CN101719166A - 一种多维时序信息可视化方法 - Google Patents
一种多维时序信息可视化方法 Download PDFInfo
- Publication number
- CN101719166A CN101719166A CN201010022095A CN201010022095A CN101719166A CN 101719166 A CN101719166 A CN 101719166A CN 201010022095 A CN201010022095 A CN 201010022095A CN 201010022095 A CN201010022095 A CN 201010022095A CN 101719166 A CN101719166 A CN 101719166A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- dimensional time
- dimension
- data set
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种多维时序信息可视化方法,目的是解决同一视图不能同时揭示数据集的多维分布及时间演变特征的问题。技术方案是先建立多维时序坐标系,接着计算多维时序数据集中任意二维的相关系数,根据相关系数值调整多维时序坐标系的维轴、标定多维时序坐标系的维轴正方向,计算多维时序数据集的记录在多维时序坐标系中的笛卡尔坐标表示形式,然后建立目标函数,求解目标函数的最优值,定位多维时序数据集的全部记录项,对多维时序记录形成的点云进行渲染,得到多维时序数据集的可视化结果。采用本发明能在同一视图中同时可视化多维时序数据集的多维分布特性及时序演化特征,有效减轻维轴配置的繁杂度及随机性,降低了降维运算的时间复杂度。
Description
技术领域
本发明涉及信息可视化技术领域的一种可视化方法,特别是指一种兼顾数据集多维分布及时序演化特点的多维时序信息可视化方法。
背景技术
信息技术的飞速发展,科学、工程、商业等领域的信息爆炸性增长,对如何进行大量抽象数据的分析及理解提出了新的技术挑战。面对数量如此巨大的信息资源,由于人类认知能力固有局限性的存在,如果仅依赖数据表格或文字的形式进行表示,人们难以对其进行理解及比较,信息认知活动面临空前的复杂性。信息可视化是利用计算机图形表现抽象数据,借助视觉增强用户对非物理抽象信息认知的新兴技术,是辅助用户分析理解海量抽象信息的有效工具,它将人脑和计算机这两个最强大的信息处理系统联系在一起,使得用户能够有效的观察、操纵、研究、浏览、探索、过滤、发现、理解大规模数据,并与之方便交互,从而发现隐藏在信息内部的特征和规律。信息可视化技术根据所处理的数据类型可分为一维、二维、三维、多维、时序、层次、网络可视化技术,各国研究人员已分别对每一类可视化技术进行了较深入的研究,但是对于多类型数据集(如多维网络、多维时序、层次网络等)的可视化方法研究尚处于起步阶段,是当前研究的热点问题。
多维时序数据大量存在于社会科学、环境监测、金融经济、医疗卫生及地理信息领域,急需多维时序信息可视化方法对此类数据进行有效分析并从中发掘隐性知识,但是,当前的多维时序信息可视化方法主要是将多维可视化视图与时序可视化视图拼凑在同一视图中,多维可视化视图侧重于构建能够保持原多维数据拓扑结构的低维展现,以辅助用户在可视空间中分析各数据项多维属性间的相互关系,主要方法包括枝形图法、平行坐标法、多维标度法(MDS)等;时序可视化视图则着重体现数据项之间的演变规律,主要方法包括动画法,静态场景排列法,时间序列图法等,两视图之间通过联动支持用户对多维时序信息的可视化分析。该方法虽然能够在对应视图中将多维及时序特性分别进行较为有效的展现,但不利于同时可视化数据集的多维及时序特点,不利于发掘数据集中有关多维及时序特征的隐含信息。因此,研究人员提出了融合多维可视化方法及时序可视化方法的想法,如,Mikael Jern使用集成了时间序列趋势图的平行坐标法可视化分析多维时空统计数据库;Roger D.Peng提出mvtsplot函数概括计算多维值产生的影响,并将其以色块形式反映到时间序列矩阵中可视分析美国的环境监测数据。使用这些方法都需要特定应用领域的专业背景,可视化视图无法体现出数据记录的多维分布特性,而且算法时间复杂度较高,操作繁琐复杂。
发明内容
本发明要解决的技术问题是提出一种多维时序信息可视化方法,既能同时直观揭示数据集的多维分布及时间演变特征,又能在有效保持数据集内在结构特征及拓扑关系的基础上降低降维过程的时间复杂度。
本发明的技术方案是:
第1步,在三维空间中定义一圆柱体,以圆柱体底面多个沿直径方向的向量轴表示多维时序数据集的多个维,以圆柱底面中心为起点、沿圆柱高的向量轴表示多维时序数据集的时序属性,初步建立基于圆柱体的多维时序坐标系,其中,圆柱体底面的向量轴称为多维时序坐标系的维轴,沿圆柱高的向量轴称为多维时序坐标系的时序轴;
