基于信息融合的动态时空摘要

在数据生成蓬勃发展的时代，大规模时变数据集的管理与存储面临重大挑战。随着超级计算能力的提升，所产生的数据量激增，加剧了存储与 I/O 开销。为解决此问题，我们提出一种动态时空数据摘要技术，识别关键时间步中的信息特征并融合信息量较少者。该方法在保留数据动态性的同时最小化存储需求。与现有方法不同，我们的方法同时保留原始与摘要时间步，确保对随时间变化信息的全面视图。我们利用信息论度量引导融合过程，产生捕捉本质数据模式的可视化表示。我们在涵盖基于粒子的流仿真、安全与监控应用、以及免疫系统内生物细胞交互的多样数据集上展示了技术的通用性。我们的研究显著贡献于数据管理领域，为多学科领域引入增强的效率与更深的洞察。我们提供处理海量数据集的精简方法，可应用于原位分析及事后分析。这不仅应对了数据存储与 I/O 开销不断升级的挑战，也释放了知情决策的潜力。我们的方法使研究者和专家能在最小化存储需求的同时探索本质时间动态，从而促成对复杂数据行为更有效且直观的理解。