- 综合排序
- 最热优先
- 最新优先
CityPulse — AI时空热力可视化平台
城脉 CityPulse — AI时空热力可视化平台参赛作品 | 腾讯位置服务 × CSDN 征文大赛主题：AI赋能 重塑地图智能新体验技术栈：HTML5 + CSS3 + JavaScript + 腾讯位置服务 城脉 CityPulse 由此而生——一款基于腾讯位置服务 JS API GL 的 AI 时空热力可视化平台，将城市级人流、车流、消费热力数据以3D热力图的形式实时渲染，让用户一眼看清城市脉动。 而加入时间维度后，热力图从静态快照升级为时空纪录片，这才是真正有价值的城市数据叙事。 导出范围可选当前帧或全部24帧时间轴数据，可直接用于后续数据分析或二次可视化。 数据生成 → 可视化 → 分析 → 导出，形成了完整的数据消费链路。
13810编辑于 2026-04-30- 来自专栏DT数据侠
数据点亮城市：如何玩转时空地理数据可视化
日常出行离不开地图导航，你有没有想过结合地图能做出哪些炫酷的可视化作品？ 6月22日的数据侠公开课中，来自城市数据团培训教育部的负责人胡颖分享了城市空间数据可视化作品，来看看她是如何从城市设计的视角转变到用数据去理解城市物理空间的？ 原来世界上有很多“成型的”可视化工具，掌握各种技能可以做出更多类型的可视化。 在城市数据团主要做一些原创的城市研究的阶段，做城市数据可视化有了不同的方式。 总结一下，数据可视化最重要的不是技术，更重要的是创意、数据、经验方面的东西。 ▍城市数据可视化的几种类型 接下来要讲的是城市数据可视化的几种类型。那么到底什么是城市数据呢？ ▍避免对数据可视化的误解 大众其实对于数据可视化是有一些误解的，比如认为有了数据就可以搞个大新闻，或者可以用数据去发现新的东西，但其实数据可视化有时是将大家已有的认知去进行量化的过程，这就要求数据工作者需要耐心
1.1K00发布于 2018-08-08 - 来自专栏时空探索之旅
ICLR 2026 | 时空数据(Spatial-Temporal)论文总结（物理时空和气象时空：气象预测，时空点过程等）
本文总结了ICLR 2026时空数据（Spatial-Temporal）的论文，总计36篇，本文涉及13篇，如有疏漏，欢迎补充。 注：由于论文数目较多，分为上下篇，基于数据生成机制与应用场景的本质差异对论文进行分类： 上篇主要涵盖交通时空数据以及城市科学等内容，包括交通预测，人群移动，轨迹挖掘，交通模拟，自动驾驶，信号控制等内容。 下篇主要涵盖：气象时空和物理时空，如气象预测，时空点过程，时空动力系统等 观察：下篇文章统计值 最大均分 均值 最小均分 7 5.31 4 其中均分≥6的有3篇。 1. 信心：4, 4, 3, 3 均分：5.5 推荐阅读 ICLR 2026 | 时空数据(Spatial-Temporal)论文总结[上]【交通与城市科学：交通预测，轨迹挖掘，交通模拟，自动驾驶等】 ICLR 欢迎各位作者投稿近期有关时空数据和时间序列录用的顶级会议和期刊的优秀文章解读，我们将竭诚为您宣传,共同学习进步。如有意愿,请通过后台私信与我们联系。 如果觉得有帮助还请分享，在看，点赞
47810编辑于 2026-03-10 - 来自专栏秘籍酷
跨越时空的……
这个段子，跟我要说的其实也没什么关系，只是突然联想起来。昨天情人节，GitHub 将其导航栏由以下这样的风格：
51730发布于 2019-08-08 - 来自专栏小小挖掘机
时空序列问题概述
以上就是我摘取kaggle上的一个时间序列预测的可视化图。 二、 什么是时空序列问题 时间序列和时空序列时常有朋友搞混，并且很多朋友都以为我只感兴趣时间序列问题，其实不然，时空序列问题包含了时间和空间两个方面的因素。 所以为什么说是时空序列问题？？ 在这个数据集上，可以看到为什么叫时空序列问题，因为有数字的运动信息和本身数字的像素结构信息，还有序列的前后推移和联系，所以也是时空序列问题。 对于时空序列模型，这里说两个这个领域的大牛。 施行建博士。港中文大学。主要研究的方向是时空序列问题，时间维度为主，并且降水预测的应用。
88810发布于 2019-12-02 - 来自专栏萝卜大杂烩
6个顶级Python可视化库
