RelMap:基于插补式空间插值的可靠时空传感器数据可视化
机器学习
2025-08-05 v1 人机交互
摘要
对环境参数与气象条件等时空传感器数据进行准确、可靠的可视化,对科学决策至关重要。然而,传统的空间插值方法由于传感器覆盖有限且分布不规则,往往难以产生可靠的插值结果。本文提出一种新颖的空间插值流水线,能够获得可靠的插值结果,并生成一种编码了不确定性信息的新型热力图表示。我们利用图神经网络(GNN)提供的插补参考数据来增强可视化可靠性与时间分辨率。通过整合主邻域聚合(PNA)与地理位置编码(GPE),我们的模型能够有效学习时空依赖关系。此外,我们还提出了一种外生的、静态的插值式热力图可视化技术,能够有效传达插值地图中由多种来源引起的不确定性。通过一系列用例、在真实数据集上的广泛评估以及用户研究,我们证明:本模型在数据插补方面具有卓越性能,参考数据能够改善插值结果,并且我们的可视化设计在传达不确定性方面是有效的。
引用
@article{arxiv.2508.01240,
title = {RelMap: Reliable Spatiotemporal Sensor Data Visualization via Imputative Spatial Interpolation},
author = {Juntong Chen and Huayuan Ye and He Zhu and Siwei Fu and Changbo Wang and Chenhui Li},
journal= {arXiv preprint arXiv:2508.01240},
year = {2025}
}
备注
9 pages, 14 figures, paper accepted to IEEE VIS 2025