劉濱 劉增杰 劉宇 李子文 陳莉 孫中賢 王瑩 張一輝 趙佳盛 張紅斌 劉青

摘 要：數據可視化對于從海量數據中發(fā)現規(guī)律、增強數據表現、提升交互效率具有重要作用。目前，數據可視化的概念及相關研究領域不斷擴展，就數據類型而言，可視化研究逐漸聚焦于多維數據、時序數據、網絡數據和層次化數據等領域。通過對中國知網（CNKI）中外文文獻進行分析可知：2014年、2015年是數據可視化領域研究熱度升級、理論成果大量產出的“里程碑”式年份;中國大數據領域研究熱潮形成后，數據可視化是迅速發(fā)展的一個重要支撐領域;國內外數據可視化領域的研究，在時間上基本同步，而武漢大學、浙江大學、北京郵電大學、國防科技大學、電子科技大學等都是在該領域研究活躍度較高的國內高校。

要獲得良好的視覺效果，幫助用戶降低理解難度，高效分析數據和洞悉價值，通常還需要注意色彩與語義、突出核心數據、防止數據過載、防止思維過度發(fā)散等技術要點?，F有的數據可視化技術主要分為基于幾何技術、基于圖標技術、基于降維技術、面向像素技術、基于時間序列技術、基于網絡數據技術的數據可視化方法，以及層次可視化技術和分布技術等?；趲缀渭夹g的可視化方法，包括平行坐標、散點圖矩陣、Andrews曲線等?；谧鴺说目梢暬椒?，可以清晰展示變量間的關系，但受限于屏幕尺寸，當數據維度超過3個時，難以直觀顯示全部維度，需要結合人機交互技術進行展示，適用于表達不同維度之間的相關關系，比如學生學習行為之間的關聯(lián)關系等?；趫D標的可視化方法，主要包括星繪法和Chernoff面法，以幾何圖形作為圖標刻畫多維數據，直觀反映出圖標各個維度所表示的意義，適用于工作完成情況、激勵工作進度概覽等。基于降維技術的可視化方法，根據維度屬性確定點的坐標，在保持數據關系不變的前提下映射到低維可視空間中，主要涉及主成分分析、自組織映射、等距映射等?；跁r間序列的可視化方法，是一種顯示數據間相互關系和影響程度的可視化方法，主要包含線形圖、堆積圖、地平線圖等，隨著時間發(fā)展采集相應數據，并利用上述3類可視化方法進行呈現，適用于表示信息數據流動和變化狀態(tài)，如不同時間段成績流向趨勢分布、主題概念的變遷等?；诰W絡數據的可視化方法，核心是自動布局算法，通過自動布局與計算繪制成網狀結構圖形，主要有力導向布局、圓形布局、網格布局等，常用來表示大規(guī)模社交網絡結構，適用于活躍度分析、引文關系展現等。層次可視化技術，主要包括節(jié)點鏈接、空間填充、混合方法等，通過繪制不同形狀的節(jié)點和包圍框來表示層次結構的數據，適用于表示群組成員間交互關系的發(fā)現和挖掘，如在線協(xié)作員工之間的交互。

基于CNKI，通過對數據可視化研究情況的分析，提出數據可視化研究過程中的注意點，指出數據可視化需要重點考慮色彩的匹配，在色彩與數據內容的重要度之間建立關聯(lián);可視化方案應在滿足業(yè)務需求的基礎上以業(yè)務邏輯為依據，合理組合與應用相關可視化技術;統(tǒng)一的可視化風格有助于提升人們理解數據的連貫性、一致性和效率，兼顧用戶的審美要求，在風格與色彩之間建立合理的匹配關系;數據可視化應以實用、合理、高效地表現關鍵過程、關鍵目標、關鍵結果為主要面向。此外，對可視化應用實例Echarts展開綜述，包括Echarts 交互組件（markPoint和markLine標注點組件、dataZoom區(qū)域組件、圖例交互組件）在可視化中的應用，以及動態(tài)數據繪制等。最后，對可視化存在的挑戰(zhàn)以及未來研究方向進行了分析和展望，指出虛擬現實、可視化系統(tǒng)和數據分析是可視化未來的研究方向，其應用熱點領域還包括統(tǒng)計可視化、新聞可視化、思維可視化、社交網絡可視化和搜索日志可視化等。

關鍵詞：計算機圖形學;數據可視化;多維數據;時序數據;網絡數據;層次化數據

中圖分類號：TP393?? 文獻標識碼：A

doi：10.7535/hbkd.2021yx06012

Review of data visualization research

LIU Bin1，2，LIU Zengjie1，2，LIU Yu3 ，LI Ziwen4，CHEN Li5，SUN Zhongxian1，2，WANG Ying1，2，ZHANG Yihui1，2，ZHAO Jiasheng1，2，ZHANG Hongbin6，LIU Qing1，2

（1.School of Economics and Management，Hebei University of Science and Technology，Shijiazhuang，Hebei 050018，China;2.Research Center of Big Data and Social Computing，Hebei University of Science and Technology，Shijiazhuang，Hebei 050018，China;3.Library，Hebei Professional College of Political Science and Law，Shijiazhuang，Hebei 050061，China;4.Hebei Institute of Laser Company Limited，Shijiazhuang，Hebei 050081，China;5.Air Force Early Warning Academy，Wuhan，Hubei 430019，China;6.School of Information Science and Engineering，Hebei University of Science and Techno-logy，Shijiazhuang，Hebei 050018，China）

