борисенкова методы визуализации для анализа зависящих от времени данных

Методы визуализации для анализа зависящих от времени данных

(Visual Methods for Analyzing Time-Oriented Data

Wolfgang Aigner, Silvia Miksch, Wolfgang Muller, Heidrun Schumann, and Christian Tominski)

Перевод – Борисенкова А., 424.

2

План доклада:

● введение● обзор визуализационных методов

представления данных● обзор аналитических методов обработки

данных● обзор методов с привлечением

пользователя● заключение

3

Три основных части процесса представления данных:

● Визуализация данных

● Анализ данных ● Внесение

корректировок пользователем

4

Основные особенности зависящих от времени данных

Данных обычно много

И у них много параметров, которые меняются со временем

И если это всё визуализировать, то экран будет переполнен информацией, среди которой можно потеряться

Надо что-то отбросить или скрыть

5

План доклада





6

Способы и концепции представления времени

● Линейное и повторяющееся время● Интервалы времени или дискретные точки● Упорядоченное время или представленное в

виде дерева время или время, воспринимаемое с нескольких точек зрения

(Большинство способов визуализации использует линейное время)

7

Следует подчеркнуть, что метод, разработанный для определенного вида данных, не должен применяться для визуализации другого вида данных.

Это может привести к невыразительности или неэффективности визуального представления, ошибкам и ложному толкованию

8

Повторяющееся время: спиральный граф

обнаружение ранее незамеченного периодического поведения данных

9

Что плохо и почему плохо

Неисследованные данные – неизвестные параметры – неизвестно, как именно визуализировать

Придется либо посадить пользователя, чтобы тот, заметив периодичность данных, нажал кнопку «стоп»,

...либо разрабатывать аналитические методы анализа данных, что интереснее. Подробнее – далее

10

Линейное время: дискретные точки

TimeWheel

112D TimeWheel и 3D TimeWheel

12


TimeWheel полезно только для многомерных данных с дискретным временем

Данные с интервальным временем не могут быть представлены

13

Интервалы времени: PlanningLines

14

Упорядоченная последовательность временных

точек: ThemeRiver

15



представления данных● обзор аналитических методов

обработки данных● обзор методов с привлечением


16

Keim’s Visual Analytics Mantra

«Analyze First - Show the Important - Zoom and Filter, and Analyze Further - Details on Demand»

Сначала анализируем – показываем важное – приближаем, скрываем незначительное, продолжаем анализировать – если понадобится, покажем детали.

17

Методы, которыми проиллюстрируем важность

Keim’s Mantra

● концепция абстракции зависящих от времени данных

● анализ главных компонент● кластеризация

18

Концепция абстракции зависящих от времени данных

Требуется придумать способ анализа больших объемов всё время пополняющихся данных для упрощения последующей обработки

Создадим абстракцию, которая передает ключевые идеи, подавляя детали

Основная идея заключается в использовании качественных значений или паттернов, а не исходных данных, для дальнейшего анализа или визуализации

Предварительно данные требуется подготовить: оставить только корректные и нужные данные, отсортировать, etc.

19

Абстракция временных данных: три этапа

1) Подготовка данных: исключение данных с ошибками, сортировка

2) Преобразование входных данных в кривую с некоторой дополнительной информацией о распределении данных по этой кривой.

3) Преобразование количественных значений в качественные ("нормальный" или "высокий"), и объединение данных с одинаковыми качественными значениями во временные интервалы.

20

Красная область изображает сглаженную кривую, синие прямоугольники представляют временные интервалы устойчивых качественных значений, черная кривая – изначальные данные.

21

Выделение основных компонент

Из сырых данных выделяем те, которые соответствуют наибольшему разбросу значений, из оставшихся – снова выделяем те, которые соответствуют наибольшему разбросу значений, и так далее.

Алгоритм выделяет компоненты по порядку их значимости, что может помочь уменьшить размерность исходных данных, если она слишком велика.

22


Алгоритм не делает различий между зависимыми и независимыми переменными: все они равноправны. Из-за этого зависимость от времени может быть потеряна

Выход: исключить переменную «время» из рассмотрения, после завершения выделения остальных компонентов объединить время и выделенные компоненты

23

Число летних дней с максимальной дневной температурой выше 20C (синий), выше 25 C (фиолетовый), выше 30 C (зеленый), со среднесуточной температурой (желтый) и с максимальной (белый).

24

Кластеризация: Cluster Calendar View

25

Кластеризация: Rectangular View

26






27

Анализ с привлечением пользователя при помощи

событий Взаимодействие с пользователем предполагает

параметризацию рассмотренных ранее методов визуализации и анализа данных. Большинство современных предназначенных для этого программ имеют интерактивный GUI для задания параметров с помощью, например, ползунков или чекбоксов.

