月度存档: 一月 2016

“可视化推动大数据平民化”位列2016年大数据发展趋势首位

在近期CCF大数据专家委员会发布的《中国大数据技术与产业发展白皮书(2015)》中,对2016年大数据发展趋势进行了预测。可视化推动大数据平民化被参加投票的大数据专家委员会专家和产业联盟成员列为2016年最重要的技术发展趋势。

 ​1.可视化推动大数据平民化

densitymap3 继续阅读 »

CAST: 基于情境感知的三维点云目标高效拾取技术(CAST: Effective and Efficient User Interaction for Context-Aware Selection in 3D Particle Clouds)

三维点云中目标结构的拾取一直是交互设计领域非常具有挑战性的研究工作,主要原因就点云没有固定的形状结构,不方便拾取。

目前在三维点云拾取方面常用方法包括Cylinder Selection以及Cloud Lasso [1],Cylinder Selection主要使用用户圈选的线形成视景锥体,用该视景锥体去截取目标点云区域。这种方法简单高校,但是精度不高,因为无法选择更精确的目标对象。Cloud Lasso是直接受普通圈选的启发,在圈内部的所有大于一定密度域值的子聚类均会被选中。但是这些方法仍然有一些问题:

1)点云目标常常相互遮挡,深度方向有大量的候选目标
2)三维点云环境中比较难快速判断用户的选择意图
基于这些问题或挑战,本文设计了新的交互技术,称之为CAST[2]。CAST中一共包括三种交互技术来解决不同的拾取需求:1)SpaceCast;2)TraceCast;3)PointCast。

继续阅读 »

时变数据分析中基于分布的特征提取和追踪 (Distribution driven extraction and tracking of features for time-varying data analysis)

特征的提取和追踪是流场可视化中一种非常重要的技术,可以让科学家们直观地理解模拟数据的特性,从而发现有意义的物理现象。大多数已有的特征追踪技术都会通过设置阈值或查询范围等方式事先定义特征,然后再对具体的特征进行提取和可视化。但是,随着数据变得越来越复杂,科学家们经常只能够模糊地定义感兴趣的特征,例如涡旋中心和地震冲击波等。此时包含特征的区域不能通过精确地定义来描述,因此科学家们需要运用新的算法来有效地提取和追踪这类模糊的特征。去年的IEEE SciVis上就有一篇文章提出了基于分布的方法,使用高斯混合模型(GMM)对目标特征区域进行表示[1]。该方法对每个数据块在初始时间步进行GMM建模,然后使用增量学习的机制更新数据块GMM在每个时间步的参数。与此同时,对每个数据块在每个时间步计算两种概率,包括该数据块有潜在特征运动的概率和有指定特征存在的概率。将这两种概率进行线性结合,建立新的特征分类场(feature-aware classification field),然后就可以进行特征的提取和追踪。下面将详细介绍这个工作。

继续阅读 »

多尺度、跨地域的多变量数据可视化(Visualizing Multiple Variables Across Scale and Geography )

多尺度、跨地域的多变量符号矩阵

多变量数据往往伴随着其他数据形式而出现,譬如时变多变量数据、空间多变量数据等等。多变量可视化如平行坐标、散点图矩阵等已经被广泛熟知和应用,却鲜有方法能够同时表现伴随的时空或层次信息。这篇文章 [1] 以地理空间多变量数据为核心,提出了一种新颖的可视化形式,以呈现多尺度、跨地域的数据分布与联系。

继续阅读 »

用时序MDS视图分析高维数据(Temporal MDS Plots for Analysis of Multivariate Data)

在大数据时代,数据的维度越来越丰富,一个数据往往拥有许多属性(Multivariate)。同时数据越来越多的数据带有着时间属性,如何分析高维数据的在时间上的模式成为一项挑战。在现实中,这类数据包括了计算机通络流量数据、医疗数据、金融数据等。可视分析技术致力于帮助人们理解复杂的数据并且找到数据中蕴含的模式。在2015的VAST论文中,来自德国Konstanz大学的小组提出了时序MDS视图(Temporal MDS Plots)的方法帮助分析高维数据在时间上的模式。 继续阅读 »