數據在許多研究領域都可采用圖形來表示，圖形和圖形理論為人工智能決策提供了有效的可視化工具、體系化準則和相關技術。本文以交通線路自動調整系統為例，說明在嵌入式智能查詢算法中如何利用圖形對數據進行可視化處理的方法來避免“盲目”操作，從而提高算法的決策效率。
　　圖形由節點和邊線組成，節點通常畫作圓形，而邊線則是節點之間的連線。在軟件中，節點通常采用將邊線作為指針或數組下標的數據結構加以實現。對圖形進行遍歷查詢的算法有多種，常用的算法包括深度優先查詢和寬度優先查詢算法。深度優先和寬度優先都屬于“盲目”查詢算法，深度優先算法沿著一組邊線從根節點一直查詢到最遠端的葉節點，再查詢下一個葉節點；寬度優先算法則首先查詢一個邊線距離以內的所有節點，再查詢兩個邊線距離以內的節點，以此類推。
　　上述算法之所以具有盲目性，是因為算法在查詢適當解決方案的過程中并未指示任何有效信息，而只是盲目地遵循遍歷算法，甚至有可能在找到解決方案之前需要遍歷每一個節點，因而效率比較低。本文介紹的基于數據可視化處理的嵌入式智能查詢算法以車輛行駛線路自動調整系統為例來說明解決上述問題的思路。
　　車輛導航
　　在設計一個遍歷整個公路段的網絡系統中，假定存在一個自動垃圾收集站系統、運動攝像機或自動交通線路調整系統。圖1顯示了舊金山的部分城市交通圖。首先，需要創建代表上述數據的網絡圖，以確定將哪些單元作為節點。如果其他標志不甚明顯，那么道路交叉口就可選擇為節點。隨著這些節點的插入，就完成了網絡圖的一部分，不過目前得到的只是城市交通圖的無目標靜態表示。
　　
　　下一步是添加系統進行智能決策所需的額外信息。如果系統的目標是幫助車輛選擇最佳的路徑而從一個交叉口駛向另一交叉口，很自然地就會想到為那些連接交叉口的公路段分配權值。在最簡單的情形中，所有的道路都不是單行道，并且具有相同的速度限制和車道數目。即便這些條件不能完全反映真實的道路狀況，一旦構建好網絡圖和權值模型，就能很容易擴展到這些真實環境中去。
　　對交通圖中的邊線賦以權值有助于系統找到最佳的路徑。在某種程度上，這些權值可以任意分配，這里假定權值表征平均車流密度。基于特定時段或局域條件的動態權值也是可行的，并不影響以下分析。
　　圖1中，邊線的權值表示了每小時穿過道路的平均車流量，這些統計數據并不基于任何實際的數據，但在分析中相當有效。如果車輛必須從Scott和Jackson交叉口（節點5）行駛到Fillmore和Vallejo交叉口（節點17），采用最小車流量判據，得到的查詢算法應能得到總權值最小的路徑。
　　我們很容易就能在網絡圖中畫出結果，但仍然希望能借助計算機解決問題。表征圖形的兩種最常用方法是鄰接矩陣（adjacencymatrix）和鄰接表（adjacencylist）。鄰接矩陣是靜態的多維陣列，矩陣中的元素表示一個節點到另一節點的權值。圖2顯示了示例網絡中包含節點1至節點6之間邊線權值的部分鄰接矩陣。節點1和節點6之間的邊線權值位于最右角（對應點位于左下角）。圖2中36個節點的公路網絡的整個鄰接矩陣可包含36個元素。