2015 年，优秀的可视化作品生机勃勃，我可以确定，明年也会有很多好作品。横跨不同主题和应用形式的项目大量涌现，但如果让我选一个年度主题的话，那一定是“教学”，不管是通过解释说明，模拟说明还是深刻分析的方式。有时候会感到可视化创作者很大胆，试着让读者们不再用惯有的思维方式来理解数据和统计学。我很喜欢这一点。以下是我选出的 2015 最佳项目。按照惯例，排名不分先后。同时，也有很多不在这个名单上

贝叶斯网络是一种不确定性推理网络，它能够融合多方面的信息进行不确定性（主观或客观概率）推理，相当于一个抽象的知识库。贝叶斯网络是一种概率网络，它是基于概率推理的图形化网络，而贝叶斯公式则是这个概率网络的基础。贝叶斯网络是基于概率推理的数学模型，所谓概率推理就是通过一些变量的信息来获取其他的概率信息的过程，基于概率推理的贝叶斯网络(Bayesian network)是为了解决不定性和不完整性问题而提

流数据可视化     流数据是一种特殊的时变型数据，输入数据并不存储在可随机访问的磁盘或内存中，而是以一个或多个“连续数据流”的形式到达。常见的流数据有移动通信日志、网络数据（日志、传输数据包、警报等）、高性能集群平台日志、传感器网络记录、金融数据（如股票市场）、社交数据等。     处理流数据与传统的数据池处理方法相比，有以下特点：1.        数据流的潜在大小也许是无限

主要从普通的相关性和空间的自相关性分析。普通的相关性如变量之间的相关性，特别是目标变量与因子变量之间的相关性分析，本身也是预处理中特征选择的重要方法；而空间的相关性分析则分析则相关性，其中空间关联是其显著的特点；时间序列之间也存在空间相关性，对其进行探索性分析可考察空间数据（栅格）的时间联动性。1普通相关性分析就是分析变量之间的相关性，包括以下5个方面1. Pearson相关系数探索连续变量相关

3 空间向量场数据可视化        向量场数据在科学计算和工程应用中占有非常重要的地位，如飞机设计、气象预报、桥梁设计、海洋大气建模、计算流体动力学模拟和电磁场分析等。向量场的每个采样点处理的数据是一个向量，表达的方向性催生了与标量场完全不同的可视化方法。向量场可视化的主要目标是：展示场的导向趋势信息；表达场中的模式；识别关键特征区域。通常，向量场数据来源于数据值模拟，如计算流体力学（

1 地球与生存环境        人类长期以来对地球和周遭自然环境进行观测来研究和了解自己生存的自然空间，科学家们也通过建立数学模型来模拟环境的变化。这些观测和模拟得到的数据通常包含了地理空间中的位置信息，因此自然需要用到地理信息可视化来呈现数据，最常见的是与气象相关的数据。         图1 基于实测数据的全美风势可视化。http://hint.fm/wind/gallery/o

时间是一个非常重要的维度和属性，随时间变化、带有时间属性的数据称为时变数据。处理时变型数据的方法有时候又与顺序型数据有想通之处。从宏观上看，数据类型包括数值型、有序型和类别型三类。其中，任意两个有序型数据之间都具有某种顺序关系，而数值型数据可看成某种有具体数值的有序型数据。       ①以时间轴排列的时间序列数据，如：个人摄像机采集的视频序列、各种传感器设备获取的监控数据和故事股票交易数据、

1 高维多元数据         每个数据对象有两个或两个以上独立或者相关属性的数据。高维指数据具有多个独立属性，多元指数据具有多个相关属性。由于研究者在很多情况下不确定数据的属性是否独立，因此通常简单地称之为多元数据。例如：电脑配置。       高维多元数据（Multidimensional Multivariate Data）的可视化挑战对于高维多元数据，以统计和基本

多维度（multi-dimensional）、多变量（multi-variate）、多模态(multi-modal)、多趟（multi-run）与多模型（multi-model）。多维度表达物理空间中独立变量的维数；多变量表达变量和属性的数目，表示数据所包含信息和属性的多寡；多模态强调获取数据的方法不同，以及各自对应的数据组织结构和尺度的不同；多趟和多模型亦可表示数据所含信息，但和多变量属于不同的

图1是典型的可视分析流程图，起点是输入的数据，终点是提炼的知识。同样，从数据到知识，知识再到数据，数据再到知识的循环过程。从数据到知识有两个途径：交互的可视化方法和自动的数据挖掘方法。这两个途径的中间结果分别是对数据的交互可视化结果和从数据中提炼的数据模型。用户既可以对可视化结果进行交互的修正，也可以调节参数以修正模型。从数据中洞悉知识的过程也主要依赖两条主线的互动与协作[1,2]。