对象的多维属性数据及其关系;然后利用MDS算法将原始多维属性数据按照时间顺序关系分别降解至一维空间构建时序平行坐标系,并且对各时间轴的投影坐标点进行布局优化和层次聚类操作,利用信息熵度量类别的稳定性对平行坐标系中点和线的颜色进行映射;最后设计圆状布局的层次链接图,展示感兴趣特征的层次结构关系.文中通过设计便捷的交互模式有效地关联各个视图的可视化设计,构建多维时空数据协同可视分析系统.GDP数据和空气质量监测数据的实例分析结果表明,文中方法能够综合考虑多维时序属性,帮助用户快速探索数据中隐含的特征模式;专家用户的反馈进一步验证了该方法的有效性和实用性.     

基于多模态对抗学习的无监督时间序列异常检测

时间序列异常检测旨在发现对应时序特征中不符合一般规律的特异性模式,是机器学习领域重要的研究方向之一.然而,现有的时序异常检测方法大多为单模态学习,忽略了时序信息在多模态空间上不同特征分布的关联性和互补性,不能充分利用已有信息进行有效地模式挖掘,从而造成检测效果差等问题.为此,提出了一种基于多模态对抗学习的无监督时间序列异常检测模型.首先,将原始时间序列转换至频域空间,构造多模态时间序列表示.其次,提出多模态生成对抗网络模型,针对多模态时间序列,实现正常时序信息关于时域和频域特征分布的无监督联合学习.最后,通过将异常检测问题转化为时间序列在时域和频域空间的重构度量问题,从时域空间和频域空间2个方面度量时间序列的异常值,实现更有效的异常检测.在时间序列数据集合UCR和MIT-BIH中的6个真实数据集的实验结果表明,在异常检测任务上相较于传统单模态异常检测方法,提出方法在AUC和AP这2个性能指标上最高分别提升了12.50％和21.59％,证明了方法的有效性.     

面向GDP数据时空多维属性的可视分析方法

国内生产总值是经济统计的核心指标,文中提出面向国内生产总值数据时空多维属性的可视分析方法.利用多维标度法对不同时空维度多维属性进行降维,支持用户交互选择时空维度和参与相似度计算的多维属性;利用环状饼图展示产业结构的比例关系,设计垂直指针定位优势产业并动态表达产业结构的变化趋势;利用圆状堆叠图呈现各个产业产值及占比的时序变化信息,堆叠图的绘制顺序进一步提示产业结构的更替特征.设计内圆、中环、外环的可视化模式,实现面向国内生产总值数据时空多维属性的可视分析系统,利用方便而快捷的交互手段关联上述可视化方法,为用户提供快速探索经济统计数据中产业结构时空特征模式的工具.最后通过大量的可视化效果及用户体验结果,进一步验证了文中方法的有效性和实用性.     

时空轨迹大数据模式挖掘研究进展

时空轨迹挖掘是数据挖掘领域的前沿研究课题,通过研究和开发时空轨迹挖掘技术,来发现隐藏在轨迹大数据中有价值的规律和知识以供决策支持。本文介绍了时空轨迹大数据模式挖掘与知识发现领域的研究进展;然后对时空轨迹模式挖掘技术产生的背景、应用领域和研究现状作了简介,并探讨了面向时空轨迹大数据模式挖掘的研究内容、系统架构以及关键技术,最后对时空轨迹频繁模式、伴随模式、聚集模式和异常模式的挖掘算法思想进行了阐述。     

面向空气质量监测数据时空多维属性的可视分析方法

空气质量监测数据具有显著的时空多维属性.传统的平行坐标技术虽然能够有效地展示数据的多维属性信息,却在分析与解读空气质量监测数据各个属性的时空变化规律方面表现出一定的局限性,在平行坐标展示空气质量监测数据多维属性的基础上,提出一种支持用户交互式探索大气污染时空特征的可视分析方法.首先利用平行坐标展示空气质量监测数据,支持用户交互改变时空维度以及指定坐标轴排列顺序;然后引入角度面积正负相关性等方式度量数据在平行坐标系中的布局差异,并且通过矩阵图和交互式柱状图分别展示不同时空维度下数据的布局差异;再综合考虑各个属性之间的数据布局差异,构建相似性矩阵,利用多维标度法对当前时空维度的数据进行降维,获得初始数据在低维空间的表示;最后利用层次聚类方法对低维空间的数据表达做聚类分析,并且分别设计时钟隐喻图和地域抽象图描述各个类别的时空节点组成.集成上述可视化算法设计便捷的用户交互模式,开发面向空气质量监测数据时空多维属性的可视分析原型系统,为用户快速分析和解读大气污染的时空特征及潜在规律提供有效手段.通过大量的可视化效果及用户反馈结果,进一步验证了文中所提可视分析方法的有效性和实用性.     

