基于核密度估计的大规模空间流数据可视化关键技术研究

In the era of big data, information visualization technology can help users to quickly find and understand the potential information in mass spatial data, which has important research significance. Due to its loose structure, large size, fast update frequency, and retrieval difficulties, spatial streaming data poses new challenges for information visualization. This project intends to combine the methods of statistics, computer vision and machine learning to establish the information visualization model and algorithm based on kernel density estimation theory for large-scale spatial stream data. First, this project proposes a method that uses temporal kernel density estimation to visually cluster complex and loose spatial stream data to generate a regular and intuitive density map frame sequence. Second, we analyze the intrinsic relationship of temporal frames and uses the optical flow method in computer vision field to calculate the flow direction of the stream data in space. Third, the method of dictionary learning is coupled into the visual query model of spatial stream data to reduce the storage size of the density map frame sequence and significantly improve the efficiency of the visual query. Fourth, deep learning techniques such as Generative Adversarial Networks is used to train the density-based frame sequences in order to predict and visualize the unknown spatial stream data. The expected results of this project will provide new models and fast algorithms for visualization and visual analysis of big data.

在大数据时代，信息可视化技术可帮助用户快速发现和理解海量空间流数据中的潜在信息，具有重要的研究意义。空间流数据因为结构松散、数据量大、更新频率快、检索困难等特点，对信息可视化技术的研究提出了新的挑战。本项目拟结合统计学、计算机视觉及机器学习的方法，针对大规模空间流数据，建立基于核密度估计理论的信息可视化模型和算法。本项目首先提出一种使用时序核密度估计的方法，对复杂并松散的空间流数据做可视聚类，生成规整直观的密度图帧序列；然后针对空间时序帧的内在联系进行分析，使用计算机视觉光流法计算流数据在空间上的流向；接着将字典学习的方法耦合到空间流数据的可视检索模型中，以减少密度图帧序列的存储大小并提高可视检索的效率；最后使用深度学习技术，采用对抗生成网络对密度图帧序列进行训练，从而预测并可视化未知的空间流数据信息。项目预期的成果将为大数据的可视化及可视分析提供新的模型及快速算法。

在大数据时代，信息可视化技术可帮助用户快速发现和理解海量空间流数据中的潜在信息，具有重要的研究意义。空间流数据因为结构松散、数据量大、更新频率快、检索困难等特点，对信息可视化技术的研究提出了新的挑战。本项目结合统计学、计算机视觉及机器学习的方法，针对大规模空间流数据，建立基于核密度估计理论的信息可视化模型和算法。.项目首先提出一种基于峰值聚类的时序核密度估计方法，针对复杂并松散的空间流数据进行可视聚类。项目提出的可视聚类方法可生成规整直观的密度图帧序列，解决空间数据在屏幕上绘制时的重叠问题。项目还针对空间时序帧的内在联系进行分析，使用光流方法计算流数据在空间上的流向，并应用于航班延误传导方向的分析。项目还针对大规模时空数据可视检索困难问题，提出将字典学习的方法耦合到空间流数据的可视检索模型中，减少密度图帧序列的存储大小并提高可视检索的效率。基于字典学习的可视编码模型，可针对大规模时空数据进行了有效的空间编码。项目通过一个快速的可视查询系统验证了空间编码的有效性。项目还基于对抗生产网络，对空间流数据进行编码分析，实现了基于隐空间的空间流数据平滑插值。项目最后通过自编码网络的研究，探讨了数据在可视化图中进行隐编码的可能性，为进一步探索空间流数据的高效可视编码提供了重要手段。项目整体完成顺利，预定目标已基本达成，相关成果发表于IEEE VIS、IEEE TVCG、IEEE TITS等顶级国际期刊上。项目的成果可为地理信息系统及智慧城市相关应用提供新的模型及快速算法。