Abstract：

Data visualization plays an important role in discovering rules from massive data，enhancing data performance and improving interaction efficiency.At present，the concept of data visualization and related research fields are expanding.In terms of data types，the current visualization research gradually focuses on the fields of multidimensional data，time series data，network data and hierarchical data.Through the analysis of Chinese and foreign literature on CNKI，

it can be seen that 2014 and 2015 are "milestone" years in which the research heat in the field of data visualization is upgraded and a large number of theoretical achievements are produced;Data visualization is an important supporting field of rapid development after the formation of the research upsurge in the field of big data in China;The research in the field of data visualization at home and abroad has basically achieved synchronization in time;Wuhan University，Zhejiang University，Beijing University of Posts and telecommunications，University of national defense science and technology and University of Electronic Science and technology research actively in this field in China.In order to obtain good visual effects，help users reduce the difficulty of understanding，efficiently analyze data and insight value，It is usually necessary to pay attention to technical points such as color and semantics，highlighting core data，preventing data overload and preventing excessive divergence of thinking.The existing data visualization technologies are mainly divided into geometry based technology，icon based technology，dimension reduction based technology，pixel oriented technology，time series based technology，network data based technology，hierarchical visualization technology and distribution technology.Visualization methods based on geometric technology，including parallel coordinates，scatter matrix，Andrews curve，etc;The coordinate based visualization method can clearly show the relationship between variables，but limited by the screen size，it is difficult to visually display all dimensions when the data dimensions exceed three.It needs to be displayed in combination with human-computer interaction technology，which is suitable for the correlation between different dimensions，such as the correlation between students' learning behaviors;Icon based visualization method mainly includes star drawing method and Chernoff surface method.Geometric graphics are used as icons to depict multi-dimensional data，which intuitively reflects the visual significance of each work surface.It is suitable for work completion and incentive work progress overview，etc;The visualization method based on dimension reduction technology determines the coordinates of points according to the dimension attributes and maps them to the low-dimensional visual space on the premise of keeping the data relationship unchanged.The dimension reduction technology mainly involves principal component analysis，self-organizing mapping，isometric mapping，etc;The visualization method based on time series is a visualization method to display the relationship and influence degree between data，mainly including linear graph，stacking graph，horizon graph，etc.the corresponding data is collected with the development of time and presented by the above three visualization methods，which is suitable for representing the flow and change state of information data，such as the trend distribution of grades in different time periods and the change of theme concepts，etc;The core of the visualization method based on network data is the automatic layout algorithm，which draws the graph of network structure through automatic layout and calculation.It mainly strongly guides the layout，circular layout and grid layout，etc.It is commonly used to represent the large-scale social network structure，which is suitable for activity analysis，citation relationship，etc;Hierarchical visualization technology mainly includes node connection，space filling and hybrid methods，etc.it represents the data of hierarchical structure by drawing nodes and bounding boxes with different shapes.It is suitable for the discovery and mining of interactive relationships among group members，such as the interaction between online collaborative employees.

Based on the analysis of data visualization CNKI research，this paper puts forward some points for attention in the process of data visualization，and points out that data visualization technology needs to focus on color matching and establish a relationship between color and the importance of data content;The visualization scheme shall reasonably combine and apply relevant visualization technologies based on business logic on the basis of meeting business needs;The unified visualization style helps to improve the coherence，consistency and efficiency of people's understanding of data;At the same time，It also takes into account the aesthetic requirements of users and establishes a reasonable matching relationship between style and color;Data visualization should focus on the practical，reasonable and efficient performance of key processes，key objectives and key results.This paper also summarizes the visualization application example Echarts，including the application of Echarts interactive components （markPoint and markLine annotation point components，datazoom area components，legend interactive components） in visualization，dynamic data rendering and so on.Finally，the challenges and future research directions of visualization are analyzed and prospected，and it is pointed out that virtual reality，visualization system and data analysis are the research directions of visualization in the future.Its application also includes statistical visualization，news visualization，thinking visualization，social network visualization and search log visualization.

Keywords：

computer graphics;data visualization;multidimensional data;time series data;network data;hierarchical data

數據可視化，是近年來大數據領域各界關注的熱點，屬于人機交互、圖形學、圖像學、統(tǒng)計分析、地理信息等多種學科的交叉學科，綜合數據處理、算法設計、軟件開發(fā)、人機交互等多種知識和技能，通過圖像、圖表、動畫等形式展現數據，詮釋數據間的關系與趨勢，提高閱讀和理解數據的效率。就數據類型而言，當前的可視化研究逐漸聚焦于多維數據、時序數據、網絡數據和層次化數據等領域[1-5]。當前，武漢大學、浙江大學、北京郵電大學、國防科技大學等形成了國內該研究領域的“第一梯隊”。由于在業(yè)務邏輯、數據內涵、實施目標、設計水平等方面存在差異，導致數據可視化應用存在著一些誤區(qū)和問題。例如：色彩與語義間的失配、核心數據被次要數據“淹沒”、數據過載、思維過度發(fā)散等。本文提出當前可視化研究逐漸聚焦在多維數據可視化、時間序列數據可視化、網絡數據可視化和層次信息數據可視化的觀點，介紹了各自的代表性方法;同時，給出數據可視化主流工具Echarts的相關應用實例。