第2步,自上而下扫描数据集,计算多维时序数据集中任意二维的相关系数r(di,dj),其中,1≤l≤n,1≤i≤k,1≤j≤k,fi l为多维时序数据集记录l的第i维属性值,Maxi、Mini分别为多维时序数据集第i维的最大、最小值,m为自然数,代表多维时序数据集的总记录数,k为自然数,代表多维时序数据集的总维数,ε为相关度阀值,根据多维时序数据集规模确定,通常ε的取值范围为0<ε<0.2;
第3步,根据多维时序数据集全部维两两间的相关系数值调整多维时序坐标系的维轴,相关系数值越大,二个维轴之间夹角越小,具体步骤包括:
3.2、取R中绝对值最大元素|r(di,dj)|,即二个最相关的维di,dj,并将r(di,dj)从相关度矩阵R中删除;
3.3、将维di插入到维数组DR的开始位置,维dj插入到维数组DR的结束位置;
3.4、选取dp,1≤p≤k,使|r(di,dp)|最大,选取dq,1≤q≤k,q≠p,使得|r(dj,dq)|最大,且dp、dq不在维数组DR中;
3.5、如果|r(di,dp)|≥|r(dj,dq)|,将dp插入到维数组DR的开始位置;否则,将dq插入到维数组DR的结束位置;
3.6、如果多维时序数据集中的全部维都已插入维数组DR中,则执行3.7,否则执行3.4;
3.7、依次计算维数组DR中相邻维轴间的夹角
其中,ωu,u+1=arccos|r(DRu,DRu+1)|,u=1,…,(k-1),ω1,k=arccos|r(DR1,DRk)|,然后将θu,u+1记录到夹角数组A中;
3.8、根据维数组DR中记录的维顺序及夹角数组A中记录的夹角调整维轴,使维轴的顺序与DR中记录的维顺序一致,任意二维之间的夹角与夹角数组A中记录的夹角值相等。
第4步,依据多维时序数据集各维间的语义相关性标定多维时序坐标系的维轴方向,若两维语义正相关,标定对应两维度轴同方向,若两维语义负相关,标定对应两维度轴反方向,完成基于圆柱体的多维时序坐标系的构建;
第5步,以多维时序坐标系中的点表示多维时序数据集中的记录,根据多维时序坐标系在三维笛卡尔坐标系中的位置,计算多维时序数据集的记录在多维时序坐标系中的笛卡尔坐标表示形式,具体步骤包括:
5.2、求过维轴dj起点并与dj垂直的直线方程Ej(x,y)=Ajx+Bjy+Cj=0(1≤j≤k);
5.4、自上而下扫描数据集,使用步骤5.3中的公式计算全部记录在多维时序坐标系中的笛卡尔坐标表示形式;
第6步,以减小多维时序数据集记录的多维时序坐标系坐标值与该记录的多维时序属性值之间差别为准则,建立目标函数,即,其中,fj i为多维时序数据集记录i的第j维属性值,ti为记录i的时序属性值,cord_ti表示记录i的时序属性值在多维时序坐标系中的坐标值;
第8步,将目标函数中多维属性分项的笛卡尔坐标表示替换为平面极坐标表示,目标函数转换为其中r=(r1,r2,...,rm)T表示多维时序数据集记录点的极径,表示多维时序数据集记录点的极角,ψj为各维轴正向到极轴的顺时针夹角;
第9步,在各维轴dj上取点Tj i(xi j,yi j),使Tj i到dj起点的距离为其中,minj、与步骤5.1中定义相同,1≤i≤m,1≤j≤k,以点为初始点,使用拟牛顿法或变尺度法求解目标函数的最优值,然后在多维时序坐标系中定位多维时序数据集的全部记录项;
第10步,在多维时序坐标系中根据对多维时序数据集记录的不同分类使用不同的颜色对多维时序记录形成的点云进行渲染,得到多维时序数据集的可视化结果。
采用本发明可以达到以下技术效果:
(1)通过建立基于圆柱体的多维时序坐标系,在同一视图中同时可视化了多维时序数据集的多维分布特性及时序演化特征;
(2)通过定义任意两维轴的相关系数并使用启发式算法自动排列维轴,有效减轻了维轴配置的繁杂度及随机性;
(3)通过对降维目标函数使用极坐标进行转换,避免了因函数不可微(导)只能使用收敛速度较慢的最优化方法的局限性,降低了降维运算的时间复杂度。
本发明简单、执行效率高,适用于数据量较大、维数量较多的数据集,可视化结果不仅易于理解,而且能够同时有效展现数据集的分布(尤其是维分布)及演化特征信息,有利于可视化展现数据集中的隐性知识,辅助用户进行基于多维时序数据的决策。
附图说明
图1为本发明的总体流程图;
图2为本发明第1步提出的基于圆柱体的多维时序坐标系;
图3为本发明第8步提出的基于极坐标的圆柱底面多维坐标系。
具体实施方式
图1是本发明总体流程图。具体步骤包括:
1、如图2,在三维空间中定义一圆柱体,圆柱体下底面S中心为O,上底面S′中心为O′,以S中k条沿直径方向的向量d1,d2,…,dk表示多维时序数据集的k个维轴,以OO′所代表向量t表示多维时序数据集的时序轴,初步建立基于圆柱体的多维时序坐标系;
2、自上而下扫描数据集,计算多维时序数据集中任意二维的相关系数r(di,dj),其中,1≤l≤m,1≤i≤k,1≤j≤k,fi l为多维时序数据集记录l的第i维属性值,Maxi、Mini分别为多维时序数据集第i维的最大、最小值,m为自然数,代表多维时序数据集的总记录数,k为自然数,代表多维时序数据集的总维数,ε为相关度阀值,根据多维时序数据集规模确定,通常ε的取值范围为0<ε<0.2;
