[发明专利]一种面向全排列数据的多变量可视分析方法

摘要

一种面向全排列数据的多变量可视分析方法，包括以下步骤：(1)对原始数据集合中的有限项目使用全排列算法得出所有排序方案；(2)根据原始数据中各个项目两两之间的连接属性，分别对排序方案添加连接属性信息；(3)通过MDS算法将所有排序方案降维聚类；(4)可视化分析：MDS view聚类视图、PCP View平行坐标视图、Perm View矩阵视图，各个视图之间交互分析，引导用户选择自己感兴趣的方案集群和排序方案。本发明从大量的全排列方案中挖掘出特殊的集群模式，将排列方案之间的相似性和差异性通过可视化让用户从中分析并结合自己的需求得出最佳的排序方案。

主权项

1.一种面向全排列数据的多变量可视分析方法，其特征在于，所述方法包括以下步骤：1)、对原始数据集合中的有限项目使用全排列算法得出所有排序方案；假设原始数据为一组集合，集合包含n个需要排列的项目item：S＝{item‑1，item‑2，item‑3…item‑n}，对每个item设置id，然后全排列得出所有目的地的不同排序P＝{P1{1，2，3…n},P2{1，3，2…n}…..Pn！{n，n‑1，n‑2…1}}，不同排序P中方案的数量为Sum＝n！；2)、根据原始数据中各个项目两两之间的连接属性，分别对上一步得到的排序方案添加其对应的连接属性信息；假设原始数据中项目之间连接的有三个属性分别用T，P，D来表示，则排序方案{1，2，3…n}对应的连接属性向量为：L1＝{T1‑2，P1‑2，D1‑2，T2‑3，P2‑3，D2‑3，T3‑4，P3‑4，D3‑4…T(n‑1)‑n，P(n‑1)‑n，D(n‑1)‑n}；3)、通过MDS算法将所有排序方案降维聚类，在MDS算法构建特征向量的过程中，使用序列的排序信息和属性连接信息来构建特征向量；4)、选择感兴趣序列以后，用可视化组件PCP View的平行坐标高亮展示感兴趣序列的属性信息，旅行数据展示的便是方案的总花费时间，价格，距离三个属性，不同方案，序列不同，连接属性不同，属性总和不同；5)、可视化组件Perm View的矩阵视图高亮展示感兴趣序列的详细信息；采用n×n！矩阵的表现方式展示所有的全排列集合，n等于项目的数量，n！为全排列集合的数量；在矩阵中，每一列表示一个排序方案，排序方案从上至下由n个项目组成；采用不同颜色的小矩形来编码映射示不同的项目，通过不同颜色的矩形块在纵轴方向的不同分布来表示排序方案排序的不同；PermView视图就是由这些不同色块排列的排序方案组合而成一个巨大矩阵，展示所有的全排列方案，为用户提供关于所有排序方案的排序映射；采用焦点+上下文可视化交互技术，将用户感兴趣框选的序列详细信息一一焦点扩大，嵌入在原来的矩阵视图中，其他序列信息视图压缩；6)、用户对感兴趣的序列可以展开，查看具体的连接属性，展开序列方案中的项目连接属性使用不同形状的图标表示，虚线连接，由上到下，映射属性值由小变大；用户通过展开序列，比较序列方案之间的差异性，选择符合自己要求的最佳序列方案。