Many spatiotemporal events can be viewed as contagions. These events implicitly propagate across space and time by following cascading patterns, expanding their influence, and generating event cascades that involve multiple locations. Analyzing such cascading processes presents valuable implications in various urban applications, such as traffic planning and pollution diagnostics. Motivated by the limited capability of the existing approaches in mining and interpreting cascading patterns, we propose a visual analytics system called VisCas. VisCas combines an inference model with interactive visualizations and empowers analysts to infer and interpret the latent cascading patterns in the spatiotemporal context. To develop VisCas, we address three major challenges, 1) generalized pattern inference, 2) implicit influence visualization, and 3) multifaceted cascade analysis. For the first challenge, we adapt the state-of-the-art cascading network inference technique to general urban scenarios, where cascading patterns can be reliably inferred from large-scale spatiotemporal data. For the second and third challenges, we assemble a set of effective visualizations to support location navigation, influence inspection, and cascading exploration, and facilitate the in-depth cascade analysis. We design a novel influence view based on a three-fold optimization strategy for analyzing the implicit influences of the inferred patterns. We demonstrate the capability and effectiveness of VisCas with two case studies conducted on real-world traffic congestion and air pollution datasets with domain experts.

中文翻译：

---

大规模时空数据的可视级联分析。

许多时空事件都可以看作是传染病。这些事件通过遵循级联模式，扩展其影响力并生成涉及多个位置的事件级联，在空间和时间上隐式传播。分析这种级联过程对各种城市应用（例如交通规划和污染诊断）都具有重要的意义。由于现有方法在挖掘和解释级联模式方面的能力有限，我们提出了一种称为VisCas的可视化分析系统。VisCas将推理模型与交互式可视化相结合，使分析人员能够推断和解释时空上下文中潜在的级联模式。要开发VisCas，我们要解决三个主要挑战：1）广义模式推断，2）隐性影响可视化，3）多方面的级联分析。对于第一个挑战，我们将最先进的级联网络推断技术应用于一般的城市场景，在这些场景中，可以从大规模时空数据中可靠地推断出级联模式。对于第二个和第三个挑战，我们组装了一组有效的可视化文件来支持位置导航，影响检查和级联探索，并促进深入的级联分析。我们设计了一种基于三重优化策略的新颖影响视图，用于分析推断模式的隐含影响。我们通过与领域专家对现实交通拥堵和空气污染数据集进行的两个案例研究，证明了VisCas的功能和有效性。我们将最先进的级联网络推断技术应用于一般的城市场景，在这些场景中，可以从大规模时空数据中可靠地推断出级联模式。对于第二个和第三个挑战，我们组装了一组有效的可视化文件来支持位置导航，影响检查和级联探索，并促进深入的级联分析。我们设计了一种基于三重优化策略的新颖影响视图，用于分析推断模式的隐含影响。我们通过与领域专家对现实交通拥堵和空气污染数据集进行的两个案例研究，证明了VisCas的功能和有效性。我们将最先进的级联网络推断技术应用于一般的城市场景，在这些场景中，可以从大规模时空数据中可靠地推断出级联模式。对于第二个和第三个挑战，我们组装了一组有效的可视化文件来支持位置导航，影响检查和级联探索，并促进深入的级联分析。我们设计了一种基于三重优化策略的新颖影响视图，用于分析推断模式的隐含影响。我们通过与领域专家对现实交通拥堵和空气污染数据集进行的两个案例研究，证明了VisCas的功能和有效性。对于第二个和第三个挑战，我们组装了一组有效的可视化文件来支持位置导航，影响检查和级联探索，并促进深入的级联分析。我们设计了一种基于三重优化策略的新颖影响视图，用于分析推断模式的隐含影响。我们通过与领域专家对现实交通拥堵和空气污染数据集进行的两个案例研究，证明了VisCas的功能和有效性。对于第二个和第三个挑战，我们组装了一组有效的可视化文件来支持位置导航，影响检查和级联探索，并促进深入的级联分析。我们设计了一种基于三重优化策略的新颖影响视图，用于分析推断模式的隐含影响。我们通过与领域专家对现实交通拥堵和空气污染数据集进行的两个案例研究，证明了VisCas的功能和有效性。