分类存档: 未分类

新冠疫情可视化地图集 – 零新增确诊地图

地图是人类概括和符号化所在地理空间和现象的有效手段。有猜测,自从石器时代人类开始制作各种原始的地图。今天我们还能在博物馆看到数千年前人类保留下来的实物地图。19世纪约翰·斯诺医生制作的霍乱地图则开启了利用地图这一形式进行多元数据融合推断,进行决策的先河。

在针对新冠疫情的工作中,北京大学可视化与可视分析实验室研发制作了一系列交互地图。在此我们讨论通过数据绘制各类主题地图,帮助更好的理解疫情发展变化。今天我们介绍其中的零新增地图。

继续阅读 »

国际疫情态势可视分析平台

目前中国新冠肺炎新增确诊人数总体在逐渐减少,世界卫生组织也肯定了中国对新冠肺炎所做的努力,并且认为中国的疫情顶峰已过,现在正处于稳步下降的状态。但是国际疫情却异常严重,韩国,日本,意大利,伊朗都面临着巨大的挑战。

北京大学可视化与可视分析实验室提供了一系列的工具,帮助大家实时查看国际疫情。

继续阅读 »

疫情晴雨表新版上线了!

截至2020-02-23 16:50,新型冠状病毒肺炎(COVID-19)全国确诊人数超过7万7千人。全国人民都在关注何时疫情能够被遏制和战胜。

北京大学可视化与可视分析实验室最近发布了疫情晴雨表,为大众深入理解当前疫情提供了可视化利器。今天我们发布了晴雨表的新版本。新版本包括在原有省和地级市两级可视化的基础上,增加了对全国所有地市新增确诊数动态(不包含台湾省)的排名。下面为大家介绍晴雨表的新功能。具体试用可以通过疫情可视化网址:http://vis.pku.edu.cn/ncov/

继续阅读 »

面对新冠病毒,这张疫情轨迹图你一定要看

北大可视化与可视分析实验室发布疫情轨迹图,可视化对比新冠与其他历史疫情。

自从新冠疫情爆发以来,你的生活或许变成了这样:每天早上一起床,便习惯性地打开手机,点开微信朋友圈或新闻类APP,查看今天的新增确诊病例人数、新增死亡病例人数和疑似病例数,忧心忡忡地看着窗外,想着什么时候情况能够好转,自己得以“刑满释放”,出门去在春风杨柳里走一遭。

继续阅读 »

RuleMatrix:使用规则可视化和理解分类器 (RuleMatrix: Visualizing and Understanding Classifiers with Rules)

随着机器学习技术的日益普及,人们对使机器学习系统更加透明和可解释的研究兴趣激增。研究者们已经开发了各种可视化以帮助模型开发者理解,诊断和改进机器学习模型。然而,大量潜在但被忽视的用户是领域专家,他们对机器学习知之甚少,但预计会与机器学习系统一起工作。本文作者提出了一种交互式可视化技术,以帮助在机器学习方面缺乏专业知识的用户理解,探索和验证预测模型。通过将模型视为黑盒子,作者从其输入 – 输出行为中提取标准化的基于规则的知识表示。然后,作者设计了RuleMatrix,基于矩阵的规则可视化,以帮助用户导航和验证规则和黑盒模型。作者通过两个用例和一个可用性研究来评估RuleMatrix的有效性。

继续阅读 »

使用长短期记忆模型学习并行粒子追踪里的数据访问模式 (Access Pattern Learning with Long Short-Term Memory for Parallel Particle Tracing)

粒子追踪是流场可视化与分析里最重要的技术之一,被大量应用在场线渲染、源汇查询、有限时间李雅普诺夫指数计算等应用中。然而,在大规模流场中,对大量粒子通过粒子追踪算法计算轨迹时,由于粒子访问数据块的局部性很差,导致计算过程中有大量时间消耗在数据块的读入上。一种提高数据块访问效率的做法,就是对粒子将要访问的数据块进行预测,然后提前进行预读取,从而将读入花费隐藏在计算时间之下。这个工作首次引入了深度学习模型,即基于长短期记忆 (Long Short-Term Memory, LSTM) 的模型,对粒子轨迹进行建模,从而能更为准确地预测粒子对数据块的访问,从而提高大规模粒子追踪算法的效率。

