China Vis 2015 Paper有6个分会场。主要有
1、天气、气象、灾害可视化。
2、文本可视化应用；
3、树、网络。以及高维技术。
4、时空分析。
5、科学可视化与应用；
五个方面主题。
因为专业原因，我们主要集中在时空分析这个主题上。
-----------------------------------------------------------------------------------------------------------------------------------------------------------
Exploring OD Patterns of Interested Region based on Taxi Trajectories
文章提出一个可视分析系统，来探索某一区域中基于出租车轨迹的OD模式。
主要内容涉及三个方面，
OD过滤，将原始轨迹数据进行筛选。选出满足条件的数据，比如去掉环形的轨迹。
OD可视化，分为两个层面。空间层集中在OD的空间概述，抽象视图可运用混合的线性圆圈设计来展示OD的交通流量动态和旅行时间。
时间数据可视化。经常使用的时间数据可视化方法有timeline，本文採用的是圆圈方式进行。
通过OD-Wheel来探索OD量的动态变化
-----------------------------------------------------------------------------------------------------------------------------------------------------------
Visual Analytics of Smogs in China
採用四个视图来可视化。全局分布视图、相关性探測视图、组分趋势视图、聚集视图。
-----------------------------------------------------------------------------------------------------------------------------------------------------------
基于移动终端日志的人群特征可视化
採用LDA主题模型分析移动端的日志数据，对用户群体进行分类，提取出手机应用的分类主题，
数据来源①通过日志採集到的每天的手机用户安装的应用序列表信息。②从各大应用市场得到的应用程序所属的分类标签信息。将手机看做文档，用LDA主题模型对日志数据进行建模，再通过聚类分析。得到人群特征。本文提取了5个主题来进行人群分类。
最后，用汽包图来进行人群分类的可视化表现，另外还用马赛克地域分布图，展示全国每一个地方不同人群的分布情况。
-----------------------------------------------------------------------------------------------------------------------------------------------------------
SketchTime: A Sketch+Fisheye System for Visual Analytics of Large Time-Series
针对大量时间序列数据存在的密集性，提出一种能够预计全局又能够聚焦到详细细节的交互可视化方法。
在上图折线途中。用画圈的方式，选择要展开的时间段，之后，就会将用户画圈的部分进行展开。从而以较小的尺度去观察数据。
比如要找到如“M”形式的波折处。能够直接在途中话出M如上图红色圆圈所看到的。那么系统就会在下方显示具有这样的形式的折线处。
通过，上述的两种交互方式来为用户提供便捷，同一时候将注意力集中在分析上。
-----------------------------------------------------------------------------------------------------------------------------------------------------------
Visual Analysis of Micro-blog Retweeting Using an Information Diffusion Function
用IDF（information diffusion function）模型来分析微博转发的机制，并结合可视化方式来展示信息传播的动态过程，并追踪用户行为。
依据三个影响因子来定量IDF。微博信息量（MIQ），微博情感，用户影响力。
将微博分解为keyword集合，依据词频的权重比的乘积的反对角函数值来得到（MIQ）。
依据sentiment tendency（ST）来測量微博情感分布。将关键词划分为积极的和消极的词。积极的词为1，消极的词为-1，最后整个微博的情感值（MSV）大于0为积极。小于0为消极。等于0为中性的。
依据用户的影响因子来衡量用户在信息传播过程中的角色。用户影响因子依据用户的粉丝占集合中的比值，加上转发微博条数占集合中的比值来确定。