时序数据相似性挖掘算法研究

时序数据相似性挖掘是数据挖掘中的重要研究内容．本文针对时序数据进行相似性挖 掘方法的研究，通过对时序数据进行离散傅立叶变换（DFT）将其从时域空间变换到频域空 间，将时序数据映射为多维空间的点，提出一种基于距离的时序数据相似性挖掘算法，并对 某钢铁企业电力负荷时序数据进行仿真实验，实验结果表明了算法的有效性．     

一种基于维度投影的多维数据相关性可视分析方法

针对高维多元数据相关性分析需求,首先提出一种基于KNN和Pearson相关系数的维度相关性度量方法KNN-Pearson,通过数据集在维度某数据值处的密度定量地表示某维度对聚类的贡献度,并将其作为计算元素,通过Pearson相关系数计算各维度间的相关性大小,定量地表示各维度之间的相关程度;进而提出一种基于维度投影的相关性可视分析方法,通过多维尺度分析(MDS)进行维度投影,用投影散点图和矩阵热图展示维度之间的相关性,用投影矩阵和平行坐标展示数据的分布态势和聚类特征,允许通过维度选择构造用户感兴趣的子空间,在子空间中交互地分析数据、探索规律;将上述方法应用于食品安全领域,设计并实现了一个农残数据相关性可视分析系统,通过数据筛选、维度选择、尺度缩放以及多视图联动等交互手段实现对多地区农产品中检出农药的相关性分析,从而发现检测地区对农产品施用农药的模式,掌握农药施用的规律.最后通过用户体验以及评价,证明了文中方法的有效性.     

逐段回归近似的卫星遥测数据挖掘算法与仿真

卫星长期运行过程中积累的大量遥测数据蕴涵有宝贵的卫星状态变化信息,挖掘变化特征对发现卫星状态异常变化和诊断卫星运行过程故障具有重要意义.围绕在轨卫星遥测数据分析以及遥测的故障诊断相似性查找问题,提出了一种基于逐段回归近似(PRA)的卫星遥测时序数据相似性挖掘算法.算法首先通过对卫星遥测数据挖掘实现数据的降维处理,以减少数据量;其次通过建立多维空间索引树,并在索引树中通过相似阈值判断进行查找,以获得给定时序数据的相似序列.理论分析和仿真实测卫星电源分系统的时序遥测数据实验表明,该算法对遥测数据序列可有效地进行降维处理,并保持数据趋势性;建立的相似序列为提高在轨卫星数据分析和故障诊断的有效性和正确性提供了依据.     

一种时空协同的图卷积长短期记忆网络及其工业软测量应用

软测量技术的发展有效解决了工业过程中对于难以直接测量的质量变量的感知困难,为过程的控制与优化提供了有力保障.通常在含有多个质量变量的过程中,样本间的时序关系和多个质量变量间相互影响的空间关系能够反映过程本身的特性,这种时空特性的挖掘有益于软测量模型性能的提升,而传统软测量方法往往局限于对时序关系的学习而并未考虑对质量变量间的空间关系进行有效利用.对此,提出一种时空协同的图卷积长短期记忆网络(graph convolution long short-term memory networks, GC-LSTM),并应用于工业软测量场景.采用多通道网络结构将图卷积网络的空间关系挖掘能力与长短期记忆网络的时序关系学习能力相结合,对过程进行时空协同学习以实现软测量应用.具体而言,每条通道用于对每种质量变量进行独立学习;对于过程的时序特性,利用各通道内的长短期记忆网络提取针对不同质量变量的时序特征;对于过程的空间特性,构建质量变量间空间关系的图结构,采用跨通道的图卷积运算将不同通道内不同质量变量的时序特征基于空间关系进行融合,得到兼具过程时空特性的特征,从而在软测量建模中实现过程时空协同学习与融合...     

时间序列数据挖掘的相似性度量综述

在时间序列数据挖掘中, 时间序列相似性是一个重要的概念. 对于诸多算法而言, 能否与一种合适的相似性度量方法结合应用, 对其挖掘性能有着关键影响. 然而, 至今仍没有统一的度量相似性的方法. 对此, 首先综述了常用的相似性度量方法, 分析了各自的优点与不足; 其次, 讨论了近年来出现的时序相似性的新解释及其度量方法; 再次, 探讨了相似性度量在时序挖掘任务中的应用以及与挖掘精度的关系; 最后给出了关于时序相似性度量进一步的研究方向.     

