面向大规模时空数据的简化表达与交互可视分析方法研究

There are massive spatio-temporal objects in the large-scale spatio-temporal data, which are depicted with multi-dimensional attributes, including space, time, thematic attributes, and relationships. It is a feasible way to conduct reduction operations for the exploration and analysis of large-scale spatio-temporal data. However, the storage consumption and computational complexity are the primary factors to be considered for traditional reduction methods, and the multi-dimensional attribute associations between objects are ignored in the data reduction results, which make it difficult to provide users with better perceptual experience and cognitive efficiency. Based on the characteristics of large-scale spatio-temporal data, such as massive spatio-temporal objects, complex spatial relations, dynamic time-series changes, and multi-scale hierarchical correlation, the courses of multi-dimensional attribute association are targetedly constructed for the visual analytics and reduction of the scale and complex associated feature patterns of the massive spatio-temporal objects. And then, the evaluation and uncertainty analysis are conducted on the data reduction results, combined with visual cognition and semantic association. At last, a visual analytics and reduction system is conducted for the large scale spatio-temporal data based on multi-dimensional attribute association, which largely supports the interactive constraint, control and optimization on the objectives, processes, and results of data reduction results. The features, patterns, phenomena, and laws implied in the large-scale spatio-temporal data can be concluded comprehensively, efficiently, and accurately by means of the system, which can also provide reliable supports and basis for research and decision-making in related application fields.

大规模时空数据中存在海量的时空对象，具有多维属性信息描述，包括空间、时间、专题属性、关系等。构建数据的简化表达是探索和分析大规模时空数据的有效手段。然而，传统的简化表达方法通常关注数据的存储消耗和计算复杂度，忽略数据对象之间的多维属性关联，难以保证简化表达结果的语义感知和认知效率。因此，本项目面向大规模时空数据中海量的时空对象及其复杂空间联系、动态时序变化、多尺度层次关联特点，研究面向高层语义表征的多维属性关联分析方法，有效构建海量时空对象及其复杂关联特征的简化表达，结合视觉认知和语义关联对简化表达结果进行评估和不确定性分析，进而集成用户先验知识与任务目标需求，研制面向大规模时空数据的简化表达的交互可视分析模式，支持简化目标、过程、结果的交互约束、控制和优化，帮助用户全面、高效、准确地理解大规模时空数据中隐含的特征、模式、现象和规律，为相关应用领域的研究和决策提供可靠支持和依据。

大规模时空数据中的空间、时间、属性、关系等多维属性描述，全面而细致地记录人类行为、社会发展的过程和事件。传统的简化表达方法在大规模时空数据规模约简、表征建模及可视化的过程中，难以综合考虑多维属性，有效表征高层语义特征。本项目面向大规模时空数据中海量时空对象多维属性关联的特点，设计并实现了语义表征驱动的大规模地理空间OD轨迹数据简化可视分析方法和关联结构特征增强的大规模网络图采样方法，在原始数据规模简化的同时，有效地保持了时空对象多维属性关联特征，如地理空间OD轨迹之间的多维属性关联和网络节点的多维属性分布结构特征；面向多元网络复杂的空间结构关系，设计并实现了基于表征学习的多元网络聚类简化方法和结构相似性驱动的多网络特征融合表征与聚类简化方法，在保持多元网络结构关联特征的基础上，通过网络节点的聚类实现大规模多元网络的简化表达与特征增强可视化；进一步设计与实现模型驱动的海量时空对象简化表达与可视分析方法，如空间自相关模型驱动的大规模地理空间点数据简化表达与可视分析方法，空间插值模型驱动的大规模地理空间点数据的简化表达与可视分析方法；聚焦于海量时空对象的属性及关系的时空多尺度层次结构特点，设计并实现了语义增强的大规模多元图简化可视分析方法，结合模块度和多维属性信息熵实现多尺度的社区聚类，基于变异系数设计了属性关联驱动的地理空间面数据多尺度可视化方法，以平衡属性关联的全局特征和细节特征的视觉感知。最后，本项目集成多维属性关联分析、语义表征学习、地理空间模型、多尺度关联分析等数据挖掘方法，以及可视化设计、人机交互模式等，开发面向大规模时空数据简化表达的可视分析系统，提供便捷的可视化界面呈现，支持简化目标、过程、结果的交互式优化设计，有效地帮助用户全面、高效、准确地理解大规模时空数据中隐含的特征、模式、现象和规律，为相关应用领域的研究和决策提供可靠支持和依据。