3、根据多维时序数据集全部维两两间的相关系数值调整多维时序坐标系的维轴,相关系数值越大,二个维轴之间夹角越小,具体步骤包括:
(3.1)、构造相关度矩阵定义一维空数组DR即维数组、一维空数组A即夹角数组;
(3.2)、取R中绝对值最大元素|r(di,dj)|,即二个最相关的维di,dj,并将r(di,dj)从相关度矩阵中删除;
(3.3)、将维di插入到维数组DR的开始位置,维dj插入到维数组DR的结束位置;
(3.4)、选取dp,1≤p≤k,使|r(di,dp)|最大,选取dq,1≤q≤k,q≠p,使得|r(dj,dq)|最大,且dp、dq不在维数组DR中;
(3.5)、如果|r(di,dp)|≥|r(dj,dq)|,将dp插入到维数组DR的开始位置;否则,将dq插入到维数组DR的结束位置;
(3.6)、如果多维时序数据集中的全部维都已插入维数组DR中,则执行3.7,否则执行3.4;
(3.7)、依次计算维数组DR中相邻维轴间的夹角其中,ωu,u+1=arccos|r(DRu,DRu+1)|,u=1,…,(k-1),ω1,k=arccos|r(DR1,DRk)|,然后将θu,u+1记录到夹角数组A中;
(3.8)、根据维数组DR中记录的维顺序及夹角数组A中记录的夹角调整维轴,使维轴的顺序与DR中记录的维顺序一致,任意二维之间的夹角与夹角数组A中记录的夹角值相等;
4、依据多维时序数据集各维间的语义相关性标定多维时序坐标系的维轴方向,若两维语义正相关,标定对应两维度轴同方向,若两维语义负相关,标定对应两维度轴反方向,完成基于圆柱体的多维时序坐标系的构建;
5、以多维时序坐标系中的点表示多维时序数据集中的记录,根据多维时序坐标系在三维笛卡尔坐标系中的位置,计算多维时序数据集的记录在多维时序坐标系中的笛卡尔坐标表示形式,具体步骤包括:
(5.2)、求过维轴dj起点并与dj垂直的直线方程Ej(x,y)=Ajx+Bjy+Cj=0(1≤j≤k);
(5.4)、自上而下扫描数据集,使用步骤(5.3)中的公式计算全部记录在多维时序坐标系中的笛卡尔坐标表示形式;
6、以减小多维时序数据集记录的多维时序坐标系坐标值与该记录的多维时序属性值之间差别为准则,建立目标函数,即,其中,fj i为多维时序数据集记录i的第j维属性值,ti为记录i的时序属性值,cord_ti表示记录i的时序属性值在多维时序坐标系中的坐标值;
8、如图3,在第1步建立的圆柱体下底面s中以O为极点,射线OP为极轴,建立平面极坐标系,图中d1,d2,…,dk表示多维时序数据集的k个维轴,ψk为维轴dk正向到极轴的顺时针夹角,Ii表示多维时序数据集的第i条记录,ri表示多维时序数据集记录Ii的极径,表示多维时序数据集记录Ii的极角。使用笛卡尔坐标系与平面极坐标系的转换公式,将目标函数中多维属性分项的笛卡尔坐标表示替换为平面极坐标表示,目标函数转换为其中r=(r1,r2,…,rm)T表示多维时序数据集记录点的极径,表示多维时序数据集记录点的极角,ψj为各维轴正向到极轴的顺时针夹角;
9、在各维轴dj上取点Tj i(xi j,yi j),使Tj i到dj起点的距离为其中,minj、与步骤(5.1)中定义相同,1≤i≤m,1≤j≤k,以点为初始点,使用拟牛顿法或变尺度法求解目标函数最优值,然后在多维时序坐标系中定位多维时序数据集的全部记录项;
10、在多维时序坐标系中根据对多维时序数据集记录的不同分类标准使用不同的颜色对多维时序记录形成的点云进行渲染,得到多维时序数据集的可视化结果。
Claims (1)
1.一种多维时序信息可视化方法,其特征在于包括以下步骤:
第1步,在三维空间中定义一圆柱体,以圆柱体底面多个沿直径方向的向量轴表示多维时序数据集的多个维,以圆柱底面中心为起点、沿圆柱高的向量轴表示多维时序数据集的时序属性,初步建立基于圆柱体的多维时序坐标系,其中,圆柱体底面的向量轴称为多维时序坐标系的维轴,沿圆柱高的向量轴称为多维时序坐标系的时序轴;
第2步,自上而下扫描数据集,计算多维时序数据集中任意二维的相关系数r(di,dj),其中,1≤l≤m,1≤i≤k,1≤j≤k,fi l为多维时序数据集记录l的第i维属性值,Maxi、Mini分别为多维时序数据集第i维的最大、最小值,m为自然数,代表多维时序数据集的总记录数,k为自然数,代表多维时序数据集的总维数,ε为相关度阀值,根据多维时序数据集规模确定;
第3步,根据多维时序数据集全部维两两间的相关系数值调整多维时序坐标系的维轴,相关系数值越大,二个维轴之间夹角越小,具体步骤包括:
3.2、取R中绝对值最大元素|r(di,dj)|,即二个最相关的维di,dj,并将r(di,dj)从相关度矩阵R中删除;
3.3、将维di插入到维数组DR的开始位置,维dj插入到维数组DR的结束位置;