优点 简单的可视化语法 Altair利用直观的语法来创建可视化。你只需要指定数据列和编码通道之间的联系，其余的绘图工作都是自动处理的。这种简单性使得信息的可视化变得快速而直观。 查看数据转换的完整列表[6]。 链接图表 Altair提供了令人印象深刻的将多个地块连接在一起的能力。你可以根据用户的互动，使用选择来过滤所附图块的内容。 如果我们不为条形图增加宽度，图表会是这样的： from bokeh.transform import factor_cmap from bokeh.palettes import Spectral6 survived", source=titanic_groupby, fill_color=factor_cmap( "class", palette=Spectral6, survived", source=titanic_groupby, fill_color=factor_cmap( "class", palette=Spectral6,
2.1K20编辑于 2023-08-21 - 来自专栏数据STUDIO
6个顶级Python可视化库
Altair 数据可视化已超神, 再见 Seaborn！Altair 数据可视化已超神 优点 简单的可视化语法 Altair利用直观的语法来创建可视化。 查看数据转换的完整列表[6]。 链接图表 Altair提供了令人印象深刻的将多个地块连接在一起的能力。你可以根据用户的互动，使用选择来过滤所附图块的内容。 如果我们不为条形图增加宽度，图表会是这样的： from bokeh.transform import factor_cmap from bokeh.palettes import Spectral6 survived", source=titanic_groupby, fill_color=factor_cmap( "class", palette=Spectral6, survived", source=titanic_groupby, fill_color=factor_cmap( "class", palette=Spectral6,
2.7K20编辑于 2023-09-04 - 来自专栏杨熹的专栏
TensorFlow-6-TensorBoard 可视化学习
project/tensorflow-zh/how_tos/summaries_and_tensorboard.html 今天学的内容是 TensorBoard 它的作用就是可以把复杂的神经网络训练过程给可视化 tf.summary.scalar 操作来分别输出学习速度和期望误差，可以给每个 scalary_summary 分配一个有意义的标签为 'learning rate' 和 'loss function'，执行后就可以看到可视化的图表
82750发布于 2018-04-03 - 来自专栏优雅R
「R」数据可视化6 : 曼哈顿图
本文作者蒋刘一琦 在生物信息领域我们常常使用R语言对数据可视化。在对数据可视化的时候，我们需要明确想要展示的信息，从而选择最为合适的图突出该信息。 一般，在GWAS的研究中，Pvalue的阈值在10^-6 或者10^-8以下。（现在可能要求更高了？ rs6 1 6 0.5190959 第一列为SNP的名字，第二列CHR为所在染色体，第三列BP为染色体上所在位置。 rs6 1 6 0.5190959 0 6 axisdf = don %>% group_by(CHR) %>% summarize(center=( max(BPcum) + min 2096 3 3 3212. 4 4 4204 5 5 5115 6 6 5966 don是用于作图的主要数据表，而axisdf是用于处理x轴，因为我们想要他们按照染色体的位置排布
4K20发布于 2020-07-06 - 来自专栏快学Python
6个顶级Python可视化库！
Altair 数据可视化已超神, 再见 Seaborn！Altair 数据可视化已超神 优点 简单的可视化语法 Altair利用直观的语法来创建可视化。 查看数据转换的完整列表[6]。 链接图表 Altair提供了令人印象深刻的将多个地块连接在一起的能力。你可以根据用户的互动，使用选择来过滤所附图块的内容。 如果我们不为条形图增加宽度，图表会是这样的： from bokeh.transform import factor_cmap from bokeh.palettes import Spectral6 survived", source=titanic_groupby, fill_color=factor_cmap( "class", palette=Spectral6, survived", source=titanic_groupby, fill_color=factor_cmap( "class", palette=Spectral6,
3.4K11编辑于 2023-12-11 - 来自专栏小轻论坛
时空穿梭特效html
