IGAL可视化讲习班-10:时空大数据的可视化 – 陈为

12月28号上午,最后一位讲者是来自浙江大学的陈为老师。讲座的主要内容有《时空大数据的可视化》和《海量动态图数据的可视分析理论和应用》。时空大数据的可视化从理解、分析、服务三个角度切入,向分享了可视化研究工作的成果与经验。对海量动态图数据的讨论,再次强调了可视化技术的重要与动态图相关的技术和应用。

图1 浙江大学陈为教授授课

陈为老师首先通过生动的例子展示了可视化的强大能力,引入到针对时空大数据的可视化。时空大数据是拥有时间和空间两个方面的属性的大规模数据。现实中的大气、海洋、太空、地下、城市空间都是主要的研究对象。通过设备获取的长时的时空数据如何有效地观测其变化和可视化、当数据过于冗余或稀疏时如何通过可视化增强证据以及人们认识数据的能力都是值得研究的课题。时空大数据的可视化研究过程中主要面临三个方面的问题。一是时空数据复杂性,二是人的认知局限性,三是应用的时空分离性。针对这三个方向的问题,陈为老师提出了对于可视化的三个要求,分别是实现高表现力的可视表达、探索式的可视分析范式和数据管理、可视化与服务,也就是在理解层面上有高效的时空数据表达与抽象,分析层面上有时空信息的关联可视分析,在服务层面上有时空场景的可视化服务。

图2 时空大数据可视化研究架构

从上述三个方面,陈为老师为我们分享了在时空大数据可视化科研的成果与科研的心得。时空数据在可视表达上的难点在于数据的不确定性、多变量、大尺度和复杂的时空结构。针对数据的不确定性,亦指数据的模态很多,模拟多变量集合数据在每次演算时因变换参数而会得到不同的结果,即使参数不变也会因不确定性得到不同的结果,陈为老师提出的方法是保持概率分布的多变量集合高维投影方法[1]。对高维空间的数据做低维空间的嵌入是一项成熟的技术,但对含有不确定性的高维空间直接投影会损失不确定性,因此先在高维空间做分布估计,再整体依据分布投影的表达式嵌入到低维空间,来保留并获得数据的深层信息。许多成熟的技术,在灵活运用到合适的场景也许会有意想不到的效果。同样针对多变量问题,陈为老师提出了通过蓝噪声采样算法简化多变量的可视表达[2]、基于语义的时空数据简化表达和基于聚类的多变量空间分布数据简化表达[3]。针对大尺度,提出了基于图像空间的流场可视化加速[4];针对复杂时空结构,提出了感知驱动的空间数据场可视化设计与优化[5]。陈为老师指导我们在做研究时首先要定义清晰问题,在解决问题时可以绕一些“弯”,但“绕弯”的核心是在于一个好的思想,并且每一个“弯”都要有扎实的技术支撑,例如运用多类蓝噪声采样来简化数据、运用表达学习(语义分析)于时空数据的简化等。

图3 蓝噪声采样简化数据的效果展示

陈为老师分享的第二类成果是关于关联可视分析,主要有5个分支:时序关联分析、空间属性关联分析、异常时空分析、事件关联分析、网络可视化分析。陈为老师提到构建可视分析往往需要各个领域内相关技术的支持,例如:决策树、数据库、数据挖掘、表达学习。随着可视化技术的发展,为满足相应可视化需求的的数据结构、数据挖掘方法、机器学习方法也将会接踵出现,来辅助可视化和可视分析。陈为老师分享的第三大成果关乎复杂跨时空场景的可视化服务,当用户面对应用场景时,要解决时空信息汇聚于管理、复杂应用可视化服务、面向安全的网络可视化分析。有复杂三维空间的实时可视化,全球尺度三维大气可视化、在线日志数据可视化和网络安全监视与关联分析。这些贴近生活的可视化成果再次展示了时空大数据的可视化应用之广、功能之强大、前景之宽阔。

图4 陈为教授在课堂中讲解内容

紧接着,陈为老师向大家介绍了海量动态图数据的可视分析挑战、预期目标和已有工作。海量动态图的计算复杂度高、关联多重多变、分析时效性高,需求实现低迟滞、跨时空的关联关系的交互查询。预期的目标有支持实时处理、批流融合的实时处理的完整系统等等。当下已有的技术有将高维数据转换为图数据,来实现对大规模数据的高效检索;利用高维投影来优化图布局算法;隐私保护的可视化技术。

图5 为陈为教授颁发纪念奖牌

总的来说,陈为老师详细讲解了时空大数据的可视化挑战和针对“理解、分析、服务”三大问题的研究成果和心得。同时也介绍了海量动态图的可视化挑战、预期目标与已有工作。穿插在陈为老师讲座中的研究经验与对可视化发展、应用趋势的分析让同学们受益匪浅。

参考文献:

[1] Chen H, Zhang S, Chen W, et al. Uncertainty-Aware Multidimensional Ensemble Data Visualization and Exploration. IEEE Transactions on Visualization and Computer Graphics, 2015, 21(9): 1072 – 1086.

[2] Chen H, Chen W, Mei H, et al. Visual Abstraction and Exploration of Multi-class Scatterplots. IEEE Transactions on Visualization and Computer Graphics, 2014, 20(12): 1683 – 1692.

[3] Liao H, Wu Y, Chen L, Chen W. Cluster-Based Visual Abstraction for Multivariate Scatterplots. IEEE Transactions on Visualization and Computer Graphics, 2018, 24(9): 2531-2545.

[4] Huang J, Pei W, Wen C, et al. Output-coherent image-space LIC for surface flow visualization. IEEE Pacific Visualization Symposium, 2012.

[5] Tao Y, Lin H, Dong F, et al. Structure-Aware Lighting Design for Volume Visualization. IEEE Transactions on Visualization and Computer Graphics, 2012, 18: 2372-2381.

评论关闭。