1 基于CNKI的研究情況分析

以“數據可視化”為篇名檢索詞，在中國知網（CNKI）學術期刊和學位論文庫中精準檢索，檢索出文獻11 673篇（中文4 763篇、外文6 910篇）。通過分析可知：相關中文文獻從2014年的402篇，上升至2015年的975篇，考慮到文章的撰寫和發(fā)表周期，可以說2014年、2015年是數據可視化領域研究熱度升級、理論成果大量產出的“里程碑”式年份;大數據類相關中文文獻2012年396篇，2013年2 195篇，2014年4 936篇，直到后期的逐年翻倍，如實反映了中國大數據研究從2012年的逐漸興起，到2013年漸熱，再到2014年3月寫入國務院《政府工作報告》后形成熱潮的客觀事實，也表明數據可視化是中國大數據領域研究熱潮形成后迅速發(fā)展的一個重要支撐領域;相關外文文獻從2014年的243篇，上升至2015年的659篇。雖然中國知網涵蓋的外文文獻有限，但從發(fā)展趨勢來看，國內外數據可視化領域的研究，在時間上基本同步。

通過分析在數據可視化領域發(fā)表論文的高?？芍?，雖然國內有相當多的研究成果在國外期刊發(fā)表，但也可推知，武漢大學、浙江大學、北京郵電大學、國防科技大學、電子科技大學等都是在該領域研究活躍度較高的高校。

通過對與數據可視化主題關聯(lián)度較高的前20個學科進行分析可知，計算機軟件與應用學科的關聯(lián)度最高，其次是自然地理學和測繪學、新聞與傳媒、圖書情報與數字圖書館等，計算機學科既是研究數據可視化技術的主力學科，也是為其他學科提供技術和平臺支持的學科。因此，數據可視化是一個面向應用、立足實際的學科，其研發(fā)成果已經融入到測繪、互聯(lián)網、電力、礦業(yè)、電信、建筑、工業(yè)、海洋、航空航天等國民經濟產業(yè)，從現實需求中發(fā)現問題和解決問題，也是推動該領域快速發(fā)展的重要方式。

2 數據可視化在應用中的注意點

2.1 注重色彩與語義的聯(lián)系

色彩在數據可視化中發(fā)揮著重要作用，是人們讀取數值、感知趨勢、發(fā)現異常的關鍵視覺編碼元素。

與光學物理學、美學等領域關注于色彩自身屬性（如波段、美感等）不同，數據可視化中的色彩設計以讓用戶高效地理解數據、發(fā)現規(guī)律、探索任務為目標，側重于挖掘色彩與數據、任務、設備等可視化應用環(huán)境之間的關聯(lián)關系[6]。設計者要時刻留心色彩與其用處之間的關系。例如：個推公司制作的交通熱力圖（見圖1），紅色表示人員密集度較高的情況，綠色或者黃色表示密集度較低的情況。

2.2 突出核心數據

一個數據可視化作品中的數據都是極具針對性的，應該基于用戶需求展示相關數據。用戶看可視化作品主要通過數據圖表的展示盡早找到核心問題的答案。作品顯示的無關數據越多，找出關聯(lián)信息越困難，就會極度分散注意力，浪費時間。例如，圖2所示的電商年度銷售數據可視化圖，應該將可視化重點放在銷售額、訂單量、完成率、增長率、重點商品的銷售占比、各平臺銷售占比等銷售數據上，而非物流配送、消費者性別、買了什么品牌的什么產品這些詳細信息。優(yōu)秀的數據可視化作品應該優(yōu)先顯示重要信息，而后是關聯(lián)信息、可操作性信息，其他內容則都應該盡可能淡化。

2.3 防止數據過載

數據可視化可以貫穿情況分析與決策支持的全過程，豐富的數據可以為決策者提供更多的觀察維度、更多的可分析層次。但是，豐富不等同于單純的數據累加，超過正常觀察能力的可視化數據會帶來理解和思考上的障礙，影響最終的決策質量。圖3給出的2013年MLS（美國職業(yè)足球大聯(lián)盟）薪酬榜數據中，給出了太多的球員和薪酬數據，形成了數據過載，難以達到讓觀察者迅速看清全局、捕獲重點和關鍵信息的目標。針對此問題，應對主題和屬性的個數進行合理限定，確保主流閱讀者能夠舒適、高效地觀察和理解。

2.4 避免思維過度發(fā)散

圖4展示了美國貨物貿易逆差和工廠雇傭員工數量的關系，但卻令人難以理解，其有2個主要問題。第1個問題，貿易逆差的全部數據都是負值，而工廠雇傭人數全部是正值。在沒有將2組數據歸一化到同一尺度的情況下，

將其組合到一幅圖中表達是不合適的。這種直白的處理方式導致了第2個問題——2組數據沒有共享同一個基線。貿易逆差的基線是圖頂部左半段的紅線，而右邊尺度的基線又在圖表的底部。其實將2組數據組合在一幅圖中是沒有必要的。在重新設計的圖表中，貿易逆差和工廠雇傭人數之間的關系更為清晰，僅僅是多占據了很小的一點額外空間[7]。針對此類問題，應該以“奧卡姆剃刀原理”為指導，即如無必要，勿增實體，在一幅圖中，從維度、標注等方面，按照簡單直接的原則進行設計。

3 基于特征的主要數據可視化技術

作為一門問題和目標主要來自于現實世界的學科，數據可視化在很多領域獲得了研究、應用和長足進步，在從研究范圍（廣度）、研究精細化（深度）不斷拓展學科邊界的過程中，逐漸收斂成為若干熱點領域。本文以數據特征來劃分，介紹其中的4類技術。

3.1 多維數據可視化

3.1.1 基于幾何的可視化方法

平行坐標：使用平行豎直的線來代表不同的維度，在坐標軸上描繪多維數據的數值并連接數軸上的坐標點，進而在二維空間內展示多維數據[8-11]。在可視化交互方面，有學者提出了基于平行坐標系的多維數據可視化方法，以交互方式對數據進行篩選，通過更改顯示比例優(yōu)化可視化效果[12-13];在可視化應用方面，雷君虎等[14]提出了利用PCA主成分分析法對高維度的數據進行降維，降維后的數據通過平行坐標系可視化，應用于香精香料指紋圖譜數據;在可視化增強方面，郭翰琦等[15]提出設置傳遞函數、對顏色和透明度等可視化特征定義數值，優(yōu)化圖像效果。

