【摘 要】
：
供水管网作为城市基础服务设施的重要组成部分,运用可视化技术去分析其产生的海量数据很有意义。得益于如今社会对水务企业数字化转型的重视,相关水务部门积累了大量的供水管网数据,这些数据具备时空、多源异构的复杂特征,对其进行分析具有很大的挑战性。针对传统可视化方法在展示供水管网数据的时空多维特性时表现出来的局限性,本文首先总结归纳了城市时空数据和供水管网分析方法,然后基于供水管网显著的空间和多维特性分析了
论文部分内容阅读
供水管网作为城市基础服务设施的重要组成部分,运用可视化技术去分析其产生的海量数据很有意义。得益于如今社会对水务企业数字化转型的重视,相关水务部门积累了大量的供水管网数据,这些数据具备时空、多源异构的复杂特征,对其进行分析具有很大的挑战性。针对传统可视化方法在展示供水管网数据的时空多维特性时表现出来的局限性,本文首先总结归纳了城市时空数据和供水管网分析方法,然后基于供水管网显著的空间和多维特性分析了常见的可视化方法,针对管网这种线状结构提出了一种多元线状空间数据的可视化方法,结合供水管网案例说明了该方法的有效性和实用性,最后设计并实现了一个用于分析城市供水管网数据的可视化系统,帮助用户探索发现供水管网潜在的模式。本文的主要研究内容包括:（1）提出一种多元线状空间数据的抽象可视化方法。由于传统方法在绘制线状空间数据时会丢失线这个重要的语义特征,因此提出了Bubble Line方法,这是一种用于聚合、抽象和简单化展示多元线状空间数据的新方法。给定几组线状特征的空间数据,然后对原始数据进行插值处理,使Bubble Line在视觉效果上更加的平滑,并将计算结果映射到各个视觉通道。实验反馈的结果显示,Bubble Line能帮助用户有效地感知和比较多元属性的线状空间数据。（2）提出了一套适用于大规模城市供水管网数据的可视分析系统。以分析并展现供水管网数据的时空特征为前提,设计并实现一个多视图协同交互的供水管网可视化分析系统,并提供丰富的交互手段支持用户从不同的时空粒度分析供水管网异常事故的原因,进而达到辅助决策的效果。
其他文献
随着无线通信技术和先进传感器制造技术的发展,车载自组织网络（Vehicular Ad hoc Networks,VANETs）中的V2V通信越来越受到业界和学术界的关注。这种以高速移动的车辆为通信节点的无线通信机制受到信道资源有限和网络拓扑结构不稳定的限制。为有效提高网络性能和通信的稳定,本文首先在对车辆进行分簇的前提下,通过合理控制车辆在高节点密度环境下的通信发射功率,提出一种基于串行干扰消除（
小样本语义分割的目的是在仅有少量带标注的训练数据可用的情景下训练模型,让模型学习到具有通用性的分割能力,从而在新类上也能保持较好的分割效果。现有的小样本语义分割模型往往使用单一原型描述整个类别,然而由于样本量匮乏和类内变化的存在,生成的单一原型往往不具有代表性,存在语义模糊的问题。此外现有方法使用全局平均池化提取类别原型,忽略了对于背景信息的使用,然而前景和背景特征之间往往存在语义关联。针对以上问
在互联网技术高速发展的当代,各行业领域在日常的生产生活中都产生了海量数据,而能够有效挖掘数据信息且进行形式化表达的因果关系发现问题已成为当前学术界的研究热点之一。因果发现被广泛应用于生物医疗、故障检测和自然语言理解等领域。然而,目前的因果发现算法不能有效地处理服从非线性非高斯分布的连续数据集,大多存在精度一般、计算方式复杂及时间成本高等不足。为此,本文主要研究了加性噪声模型下基于相关系数的因果结构
小样本学习旨在训练一个具有良好泛化性能的模型,在样本数量极少时仍具有良好的分类效果。小样本学习方法主要包括数据增强、元学习、多模态融合以及度量学习四类方法。大多数度量学习的模型仅仅关注图像实例级别或者类级别的特征,却忽视了图像的局部细节特征。近年来,许多基于局部描述子的度量网络充分考虑了图片像素级别的局部细节特征,但仍然存在着局部描述子之间缺乏关联性以及分类器易受局部噪声干扰的问题,因此本文对基于
铁路道岔是一种使机车从一股道转入另一股道的线路连接设备,列车行驶中出现的挤岔、脱轨事故多由驾驶员对道岔状态的错误判断引起。因此利用计算机视觉实现道岔场景的准确识别对列车无人行驶和铁路运输智能化发展具有重要意义。传统的铁路道岔分类算法受制于铁路环境复杂等原因,在分类速度和准确度方面不尽人意;而基于深度学习的铁路道岔分类模型一般在高能见度条件下进行大量数据标注和训练,虽克服了人工特征提取的弊端,但是在
随着深度学习和计算机视觉的高速发展,人们越来越需要深入理解图像。人-物交互检测是计算机视觉领域继目标检测、场景分割和目标追踪后的又一基础任务,该项任务的目标是定位并且推理图像中人与其周围物体的交互关系,对理解人类行为至关重要。人-物交互检测的难点主要在于机器无法知道人具体和哪些物体存在交互关系,现有方法常常对大量非交互对也进行了推理。此外,现有方法常常受到训练样本长尾分布的影响而损失检测效果。针对
随着人们生活水平的提高,能源需求消耗急剧增长。准确的能源消耗预测可以帮助相关部门制定合理的能源生产计划,积极响应节能减排、可持续发展的理念。能源消耗数据包含复杂的时间关系和特征关系,传统的预测方法如自回归模型和高斯过程很难捕捉到这些关系。深度学习兴起后,循环神经网络（Recurrent Neural Network,RNN）广泛用于能源消耗预测的研究。但是,当能源消耗数据的序列足够长时,RNN会出
三角网格是计算机图形学中用于为各种不规则物体建立模型的一种数据结构。通过如扫描仪等辅助设备扫描或图像生成的三角网格模型存在不同程度的噪声问题。噪声去除是研究和处理三角网格模型的重要前序工作,带有噪声的模型会对研究产生数据上的计算误差。目前网格去噪的主要手段是通过对三角网格面片法向量进行修正进而调整网格位置而完成噪声的去除工作。近几十年,三角网格去噪技术进一步发展,对于扫描和图像生成模型的处理工作有
随着计算机视觉技术的发展和人们生活水平的提升,高分辨率、宽视角的图像越来越受大众重视和追求。图像拼接可通过软件实现这一需求,为人们提供了经济有效的技术手段。目前,图像拼接技术在视频监控、无人机飞行、VR、森林防火、深海探索等领域被广泛应用。特别是在视频监控领域,在监控界面和人员精力有限的情况下,图像拼接技术直接有效地扩充了监控区域,增强了环境监控能力。传统图像拼接算法运行较为耗时,选取的特征点较为
近年来,宫颈癌严重威胁着全球成年女性的生命健康问题。宫颈癌作为最常见的妇科恶性肿瘤之一,也是世界上女性最常见的第四种癌症。如果能在早期发现宫颈癌,则可以有效治愈,因此定期宫颈癌筛查可以显著降低宫颈癌的发病率以及死亡率。宫颈细胞学检查是预防和发现早期宫颈癌最常见的筛查手段之一。病理医生需要在显微镜下观察涂片上的细胞识别出病变细胞,凭借经验做出诊断。这种筛查方式工作量巨大,因此计算机辅助宫颈细胞学筛查