基于级联时空特征的信息传播预测方法

现有信息传播预测方法对级联序列和拓扑结构独立建模,难以学习级联时序特征和结构特征在嵌入空间的交互表达,造成对信息传播动态演化的刻画不足.因此,文中提出基于级联时空特征的信息传播预测方法.基于社交关系网络和传播路径构建异质图,使用图神经网络学习异质图和社交关系网络节点的结构上下文,引入门控循环单元提取级联时序特征,融合结构上下文和时序特征,构建级联时空特征,进行信息传播的微观预测.在Twitter、Memes数据集上的实验表明,文中方法性能得到一定提升.     

面向时序图数据的快速环枚举算法

时序图数据是一类边上带有时间戳信息的图数据.在时序图数据中,时序环是边满足时间戳递增约束的回路.时序环枚举在现实中有着很多应用,它可以帮助挖掘金融网络中的欺诈行为.此外,研究时序环的数量对于刻画不同时序图的特性也有重要作用.基于2018年由Rohit Kumar等人提出的时序环枚举算法（2SCENT算法）,提出一种通过添加环路信息来削减搜索空间的新型时序环枚举算法.所提出的算法为一个两阶段的算法：1）首先,通过遍历原图获得所有可能会形成环路的节点,以及相应的时间和长度信息;2）然后,利用以上信息进行动态深度优先搜索,挖掘所有的满足约束条件的环.在4个不同的真实时序图数据集上进行了大规模的实验,并以2SCENT算法作为基准对算法进行了对比.实验结果表明,所提出的算法较之前最好的2SCENT算法要快50%以上.     

基于相关性分析的工业时序数据异常检测

多维时间序列上的异常检测,是时态数据分析的重要研究问题之一.近年来,工业互联网中传感器设备采集并积累了大量工业时间序列数据,这些数据具有模式多样、工况多变的特性,给异常检测方法的效率、效果和可靠性均提出更高要求.序列间相互影响、关联,其隐藏的相关性信息可以用于识别、解释异常问题.基于此,提出一种基于序列相关性分析的多维时间序列异常检测方法.首先对多维时间序列进行分段、标准化计算,得到相关性矩阵,提取量化的相关关系;然后建立了时序相关图模型,通过在时序相关图上的相关性强度划分时间序列团,进行时间序列团内、团间以及单维的异常检测.在真实的工业设备传感器数据集上进行了大量实验,实验结果验证了该方法在高维时序数据的异常检测任务上的有效性.通过对比实验,验证了该方法从性能上优于基于统计和基于机器学习模型的基准算法.该研究通过对高维时序数据相关性知识的挖掘,既节约了计算成本,又实现了对复杂模式的异常数据的精准识别.     

结合MLR和ARIMA模型的时空建模及预测

针对传统时间序列建模预测过程中忽略空间因素影响和时空交互的问题,提出了一种基于时空多元回归（MLR）的ARIMA预测方法,并应用于某省月均气温的时空预测研究中。通过时序分解去除时空变量明显的季节变化;运用全子集回归法确定显著影响气温的因素,继而得到去季节项数据的MLR模型,从而去除气温的时空趋势变化得到随机变化项;对各站点的随机项时间序列分别进行ARIMA建模;将随机项的预测值与前两项预测值重组,获得最终各站点的时空预测值。实验结果表明,预测值与观测值整体相关系数为0.993 4,误差绝对值均值约为0.9 ℃。     

基于时空融合图网络学习的视频异常事件检测

视频中异常事件所体现的时空特征存在着较强的相关关系针对视频异常事件发生的时空特征相关性而影响检测性能问题,提出了基于时空融合图网络学习的视频异常事件检测方法,该方法针对视频片段的特征分别构建空间相似图和时间连续图,将各片段对应为图中的节点,考虑各节点特征与其他节点特征的Top-k相似性动态形成边的权重,构成空间相似图;...     

大规模接警日志语义时空模式交互探索

接警日志包含时间、空间和案件描述信息,属于非结构时空数据.与时空社交媒体相比,接警日志的数据项之间存在较少的联系,数据项之间不能形成复杂网络关系,在挖掘其数据模式时难以提供有价值的线索,因此,其分析更加依赖于其中的语义挖掘和语义时空模式探索.针对这一问题,提出了一个可视分析框架支持对大规模非结构接警日志时空模式的交互探索.首先,提出了一种基于主题模型集成的方法,实现从异构文本中抽取主题;其次,该框架包含一个数据立方体,实现快速响应用户的查询请求;第三,设计并实现了一个可视化交互系统,支持对数据立方体的可视化交互探索.最后,使用国内某城市真实接警日志进行实验,找到的丰富的模式和主题预测准确性证明了方法的有效性.