在流场可视化中，场线追踪是一种很基础的技术，很多应用包括流面计算、FTLE计算以及源汇分析等都需要追踪大量的场线。然而，由于巨大的I/O和内存需求，场线的计算是非常昂贵的。特别是I/O开销，往往能占据整个计算时间的90%。解决I/O负担的一个方法是将数据访问模式结合到场线计算中。数据访问模式由流场数据的特征隐式地决定，其记录了场线轨迹的数据访问情况。我们可以将其提取出来，并在之后的场线应用中预测数据访问。在已有的方法中，马尔可夫链被用来对数据访问模式进行建模，其思想是通过当前的数据访问预测下一个可能的数据访问。这种访问模式也被称为数据块之间的一阶访问依赖。不过，由于每个数据块可能与多个其他的数据块有访问依赖关系，因此很难得到比较准确和可靠的访问预测。
继续阅读 »

‘社交媒体’这个词现大家并不陌生，每天成千上万的人在使用着微博之类的社交媒体软件，各种新闻、心情、信息等都在网络上传播。随着智能手机的普及，发送带有GPS定位的微博数据变得更为容易，大量的带有地理标签的微博被发送、传播。它提供了一个丰富、广阔的可探索的信息空间 — 这对于以前以用户调研（Survey）为主要研究手段的人群移动研究，提供了一个前所未有的空间。今天我们就北京大学可视化与可视分析研究组在今年可视化顶级会议IEEE VIS 2015 发表的一篇可视分析方面的文章进行详细介绍 [1]。

继续阅读 »

LDA主题模型是文本分析中常用的工具。在LDA模型中，一段文本被当作是一个词包（bag of words），通过分析这些词包，LDA模型可以提取出文本中潜在的主题，并基于所提取的主题分析文本间的关系。例如，考虑这两句话：“苹果最新发布了iPhone6和iPhone6 Plus”和“三星本季度利润大幅度下滑”。如果只从词语角度对这两句话进行分析，那么计算机很难发现这两者间的关系。但是，如果计算机通过分析大量文本之后，能发现两句话实际上都是与“科技”“手机”等主题相关，那么就比较容易判断两者的关系了。因此，主题模型实际上是在文本和词语之间增加了一层抽象层，而使得对文本间关系的分析能更加准确全面。而我们要介绍的这篇论文[1]则创新性地将LDA主题模型引入到流场分析中，利用流场主题这一抽象层，基于迹线来对流场进行分析。这篇文章由我们实验室与国防科技大学合作完成，并即将发表在今年的IEEE VIS年会上。

继续阅读 »

提到交通拥堵，大家一定都感到头疼。它让我们的出行变得不便，心情变得焦虑。同时它减缓了物流，加剧了空气污染。理解和治理交通拥堵是许多人的梦想，政府、企业、研究机构都在用各自的方法为着这个梦想而努力。作为我们研究可视化的人来说，我们是否也可以为理解和治理交通拥堵尽一份力呢？在我们最新的工作中，我们将可视分析方法运用于交通拥堵分析，得到了不错的结果。相应的论文[1]已经被IEEE VAST 2013所接收。

继续阅读 »