如何发现多要素海洋环境时序数据中蕴含的由自然现象导致的异常模式,进而实现对未来海洋事件的有效预测是一个亟待解决的问题。本文提出了一种面向海洋环境时序数据异常模式挖掘的多视图协同可视分析方法,首先,计算出多要素数据间的相...如何发现多要素海洋环境时序数据中蕴含的由自然现象导致的异常模式,进而实现对未来海洋事件的有效预测是一个亟待解决的问题。本文提出了一种面向海洋环境时序数据异常模式挖掘的多视图协同可视分析方法,首先,计算出多要素数据间的相似性矩阵,通过多维标度法(Multi-Dimensional Scaling,MDS)投影降维,将投影结果通过密度聚类(DensityBased Spatial Clustering of Applications with Noise,DBSCAN)生成时序MDS聚类视图,表达多要素数据的时序特征,用于发现多要素叠加后的异常模式;其次,基于相似性矩阵计算每个要素熵值,生成与时序MDS聚类视图对应的多要素信息熵视图,表达每个要素在时序上的不确定性,用于确定不同要素对异常模式的贡献度;最后,针对异常模式,提供由对应原始数据投影生成的焦点平行坐标视图,进一步分析要素之间的相关性强弱和数据内部具体的变化趋势。将本文方法应用于东山台站(23.9°N,117.5°E)、遮浪台站(22.6°N,115.5°E)附近海洋数据,分析由台风造成的数据异常模式和要素之间的相关性,证明了本文提出的多视图可视分析方法的有效性,方法具备发现多要素时序数据蕴含的异常模式的能力。展开更多
文摘如何发现多要素海洋环境时序数据中蕴含的由自然现象导致的异常模式,进而实现对未来海洋事件的有效预测是一个亟待解决的问题。本文提出了一种面向海洋环境时序数据异常模式挖掘的多视图协同可视分析方法,首先,计算出多要素数据间的相似性矩阵,通过多维标度法(Multi-Dimensional Scaling,MDS)投影降维,将投影结果通过密度聚类(DensityBased Spatial Clustering of Applications with Noise,DBSCAN)生成时序MDS聚类视图,表达多要素数据的时序特征,用于发现多要素叠加后的异常模式;其次,基于相似性矩阵计算每个要素熵值,生成与时序MDS聚类视图对应的多要素信息熵视图,表达每个要素在时序上的不确定性,用于确定不同要素对异常模式的贡献度;最后,针对异常模式,提供由对应原始数据投影生成的焦点平行坐标视图,进一步分析要素之间的相关性强弱和数据内部具体的变化趋势。将本文方法应用于东山台站(23.9°N,117.5°E)、遮浪台站(22.6°N,115.5°E)附近海洋数据,分析由台风造成的数据异常模式和要素之间的相关性,证明了本文提出的多视图可视分析方法的有效性,方法具备发现多要素时序数据蕴含的异常模式的能力。
