智能可视化与可视分析

可视化与可视分析已成为众多领域中结合人类智能与机器智能协同理解、分析数据的常见手段。人工智能可以通过对大数据的学习分析提高数据质量,捕捉关键信息,并选取最有效的视觉呈现方式,从而使用户更快、更准确、更全面地从可视化中理解数据。利用人工智能方法,交互式可视化系统也能更好地学习用户习惯及用户意图,推荐符合用户需求的可视化形式、交互操作和数据特征,从而降低用户探索的学习及时间成本,提高交互分析的效率。人工智能方法在可视化中的应用受到了极大关注,产生了大量学术成果。本文从最新工作出发,探讨人工智能在可视化流程的关键步骤中的作用。包括如何智能地表示和管理数据、如何辅助用户快速创建和定制可视化、如何通过人工智能扩展交互手段及提高交互效率、如何借助人工智能辅助数据的交互分析等。具体而言,本文详细梳理每个步骤中需要完成的任务及解决思路,介绍相应的人工智能方法（如深度网络结构）,并以图表数据为例介绍智能可视化与可视分析的应用,最后讨论智能可视化方法的发展趋势,展望未来的研究方向及应用场景。     

智能数据可视分析技术综述

如何从海量数据中快速有效地挖掘出有价值的信息以更好地指导决策,是大数据分析的重要目标.可视分析是一种重要的大数据分析方法,它利用人类视觉感知特性,使用可视化图表直观呈现复杂数据中蕴含的规律,并支持以人为本的交互式数据分析.然而,可视分析仍然面临着许多挑战,例如数据准备代价高、交互响应高延迟、可视分析高门槛和交互模式效率低.为应对这些挑战,研究者从数据管理、人工智能等视角出发,提出一系列方法以优化可视分析系统的人机协作模式和提高系统的智能化程度.系统性地梳理、分析和总结这些方法,提出智能数据可视分析的基本概念和关键技术框架.然后,在该框架下,综述和分析国内外面向可视分析的数据准备、智能数据可视化、高效可视分析和智能可视分析接口的研究进展.最后,展望智能数据可视分析的未来发展趋势.     

Autodesk Inventor技术问答

◇客户能够在AutodeskInventor应用软件中轻松地维护和重用AutoCAD和AutoCADMechanical数据吗?可以。AutodeskInventor用户能够智能地维护和重用AutoCAD数据,并提供了业界最佳的移植工具和DWG兼容性。AutodeskInventor软件的AutoCAD导入特性能够尽可能准确地复制AutoCAD图纸,同时保持设计数据的智能。基于新向导的工作流程可帮助用户利用现有的AutoCAD和AutodeskMechanicalDesktop数据,并在AutodeskInventor中打开它。该软件可提供被选择进行转换的图纸文件的交互式预览,允许定制导入和导出AutoCAD图层,并配有特殊的工具,…     

基于Spark的交互式数据预处理系统

高质量的决策依赖于高质量的数据,数据预处理是数据挖掘至关重要的环节.传统的数据预处理系统并不能很好的适用于大数据环境,企业现阶段主要使用Hadoop/Hive对海量数据进行预处理,但普遍存在耗时长、效率低、无交互等问题.提出了一种基于Spark的交互式数据预处理系统,系统提供一套通用的数据预处理组件,并支持组件的扩展,数据以电子表格的形式展现,系统记录用户的处理过程并支持撤销重做.本文从数据模型、数据预处理操作、交互式执行引擎以及交互式前端四个方面描述了系统架构.最后使用医疗脑卒中的真实数据对系统进行验证,实验结果表明,系统能够在大数据场景下满足交互式处理需求.     