3.4、选取dp,1≤p≤k,使|r(di,dp)|最大,选取dq,1≤q≤k,q≠p,使得|r(dj,dq)|最大,且dp、dq不在维数组DR中;
3.5、如果|r(di,dp)|≥|r(dj,dq)|,将dp插入到维数组DR的开始位置;否则,将dq插入到维数组DR的结束位置;
3.6、如果多维时序数据集中的全部维都已插入维数组DR中,执行3.7,否则执行3.4;
3.7、依次计算维数组DR中相邻维轴间的夹角其中,ωu,u+1=arccos|r(DRu,DRu+1)|,u=1,…,(k-1),ω1,k=arccos|r(DR1,DRk)|,然后将θu,u+1记录到夹角数组A中;
3.8、根据维数组DR中记录的维顺序及夹角数组A中记录的夹角调整维轴,使维轴的顺序与DR中记录的维顺序一致,任意二维之间的夹角与夹角数组A中记录的夹角值相等;
第4步,依据多维时序数据集各维间的语义相关性标定多维时序坐标系的维轴正方向,若两维语义正相关,标定对应两维度轴同方向,若两维语义负相关,标定对应两维度轴反方向,完成基于圆柱体的多维时序坐标系的构建;
第5步,以多维时序坐标系中的点表示多维时序数据集中的记录,根据多维时序坐标系在三维笛卡尔坐标系中的位置,计算多维时序数据集的记录在多维时序坐标系中的笛卡尔坐标表示形式,具体步骤包括:
5.2、求过维轴dj起点并与dj垂直的直线方程Ej(x,y)=Ajx+Bjy+Cj=0(1≤j≤k);
5.3、采用形式表示多维时序数据集的记录i对应多维时序坐标系j维轴的坐标值;
5.4、自上而下扫描数据集,使用步骤5.3中的公式计算全部记录在多维时序坐标系中的笛卡尔坐标表示形式;
第6步,以减小多维时序数据集记录的多维时序坐标系坐标值与该记录的多维时序属性值之间差别为准则,建立目标函数,即,其中,x=(x1,x2,…,xm)T,y=(y1,y2,…,ym)T,fj i为多维时序数据集记录i的第j维属性值,ti为记录i的时序属性值,cord_ti表示记录i的时序属性值在多维时序坐标系中的坐标值;
第7步,将多维时序数据集记录的时序坐标值与该记录的时序属性值对应,即,cord_ti=ti,从而减除目标函数中的时序属性分项
第8步,将目标函数中多维属性分项的笛卡尔坐标表示替换为平面极坐标表示,目标函数转换为其中r=(r1,r2,…,rm)T表示多维时序数据集记录点的极径,表示多维时序数据集记录点的极角,ψj为各维轴正向到极轴的顺时针夹角;
第9步,在各维轴dj上取点Tj i(xj i,yj i),使Tj i到dj起点的距离为1≤i≤m,1≤j≤k,以点为初始点,使用拟牛顿法或变尺度法求解目标函数的最优值,然后在多维时序坐标系中定位多维时序数据集的全部记录项;
第10步,在多维时序坐标系中根据对多维时序数据集记录的不同分类使用不同的颜色对多维时序记录形成的点云进行渲染,得到多维时序数据集的可视化结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010022095A CN101719166A (zh) | 2010-01-20 | 2010-01-20 | 一种多维时序信息可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010022095A CN101719166A (zh) | 2010-01-20 | 2010-01-20 | 一种多维时序信息可视化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101719166A true CN101719166A (zh) | 2010-06-02 |
Family
ID=42433740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010022095A Pending CN101719166A (zh) | 2010-01-20 | 2010-01-20 | 一种多维时序信息可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101719166A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231158A (zh) * | 2011-06-17 | 2011-11-02 | 中国科学院计算技术研究所 | 一种数据集推荐方法和系统 |
CN102591924A (zh) * | 2010-12-13 | 2012-07-18 | 微软公司 | 靶心多维数据可视化 |
CN103729539A (zh) * | 2012-10-12 | 2014-04-16 | 国际商业机器公司 | 用于检测和描述可视化上的可视特性的方法和系统 |
CN104968046A (zh) * | 2015-06-23 | 2015-10-07 | 南京航空航天大学 | 一种基于共面度的跳距修正的wsn三维空间目标定位方法 |