散點圖矩陣：通過二維坐標系中的某一組點來展示變量間的關系，將各個維度數據兩兩組合，按規(guī)律排列繪制成散點圖[16]，運用可視化方法與散點圖矩陣相結合，加強對多維數據效果的顯示。使用散點矩陣圖可以清晰地發(fā)現變量之間的關系，但受限于屏幕尺寸，當數據維度超過3個時，難以直觀顯示全部維度，需要結合人機交互技術進行展示[17-19]。

Andrews曲線法：通過坐標系展示可視化效果，將多維數據通過周期函數反映到坐標系曲線中，用戶通過觀察曲線，感知數據聚類等情況。

3.1.2 基于圖標的可視化方法

基于圖標的可視化方法主要是用幾何圖形作為圖標對多維數據進行描繪，圖標的特征屬性（硬度、形狀、長短、大小等）體現出信息的維度，利用圖標與多維數據之間的聯(lián)系反映可視化效果[20]?；趫D標的可視化代表性方法有星繪法（見圖5）和Chernoff面法（見圖6）。星繪法通過點到線的方式映射出信息維度，線段長度反映不同維度的數量值;

Chernoff面法通過對面部形狀、特征等進行識別體現信息維度，并繪制臉部圖，直觀觀察信息數據。由于Chernoff面法更加有趣高效，有利于識別各個重要特征和要素之間的關系，所以更多用戶選擇使用Chernoff面法[16]。

3.1.3 基于降維映射的可視化方法

降維映射可視化方法把多維信息數據看做是某一維度中的點，根據維度屬性確定點的坐標，保持信息數據間關系不改變的前提下，將點映射到可視的低維空間中[21]。在降維時選擇性省略掉部分信息數據，最終在二三維空間中呈現出數據集。此類方法主要涉及主成分分析、自組織映射、等距映射等方法。降維映射一般分為線性降維（如主成分分析）和非線性降維（如等距映射），通過特征選擇與提取來實現。特征選擇通過選擇具有代表性的特征屬性（簡稱優(yōu)勢維）進行降維映射，特征提取則是重組多維度屬性來構建優(yōu)勢維度，實現降維映射，這類提取適合沒有代表性特征屬性的信息數據集。

3.2 時間序列數據可視化

時間序列可視化隨著時間的發(fā)展采集信息數據，運用可視化技術手段進行呈現，呈現出的可視化方式主要有3種。一是線形圖（見圖7），通過最開始的點展示不同時間段信息數據變化，在可視化過程中信息數據呈現較多時間維度，根據不同維度建立相應圖標進行排列，觀察數據的變化;二是堆積圖（見圖8），這類圖主要對所有時間序列進行疊加，出現負數時，堆積圖無法處理所有的時間序列，極大程度降低了可視化的呈現效果;三是地平線圖（見圖9），隨著時間變化清楚地觀察到信息數據的變化率，顏色的深淺表示正向、負向的變動效果[23-25]。

3.3 網絡數據可視化

網絡數據可視化技術手段核心是自動布局算法，將信息數據通過自動布局、計算，繪制成網狀結構的圖形。應用較廣泛的有3類。力導向布局（見圖10）：借助力的概念，連接受力節(jié)點繪制網狀圖，由于互斥力的存在，可以減少節(jié)點間的重疊，適用于描述事物之間的關系，例如計算機網絡關系、社交網絡關系等各類關系網絡情景[26-29]。圓形布局（見圖11）：將所有節(jié)點自定義排序，按照順序在圓形上排列出來，快速分析出結果，受限于屏幕大小，節(jié)點數量較多時，圓形半徑越來越大，難以直觀顯示全部節(jié)點，適用于查找較多關聯(lián)關系的節(jié)點場景，例如在圓形布局圖中可明顯分辨出哪些節(jié)點關聯(lián)關系較多。網格布局（見圖12）：采用網格設計方式繪制網格狀信息數據網狀圖，適用于分層網絡，利于觀察整體層次[30-35]。

3.4 層次信息數據可視化

層次結構常被用來描述具有明顯層次結構的對象，包括圖書館標簽、計算機層次系統(tǒng)或者面向對象程序類之間的繼承關系等[36-40]。層次信息數據可視化用到的方法主要包括節(jié)點連接、空間填充、混合方法等。

3.4.1 節(jié)點連接

節(jié)點連接主要繪制不同形狀節(jié)點表示信息數據內容，節(jié)點之間連線表示數據之間的關系（見圖13）。此類層次代表技術有空間樹、圓錐樹（見圖14）等。

3.4.2 空間填充

空間填充主要運用包圍框表示層次結構信息數據，上層節(jié)點與下層節(jié)點之間包圍關系表示信息數據間的結構關系[41]。此類層次代表技術有樹圖（見圖15）、信息立方體（見圖16）等。

3.4.3 混合方法

混合方法結合多種可視化技術優(yōu)點，使認知行為更加高效[42]。此類方法代表技術有彈性層次（見圖17）、層次網等。

綜上可知，按照可視化技術劃分，可視化特征及應用場景詳見表1。

4 數據可視化應用實例

當前涌現出一批專注于數據可視化領域的企業(yè)，如帆軟、數字冰雹、蛛網時代、Echarts數據可視化等，其以數據可視化為基礎，根據用戶需求設計不同模式和主題，控制數據呈現形式和視覺效果[43-47]。Echarts客戶端構建前端界面使用script引入Echarts依賴JS庫?？蛻舳艘雸D表庫流程如圖18所示。