IE=edge" /> <meta name="viewport" content="width=device-width, initial-scale=1.0" /> <title>时空穿梭 .g-group:nth-child(2) { animation: move 12s infinite linear; animation-delay: -6s animation-delay: 0; } .g-group:nth-child(2) .item { animation-delay: -6s
76410编辑于 2024-09-30 - 来自专栏用户画像
流水时空图
（1）画出流水处理的时空图，假设时钟周期为100ns。 （2）求流水线的实际吞吐率（单位时间里执行完毕的指令数）。 （3）求流水线的加速比。
1.6K20发布于 2018-08-27 - 来自专栏数据分析与可视化
数据可视化(6)-Seaborn系列 | 直方图distplot()
np.random.randn(100) """ 案例4：绘制直方图和最大似然高斯分布拟合图 """ sns.distplot(x, fit=norm, kde=False) plt.show() [6ne0cbgxg1 = np.random.randn(100) """ 案例5：绘制水平直方图 (即在垂直轴上绘制分布) """ sns.distplot(x, vertical=True) plt.show() [u6zz1cj1au.png g"}) plt.show() [y8xh1txhvn.png] 案例地址 案例代码已上传：Github https://github.com/Vambooo/SeabornCN 整理制作：数据分析与可视化学研社
15.6K02发布于 2019-09-24 - 来自专栏PPV课数据科学社区
【学习】数据可视化6步法
在当前互联网，各种数据可视化图表层出不穷，本文尝试对数据可视化的方法进行归纳，整理成6步法。 以最简单的性别分布为例，可以得到一个线性的可视化过程，如下： ? 同样在数据可视化，有时需要对数据进行概念转换，可加深用户对数据的感知。 6.让图表“动”起来 数据图形化完成后，可结合实际情况，将其变为动态化和可操控性的图表，用户在操控过程中能更好地感知数据的变化过程，提升体验。 总结 数据可视化形式多样，思考过程也不尽相同。以上6步法，是基于“数据”层面（区别于信息可视化），梳理思考过程，总结设计方法，为后续可视化提供可借鉴的思路。
87740发布于 2018-04-18 - 来自专栏PPV课数据科学社区
干货：数据可视化6步法
在当前互联网，各种数据可视化图表层出不穷，本文尝试对数据可视化的方法进行归纳，整理成6步法。 6.让图表“动”起来 数据图形化完成后，可结合实际情况，将其变为动态化和可操控性的图表，用户在操控过程中能更好地感知数据的变化过程，提升体验。 实现动态化通常以下两种方式： 交互和动画。 以上6步法，是基于“数据”层面（区别于信息可视化），梳理思考过程，总结设计方法，为后续可视化提供可借鉴的思路。 ”查看数据可视化专题-数据可视化案例与工具 5、回复“禅师”查看当禅师遇到一位理科生，后来禅师疯了！！ 知识无极限 6、回复“啤酒”查看数据挖掘关联注明案例-啤酒喝尿布 7、回复“栋察”查看大数据栋察——大数据时代的历史机遇连载 8、回复“数据咖”查看数据咖——PPV课数据爱好者俱乐部省分会会长招募 9、
1.3K120发布于 2018-04-20 - 来自专栏授时安全防护装置
GPS北斗时空安全隔离装置（卫星时空防护装置）说明书
北斗时空安全隔离装置-产品概述 卫星时空安全隔离装置是为应对卫星信号易受到干扰、攻击以及欺骗等特点，影响到正常卫星信号的接收，导致卫星时间同步装置工作异常而开发的卫星时空安全防护产品。 卫星时空安全隔离装置适用于电力、交通、智能制造、医疗、金融等行业卫星时间同步装置的卫星信号抗干扰、防欺骗的功能加固。 北斗时空安全隔离装置-产品特征 干扰检测及告警； 防欺骗及告警； 原位加固； 卫星信号安全隔离； 远程监控； 具备欺骗、干扰条件下输出正常卫星信号功能； 具备输出信号强度（功率）可调； 支持远程 WEB监控设备工作状态，设置工作参数； 通过国网电力科学研究院实验验证中心检测； 北斗时空安全隔离装置-技术参数 北斗时空安全隔离装置-结构功能 北斗时空安全隔离装置-安装调试 以上是GPS/北斗时空安全隔离装置（卫星时空防护装置）说明书
2K40编辑于 2022-07-14 - 来自专栏算法与编程之美
PS|如何制作‘时空门’？
而要说起百宝袋什么最吸引人，那一定是少不了‘时空门’——可以去世界上的任何地方。在塔克拉玛干沙漠里游泳、珠穆朗玛峰上泡温泉、马里亚纳海沟踢足球统统都不是梦。 今天就为大家讲解如何在一张图片里制造‘时空门’。 1.素材 ? 图1.1 镜头 ? 2.成品预览 ?