Три шага:● – описание события;● – обнаружение события;● – представление события.

28

Что же хочет увидеть пользователь: описание события

Запрос: «Выбрать три последовательных дня с увеличением заболеваемости гриппом более чем на 15%». {(x, y, z)date | z.flu ≥ y.flu 1.15 ∗&& y.flu ≥ x.flu 1.15}∗

29

Обнаружение события

● Переменные в так или иначе определённой формуле инициализируются конкретными значениями из набора данных● Формула вычисляется в true или false

Процесс вычисления может повлечь большие накладные расходы, так что к выбору используемых алгоритмов вычисления стоит отнестись с вниманием

30

Учет пожеланий пользователя при визуализации данных:

представление событий

● Сообщить, что нашлось что-то, интересующее пользователя

● Выделить интересующие данные среди остальных данных

● Отразить, что же делает данные интересными для пользователя

31

«Выбрать дни с большим числом заражений»

Формула: {x | x.flu ≥ 300}

32


Не подходит для автоматического выявления событий в данных, если пользователь не представляет, что же именно искать

33






34

Дальнейшее развитие методов визуализации

35

Спасибо за внимание!

36

REFERENCES

Visual Methods for Analyzing Time-Oriented Data by Wolfgang Aigner, Silvia Miksch, Wolfgang Muller, Heidrun Schumann, and Christian Tominski

37

REFERENCES

[1] B. Shneiderman, “The Eyes Have It: A Task by Data Type Taxonomy

for Information Visualizations,” in Proc. of the IEEE Symp. on Visual

Languages. IEEE Press, 1996, pp. 336–343.

[2] J. J. Thomas and K. A. Cook, “A Visual Analytics Agenda,” IEEE

Computer Graphics and Applications, vol. 26, no. 1, pp. 10–13, 2006.

[3] E. Hajnicz, Time Structures: Formal Description and Algorithmic Rep-

resentation, ser. Lecture Notes in Computer Science. Berlin: Springer-

Verlag, 1996, no. 1047.

[4] A. U. Frank, “Different Types of “Times” in GIS,” in Spatial and Tem-

poral Reasoning in Geographic Information Systems, M. J. Egenhofer

and R. G. Golledge, Eds. New York: Oxford University Press, 1998.

[5] W. Aigner, “Visualization of Time and Time-Oriented Information: Chal-

lenges and Conceptual Design,” Ph.D. dissertation, Vienna University of

Technology, 2006

38

R EFERENCES

.

[6] I. A. Goralwalla, M. T. Ozsu,

and D. Szafron, “An Object-Oriented

Framework for Temporal Data Models,” in Temporal Databases: Re-

search and Practice, E. et al., Ed. Springer, 1998, pp. 1–35.

[7] W. Muller and H. Schumann, “Visualization Methods for Time-

dependent Data - an Overview,” in Proc. of Winter Simulation 2003,

New Orleans, USA, Dec. 2003.

[8] S. F. Silva and T. Catarci, “Visualization of Linear Time-Oriented Data:

a Survey (Extended version),” Journal of Applied System Studies, vol. 3,

no. 2, 2002.

39

R EFERENCES

[9] M. Weber, M. Alexa, and W. Muller, “Visualizing Time-Series on

Spirals,” in Proc. of the IEEE Symp. on Information Visualization 2001

(InfoVis01), Oct. 2001, pp. 7–14.

[10] J. V. Carlis and J. A. Konstan, “Interactive Visualization of Serial

Periodic Data,” in Proc. of Symposium on User Interface Software and

Technology (UIST), 1998.

[11] K. P. Hewagamage, M. Hirakawa, and T. Ichikawa, “Interactive Visu-

alization of Spatiotemporal Patterns Using Spirals on a Geographical

Map,” in Proceedings of Symposium on Visual Languages (VL), Tokyo,

Japan, 1999.

[12] C. Tominski, J. Abello, and H. Schumann, “Axes-Based Visualizations

with Radial Layouts,” in Proc. of ACM Symp. on Applied Computing.

ACM Press, 2004, pp. 1242–1247.

[13] ——, “Interactive Poster: 3D Axes-Based Visualizations for Time Series

Data,” in Poster Compendium of IEEE Symp. on Information Visualiza-

tion (InfoVis’05), Minneapolis, USA, 2005.

