Cambios

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "A Garcia-Robledo, M Zangiabady", 
2
  "author": "A Garcia-Robledo, M Zangiabady", 
            
3
  "author_email": null, 
3
  "author_email": null, 
            
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
            
5
  "extras": [
5
  "extras": [
            
6
    {
6
    {
            
7
      "key": "A\u00f1o", 
7
      "key": "A\u00f1o", 
            
8
      "value": "2021"
8
      "value": "2021"
            
9
    }, 
9
    }, 
            
10
    {
10
    {
            
11
      "key": "DOI", 
11
      "key": "DOI", 
            
12
      "value": "https://doi.org/10.48550/arXiv.2105.14362"
12
      "value": "https://doi.org/10.48550/arXiv.2105.14362"
            
13
    }, 
13
    }, 
            
14
    {
14
    {
            
15
      "key": "Google Scholar URL", 
15
      "key": "Google Scholar URL", 
            
16
      "value": 
16
      "value": 
            
17
gesize=100&sortby=pubdate&citation_for_view=b81TvMMAAAAJ:_FxGoFyzp5QC"
17
gesize=100&sortby=pubdate&citation_for_view=b81TvMMAAAAJ:_FxGoFyzp5QC"
            
18
    }, 
18
    }, 
            
19
    {
19
    {
            
20
      "key": "Identificador hash", 
20
      "key": "Identificador hash", 
            
21
      "value": "343d058faed3"
21
      "value": "343d058faed3"
            
22
    }, 
22
    }, 
            
23
    {
23
    {
            
24
      "key": "Lugar de publicaci\u00f3n", 
24
      "key": "Lugar de publicaci\u00f3n", 
            
25
      "value": "arXiv preprint arXiv:2105.14362, 2021"
25
      "value": "arXiv preprint arXiv:2105.14362, 2021"
            
26
    }, 
26
    }, 
            
27
    {
27
    {
            
28
      "key": "Tipo", 
28
      "key": "Tipo", 
            
29
      "value": "Publicaci\u00f3n"
29
      "value": "Publicaci\u00f3n"
            
30
    }, 
30
    }, 
            
31
    {
31
    {
            
32
      "key": "Tipo de publicaci\u00f3n", 
32
      "key": "Tipo de publicaci\u00f3n", 
            
33
      "value": "Otro"
33
      "value": "Otro"
            
34
    }, 
34
    }, 
            
35
    {
35
    {
            
36
      "key": "URL directo", 
36
      "key": "URL directo", 
            
37
      "value": "https://arxiv.org/pdf/2105.14362"
37
      "value": "https://arxiv.org/pdf/2105.14362"
            
38
    }
38
    }
            
39
  ], 
39
  ], 
            
40
  "groups": [
40
  "groups": [
            
41
    {
41
    {
            
42
      "description": "", 
42
      "description": "", 
            
43
      "display_name": "Publicaciones", 
43
      "display_name": "Publicaciones", 
            
44
      "id": "8be672a5-4640-455e-a4f3-46b52b66c07b", 
44
      "id": "8be672a5-4640-455e-a4f3-46b52b66c07b", 
            
45
      "image_display_url": "", 
45
      "image_display_url": "", 
            
46
      "name": "publicaciones", 
46
      "name": "publicaciones", 
            
47
      "title": "Publicaciones"
47
      "title": "Publicaciones"
            
48
    }
48
    }
            
49
  ], 
49
  ], 
            
50
  "id": "eb588416-6afa-4784-9061-bd4205e69f7f", 
50
  "id": "eb588416-6afa-4784-9061-bd4205e69f7f", 
            
51
  "isopen": false, 
51
  "isopen": false, 
            
52
  "license_id": null, 
52
  "license_id": null, 
            
53
  "license_title": null, 
53
  "license_title": null, 
            
54
  "maintainer": null, 
54
  "maintainer": null, 
            
55
  "maintainer_email": null, 
55
  "maintainer_email": null, 
            
56
  "metadata_created": "2025-10-21T08:59:23.803060", 
56
  "metadata_created": "2025-10-21T08:59:23.803060", 
            
n
57
  "metadata_modified": "2025-10-21T08:59:23.803068", 
n
57
  "metadata_modified": "2025-10-21T08:59:24.398505", 
            
58
  "name": "343d058faed3", 
58
  "name": "343d058faed3", 
            
59
  "notes": "State-of-the-art open network visualization tools like 
59
  "notes": "State-of-the-art open network visualization tools like 
            
60
Gephi, KeyLines, and Cytoscape are not suitable for studying street 
60
Gephi, KeyLines, and Cytoscape are not suitable for studying street 
            
61
networks with thousands of roads since they do not support 
61
networks with thousands of roads since they do not support 
            