1.2K30发布于 2020-04-20 - 来自专栏生信技能树
NAR | STOmicsDB：用于时空组数据共享、分析和可视化的综合数据库
STOmicsDB具有用户友好的界面，可快速可视化数百万个细胞。为了进一步促进时空组不同层次数据的收录与整合，STOmicsDB建立了时空组数据归档标准，并构建了时空组数据归档系统。 同时，STOmicsDB和各科研团队合作研发了多个时空组数据库专辑，共同打造时空组数据生态圈，通过标准化数据存储模式和规范的工具，为科研人员提供高效的数据可视化服务。 、数据集分析与可视化模块。 STOmicsDB通过和各科研团队合作，共同研发了多个时空组数据库专辑，提供标准化的数据管理、高性能数据分析、数据可视化方案，已上线6个数据库专辑，并支撑高水平文章发表，如：MOSTA（小鼠器官发育时空转录组图谱 时空组数据集可视化示例 Analysis模块作为时空组数据的分析利器，提供了SingleR、Gene search、Compare和Stereomap四种分析工具。
1.1K20编辑于 2023-11-17 - 来自专栏MeteoAI
【时空序列预测实战】风险时空预测？keras之ConvLSTM实战来搞定
作者 | Eric琨 学校 | 武汉大学信管 研究 | NLP、时空序列 出品 | AI蜗牛车 前言 毕设临近截止，故写一篇心得以供新手学习，理论在知乎上有很多介绍的不错的文章，这里强烈推荐微信公众号 ：AI蜗牛车，这位东南老哥写了时空预测系列文章，能够帮助了解时空领域模型的演变，同时也向他请教了一些训练技巧。 回顾理论基础 在ConvLSTM中，网络用于捕获数据集中的时空依赖性。 ConvLSTM的主要公式如下所示： 详细可参考： 【时空序列预测第二篇】Convolutional LSTM Network-paper reading 2. size更能够获取时空的联系） strides： (1,1)为卷积的步长，即卷积核向右和向下一次移动几格，默认步长为1 padding： 补0，为“valid”或 “same”。
3.2K30发布于 2020-06-19 算法之时空并查集：穿越时空的连通性管理
一、算法本质 时空并查集如同连通性管理的时光记录者： 时间维度：记录每个操作的时间戳，支持历史状态回溯 空间演化：维护动态变化的连通关系，支持时空联合查询 版本快照：通过操作日志重建任意时刻的连通状态 自动驾驶场景的实时环境建模 五、学习路线 新手入门： 实现基础版本回退功能 可视化不同时间点的连通状态差异 解决LeetCode 周赛306（时间约束连通问题） 高手进阶： 研究量子时空纠缠版本 六、创新方向 时空压缩感知：基于时间序列相似性的压缩存储 概率时空模型：处理不确定时间戳的连通性 神经时空预测：使用LSTM预测未来连通状态 四维可视化 ：时空连通性的立体展示系统 七、哲学启示 时空并查集展现的维度思维： 时空统一：连通性在四维时空中的动态展现 历史价值：每个时间切片都承载独特信息 可逆计算：打破传统算法的单向时间流假设 当你能在TB级的社交网络数据中秒级回溯三年前的关系状态时，便掌握了时空算法的精髓——这不仅需要技术实力，更需要将时间维度纳入数据结构设计的维度思维。
14310编辑于 2025-10-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号