月度存档: 九月 2014

渐进可视分析:用户驱动的逐步探索分析 (Progressive Visual Analytics: User-Driven Visual Exploration of In-Progress Analytics)

可视分析通过视觉和交互的手段,可以有效地帮助人们提高数据分析的效率。一般来说,可视分析的流程是这样的:选择数据集,设置参数,运行分析算法,获得完整的运算结果,可视化结果,进行可视分析(如图1所示)。然而,人们正面临着数据量越来越大的困扰,这将大大增加算法运算的时间。同时,随着分析任务越来越复杂,算法的复杂度也在逐步增加。
继续阅读 »

使用拓扑分析来支持以事件为引导的城市数据探索 (Using Topological Analysis to Support Event-Guided Exploration in Urban Data)

近年来技术的不断革新使得大量城市数据的收集变得越来越方便,这些收集到的数据还可以用来分析城市,如果这些数据得到了适当的分析利用,可以用来帮助我们解决现有问题并有利于政策制定。然而,对于城市数据的有效分析,还有着许多挑战,无论是从数据量,还是从一个城市固有的时空复杂性。通常分析这种数据的方式是使用不同的聚类并且产生视觉总结,但是这些会产生许多矛盾,如使用粗糙聚类可以减少数据片的量,但是可能引起信息丢失。 继续阅读 »

针对粒子/体联合数据的基于轨迹的流场特征追踪方法 (Trajectory-based Flow Feature Tracking in Joint Particle/Volume Datasets)

通过本文方法对特征进行追踪。图中展示了一个最简单的情形:特征延续

粒子/体联合数据是一种包含有粒子数据和体数据这两类数据类型的数据。随着计算能力的提高,这类联合数据在燃烧科学研究、等离子物理研究,以及大气研究中的大规模模拟中变得越来越普遍。它们分别对应记录模型模拟结果的两方面信息:在空间网格上的场数据,即体数据,和在空间中移动的离散粒子信息,即粒子数据。这两种类型的数据也分别代表流场的欧拉描述与拉格朗日描述。通常情况下,场数据被用于提取感兴趣的体数据特征,而粒子数据则被当作时间序列或者轨迹来分析。但是,要想同时对两种形式的数据进行分析是十分困难的,因为两者的数据表示极为不同。这篇工作[1]来自于今天的SciVis论文,本文作者Sauer等人针对这类数据,提出了一种高效率的、高精确度的特征追踪方法。

继续阅读 »

多类散点图的可视化概括与探索(Visual Abstraction and Exploration of Multi-class Scatterplots)

散点图是应用最广泛的可视化图表之一,在展现数据分布、辅助数据分析等方面一直扮演着重要角色。但随着数据量的增长,由数据交叠引起的视图混杂使其不适用于大数据的可视化。针对数据交叠的问题,领域内的研究者提出了许多不同的解决方案,包括改变视图元素、显示密度分布、扭曲放大视图等等,这些方法都试图从提高空间利用率和减小数据规模两方面,来寻求问题的解答。在本文中[1],来自浙江大学可视化小组的研究者们则提出利用层次化的“多类蓝噪声采样”方法[2],通过采样数据集得到模拟原数据分布的低密度分布,以大大减轻视图负担和数据交叠,并辅助多类散点图的可视化探索。

继续阅读 »