Visualization of Big Spatial Data using Coresets for Kernel Density Estimates.
Visualization of Big Spatial Data using Coresets for Kernel Density Estimates.
复制标题
DOI：
10.1109/tbdata.2019.2913655
复制
发表时间：
2021-07
影响因子：
7.2
通讯作者：
Phillips, Jeff M.
中科院分区：
文献类型：
--
作者：
Zheng, Yan;Ou, Yi;Lex, Alexander;Phillips, Jeff M.
关键词：
大型地理定位数据集的大小已经达到所有数据点的可视化效率低下的规模。随机抽样是一种减少数据集大小的方法，但它可能会引入不必要的错误。我们描述了一种适用于从非常大的数据中创建核密度估计的空间数据子采样方法，并证明了它比随机采样的误差更小。我们还介绍了一种方法，以确保基于采样数据的低值阈值处理在处理采样数据时不会忽略任何高于所需阈值的区域。我们使用人工和真实世界的大型地理空间数据集来证明我们的方法的有效性。
The size of large, geo-located datasets has reached scales where visualization of all data points is inefficient. Random sampling is a method to reduce the size of a dataset, yet it can introduce unwanted errors. We describe a method for subsampling of spatial data suitable for creating kernel density estimates from very large data and demonstrate that it results in less error than random sampling. We also introduce a method to ensure that thresholding of low values based on sampled data does not omit any regions above the desired threshold when working with sampled data. We demonstrate the effectiveness of our approach using both, artificial and real-world large geospatial datasets.
登录
查看更多内容
通过订购保证的可视化快速采样。
DOI：
10.14778/2735479.2735485
发表时间：
2015-01
期刊：
Proceedings of the VLDB Endowment. International Conference on Very Large Data Bases
影响因子：
--
作者：
Kim A;Blais E;Parameswaran A;Indyk P;Madden S;Rubinfeld R
通讯作者：
Rubinfeld R
影响因子：
3.7
作者：
CLEVELAND, WS;MCGILL, R
通讯作者：
MCGILL, R
DOI：
10.1109/tvcg.2013.179
发表时间：
2013-12-01
影响因子：
5.2
作者：
Lins, Lauro;Klosowski, James T.;Scheidegger, Carlos
通讯作者：
Scheidegger, Carlos
影响因子：
0.8
作者：
HAUSSLER, D;WELZL, E
通讯作者：
WELZL, E
DOI：
10.1109/tvcg.2012.265
发表时间：
2012-12-01
影响因子：
5.2
作者：
Tominski, Christian;Schumann, Heidrun;Andrienko, Natalia
通讯作者：
Andrienko, Natalia