數據可視化呈現界面并非靜止不變，還包括用戶交互體驗感、使用感受和圖像反饋等。Echarts推出大量交互組件應用于可視化中[48-53]，成為用戶深入分析了解數據的關鍵手段。

4.1 markPoint和markLine標注點組件數據中往往呈現最大、最小值，markPoint和markLine組件分別用來表示增加標注點和圖表標線。如圖19所示，在數據可視化銷量類別顯示中，markPoint和markLine標注點組件顯示數據。

4.2 dataZoom區(qū)域縮放組件

dataZoom區(qū)域縮放組件提供了一種人機交互能力，主要是為了達到區(qū)域縮放的效果。通過坐標軸的左右平移進行縮放，用戶可以了解到數據的細節(jié)，總覽整體，去除離散數據的影響;還可以觀察個別數據的走勢，有針對性地掌握重要數據。在可視化系統(tǒng)設計中，如果想關注某個專業(yè)的信息數據細節(jié)，則需要加入dataZoom區(qū)域縮放組件進行縮放，如圖20所示。

4.3 圖例交互組件

通過點擊圖例標記展示對應的數據系列，幫助用戶排除不必要的數據系列，將關注點放在目標數據上。如圖21所示，通過點擊圖例進行圖例交互，顯示單個圖例所對應的系列數據。

4.4 動態(tài)數據繪制流程

數據可視化的圖形繪制中，并不全部是靜態(tài)數據，動態(tài)數據的繪制要通過Ajax技術，從服務器讀取進行動態(tài)加載后呈現出來[54-55]，基本流程如圖22所示。

5 研究展望

有研究認為，數據可視化高頻關鍵詞為信息可視化、可視化分析、大數據和數據挖掘，其未來發(fā)展方向為協(xié)同分析和計算等[56-62]。通過對可視化領域文獻進行計量，根據關鍵詞共現圖和時區(qū)圖中的可視化分析、人機交互和信息可視化等研究熱點，結合關鍵詞突變圖，筆者對數據可視化未來的熱點和發(fā)展趨勢進行全景式分析展望，認為除了虛擬現實、可視化系統(tǒng)和數據分析外，可視化未來研究方向還包括以下內容。

1）自動、智能化 目前數據融合越來越復雜，將工作流自動化和可視化組件結合，可以有效提高工作效率和質量;將智能科學和可視化結合，可以利用智能科學認知，彌補人類感知能力和可視化表達方面的不足，克服復雜數據分析和理解中的難題。

2）協(xié)同可視化 在可視化實現過程中，需要多團隊協(xié)作完成，創(chuàng)造出協(xié)同可視化的環(huán)境（可視化接口設計、可視化協(xié)同平臺開發(fā)、協(xié)同可視化視圖設計、工作流管理等），進行工作站之間的數據資源共享，通過對可視化過程進行控制，解決多團隊之間的協(xié)同性問題。

3）應用領域拓展化 數據可視化技術已經被應用到越來越多的領域，既促進了各個領域的發(fā)展，也為可視化技術自身發(fā)展和完善提供了良好環(huán)境。未來可視化的應用熱點領域還包括統(tǒng)計可視化、新聞可視化、思維可視化、社交網絡可視化和搜索日志可視化等。

數據可視化是一個以實際應用為主要面向的人機交互、圖形學、圖像學等多學科交叉的領域，計算機科學是推動其研究向縱深發(fā)展的主力學科，自然地理和測繪、新聞與傳媒、圖書情報、自動化、互聯(lián)網等領域的需求推動了其應用領域的不斷拓展。未來還需要對國外研究動態(tài)進行更為全面詳細的梳理，并對數據可視化應用領域具有代表性的重要案例進行更為深入的探討和分析。

參考文獻/References：

[1] DOU Hui，XU Baile，SHEN Furao，et al.V-SOINN：A topology preserving visualization method for multidimensional data[J].Neurocomputing，2021，449：280-289.

[2] EADIE A，VSQUEZ I C，LIANG Xuefeng，et al.Transcriptome network data in larval zebrafish （Danio rerio） following exposure to the phenylpyrazole fipronil[J].Data in Brief，2020，33：106413.

[3] WANG Qiyao，FARAHAT A，GUPTA C，et al.Deep time series models for scarce data[J].Neurocomputing，2021，456：504-518.

[4] PASPATIS I，TSOHOU A，KOKOLAKIS S.AppAware：A policy visualization model for Mobile applications[J].Information and Com-puter Security，2020，28（1）：116-132.

[5] 任磊，杜一，馬帥，等.大數據可視分析綜述[J].軟件學報，2014，25（9）：1909-1936.

REN Lei，DU Yi，MA Shuai，et al.Visual analytics towards big data[J].Journal of Software，2014，25（9）：1909-1936.

[6] 曾瓊，汪云海，屠長河，等.面向數據可視化的色彩計算[J].計算機輔助設計與圖形學學報，2020，32（10）：1549-1559.

ZENG Qiong，WANG Yunhai，TU Changhe，et al.Color computing in data visualization[J].Journal of Computer-Aided Design & Computer Graphics，2020，32（10）：1549-1559.

[7] 帆軟.數據可視化的三大問題+七大誤區(qū)[EB/OL].https：//zhuanlan.zhihu.com/p/105053580，2021-09-01.

[8] 石凱，聶富強，孫峰.多維數據判別分析的非參核密度算法研究[J].計算機工程與應用，2019，55（6）：8-12.