CN105243070A (zh) * | 2014-07-11 | 2016-01-13 | 华为技术有限公司 | 数据的可视化方法和装置 |
CN105786823A (zh) * | 2014-12-19 | 2016-07-20 | 日本电气株式会社 | 用于多维时序数据分析的系统和方法 |
CN105989026A (zh) * | 2015-01-30 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种数据处理方法和设备 |
CN106372104A (zh) * | 2016-08-19 | 2017-02-01 | 中国科学院计算机网络信息中心 | 一种时空延迟相关性可视化方法 |
CN106846498A (zh) * | 2017-02-08 | 2017-06-13 | 武汉海达数云技术有限公司 | 激光点云渲染方法和装置 |
CN107402986A (zh) * | 2017-07-17 | 2017-11-28 | 中云开源数据技术(上海)有限公司 | 一种多维度数据的可视化展示方法及系统 |
CN108021716A (zh) * | 2017-12-29 | 2018-05-11 | 西安电子科技大学 | 一种基于径向坐标优化的多维数据可视化方法和装置 |
CN108694245A (zh) * | 2018-05-15 | 2018-10-23 | 东软集团股份有限公司 | 多维数据显示方法、装置、可读存储介质及电子设备 |
CN109409639A (zh) * | 2018-08-31 | 2019-03-01 | 东北大学 | 一种选矿生产指标的关联关系可视化系统及方法 |
US10223818B2 (en) | 2012-10-12 | 2019-03-05 | International Business Machines Corporation | Detecting and describing visible features on a visualization |
CN110059131A (zh) * | 2018-11-30 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 一种时序数据关系演化的可视化方法及装置 |
CN110516004A (zh) * | 2019-08-28 | 2019-11-29 | 中国人民解放军国防科技大学 | 兼顾信息全局特征和局部层次结构的可视化方法和系统 |
CN111508070A (zh) * | 2020-05-25 | 2020-08-07 | 重庆大学 | 一种用于多参数取值监控的显示方法 |
CN113496119A (zh) * | 2020-03-20 | 2021-10-12 | 北京庖丁科技有限公司 | 抽取表格中的元组数据的方法、电子设备和计算机可读介质 |
US11195119B2 (en) | 2018-01-05 | 2021-12-07 | International Business Machines Corporation | Identifying and visualizing relationships and commonalities amongst record entities |
-
2010
- 2010-01-20 CN CN201010022095A patent/CN101719166A/zh active Pending
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102591924A (zh) * | 2010-12-13 | 2012-07-18 | 微软公司 | 靶心多维数据可视化 |
CN102591924B (zh) * | 2010-12-13 | 2016-01-20 | 微软技术许可有限责任公司 | 靶心多维数据可视化 |
CN102231158A (zh) * | 2011-06-17 | 2011-11-02 | 中国科学院计算技术研究所 | 一种数据集推荐方法和系统 |
CN103729539B (zh) * | 2012-10-12 | 2017-06-16 | 国际商业机器公司 | 用于检测和描述可视化上的可视特性的方法和系统 |
CN103729539A (zh) * | 2012-10-12 | 2014-04-16 | 国际商业机器公司 | 用于检测和描述可视化上的可视特性的方法和系统 |
US10223818B2 (en) | 2012-10-12 | 2019-03-05 | International Business Machines Corporation | Detecting and describing visible features on a visualization |