继续阅读 »

将基本的D3图标转化为可重用的风格模板(Converting Basic D3 Charts into Reusable Style Templates)

这篇工作介绍一种将基本D3图表转换为可重用样式模板的技术。给定一个新的数据源,这篇工作应用样式模板来生成一个描述新数据的图表。为了构造样式模板,这篇工作首先解构D3图表中的:数据,标记和数据的映射。然后,这篇工作对解构出的映射的做感知有效性进行排序。要将生成的样式模板应用于新的数据源这篇工作们首先要获取每个新数据字段的重要性等级。然后,这篇工作调整模板映射以通过将最重要的数据字段与最感知有效的映射进行匹配来描述源数据。这篇工作展示了样式模板如何以数据表格或其他D3图表的形式应用于源数据。虽然这篇工作的实现侧重于为基本图表类型(例如条形图,折线图,点图,散点图等)生成模板,但这些是当前最常用的图表类型。用户可以很容易地在Web上找到这些基本的D3图表,将它们变成模板,并立即看到他们自己的数据在模板的视觉样式(例如颜色,形状,字体等)中的外观。这篇工作通过将多样化的样式模板应用到各种源数据集来证明这篇工作方法的有效性[3]。

继续阅读 »

在2D+时间轨迹上评估对时间和速度的感知(Assessing the Graphical Perception of Time and Speed on 2D+Time Trajectories)

时序数据在历史,气象,金融,地理,运动等许多领域都很普遍。文献中有许多在2D路径上进行时间和/或速度编码的研究,经常使用的视觉变量有大小,色彩亮度和段长度等。 然而到目前为止还没有研究来评估这些可视编码的相对可解释性。该工作[1]实验性地评估了人们在2D路径上感知非恒定时间和速度的程度。 在该图形感知研究中,作者评估了文献中所存在的关于直线和曲线路径上映射时间和/或速度的九种编码。 当x和y轴已经编码其他数据维度时,例如位置信息,在此基础上可视化时间和速度信息是一个挑战。 该研究成果为InfoVis设计人员提供了在2D路径上进行时间和/或速度编码的指导方针。其中,作者建议尽可能使用颜色值来编码速度和路径的分段长度来编码时间。

继续阅读 »

气泡树图对不确定性的可视化(Bubble Treemaps for Uncertainty Visualization)

本文[1]提出了一个新的圆形树图类型,故意分配额外的视觉变量的额外空间。有了这个扩展的可视化设计空间,对分层结构数据及其组合图中的不确定性进行编码。本文引入一个分层和基于力的圆填充算法来计算气泡图,其中每个节点使用嵌套轮廓圆弧的可视化。气泡图不需要任何颜色或底纹,以提供更多的设计选择。本文探讨的不确定性可视化作为一个应用程序,使用标准误差图和蒙特卡洛的统计模型。为此,本文将讨论不确定性如何在层次结构中传播。此外,本文用三个不同的例子说明了我们的可视化的有效性:Flare的包装结构、标准普尔500指数和美国消费者支出调查。

继续阅读 »

用于在大规模并行应用程序中优化通信的可视分析系统 (A Visual Analytics System for Optimizing Communications in Massively Parallel Applications)

近年来,超级计算机被广泛应用于诸如气候和分子动力学模拟等大规模并行应用程序中。这些超级计算机往往包含大规模的计算结点,结点之间通过复杂的通信网络连接,例如5D torus或者dragonfly等。应用程序的计算任务被分配到各个计算结点,并且由这些结点协作完成。在这个过程中,结点之间的通信是非常关键的,在很大程度上影响着并行程序的可扩展性和并行效率。因此, 如何识别通信瓶颈并且对通信进行优化变得非常重要。造成通信瓶颈的原因有很多,例如通信路由比较长,通信网络上收发的信息量比较大等。研究者需要能够了解通信路由,减少通信网络拥堵。今年VAST会议上有一篇文章提出了一个可视分析系统,使用可视化方法对通信行为进行分析[1]。

继续阅读 »