SHI Kai，NIE Fuqiang，SUN Feng.Research on algorithm of nonparametric kernel density for discriminant analysis of multidi-mensional data[J].Computer Engineering and Applications，2019，55（6）：8-12.

[9] 閆涵，張旭秀，張凈丹.多感知興趣區(qū)域特征融合的圖像識別方法[J].智能系統(tǒng)學報，2021，16（2）：263-270.

YAN Han，ZHANG Xuxiu，ZHANG Jingdan.Image recognition method based on multi-perceptual interest region feature fusion[J].Journal of Intelligent Systems，2021，16（2）：263-270.

[10]FRANCIA M，MARCEL P，PERALTA V，et al.Enhancing cubes with models to describe multidimensional data[J/OL].Information Systems Frontiers.[2021-09-01].https：//pubmed.ncbi.nlm.nih.gov/34131390/.

[11]PENG Zhen，LIU Wanquan，AN Senjian.Haze pollution causality mining and prediction based on multi-dimensional time series with PS-FCM[J].Information Sciences，2020，523：307-317.

[12]CHEN Yi，CHENG Xianchen，CHEN Hongqian.A multidimensional data visualization method based on parallel coordinates and enhanced ring[C]//Proceedings of 2011 International Conference on Computer Science and Network Technology.[S.l.]：IEEE，2011：2224-2229.

[13]張元鳴，高亞琳，蔣建波，等.一種基于平行坐標系的流轉數據可視化方法[J].計算機應用與軟件，2018，35（4）：55-60.

ZHANG Yuanming，GAO Yalin，JIANG Jianbo，et al.A visualization method for flow data based on parallel coordinates[J].Computer Applications and Software，2018，35（4）：55-60.

[14]雷君虎，楊家紅，鐘堅成，等.基于PCA和平行坐標的高維數據可視化[J].計算機工程，2011，37（1）：48-50.

LEI Junhu，YANG Jiahong，ZHONG Jiancheng，et al.High-dimensional data visualization based on principal component analysis and para-llel coordinate[J].Computer Engineering，2011，37（1）：48-50.

[15]郭翰琦，袁曉如.體數據可視化傳遞函數研究[J].計算機輔助設計與圖形學學報，2012，24（10）：1249-1258.

GUO Hanqi，YUAN Xiaoru.Survey on transfer functions in volume visualization[J].Journal of Computer-Aided Design & Computer Graphics，2012，24（10）：1249-1258.

[16]楊彥波，劉濱，祁明月.信息可視化研究綜述[J].河北科技大學學報，2014，35（1）：91-102.

YANG Yanbo，LIU Bin，QI Mingyue.Review of information visualization[J].Journal of Hebei University of Science and Technology，2014，35（1）：91-102.

[17]王賦攀，吳亞東，楊文超，等.一種視覺信息融合數據手套設計研究[J].計算機研究與發(fā)展，2018，55（12）：2764-2774.

WANG Fupan，WU Yadong，YANG Wenchao，et al.Design and research of data glove based on visual information fusion[J].Journal of Computer Research and Development，2018，55（12）：2764-2774.

[18]馮志全，喬宇，馮仕昌，等.多種手勢對應同一語義的柔性映射交互算法的研究[J].電子學報，2019，47（8）：1612-1617.

FENG Zhiquan，QIAO Yu，FENG Shichang，et al.Research on flexible mapping algorithm of multi-gestures to one semantic[J].Acta Electronica Sinica，2019，47（8）：1612-1617.

[19]CIFLIKLI C，TARTAN E O.A model for the visualization and analysis of elevator traffic[J].Transportation Planning and Technology，2019，42（8）：868-880.

[20]鄭婭峰，趙亞寧，白雪，等.教育大數據可視化研究綜述[J].計算機科學與探索，2021，15（3）：403-422.

ZHENG Yafeng，ZHAO Yaning，BAI Xue，et al.Survey of big data visualization in education[J].Journal of Frontiers of Computer Science & Technology，2021，15（3）：403-422.

[21]翟擎辰，周園春，宋秋成，等.數據降維及聚類算法在煙葉相似性分析中的應用[J].數據與計算發(fā)展前沿，2021，3（1）：112-121.

ZHAI Qingchen，ZHOU Yuanchun，SONG Qiucheng，et al.Application of data dimensionality reduction and clustering algorithm in tobacco leaf similarity analysis[J].Frontier of Data and Computing Development，2021，3（1）：112-121.

[22]陳法法，湯寶平，蘇祖強.基于等距映射與加權KNN的旋轉機械故障診斷[J].儀器儀表學報，2013，34（1）：215-220.

CHEN Fafa，TANG Baoping，SU Zuqiang.Rotating machinery fault diagnosis based on isometric mapping and weighted KNN[J].Journal of Instrumentation，2013，34（1）：215-220.

[23]CHEN Bingkun，HONG Zhou，CHEN Xiaojun.E-Embed：A time series visualization framework based on earth mover's distance[J].Journal of Visual Languages & Computing，2018，48：110-122.

[24]ALI M，JONES M W，XIE Xianghua，et al.TimeCluster：Dimension reduction applied to temporal data for visual analytics[J].The Visual Computer，2019，35：1013-1026.

[25]SUH A，HAJIJ M，WANG Bei，et al.Persistent homology guided force-directed graph layouts[J].IEEE Transactions on Visualization and Computer Graphics，2020，26（1）：697-707.

[26]韓劉.多元異構網絡復雜多維數據可視化方法[J].計算機仿真，2020，37（11）：299-303.

