Techniques de visualisations hybrides

Trip Vista

TripVista, un logiciel de visualisation développé par Guo et al. en 2011, permet de visualiser les données relatives aux véhicules traversant un carrefour, et ce au travers de plusieurs vues coordonnées (Guo et al., 2011). Les vues coordonnées sont un type de techniques de visualisation où plusieurs vues représentent des données en utilisant diverses techniques de visualisation (ou possiblement les mêmes techniques, avec des paramètres de caméra différents par exemple). Le modèle de données étant le même sur chacune des vues, si l’on applique un filtre ou une surbrillance sur l’une de celles-ci, le même effet est appliqué sur chacune des vues (Wang Baldonado, Woodruff et Kuchinsky, 2000) (Roberts, 2007). La première vue correspond à un plan, la perspective spatiale, sur lequel sont dessinées les trajectoires. Les véhicules sont eux classés en cinq catégories (Bus, voitures, piétons, vélos, et autres) et sont représentés par des glyphes. Les deux anneaux entourant ce plan permettent de visualiser la densité d’entrées et de sorties à chacun des points, sous la forme d’histogramme.

Le cercle rouge représente les entrées, et le cercle bleu les sorties. La seconde vue, la perspective temporelle, permet de visualiser certaines données relativement au temps. Cette perspective est en fait composée de six vues. Cinq nuages de point, pour lesquelles la coordonnée x correspond au temps et la coordonnée y peut être la vitesse minimale, la vitesse maximale, la vitesse moyenne, le temps passé sur le carrefour ou la distance parcourue, et une vue de type Theme River (Havre, Hetzler et Nowell, 1999). Dans cette dernière, la coordonnée x correspond toujours au temps, mais la coordonnée y correspond cette fois au nombre de véhicules de chaque type. Les glyphes correspondent à une schématisation des trajectoires empruntées par les véhicules. Enfin la dernière vue, la perspective multidimensionnelle, permet de visualiser différents types de données, sous forme de coordonnées parallèles. Toutes ces vues sont coordonnées, et permettent de mettre en surbrillance, ou de filtrer les données. Ainsi, les anneaux sur la perspective spatiale peuvent aussi servir de filtre pour, par exemple, ne visualiser que les trajectoires sortant en passant à travers certaines zones. Dans ce cas, les données sont aussi filtrées sur toutes les autres vues.

Techniques de visualisations hybrides

Le principe des techniques de visualisation dites hybrides est de combiner plusieurs techniques de visualisation, afin de tirer profit des avantages de chacune de celles-ci, tout en minimisant leurs inconvénients. Les hiérarchies élastiques (Elastic Hierarchy) sont des techniques de visualisation hybrides pour les données hiérarchiques, mêlant les TreeMaps et les graphes noeuds-liens, afin de tirer parti des avantages de ces deux techniques (Zhao, McGuffin et Chignell, 2005). Les TreeMaps sont décrits comme ayant pour principal avantage leur efficacité spatiale, alors que les graphes noeuds-liens sont plus clairs pour visualiser la structure des données (Johnson et Shneiderman, 1991) (Shneiderman, 1992). NodeTrix est une autre technique de visualisation, mélangeant cette fois les matrices d’adjacences et les graphes noeuds-liens (Henry, Fekete et McGuffin, 2007). NodeTrix est utilisé dans l’article pour visualiser des données issues des réseaux sociaux, celles-ci présentant naturellement des regroupements.

L’intérêt de cette visualisation est donc par exemple de montrer les données denses sous forme de matrice, et les autres relations sous forme de graphe noeuds-liens. TreeMatrix (Rufiange, McGuffin et Fuhrman, 2012) utilise les même techniques que celles utilisées dans la combinaison citée précédemment, en ajoutant les TreeMaps et les diagrammes en arc (Wattenberg, 2002), cette-fois ci pour afficher un Compound Graph (Un graphe où les noeuds ont aussi un aspect hiérarchique). TreeMatrix, dans l’exemple ci-dessus (Figure 1.9 Capture d’écran montrant la technique TreeMatrix), montre la structure d’un ensemble de fichiers de code source (Classes, imports, etc.). Les rectangles imbriqués, à la façon d’un TreeMap, permettent de visualiser l’aspect hiérarchique des classes, alors que les matrices et les liens permettent de visualiser les imports. De la même manière que précédemment, certaines classes sont fortement liées et les relations denses sont donc intéressantes à visualiser sous forme de matrices, alors que d’autres relations sont plus intéressantes à visualiser sous forme de graphe-noeuds-liens.

