STRive：基于关联规则的时空分类数据探索系统

有效地分析时空数据在理解现实现象和为决策提供支持方面发挥着核心作用。捕捉空间和时间维度之间的相互作用也有助于解释数据的底层结构。然而，大多数数据集并未揭示属性之间的关系， 需要额外的算法来提取有意义的模式。现有的可视化工具通常要么关注属性关系，要么关注时空分析，很少同时支持两者。本文提出了 STRive（时空规则交互式可视化探索器），一个使用户能够发现和探索数据中空间和时间模式的可视化分析系统。STRive 的核心是应用关联规则 Mining (ARM) 于时空数据集，以生成可解释且可操作的见解。我们将 ARM 与多种交互机制结合用于分析提取的关系。关联规则作为可解释的指导机制，用于可视化分析，通过突出显示用户应检查的数据的有意义方面。我们的方法包括三个关键步骤：规则生成、规则聚类和交互式可视化。STRive 提供了两种分析模式。第一种在规则聚类级别运行，包括四个协调视图，每个视图显示聚类不同 facets，包括其时间和空间行为。第二种模式类似于前者，但 focuses on individual rules within a selected cluster。我们通过涉及致命车辆事故和城市犯罪等真实数据集的两个案例研究来评估 STRive 的有效性。结果表明，该系统能够支持在复杂时空情境中发现和分析可解释模式的能力。