基于加权关联规则的智慧旅游推荐系统

针对智慧旅游中景点推荐方面的不足,给出一种智能推荐的实现方案,通过对用户交互操作行为数据的分析,获取用户对浏览景点的兴趣度和认同度,在此基础上,运用AWMS-FPgrowth(多最小支持度加权FP-growth)算法挖掘出潜在的模式,形成规则,作为景点推荐的依据,与传统推荐方式相比,系统在准确性和新颖性上有很大的提高。     

基于Adams用户子程序的交互式仿真过程控制

研究使用Adams用户子程序进行二次开发的方法实现对交互式仿真过程的控制.在每一步的仿真结束后与主系统进行数据的交互,将Adams仿真的控制权交给主系统,实现Adams与主系统的交互式仿真.最后,通过与传统仿真方法得到的数据结果的对比分析,验证应用Adams用户子程序实现对交互式仿真的控制方法的正确性、可行性.     

基于NLP技术实现停电原因智能分析的方法

针对用电网络中出现的各种电力不稳定现象,如何快速、高效地发现电力网络中停电问题,成为提升电网质量急需解决的关键问题.提出了基于NLP技术分析停电原因的方法,该方法通过将NLP技术与互联网技术和大数据处理技术相结合的形式,实现电力、电网停电数据的智能处理.该系统包括电力设备检测层,数据存储层、数据分析层和数据运用层,在工作过程中,通过数据检测层将检测数据初步处理后存入相应数据库,之后经过降维与分析出便于用户处理、使用的数据,最后通过数据应用层按照根据用户需求自适应调用,进而实现了自然语言的高维度电力数据分析.通过试验分析,与传统的停电原因分析方法相比,本研究设计的方案分析误差数据小,具有较好的实用价值,为下一步电网安全工作提供了理论依据.     

基于组件的大数据分析服务平台

随着数据规模的快速增长,单机的数据分析工具已经无法满足需求。针对大数据的分析问题,设计并实现了一种基于组件的大数据分析服务平台Haflow。Haflow自定义了业务流程模型和可扩展的组件接口,组件接口支持各种异构工具的集成。系统接收用户定义的业务流程,将其翻译成执行流程实例,提交到Hadoop分布式集群上执行。Haflow是一个可扩展的、分布式的、支持异构分析工具的、面向服务的大数据分析服务平台。提出该平台有两重意义:一方面平台将与数据分析业务无关的工作封装起来,支持各种异构组件,以加快分析应用的开发速度;另一方面,平台后端使用Hadoop分布式系统来实现多任务的并发,从而提高应用的平均执行速度。     

面向大数据分析的分布式矩阵计算系统研究进展

在大数据治理应用中,数据分析是必不可少的一环,且具有耗时长、计算资源需求大的特点,因此,优化其执行效率至关重要.早期由于数据规模不大,数据分析师可以利用传统的矩阵计算工具执行分析算法,然而随着数据量的爆炸式增长,诸如MATLAB等传统工具已无法满足应用需求的执行效率,进而涌现出了一批面向大数据分析的分布式矩阵计算系统.从技术、系统等角度综述了分布式矩阵计算系统的研究进展.首先,从发展成熟的数据管理领域的视角出发,剖析分布式矩阵计算系统在编程接口、编译优化、执行引擎、数据存储这4个层面面临的挑战;其次,分别就这4个层面展开,探讨、总结相关技术;最后,总体分析了典型的分布式矩阵计算系统,并展望了未来研究的发展方向.     

基于强化学习的推荐研究综述

推荐系统致力于从海量数据中为用户寻找并自动推荐有价值的信息和服务,可有效解决信息过载问题,成为大数据时代一种重要的信息技术.但推荐系统的数据稀疏性、冷启动和可解释性等问题,仍是制约推荐系统广泛应用的关键技术难点.强化学习是一种交互学习技术,该方法通过与用户交互并获得反馈来实时捕捉其兴趣漂移,从而动态地建模用户偏好,可以较好地解决传统推荐系统面临的经典关键问题.强化学习已成为近年来推荐系统领域的研究热点.文中从综述的角度,首先在简要回顾推荐系统和强化学习的基础上,分析了强化学习对推荐系统的提升思路,对近年来基于强化学习的推荐研究进行了梳理与总结,并分别对传统强化学习推荐和深度强化学习推荐的研究情况进行总结;在此基础上,重点总结了近年来强化学习推荐研究的若干前沿,以及其应用研究情况.最后,对强化学习在推荐系统中应用的未来发展趋势进行分析与展望.