CN105243070A (zh) * | 2014-07-11 | 2016-01-13 | 华为技术有限公司 | 数据的可视化方法和装置 |
US9990746B2 (en) | 2014-07-11 | 2018-06-05 | Huawei Technologies Co., Ltd. | Data visualization method and apparatus |
CN105786823B (zh) * | 2014-12-19 | 2019-06-28 | 日本电气株式会社 | 用于多维时序数据分析的系统和方法 |
CN105786823A (zh) * | 2014-12-19 | 2016-07-20 | 日本电气株式会社 | 用于多维时序数据分析的系统和方法 |
CN105989026B (zh) * | 2015-01-30 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 一种数据处理方法和设备 |
CN105989026A (zh) * | 2015-01-30 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种数据处理方法和设备 |
CN104968046A (zh) * | 2015-06-23 | 2015-10-07 | 南京航空航天大学 | 一种基于共面度的跳距修正的wsn三维空间目标定位方法 |
CN106372104A (zh) * | 2016-08-19 | 2017-02-01 | 中国科学院计算机网络信息中心 | 一种时空延迟相关性可视化方法 |
CN106372104B (zh) * | 2016-08-19 | 2020-04-21 | 中科智慧水运科技创新(广州)有限公司 | 一种时空延迟相关性可视化方法 |
CN106846498B (zh) * | 2017-02-08 | 2020-06-05 | 武汉海达数云技术有限公司 | 激光点云渲染方法和装置 |
CN106846498A (zh) * | 2017-02-08 | 2017-06-13 | 武汉海达数云技术有限公司 | 激光点云渲染方法和装置 |
CN107402986A (zh) * | 2017-07-17 | 2017-11-28 | 中云开源数据技术(上海)有限公司 | 一种多维度数据的可视化展示方法及系统 |
CN107402986B (zh) * | 2017-07-17 | 2020-11-06 | 中云开源数据技术(上海)有限公司 | 一种多维度数据的可视化展示方法及系统 |
CN108021716A (zh) * | 2017-12-29 | 2018-05-11 | 西安电子科技大学 | 一种基于径向坐标优化的多维数据可视化方法和装置 |
CN108021716B (zh) * | 2017-12-29 | 2021-12-28 | 西安电子科技大学 | 一种基于径向坐标优化的多维数据可视化方法和装置 |
US11195119B2 (en) | 2018-01-05 | 2021-12-07 | International Business Machines Corporation | Identifying and visualizing relationships and commonalities amongst record entities |
CN108694245A (zh) * | 2018-05-15 | 2018-10-23 | 东软集团股份有限公司 | 多维数据显示方法、装置、可读存储介质及电子设备 |
CN108694245B (zh) * | 2018-05-15 | 2021-12-10 | 东软集团股份有限公司 | 多维数据显示方法、装置、可读存储介质及电子设备 |
CN109409639A (zh) * | 2018-08-31 | 2019-03-01 | 东北大学 | 一种选矿生产指标的关联关系可视化系统及方法 |
CN110059131A (zh) * | 2018-11-30 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 一种时序数据关系演化的可视化方法及装置 |
CN110516004A (zh) * | 2019-08-28 | 2019-11-29 | 中国人民解放军国防科技大学 | 兼顾信息全局特征和局部层次结构的可视化方法和系统 |
CN110516004B (zh) * | 2019-08-28 | 2021-11-16 | 中国人民解放军国防科技大学 | 兼顾信息全局特征和局部层次结构的可视化方法和系统 |
CN113496119A (zh) * | 2020-03-20 | 2021-10-12 | 北京庖丁科技有限公司 | 抽取表格中的元组数据的方法、电子设备和计算机可读介质 |