62
simultaneously polylines for edges, navigable maps, GPU-accelerated 
62
simultaneously polylines for edges, navigable maps, GPU-accelerated 
            
63
rendering, interactivity, and the means for visualizing multivariate 
63
rendering, interactivity, and the means for visualizing multivariate 
            
64
data. To fill this gap, the present paper presents Dash Sylvereye: a 
64
data. To fill this gap, the present paper presents Dash Sylvereye: a 
            
65
new Python library to produce interactive visualizations of primal 
65
new Python library to produce interactive visualizations of primal 
            
66
street networks on top of tiled web maps. Thanks to its integration 
66
street networks on top of tiled web maps. Thanks to its integration 
            
67
with the Dash framework, Dash Sylvereye can be used to develop web 
67
with the Dash framework, Dash Sylvereye can be used to develop web 
            
68
dashboards around temporal and multivariate street data by 
68
dashboards around temporal and multivariate street data by 
            
69
coordinating the various elements of a Dash Sylvereye visualization 
69
coordinating the various elements of a Dash Sylvereye visualization 
            
70
with other plotting and UI components provided by the Dash framework. 
70
with other plotting and UI components provided by the Dash framework. 
            
71
Additionally, Dash Sylvereye provides convenient functions to easily 
71
Additionally, Dash Sylvereye provides convenient functions to easily 
            
72
import OpenStreetMap street topologies obtained with the OSMnx 
72
import OpenStreetMap street topologies obtained with the OSMnx 
            
73
library. Moreover, Dash Sylvereye uses WebGL for GPU-accelerated 
73
library. Moreover, Dash Sylvereye uses WebGL for GPU-accelerated 
            
74
rendering when redrawing the road network. We conduct experiments to 
74
rendering when redrawing the road network. We conduct experiments to 
            
75
assess the performance of Dash Sylvereye on a commodity computer when 
75
assess the performance of Dash Sylvereye on a commodity computer when 
            
76
exploiting software acceleration in terms of frames per second, CPU 
76
exploiting software acceleration in terms of frames per second, CPU 
            
77
time, and frame duration. We show that Dash Sylvereye can offer fast 
77
time, and frame duration. We show that Dash Sylvereye can offer fast 
            
78
panning speeds, close to 60 FPS, and CPU times below 20 ms, for street 
78
panning speeds, close to 60 FPS, and CPU times below 20 ms, for street 
            
79
networks with thousands of edges, and above 24 FPS, and CPU times 
79
networks with thousands of edges, and above 24 FPS, and CPU times 
            
80
below 40 ms, for networks with dozens of thousands of edges. 
80
below 40 ms, for networks with dozens of thousands of edges. 
            
81
Additionally, we conduct a performance comparison against two 
81
Additionally, we conduct a performance comparison against two 
            
82
state-of-the-art street visualization tools. We found Dash Sylvereye 
82
state-of-the-art street visualization tools. We found Dash Sylvereye 
            
83
to be competitive when compared to the state-of-the-art visualization 
83
to be competitive when compared to the state-of-the-art visualization 
            
84
libraries Kepler.gl and city-roads. Finally, we describe a web 
84
libraries Kepler.gl and city-roads. Finally, we describe a web 
            
85
dashboard application that exploits Dash Sylvereye for the analysis of 
85
dashboard application that exploits Dash Sylvereye for the analysis of 
            
86
a SUMO vehicle traffic simulation.", 
86
a SUMO vehicle traffic simulation.", 
            
n
87
  "num_resources": 0, 
n
87
  "num_resources": 1, 
            
88
  "num_tags": 10, 
88
  "num_tags": 10, 
            
89
  "organization": {
89
  "organization": {
            
90
    "approval_status": "approved", 
90
    "approval_status": "approved", 
            
91
    "created": "2022-05-19T00:10:30.480393", 
91
    "created": "2022-05-19T00:10:30.480393", 
            
92
    "description": "Observatorio Metropolitano CentroGeo", 
92
    "description": "Observatorio Metropolitano CentroGeo", 
            
93
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
93
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
94
    "image_url": 
94
    "image_url": 
            
95
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
95
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
            
96
    "is_organization": true, 
96
    "is_organization": true, 
            
97
    "name": "observatorio-metropolitano-centrogeo", 
97
    "name": "observatorio-metropolitano-centrogeo", 
            
98
    "state": "active", 
98
    "state": "active", 
            
99
    "title": "Observatorio Metropolitano CentroGeo", 
99
    "title": "Observatorio Metropolitano CentroGeo", 
            
100
    "type": "organization"
100
    "type": "organization"
            
101
  }, 
101
  }, 
            
102
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
102
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
103
  "private": false, 
103
  "private": false, 
            