Application à des données géographiques

La possibilité d’étendre la méthode implémentée dans le prototype aux données géographiques a aussi été envisagée. Analogiquement, les pièces seraient remplacées par des pays (ou régions) et les liens correspondraient aux frontières. On pourrait par exemple imaginer une utilisation pour une personne qui aurait récupéré les données GPS de son voyage. Ainsi, il pourrait visualiser les déplacements entre les pays sous forme topologique, et passer sous forme « géographique » s’il souhaite visualiser ses déplacements au sein d’un pays. L’exemple ci-dessous nous montre le trajet d’une personne au sein de plusieurs pays de l’union européenne. La première figure (Figure 7.1) représente les données sous leur forme géographique. Un phénomène d’occlusion est présent, de par le fait qu’un voyageur est susceptible d’emprunter plusieurs fois le même chemin pour l’aller et le retour (par exemple, en empruntant des autoroutes, des ponts, des tunnels, etc.). Ainsi, certains points sont confus (Entre la France – FR, et la Suisse – CH), et ne permettent pas de suivre aisément le trajet emprunté. La seconde figure ci-dessous (Figure 7.2) nous montre les mêmes données sous la forme topologique. Les cercles de couleur pourpre (plus foncé et plus épais) représentent le point de départ et la fin de la trajectoire. Cette fois, on n’observe plus de phénomène d’occlusion, mais on ne peut plus voir les détails de la trajectoire au sein d’un pays. On remarque aussi que, contrairement à la figure précédente, le pourcentage de l’espace disponible utilisé est peu élevé. Enfin, la figure suivante (Figure 7.3) est une représentation hybride des mêmes données. On part de l’observation faite précédemment (par rapport au pourcentage de l’espace utilisé) et on applique un effet de loupe sur la zone qui nous intéresse, ici la Suisse (CH). Ainsi, on peut cette fois-ci observer que la trajectoire commence et finit au même endroit, en y passant une troisième fois, et que la personne cible visite l’Irlande (IE), avant de visiter l’Autriche (AT), puis l’Espagne (ES) et le Portugal (PT) avant de retourner en Suisse.

CONCLUSION

Plusieurs contributions sont présentées au cours de ce mémoire. Tout d’abord, deux techniques de visualisation pouvant être utilisées pour visualiser des données au sein d’un bâtiment, la technique géospatiale et la technique topologique ont été présentées. La technique topologique permet de simplifier le plan d’un bâtiment et de montrer sans ambiguïté des trajectoires se superposant, tout en indiquant leur direction de manière implicite en utilisant une métaphore de la circulation routière. Dans un second temps, une technique de visualisation hybride a été présentée, combinant les représentations géospatiales et topologiques, tout en permettant à l’utilisateur de configurer une visualisation multi-focale, pour montrer les détails des trajectoires à l’intérieur d’une salle sous la forme géospatiale, et pour montrer le contexte sous forme topologique. Ces trois techniques de visualisation ont été implémentées dans un prototype fonctionnel, qui a ensuite été utilisé dans une expérience contrôlée qui nous a permis de mettre en évidence que chacune des techniques de visualisation a un avantage en termes de temps de réponses, en fonction des tâches demandées à l’utilisateur.

Sur les quatre tâches choisies dans l’expérience, la technique topologique est significativement plus efficace pour trois d’entre elles. Afin d’effectuer un choix logique quant au modèle de graphe à utiliser, une discussion des différents modèles possibles a été effectuée. Aussi, afin de choisir la façon de dessiner les courbes pour relier les noeuds de manière optimale, une comparaison des différents types de représentation de courbes a été faite. Un outil permettant de générer des données de manière semi-aléatoire (basé sur un système de sous-graphe et de contraintes) a été développé afin d’obtenir des données spatio90 temporelles réalistes. Cet outil a ensuite été utilisé dans le cadre d’un autre projet du laboratoire pour des données extérieures. Enfin, il est envisagé d’étendre ces différentes techniques afin d’être appliquées à des données géographiques, plus larges, permettant de visualiser des voyages couvrant plusieurs pays.

Table des matières

INTRODUCTION
CHAPITRE 1 REVUE DE LITTÉRATURE
1.1 La visualisation de données spatiales et spatio-temporelles
1.1.1 Les cubes spatio-temporels
1.1.2 Trip Vista
1.1.3 Technique « Focus + Context » appliquée à des réseaux routiers
1.1.4 Simplification des données
1.1.5 Les techniques de visualisation radiales
1.1.6 Résumé
1.2 La visualisation de graphes
1.3 Techniques de visualisations hybrides
1.4 Techniques de visualisations de liens et arcs
1.4.1 Techniques de visualisations d’arcs
1.4.2 Agrégation de données
1.4.3 Techniques de visualisation radiales
CHAPITRE 2 PROBLÉMATIQUE
CHAPITRE 3 PRÉSENTATION DE LA SOLUTION
3.1 Présentation générale
3.2 La visualisation géospatiale
3.3 La visualisation en mode topologique
3.4 La visualisation hybride
3.5 Résumé
CHAPITRE 4 CHOIX DE CONCEPTION
4.1 L’agencement
4.2 Type de modèle topologique
4.3 Les liens
4.3.1 Les liens de type « liens droits »
4.3.2 Les liens de type « lignes brisées »
4.3.3 Les liens de type « Courbe de Bézier »
4.3.4 Comparatif des différents types de liens
4.4 Les arrêtes d’adjacences
4.5 Les trajectoires
4.5.1 Dessin des trajectoires en mode géospatial
4.5.2 Dessin des trajectoires en mode topologique
4.5.3 Exemple concret
CHAPITRE 5 GÉNÉRATION DES DONNÉES
5.1 Génération aléatoire
5.2 Génération semi aléatoire: Principe de graphe à deux niveaux
5.3 Bruitage des données
5.4 Application de la méthode pour générer des données urbaines
CHAPITRE 6 EXPÉRIENCE CONTRÔLÉE
6.1 Protocole expérimental
6.2 Réalisation de l’expérience
6.3 Résultats
CHAPITRE 7 DISCUSSIONS
7.1 Application à des données géographiques
7.2 Agrégation des données
7.3 Visualisation hybride
CONCLUSION
BIBLIOGRAPHIE

Télécharger le rapport complet