HAN Liu.Visualization method of complex multidimensional data in multiple heterogeneous networks[J].Computer Simulation，2020，37（11）：299-303.

[27]王悅.可視化指導下的圖像領域深度學習模型優(yōu)化方案設計[D].合肥：中國科學技術大學，2020.

WANG Yue.Design of Optimization Scheme for Deep Learning Model in Image Field Under Visual Guidance[D].Hefei：University of Science and Technology of China，2020.

[28]涂樂，陳彬捷，周志光.OD數據可視分析綜述[J].計算機輔助設計與圖形學學報，2021，33（8）：1160-1171.

TU Le，CHEN Binjie，ZHOU Zhiguang.A survey on OD data visualization[J].Journal of Computer-Aided Design & Computer Graphics，2021，33（8）：1160-1171.

[29]尹彥，張紅斌，劉濱，等.網絡安全態(tài)勢感知中的威脅情報技術[J].河北科技大學學報，2021，42（2）：195-204.

YIN Yan，ZHANG Hongbin，LIU Bin，et al.Threat intelligence technology in network security situation awareness[J].Journal of Hebei University of Science and Technology，2021，42（2）：195-204.

[30]田豐，喻純.自然人機交互新進展專題前言[J].軟件學報，2019，30（10）：2925-2926.

[31]許世健.沉浸式流場可視化交互技術研究[D].綿陽：西南科技大學，2021.

XU Shijian.Research on Interaction Technology of Immersive Flow Visualization[D].Mianyang：Southwest University of Science and Technology，2021.

[32]李恒，沈華偉，黃蔚，等.地理社會網絡數據可視化分析研究綜述[J].中文信息學報，2018，32（10）：11-18.

LI Heng，SHEN Huawei，HUANG Wei，et al.Research overview of geo-social networks data visualization and analysis[J].Journal of Chinese Information Processing，2018，32（10）：11-18.

[33]JO S，PARK B，LEE S，et al.OLGAVis：On-line graph analysis and visualization for bibliographic information network[J].Applied Sciences，2021，11（9）：3862.

[34]MCBRIDE M.Data visualization in society[J].Journal of the Australian Library and Information Association，2021，70（1）：91-92.

[35]WANG Peng.Visualization research on scientific and technological information of aviation industry in Shaanxi province[J].E3S Web of Conferences，2020，189：03014.

[36]田宇荃，趙迪，陳虎.海綿城市建設前后的可視化效果分析——以常德市為例[J].智能建筑與智慧城市，2020（6）：98-99.

TIAN Yuquan，ZHAO Di，CHEN Hu.Analysis on the visual effect of sponge city before and after construction：Taking Changde city as an example[J].Intelligent Building & City Information，2020（6）：98-99.

[37]WEN Yun，MIRAULT J，GRAINGER J.Fast syntax in the brain：electrophysiological evidence from the rapid parallel visual presentation paradigm （RPVP）[J].Journal of Experimental Psychology：Learning，Memory，and Cognition，2021，47（1）：99-112.

[38]朱夢澤，趙海英.敘事式可視化綜述[J].計算機輔助設計與圖形學學報，2019，31（10）：1719-1727.

ZHU Mengze，ZHAO Haiying.A summary of narrative visualization[J].Journal of Computer-Aided Design & Computer Graphics，2019，31（10）：1719-1727.

[39]梁婷婷，邱素貞，陸珊.本科層次大數據人才需求可視化分析[J].智能計算機與應用，2020，10（4）：276-279.

LIANG Tingting，QIU Suzhen，LU Shan.Visual analysis of undergraduate level big data talent demand[J].Intelligent Computer and Applications，2020，10（4）：276-279.

[40]陶芳.網絡輿論數據可視化技術研究[D].北京：北京郵電大學，2019.

TAO Fang.Research on Network Public Opinion Data Visualization Technology[D].Beijing：Beijing University of Posts and Telecommunications，2019.

[41]張?zhí)鹛穑钅?，龔光紅，等.一種基于數獨分組的拉丁超立方試驗設計方法[J].系統(tǒng)仿真學報，2020，32（11）：2185-2191.

ZHANG Tiantian，LI Ni，GONG Guanghong，et al.A fast latin hyper cube experiment design method based on Soduku grouping[J].Journal of System Simulation，2020，32（11）：2185-2191.

[42]ZHANG Lidong，VINODHINI B，MARAGATHAM T.Interactive IOT data visualization for decision making in business intelligence[J].Arabian Journal for Science and Engineering，2021，70：1-11.

[43]崔卓，賈力，黃豆，等.矩形微槽道平板熱管流動與傳熱特性可視化[J].科學通報，2020，65（17）：1770-1779.

CUI Zhuo，JIA Li，HUANG Dou，et al.The visualized investigation on flow and heat transfer characteristics of flat-plate heat pipe with micro rectangular grooves[J].Chinese Science Bulletin，2020，65（17）：1770-1779.

[44]孟鑫，李洋，王學良.多組件Web可視化開發(fā)平臺在調度自動化系統(tǒng)中的應用[J].計算機系統(tǒng)應用，2020，29（12）：100-105.

MENG Xin，LI Yang，WANG Xueliang.Application of multi-component Web visual development platform in scheduling automation system[J].Computer Systems & Applications，2020，29（12）：100-105.

[45]張慧軍，陳俊杰，張小龍.利用問題求解理論來研究交互式復雜信息的可視分析行為[J].圖學學報，2020，41（3）：325-334.

ZHANG Huijun，CHEN Junjie，ZHANG Xiaolong.Using problem-solving theories to investigate user behaviors in interactive visual analytics of complex information[J].Journal of Graphics，2020，41（3）：325-334.