104
  "relationships_as_object": [], 
104
  "relationships_as_object": [], 
            
105
  "relationships_as_subject": [], 
105
  "relationships_as_subject": [], 
            
t
106
  "resources": [], 
t
106
  "resources": [
            
107
    {
            
108
      "cache_last_updated": null, 
            
109
      "cache_url": null, 
            
110
      "created": "2025-10-21T08:59:24.436151", 
            
111
      "datastore_active": false, 
            
112
      "description": "State-of-the-art open network visualization 
            
113
tools like Gephi, KeyLines, and Cytoscape are not suitable for 
            
114
studying street networks with thousands of roads since they do not 
            
115
support simultaneously polylines for edges, navigable maps, 
            
116
GPU-accelerated rendering, interactivity, and the means for 
            
117
visualizing multivariate data. To fill this gap, the present paper 
            
118
presents Dash Sylvereye: a new Python library to produce interactive 
            
119
visualizations of primal street networks on top of tiled web maps. 
            
120
Thanks to its integration with the Dash framework, Dash Sylvereye can 
            
121
be used to develop web dashboards around temporal and multivariate 
            
122
street data by coordinating the various elements of a Dash Sylvereye 
            
123
visualization with other plotting and UI components provided by the 
            
124
Dash framework. Additionally, Dash Sylvereye provides convenient 
            
125
functions to easily import OpenStreetMap street topologies obtained 
            
126
with the OSMnx library. Moreover, Dash Sylvereye uses WebGL for 
            
127
GPU-accelerated rendering when redrawing the road network. We conduct 
            
128
experiments to assess the performance of Dash Sylvereye on a commodity 
            
129
computer when exploiting software acceleration in terms of frames per 
            
130
second, CPU time, and frame duration. We show that Dash Sylvereye can 
            
131
offer fast panning speeds, close to 60 FPS, and CPU times below 20 ms, 
            
132
for street networks with thousands of edges, and above 24 FPS, and CPU 
            
133
times below 40 ms, for networks with dozens of thousands of edges. 
            
134
Additionally, we conduct a performance comparison against two 
            
135
state-of-the-art street visualization tools. We found Dash Sylvereye 
            
136
to be competitive when compared to the state-of-the-art visualization 
            
137
libraries Kepler.gl and city-roads. Finally, we describe a web 
            
138
dashboard application that exploits Dash Sylvereye for the analysis of 
            
139
a SUMO vehicle traffic simulation.", 
            
140
      "format": "HTML", 
            
141
      "hash": "", 
            
142
      "id": "01a67e74-f71d-4269-a22a-17685a247f26", 
            
143
      "last_modified": null, 
            
144
      "metadata_modified": "2025-10-21T08:59:24.403493", 
            
145
      "mimetype": null, 
            
146
      "mimetype_inner": null, 
            
147
      "name": "Dash Sylvereye: A WebGL-powered Library for 
            
148
Dashboard-driven Visualization of Large Street Networks", 
            
149
      "package_id": "eb588416-6afa-4784-9061-bd4205e69f7f", 
            
150
      "position": 0, 
            
151
      "resource_type": null, 
            
152
      "size": null, 
            
153
      "state": "active", 
            
154
      "url": 
            
155
esize=100&sortby=pubdate&citation_for_view=b81TvMMAAAAJ:_FxGoFyzp5QC", 
            
156
      "url_type": null
            
157
    }
            
158
  ], 
            
107
  "state": "active", 
159
  "state": "active", 
            
108
  "tags": [
160
  "tags": [
            
109
    {
161
    {
            
110
      "display_name": "2021", 
162
      "display_name": "2021", 
            
111
      "id": "79560db5-a3ce-45a1-80a6-2de3f9c2cf63", 
163
      "id": "79560db5-a3ce-45a1-80a6-2de3f9c2cf63", 
            
112
      "name": "2021", 
164
      "name": "2021", 
            
113
      "state": "active", 
165
      "state": "active", 
            
114
      "vocabulary_id": null
166
      "vocabulary_id": null
            
115
    }, 
167
    }, 
            
116
    {
168
    {
            
117
      "display_name": "3d-rendering", 
169
      "display_name": "3d-rendering", 
            
118
      "id": "c0b8811d-261a-4337-9dcc-5ae6285de8ca", 
170
      "id": "c0b8811d-261a-4337-9dcc-5ae6285de8ca", 
            
119
      "name": "3d-rendering", 
171
      "name": "3d-rendering", 
            
120
      "state": "active", 
172
      "state": "active", 
            
121
      "vocabulary_id": null
173
      "vocabulary_id": null
            
122
    }, 
174
    }, 
            
123
    {
175
    {
            
124
      "display_name": "albertogarob", 
176
      "display_name": "albertogarob", 
            
125
      "id": "b079b3e9-8dbb-4423-88fb-f095153d314a", 
177
      "id": "b079b3e9-8dbb-4423-88fb-f095153d314a", 
            
