面向共享单车需求预测的多模型可视比较分析

针对不同的区域如何比较不同的模型并选择最佳模型进行预测以及是否存在普遍适用的最佳预测模型等问题,本文设计了一套面向共享单车需求预测的多模型可视比较分析系统。首先,使用隐含狄利克雷分布(LDA)模型,选择具有代表性的预测区域,并在预测区域之间设计相应的字形,通过字形比较多个模型的预测性能。其次,提出一种计算城市空间区域相似度的新方法 area2vec,用于比较相似区域模型预测性能的差异;设计使用网格布局算法,有效地缓解了地图中字形遮挡的问题。最后,通过案例分析和用户调查验证了该系统的有效性和实用性。     

可视交互式图像聚类:一种机器视觉测量中目标无关的配置优化方法（英文）

机器视觉测量（machine vision measurement,MVM）是一种用于产品质量控制的重要方法,可有效、无损地测量目标面积或长度。MVM的结果取决于其配置,尤其是图像采集的打光方案设计和图像处理的算法参数优化。在传统工作流中,工程师不断调整和验证配置以获得可接受结果,这非常耗时且严重依赖专业知识。为解决这些挑战,提出一种目标无关方法,可视交互式图像聚类,该方法通过图像聚类推荐具有共同算法参数的打光方案促进配置优化。该方法有4个步骤：数据准备、数据采样、数据处理和可视分析。在准备阶段,工程师设计几种候选打光方案获取图像,并开发算法处理图像。对每张图像,该方法按照工程师定义的参数采样,并执行算法获得结果。数据处理的核心是使用算法参数对图像之间关系进行可解释度量。基于图像关系,开发了一个视觉分析系统,VMExplorer,帮助工程师图像聚类并探索参数。最后,工程师可确定合适的打光方案和鲁棒的参数组合。为证明该方法有效性和可用性,我们与工程师进行案例研究,并从专家访谈中获得反馈。     

基于B样条拟合与回归模型的脑神经纤维聚类方法EI北大核心CSCD

针对现有的神经纤维聚类技术通常依赖于纤维束的空间位置,缺乏对神经纤维走向信息考量的问题,提出一种基于B样条拟合与回归模型的脑神经纤维聚类方法,将神经纤维进行B样条拟合与采样,标准化,使用线性回归方程进行神经纤维描述,构造出每根神经纤维的高斯密度函数与神经纤维分布的极大似然函数,使用EM聚类算法进行聚类.将该算法与QB聚类算法应用到真实医学数据(PPMI影像数据跟踪出的脑神经纤维)上,并对聚类结果与QB聚类结果进行评估,定性地判断分类结果在解剖学空间上的相似性,定量地比较聚类后脑神经纤维的数目.实验结果表明,该方法在功能区层面的聚类可以更有效地分割出具有解剖学结构的脑神经纤维.     

基于空间区域功能划分的人群移动模式可视分析

随着城市发展和城市人口密集化趋势的愈加明显,大量人群移动造成的交通拥堵、空气污染等城市问题日益突出;为了直观、有效地分析人群移动现象和理解背后的语义信息,提出了一可视分析方法,通过整合道路卡口数据和城市POI数据,采用改进后的DBSCAN算法将区域进行功能相似性划分以增强移动模式背后的意图,从而挖掘人群移动在数值和语义上的模式.进一步,基于Bubble Set可视化展示不同功能区域的分布和差异性,并连接不同的功能区块以展示区域之间的人群移动.最后通过案例分析,结合真实数据和区域功能特征,分析和探索人群移动意图,得到人群移动模式和功能区域之间的联系.     

出租车GPS大数据的道路行车可视分析

针对出租车GPS数据因其数据量庞大和时空信息特征复杂而带来的分析难题,提出一种基于出租车GPS大数据的道路行车可视分析方法.该方法用OpenStreetMap得到开阔道路的地图,采用离散和连续型2种编码方式对道路上的车流量、行车方向和速度等情况进行分析;离散编码采用箭头图表示,并用速度区间聚类算法优化颜色布局;连续编码采用栈图表示,并用特征点提取算法加速图表绘制.最后以杭州市出租车GPS数据为样例,将数据分布式存储在云计算平台上,采用MapReduce加快数据查询和处理,应用文中的2种可视编码方式进行可视分析,结果表明,该方法能准确地反映杭州市道路交通状况.     

ACM在线评判系统设计与实现

开发了Online Judge系统,即在线评判系统,主要应用于ACM／ICPC国际大学生程序设计竞赛中。系统采用Strutsl．2＋Spring2．5＋Hibernate3．2（SSH1）组合框架。分析了ACM在线评判系统的功能,阐述了系统的设计与实现技术,以及SSH技术在实际开发中的应用,最后说明了数据库和内核的设计实现思路。     

流行病数据可视分析综述

流行病数据的多层面可视分析,可以加快流行病数据分析任务的交互式探索效率和加深对潜在模式的深刻理解.本文对流行病数据可视分析的相关工作展开综述,并主要通过四个方面进行总结和归纳:(1)流行病数据的时空可视分析,帮助用户发现和理解流行病数据在时间、空间以及时空维度中潜在的流行病特征和传播规律等;(2)流行病数据中涉及非结构...     

面向警情数据的交互式可视分析方法

警情数据的分析和挖掘是公安部门信息工作的核心环节,数据具有时空分布不均匀、信息记录高冗余和文本内容难关联等特点,导致现有信息工作中存在人工分析效率低、传统静态图表无法支持深入分析等问题.为此,提出一种交互式可视分析数据特征和事件模式的方法.首先提出一种结合多种聚类方法的Random-STRR树算法,划分出密度不同的数据簇,随机化结点最大容纳量并构建索引结构;然后结合数据分布特征和文本特征,利用杰卡德距离和皮尔逊距离分析区域内的异常情况;最后基于关键词的关联程度构建加权网络图,利用社区检测算法对其进行关联分析.此外,设计并实现警情数据可视分析原型系统——PRDVis,包含时空特征分析视图、频繁信息要素分析视图和异常信息要素分析视图.通过某城市警情数据进行案例分析和专家评估,结果证明了所提方法的可用性和有效性.     

犯罪数据可视化研究进展

犯罪数据分析与挖掘已成为大数据时代犯罪学研究及现代社会治理的基础手段,犯罪数据挖掘在揭示犯罪模式、分析犯罪原因、评估犯罪防控效果等方面具有重要作用.首先,以犯罪模式发现与预测、警力资源配置与优化、案件侦查分析与研判3种业务为导向,对犯罪数据可视分析任务进行归纳,系统地梳理了犯罪数据可视化领域的研究与应用现状;其次,针对犯罪时空数据、犯罪文本数据、犯罪网络关系数据等不同类型数据的可视化方式和技术手段,展开了系统性的分析;最后,总结和展望了犯罪数据可视化面临的挑战和发展方向.