[46]KRAUS M，KLEIN K，FUCHS J，et al.The value of immersive visualization[J].IEEE Computer Graphics and Applications，2021，41（4）：125-132.

[47]LIU Zhansheng，BAI Wenyan.Building information modeling methods for post-earthquake retrofitting visualization of buildings using augmented reality[J].Applied Sciences，2021，11（12）：5739.

[48]崔蓬.ECharts在數據可視化中的應用[J].軟件工程，2019，22（6）：42-46.

CUI Peng.Study on the application of ECharts in data visualization[J].Software Engineering，2019，22（6）：42-46.

[49]何巍.社交媒體數據可視化分析綜述[J].科學技術與工程，2020，20（32）：13085-13090.

HE Wei.An overview on social media visual analytics[J].Science Technology and Engineering，2020，20（32）：13085-13090.

[50]馬夢宇，吳燁，陳犖，等.顯示導向型的大規(guī)模地理矢量實時可視化技術[J].計算機科學，2020，47（9）：117-122.

MA Mengyu，WU Ye，CHEN Luo，et al.Display-oriented data visualization technique for large-scale geographic vector data[J].Computer Science，2020，47（9）：117-122.

[51]沈恩亞.大數據可視化技術及應用[J].科技導報，2020，38（3）：68-83.

SHEN Enya.Big data visualization technology and applications[J].Science & Technology Review，2020，38（3）：68-83.

[52]LI Mengyao，DU Wenli，QIAN Feng，et al.Total plant performance evaluation based on big data：Visualization analysis of TE process[J].Chinese Journal of Chemical Engineering，2018，26（8）：1736-1749.

[53]BAKHSHI A K，AHMED M M.Utilizing black-box visualization tools to interpret non-parametric real-time risk assessment models[J].Transportmetrica A：Transport Science，2020，17（4）：739-765.

[54]邊根慶，陳蔚韜.面向Web的建筑三維模型可視化方法研究[J].圖學學報，2021，42（5）：823-832.

BIAN Genqing，CHEN Weitao.Research on web-oriented visualization method of 3D architectural model[J].Journal of Graphics，2021，42（5）：823-832.

[55]駱菁菁，唐衛(wèi)貞，丁繼婷.基于皮爾遜系數的管制仿真訓練數據獨立化與因子分析下的數據可視化研究[J].計算機科學，2021，48（sup1）：623-628.

LUO Jingjing，TANG Weizhen，DING Jiting.Research of ATC simulator training values independence based on pearson correlation coefficient and study of data visualization based on factor analysis[J].Computer Science，2021，48（sup1）：623-628.

[56]戴國忠，陳為，洪文學，等.信息可視化和可視分析：挑戰(zhàn)與機遇——北戴河信息可視化戰(zhàn)略研討會總結報告[J].中國科學：信息科學，2013，43（1）：178-184.

DAI Guozhong，CHEN Wei，HONG Wenxue，et al.Information visualization and visual analysis：Challenges and opportunities - summary report of beidaihe information visualization strategy seminar[J].Science China：Information Science，2013，43（1）：178-184.

[57]JIA Hekun，LIU Zhiyuan，YIN Bifeng，et al.Visualization research and optimization strategy for combustion process and emission characteristics of internal exhaust gas recirculation small non-road diesel engine[J].International Journal of Automotive Technology，2020，21（2）：481-492.

[58]黃河燕，曹朝，馮沖.大數據情報分析發(fā)展機遇及其挑戰(zhàn)[J].智能系統(tǒng)學報，2016，11（6）：719-727.

HUANG Heyan，CAO Chao，FENG Chong.Opportunities and challenges of big data intelligence analysis[J].Journal of Intelligent Systems，2016，11（6）：719-727.

[59]張新榮，馬杰，張才斗，等.基于MATLAB倒立擺可視化建模仿真與控制[J].計算機工程與設計，2018，39（10）：3214-3219.

ZHANG Xinrong，MA Jie，ZHANG Caidou，et al.Visualized modeling and simulation of inverted pendulum control based on MATLAB[J].Computer Engineering and Design，2018，39（10）：3214-3219.

[60]LI Mengyao，DU Wenli，QIAN Feng，et al.Total plant performance evaluation based on big data：Visualization analysis of TE process[J].Chinese Journal of Chemical Engineering，2018，26（8）：1736-1749.

[61]孫燦燃，崔晨，徐靜樂，等.基于虛擬現實的社交網絡三維可視化系統(tǒng)[J].計算機仿真，2019，36（7）：318-322.

SUN Canran，CUI Chen，XU Jingle，et al.Social network 3D visualization system based on virtual reality[J].Computer Simulation，2019，36（7）：318-322.

[62]LEE B，ISAACS K，SZAFIR D A，et al.Broadening intellectual diversity in visualization research papers[J].IEEE Computer Graphics and Applications，2019，39（4）：78-85.

收稿日期：2021-09-16;修回日期：2021-10-28;責任編輯：張士瑩

基金項目：國家文化和旅游科技創(chuàng)新工程項目（2020年度）;河北省省級科技計劃資助項目（20310802D，21310101D，20310701D）;河北省社會科學基金項目（HB20TQ008）;河北省高層次人才資助項目（A2016002015）;河北省創(chuàng)新能力提升計劃項目（20551801K）;石家莊市科學技術研究與發(fā)展計劃項目（19SCX01006，191130591A）

第一作者簡介：劉 濱（1975—），男，河北石家莊人，教授，博士，主要從事大數據、社會計算方面的研究。

通訊作者：劉 宇副研究館員。E-mail：446927742@qq.com