1.3 數據可視化的研發

1.3.1 學術機構

可視化領域的學者在北美洲較為集中，歐洲次之。分國家來看，頂尖學者分布在38個不同的國家，美國東部和西部相對集中，其次是中國，歐洲主要以德國、英國和法國為主。2008年以后，國內知名大學紛紛組建了可視化研究團隊，國內學術界開始重點關注可視化方面的研究。AMiner提取了2014～2018年可視化領域頂級學術會議（IEEE VIS年會）論文中所有學者的信息，從中選出了排名前1 000位活躍學者（稱為Top學者），并對全球可視化領域Top學者所屬機構進行了統計（見圖1-9）。清華大學為亞洲國家中唯一位列Top10的機構[3]。

IEEE VIS是由電氣與電子工程師協會（IEEE）旗下的可視化和圖形技術專委會（IEEE VGTC）主辦的在可視化領域最具權威的國際性學術會議，是可視化與可視化分析的理論、方法和應用發展的首要論壇。會議召集學術界、工業界、政府的研究人員和從業人員，致力于探索和交流可視化的理論、方法、應用和分析。IEEE VIS每年10月份在美國的某一城市舉辦，最近幾年注冊并參加會議的人員維持在1 000人左右。

可視化領域的頂級期刊是IEEE Transactions on Visualization and Computer Graphics，即IEEE TVCG[1]。IEEE TVCG發表計算機圖形學、信息與科學可視化、視覺分析、虛擬與增強現實等相關學科的論文，主要集中在理論、算法、方法論、人機交互技術、系統、軟件、硬件等領域，以及在這些領域的應用。

1.3.2 業界機構

國際知名公司，如谷歌、亞馬遜、微軟、Uber等，它們在開發新的可視化技術方面做出了巨大努力，并在國家安全、科學研究、數據信息、金融和智慧城市等領域發揮了重要作用。例如，微軟公司開發的產品Power BI，將人工智能技術與可視化相結合，大大提高了商務智能中的可視化分析水平[9]。

國內較為領先的科技公司，如阿里巴巴，為解決行業應用中的實際問題，早在2011年就開始建立可視化團隊。現如今，阿里巴巴集團、阿里云、螞蟻集團、華為、百度、360等都設立了多支專攻可視化的研發團隊，業界應用水平不斷提升。

1.3.3 應用領域

隨著數據資源的豐富，大數據技術的發展，數據可視化應用領域不斷擴展，在金融、工業、農業、醫學、教育、商務等領域都有較多應用。

1.數據可視化在金融業中的應用

隨著“互聯網+金融”的不斷發展，市場形勢不斷變化，金融業面臨諸多挑戰。通過使用數據可視化技術，企業可以動態掌握金融業務的實時變化，如對信貸金融和客戶數據進行監管，對企業業務進行實時監控，加強市場管理；還可以通過多維數據的分析和挖掘，指導企業科學決策，降低風險[10]。

2.數據可視化在工業中的應用

隨著智能技術的發展，智能硬件發展需求增加，智能硬件領域延伸到電視、家居、汽車、醫療、玩具、機器人、交通等多領域。通過可視化呈現智能硬件采集的數據，可以提升智能設備的使用效率，提升用戶滿意度，提高智能技術和設備的附加值[10]。

3.數據可視化在農業中的應用

數據可視化手段也開始被用于農業現代化以促進農業的管理與發展。一是對農產品生長過程的監控數據進行可視化，并將農產品生長數據動態展示給消費者。二是對農產品安全領域中農藥化學物殘留檢測數據的可視化，用于多維度、多尺度的對比分析，如結合多種最高殘留限量（MRL）進行分類統計，將多重放射環與地圖結合實現地域維度上的數據可視化對比，對農藥化學物殘留檢測數據的時序分組可視化[11]。

4.數據可視化在醫學中的應用

數據可視化在醫學中的應用有多方面。醫療物資管理的數據可視化可以輔助醫院進行物資的動態調配和科學管理。醫學影像的數據可視化，如CT等圖像，可以輔助醫生進行病癥和病灶分析，也可以輔助醫生進行一些建模分析，如外科手術的精確建模，通過三維圖像和數據輸出，輔助醫生進行外科手術。醫學研究的數據可視化可以增強疾病防控、提高流行病預測和分析能力。

5.數據可視化在教育中的應用

計算機輔助教學不斷深入，數據可視化應用逐漸成熟，一些可視化的多媒體教學資源越來越豐富，這些多媒體可以將被感知、被認知、被想象、被推理的事物及變化形式用仿真化的方式呈現。在教學中，數據可視化可以幫助學生更好地進行知識與記憶的關聯、知識與知識之間的關聯，增強學習興趣，提高認知效率，減少信息損耗[10]。

6.數據可視化在商務中的應用

數據可視化在商務中的應用廣泛，傳統商務中的報表可視化存在已久，而隨著電子商務的發展，電商領域中的數據可視化應用越來越廣。對內可以進行客戶成像管理，挖掘客戶資源，提升客戶關系管理、營銷管理和銷售績效管理水平；對外可以進行企業和服務商之間的競爭分析，加強戰略管理能力，提升企業競爭力[12]。

7.數據可視化在其他領域中的應用

數據可視化還可以應用到社區管理、園區管理、輸電管理、水務管理、工商稅務、交通運輸、旅游服務、衛星遙感、新聞傳播、輿情管理、科學研究等諸多領域中。事實上，只要有數據產生、處理和輸出的領域，就有數據可視化的需求，相比之下，只是應用的深度和廣度不同。

1.3.4 數據可視化的研發挑戰

可視化的理念伴隨著形象思維、圖形圖像、動畫等方法不斷發展而演化。現代數據可視化是計算機硬件和計算機可視化方法發展到一定階段的新興技術。數據可視化的研究實質仍舊是兩個方面：理解和呈現。理解數據，找到連接可視化的通道，即對數據建模；理解可視化，即找到將建模結果傳遞給受眾的方式。呈現，即找到合適的方法增強認知與感知，增強可視化與數據之間的聯系[5]。

1.數據挑戰

數據可視化的對象是數據，高質量的數據可視化依靠高質量數據支撐。因此，高質量的數據變得更加重要。隨著大數據時代數據確權和隱私保護限制，不是所有數據都能被使用或被完全透明地使用，這在一定程度上限制了數據集的完整性和可用性，進而影響數據可視化的效果。

2.算力挑戰

在大數據時代，隨著數據量呈指數級增加，計算力的重要性越發突出。面向大數據的數據可視化，都需要計算力作為基礎能力進行支撐，它無時無刻不在推動數字經濟的發展。盡管如今的算法效率不斷提高、芯片技術高度發達，但依然面臨著算力稀缺的問題。除了傳統意義上的存儲資源的限制，數據可視化還須同步考慮傳輸時間等限制。

3.算法挑戰

可視化研制者往往執行于像素之外，屏幕的分辨率已經不能同時顯示所有要表達的信息，即有限的像素如何被龐大的數據資源使用？這就需要有合理的算法進行連接和分配，平衡顯示代價和可視效率效果。

4.認知挑戰

盡管可視化充分利用人類視覺的感知能力，但人類大腦對實物的記憶終究是不可見的，而且人的記憶容量、認知能力、關注力是有限的。因此，在強算力和算法保障的前提下，認知也會降低或減弱可視化感知，在數據可視化算法設計時也需考慮人的認知局限性。