时间：2024年1月2日（周二）09:30
地点：望江校区基础教学楼B座318实验室
分享者：周寅杰、张键军
Part1
分享者：周寅杰
分享内容：
[1]Z. Feng, H. Li, W. Zeng, S. -H. Yang and H. Qu, "Topology Density Map for Urban Data Visualization and Analysis," in IEEE Transactions on Visualization and Computer Graphics, vol. 27, no. 2, pp. 828-838, Feb. 2021, doi: 10.1109/TVCG.2020.3030469.
[2]D. Weng et al., "Towards Better Bus Networks: A Visual Analytics Approach," in IEEE Transactions on Visualization and Computer Graphics, vol. 27, no. 2, pp. 817-827, Feb. 2021, doi: 10.1109/TVCG.2020.3030458.
论文简介：
[1]密度图是一种有效的可视化技术，用于描述二维空间中标量场的分布。构建密度图的传统方法主要基于欧式距离，这限制了它们在需要考虑道路网络和城市交通的城市分析中的适用性。本文提出了一种名为拓扑密度图的新方法，旨在在城市环境中实现准确直观的密度图。基于道路连接和交通条件的各种约束，该方法首先构建一个有向无环图（DAG），沿着一维道路网络传播非线性标量场。接下来，该方法通过识别DAG中的关键交点并计算每个点的标量场来将标量场扩展到二维空间，产生了类似加权Voronoi图的空间划分效果。两个案例研究表明，拓扑密度图为用户提供了准确的信息，并为决策提供了直观的可视化效果。在与领域专家的访谈中表明了该方法的可行性、可用性和有效性。
[2]公交路线通常每3至5年进行更新，来满足不断变化的出行需求。然而，分析复杂的公交网络和庞大的备选路线空间，识别不足的公交路线并找到它们的最佳替代方案仍然具有较大的挑战性。大多数自动化方法在现实环境中难以在不经过繁琐的检查和评估候选方案的情况下产生令人满意的结果。这些方法的限制促使我们与领域专家合作，提出基于现有公交网络的公交路线性能分析和增量规划的可视分析解决方案。开发这样的解决方案涉及三个主要挑战，即a) 对复杂公交路线网络的深入分析，b) 交互式生成改进的备选路线，以及c) 评估备选公交路线的有效性。对于挑战a，我们采用从整体到局部的方法，将复杂公交网络的分析分为三个层次，以便有效地识别缺陷路线。对于挑战b，我们改进了路线生成模型，并通过定制的可视化手段解释生成的性能。对于挑战c，我们在渐进决策过程中加入冲突解决策略，以帮助用户评估备选路线并找到最优解。系统通过两个基于真实数据的使用场景进行了评估，并收到了专家的积极反馈。
Part2
分享者：张键军
分享内容：
[1]ZHOU H, ZHANG S, PENG J, 等. Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting[EB/OL]/arXiv.org. (2020-12-14).
[2]ZHANG Z, GUO D, ZHOU S, 等. Flight trajectory prediction enabled by time-frequency wavelet transform[J/OL]. Nature Communications, 2023, 14(1): 5258.
论文简介：
[1]现实世界中的许多应用都需要对长序列时间序列进行预测，例如用电规划。长序列时间序列预测（LSTF）要求模型具有较高的预测能力，即能够有效地捕捉输出和输入之间精确的长距离依赖耦合。最近的研究表明，Transformer 具有提高预测能力的潜力。然而，Transformer 存在几个严重问题，使其无法直接应用于 LSTF，包括二次时间复杂性、高内存使用率以及编码器-解码器架构的固有限制。为了解决这些问题，作者为 LSTF 设计了一种基于变换器的高效模型，并将其命名为 Informer，该模型具有三个显著特征：(i) ProbSparse 自注意机制，其时间复杂度和内存使用量均为 O(L log L)，并且在序列依赖性对齐方面具有相当的性能。(ii) 通过将级联层输入减半，自注意力提炼突出了主导注意力，并有效地处理了极长的输入序列。(iii) 生成式解码器虽然概念简单，但却能一次性预测长时间序列，而不是分步预测，这大大提高了长序列预测的推理速度。在四个大规模数据集上进行的广泛实验证明，Informer 的性能明显优于现有方法，并提供了一种新的解决方案。
[2]精确的飞行轨迹预测是空中交通管制中一项至关重要且极具挑战性的任务，尤其是在机动作战中。现代的数据驱动方法通常是以时间序列预测任务的形式制定的，无法保持较高的精度。同时，作为时间序列预测的主要建模方法，频域分析在飞行轨迹预测任务中未得到充分利用。本研究提出了一种基于小波变换的创新框架，对飞行模式进行时频分析，以支持轨迹预测。作者开发了一种编码器-解码器神经架构来估算小波成分，重点是有效调节全局飞行趋势和局部运动细节。实验结果表明，与其他比较基线相比，所提出的框架具有更高的准确性，在四个测量方面获得了更好的预测性能，特别是在具有机动控制的爬升和下降阶段。最重要的是，时频分析被证实能有效完成飞行轨迹预测任务。