CN111508070A (zh) * | 2020-05-25 | 2020-08-07 | 重庆大学 | 一种用于多参数取值监控的显示方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101719166A (zh) | 一种多维时序信息可视化方法 | |
Kwon et al. | Axisketcher: Interactive nonlinear axis mapping of visualizations through user drawings | |
Cui | Visual analytics: A comprehensive overview | |
Liu et al. | Visualizing high-dimensional data: Advances in the past decade | |
Kim et al. | Interaxis: Steering scatterplot axes via observation-level interaction | |
CN108710628B (zh) | 一种基于草图交互的面向多模态数据的可视分析方法和系统 | |
von Landesberger et al. | Visual analysis of large graphs. | |
Pobitzer et al. | On the way towards topology-based visualization of unsteady flow-the state of the art | |
Liu et al. | Visual Exploration of High‐Dimensional Data through Subspace Analysis and Dynamic Projections | |
Ma et al. | Large-scale graph visualization and analytics | |
Fugacci et al. | Persistent Homology: a Step-by-step Introduction for Newcomers. | |
CN102012941A (zh) | 一种不同维度矢量数据统一表达、存储及运算的处理方法 | |
Jusufi et al. | Multivariate network exploration with JauntyNets | |
Martins et al. | Multidimensional projections for visual analysis of social networks | |
Jankowai et al. | Feature level-sets: Generalizing iso-surfaces to multi-variate data | |
CN108073695B (zh) | 一种降维空间视觉感知增强的高维时变数据可视化方法 | |
CN115033638A (zh) | 一种面向数字化仓储的货品周转模式可视化方法 | |
Daeijavad et al. | Layouts of 3d data visualizations small multiples around users in immersive environments | |
Yang et al. | A surface graph based deep learning framework for large-scale urban mesh semantic segmentation | |
Knight et al. | Visualising software-a key research area | |
Chowdhury et al. | A State‐of‐the‐Art Computer Vision Adopting Non‐Euclidean Deep‐Learning Models | |
Ahmed et al. | Steerable Clustering for Visual Analysis of Ecosystems. | |
Zohra et al. | An overview of interaction techniques and 3d representations for data mining | |
Li et al. | Construct boundaries and place labels for multi-class scatterplots | |
Wang et al. | 3D matrix-based visualization system of association rules |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20100602 |