126
      "name": "albertogarob", 
178
      "name": "albertogarob", 
            
127
      "state": "active", 
179
      "state": "active", 
            
128
      "vocabulary_id": null
180
      "vocabulary_id": null
            
129
    }, 
181
    }, 
            
130
    {
182
    {
            
131
      "display_name": "computer-graphics-images", 
183
      "display_name": "computer-graphics-images", 
            
132
      "id": "2e18beac-f73f-4942-afb3-8161456bd41d", 
184
      "id": "2e18beac-f73f-4942-afb3-8161456bd41d", 
            
133
      "name": "computer-graphics-images", 
185
      "name": "computer-graphics-images", 
            
134
      "state": "active", 
186
      "state": "active", 
            
135
      "vocabulary_id": null
187
      "vocabulary_id": null
            
136
    }, 
188
    }, 
            
137
    {
189
    {
            
138
      "display_name": "computer-science", 
190
      "display_name": "computer-science", 
            
139
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
191
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
            
140
      "name": "computer-science", 
192
      "name": "computer-science", 
            
141
      "state": "active", 
193
      "state": "active", 
            
142
      "vocabulary_id": null
194
      "vocabulary_id": null
            
143
    }, 
195
    }, 
            
144
    {
196
    {
            
145
      "display_name": "dash", 
197
      "display_name": "dash", 
            
146
      "id": "e41e669d-e3a1-4afc-9363-fb80dce5ae26", 
198
      "id": "e41e669d-e3a1-4afc-9363-fb80dce5ae26", 
            
147
      "name": "dash", 
199
      "name": "dash", 
            
148
      "state": "active", 
200
      "state": "active", 
            
149
      "vocabulary_id": null
201
      "vocabulary_id": null
            
150
    }, 
202
    }, 
            
151
    {
203
    {
            
152
      "display_name": "opengl", 
204
      "display_name": "opengl", 
            
153
      "id": "f187b379-c323-4fc3-81fb-df3693145af5", 
205
      "id": "f187b379-c323-4fc3-81fb-df3693145af5", 
            
154
      "name": "opengl", 
206
      "name": "opengl", 
            
155
      "state": "active", 
207
      "state": "active", 
            
156
      "vocabulary_id": null
208
      "vocabulary_id": null
            
157
    }, 
209
    }, 
            
158
    {
210
    {
            
159
      "display_name": "python-programming-language", 
211
      "display_name": "python-programming-language", 
            
160
      "id": "f2cabec5-7e47-4093-84d8-a93088ba0d9c", 
212
      "id": "f2cabec5-7e47-4093-84d8-a93088ba0d9c", 
            
161
      "name": "python-programming-language", 
213
      "name": "python-programming-language", 
            
162
      "state": "active", 
214
      "state": "active", 
            
163
      "vocabulary_id": null
215
      "vocabulary_id": null
            
164
    }, 
216
    }, 
            
165
    {
217
    {
            
166
      "display_name": "rendering-computer-graphics", 
218
      "display_name": "rendering-computer-graphics", 
            
167
      "id": "6b4242c4-9ced-4044-a898-182cd1e516ce", 
219
      "id": "6b4242c4-9ced-4044-a898-182cd1e516ce", 
            
168
      "name": "rendering-computer-graphics", 
220
      "name": "rendering-computer-graphics", 
            
169
      "state": "active", 
221
      "state": "active", 
            
170
      "vocabulary_id": null
222
      "vocabulary_id": null
            
171
    }, 
223
    }, 
            
172
    {
224
    {
            
173
      "display_name": "visualization", 
225
      "display_name": "visualization", 
            
174
      "id": "756e3958-c645-4b6f-bc16-b2d7413b6067", 
226
      "id": "756e3958-c645-4b6f-bc16-b2d7413b6067", 
            
175
      "name": "visualization", 
227
      "name": "visualization", 
            
176
      "state": "active", 
228
      "state": "active", 
            
177
      "vocabulary_id": null
229
      "vocabulary_id": null
            
178
    }
230
    }
            
179
  ], 
231
  ], 
            
180
  "title": "Dash Sylvereye: A WebGL-powered Library for 
232
  "title": "Dash Sylvereye: A WebGL-powered Library for 
            
181
Dashboard-driven Visualization of Large Street Networks", 
233
Dashboard-driven Visualization of Large Street Networks", 
            
182
  "type": "dataset", 
234
  "type": "dataset", 
            
183
  "url": 
235
  "url": 
            
184
esize=100&sortby=pubdate&citation_for_view=b81TvMMAAAAJ:_FxGoFyzp5QC", 
236
esize=100&sortby=pubdate&citation_for_view=b81TvMMAAAAJ:_FxGoFyzp5QC", 
            
185
  "version": null
237
  "version": null
            
186
}
238
}