时间：2024年1月9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：王国强、徐骏驰
Part1
分享者：王国强
分享内容：
[1] J. Zhang, J. Tao, J. -X. Wang and C. Wang, "SurfRiver: Flattening Stream Surfaces for Comparative Visualization," in IEEE Transactions on Visualization and Computer Graphics, vol. 27, no. 6, pp. 2783-2795, June 2021, doi: 10.1109/TVCG.2021.3074585.
[2] S. Jin et al., "A Visual Analytics System for Improving Attention-based Traffic Forecasting Models," in IEEE Transactions on Visualization and Computer Graphics, vol. 29, no. 1, pp. 1102-1112, Jan. 2023, doi: 10.1109/TVCG.2022.3209462.
论文简介：
[1]本文介绍的 SurfRiver 是一种新的可视化转换方法，可将三维流面扁平化为二维河流图，以便进行比较可视化。利用类似于 TextFlow 的可视化隐喻，SurfRiver 可以沿水流方向展开错综复杂的单个溪流表面，并将它们沿抽象河流视图的水平方向映射。这种可视化映射便于用户沿水流方向进行跟踪，并对齐河面进行比较研究。通过刷选和链接，河流视图与空间表面视图相连，以便进行集体推理。SurfRiver 可用于研究单个流表面，从一组相关的播种曲线中研究播种敏感性或表面系列的可变性，或探索一组具有代表性的表面。本文介绍了实现理想映射的优化方案，展示了 SurfRiver 界面和交互，并介绍了不同流场的结果，以证明其功效。通过一位领域专家的反馈也表明了 SurfRiver 的前景。
[2]随着深度学习（DL）在不同任务中的表现优于传统方法，许多人都在努力将 DL 应用于各个领域。然而，由于 DL 模型的黑箱特性和交通数据的复杂性（即时空依赖性），在分析 DL 模型方面存在许多挑战。通过与领域专家合作，本文设计了一个可视化分析系统 AttnAnalyzer，通过有效的时空依赖性分析，用户可以探索 DL 模型是如何进行预测的。该系统结合了动态时间扭曲（DTW）和格兰杰因果检验，用于计算时空依赖性分析，同时提供地图、表格、折线图和像素视图，帮助用户执行依赖性和模型行为分析。为了进行评估，本文提供了三个案例研究，展示了 AttnAnalyzer 如何在两个不同的道路网络中有效地探索模型行为并提高模型性能。
Part2
分享者：徐骏驰
分享内容：
[1] A. Patil, Z. Rand, T. Branch and L. Battle, "WhaleVis: Visualizing the History of Commercial Whaling," 2023 IEEE Visualization and Visual Analytics (VIS), Melbourne, Australia, 2023, pp. 96-100, doi: 10.1109/VIS54172.2023.00028.
[2] A. Slingsby, R. Reeve and C. Harris, "Gridded Glyphmaps for Supporting Spatial COVID-19 Modelling," 2023 IEEE Visualization and Visual Analytics (VIS), Melbourne, Australia, 2023, pp. 1-5, doi: 10.1109/VIS54172.2023.00009.
论文简介：
[1] 鲸鱼是海洋生态系统的重要组成部分。尽管历史性的商业捕鲸活动对鲸鱼种群造成了严重的威胁，但鲸鱼研究人员正在研究历史捕鲸数据，以了解目前的鲸鱼状况和未来的保护工作。为了促进这一点，我们与水产和渔业科学的专家合作，为国际捕鲸委员会( IWC )维持的商业捕鲸数据集创建了一个交互式仪表盘WhaleVis。我们描述了该数据库的鲸鱼研究人员的关键分析任务，其中最重要的是推断鲸类种群随时间的空间分布。除了便于基于时空属性对鲸鱼捕捞量进行分析外，我们使用捕鲸考察细节来绘制考察的搜索路线。我们提出了一个渔获数据的图模型，其中节点代表渔获位置，边代表捕鲸考察路线。该模型便于对鲸鱼搜索工作进行可视化估计，进而通过搜索工作对鲸鱼种群的空间分布进行标准化。这进一步为数据的图形分析开辟了新的途径，包括通过搜索工作标准化的鲸鱼空间分布的更严格的计算，并实现了新的理解生成。我们通过一个真实的生活用例演示了我们仪表盘的使用方法。
[2] 我们描述了我们使用网格图来支持在疫情高峰期开发一个重复使用的COVID-19感染模型。我们发现，网格化的字形图在多个尺度上交互汇总多元模型输入、中间结果和输出的能力，以建模者之前没有看到的方式支持了我们的模型开发任务。网格字形图规则地将空间网格化，在每个单元格内聚合数据，并在每个单元格中嵌入一个多变量字形。在使用高分辨率空间模型时，网格化是一种很好的方法。我们支持多空间尺度探索的解决方案是使用一种语义缩放，其中空间尺度由缩放级别交互确定。屏幕空间的固定网格离散化产生了固定屏幕位置和大小的网格单元，但当底层数据被放大和平移时，它们就会被实时地重新聚集，从而在适当的空间尺度上显示数据。
