Web页面中的大规模数据折线图优化方法研究
[Abstract]:In big data's era, data visualization plays a very important role in the process of information mining, among which the ability to process large-scale data is the most basic. At present, when the data size is too large, the visualization tools in web pages have some performance bottlenecks in varying degrees, which has a great impact on the efficiency of work. However, the current front-end visualization optimization methods are still relatively limited, such as reducing file size, using cache, reducing the number of page nodes and other traditional technical optimization methods. There is still no clear solution to the lack of information caused by technology optimization. In this paper, a typical representative and universal visual display tool line diagram is selected as the research object, and a comprehensive optimization scheme in large-scale data scenarios is proposed. Achieved from the performance and design expression two aspects have greatly improved the effect. The scheme is based on D3 and the svg vector graph is used as the underlying mechanism, which retains the strong interaction of the modern line graph. Referring to "tile map", the hierarchical aggregation method is adopted to reduce the actual rendering data size of the browser, so as to reduce the rendering pressure of the browser. For some data features lost due to aggregation, the specific color, grayscale and shape are used to express them respectively, and the width of the line is used to indicate the scaling level of the data, which represents the corresponding data amount of the broken line under the condition that the conditions are satisfied. The optimization scheme is applied to the actual optimization process of a 100-thousand-level data source line chart. The results show that the comprehensive optimization scheme proposed in this paper plays an effective role in both performance optimization and expression optimization.
【学位授予单位】:浙江大学
【学位级别】:硕士
【学位授予年份】:2017
【分类号】:TP393.0
【相似文献】
相关期刊论文 前10条
1 张艳宁,赵荣椿,梁怡;一种有效的大规模数据的分类方法[J];电子学报;2002年10期
2 姜英姿;;大规模数据的计算机处理技术[J];徐州工程学院学报;2005年05期
3 刘忠宝;赵文娟;;面向大规模数据的模糊支持向量数据描述[J];广西大学学报(自然科学版);2012年06期
4 牛新征;佘X;;面向大规模数据的快速并行聚类划分算法研究[J];计算机科学;2012年01期
5 汪西莉,刘芳,焦李成;基于大规模数据的支撑矢量机的训练和分类[J];西安电子科技大学学报;2002年01期
6 杜奕强;;利用廉价计算机实现大规模数据处理的技术研究与实现[J];自动化与信息工程;2014年01期
7 刘光明;周越;张瑞虹;白瑞俊;;云存储的关键技术与应用探讨[J];中国高新技术企业;2012年30期
8 谌超;强保华;石龙;;基于Hadoop MapReduce的大规模数据索引构建与集群性能分析[J];桂林电子科技大学学报;2012年04期
9 刘春艳;;基于云的招生系统研究与设计[J];电子技术与软件工程;2013年13期
10 ;NUMA-Q 1000“3.15”上市[J];每周电脑报;1999年09期
相关会议论文 前1条
1 徐健;陈光喜;;一种基于优化处理较大规模数据的支持向量分类机[A];第八届中国青年运筹信息管理学者大会论文集[C];2006年
相关重要报纸文章 前2条
1 王丽;为大规模数据中心建设保驾护航[N];中国经营报;2005年
2 ;戴尔务实推动云计算发展[N];网络世界;2010年
相关博士学位论文 前2条
1 黄成泉;大规模数据的多视角、多任务分类/聚类方法及应用研究[D];江南大学;2016年
2 金冉;面向大规模数据的聚类算法研究及应用[D];东华大学;2015年
相关硕士学位论文 前9条
1 马翠云;基于HBase的大规模数据存储解决方案的设计和实现[D];山东大学;2015年
2 周钊泽;面向大规模数据的局部在线学习[D];中山大学;2015年
3 田大鑫;基于GIS的大规模数据下K优路径规划算法的研究与实现[D];北京理工大学;2016年
4 杨婷;Web页面中的大规模数据折线图优化方法研究[D];浙江大学;2017年
5 刘伟;面向大规模数据的高效LTR调研系统设计与实现[D];南京大学;2015年
6 钱彦江;大规模数据聚类技术研究与实现[D];电子科技大学;2009年
7 张新铭;金融应用中大规模数据处理的性能优化[D];浙江大学;2007年
8 蔡偃武;面向大规模数据的在线新事件检测[D];华东理工大学;2014年
9 刘作志;应用于大规模数据的极端学习机研究[D];西北大学;2013年
,本文编号:2471735
本文链接:https://www.wllwen.com/guanlilunwen/ydhl/2471735.html