40

R EFERENCES

[14] W. Aigner, S. Miksch, B. Thurnher, and S. Biffl, “PlanningLines: Novel

Glyphs for Representing Temporal Uncertainties and their Evaluation,”

in Proc. of the 9th Intl. Conf. on Information Visualisation (IV05). IEEE

Press, 2005.

[15] C. Plaisant, B. Milash, A. Rose, S. Widoff, and B. Shneiderman,

“LifeLines: Visualizing Personal Histories,” in CHI ’96: Proceedings of

the SIGCHI conference on Human factors in computing systems. ACM

Press, 1996.

[16] L. Chittaro and C. Combi, “Visualizing Queries on Databases of

Temporal Histories: New Metaphors and their Evaluation,” Data and

Knowledge Engineering, vol. 44, no. 2, pp. 239–264, 2003.

[17] S. Havre, E. Hetzler, P. Whitney, and L. Nowell, “ThemeRiver: Vi-

sualizing Thematic Changes in Large Document Collections,” IEEE

Transactions on Visualization and Computer Graphics, vol. 8, no. 1,

pp. 9–20, 2002

41

R EFERENCES

[18] R. L. Harris, Information Graphics: A Comprehensive Illustrated Refer-

ence. Oxford University Press, 1999.

[19] H. Hochheiser, “Interactive Graphical Querying of Time Series and

Linear Sequence Data Sets,” Ph.D. dissertation, University of Maryland,

2003.

[20] H. Doleisch, H. Hauser, M. Gasser, and R. Kosara, “Interactive

Focus+Context Analysis of Large, Time-Dependent Flow Simulation

Data,” Transactions of the Society for Modeling and Simulation Inter-

national, to appear 2007.

[21] J. Lin, E. Keogh, and S. Lonardi, “Visualizing and Discovering Non-

Trivial Patterns in Large Time Series Databases,” Information Visualiza-

tion, vol. 4, no. 2, pp. 61–82, 2005.

[22] D. Keim, “Scaling Visual Analytics to Very Large Data Sets,” Workshop

on Visual Analytics, Darmstadt, June 2005.

42

R EFERENCES

[23] W. J. Clancey, “Heuristic Classification,” Artificial Intelligence, vol. 27,

pp. 289–350, 1985.

[24] J. J. Thomas and K. A. Cook, Illuminating the Path: The Research and

Development Agenda for Visual Analytics. IEEE Press, 2005.

[25] J. Lin, E. Keogh, S. Lonardi, and B. Chiu, “A symbolic representation of

time series, with implications for streaming algorithms,” in Proc. ACM SIGMOD Workshop on Research Issues in Data Mining and Knowledge

Discovery. ACM Press, 2003.

S. Miksch, W. Horn, C. Popow, and F. Paky, “Utilizing Temporal Data

Abstraction for Data Validation and Therapy Planning for Artificially

Ventilated Newborn Infants,” AI in Medicine, vol. 8, no. 6, pp. 543–

576, 1996.

S. Miksch, A. Seyfang, W. Horn, and C. Popow, “Abstracting Steady

Qualitative Descriptions over Time from Noisy, High-Frequency Data,”

in Proc. of the Joint European Conf. on AI in Medicine and Med.

Decision Making (AIMDM’99). Springer, Berlin, 1999, pp. 281–290.

43

R EFERENCES

R. Bade, S. Schlechtweg, and S. Miksch, “Connecting Time-oriented

Data and Information to a Coherent Interactive Visualization,” in Proc.

of the 2004 Conf. on Human Factors in Computing Systems (CHI04).

ACM Press, 2004, pp. 105–112.

J. Lin, E. Keogh, L. Wei, and S. Lonardi, “Experiencing SAX: a Novel

Symbolic Representation of Time Series,” Data Mining and Knowledge

Discovery, 2007, to appear.

I. T. Jolliffe, Principal Component Analysis, 2nd ed., ser. Springer Series

in Statistics. Springer Verlag, New York, 2002.

S. dos Santos and K. Brodlie, “Gaining understanding of multivariate

and multidimensional data through visualization,” Computers & Graph-

ics, vol. 28, pp. 311–325, 2004.

S. Havre, E. Hetzler, and L. Nowell, “ThemeRiver: Visualizing Theme

Changes Over Time,” in Proc. IEEE Symp. on Information Visualization

(InfoVis’00), Salt Lake City, USA, Oct. 2000, pp. 115–123.

T. Nocke, H. Schumann, and U. B

ohm, “Methods for the Visualization

of Clustered Climate Data,” Computational Statistics, vol. 19, no. 1, pp.

75–94, 2004.

44

R EFERENCES

W. Muller, T. Nocke, and H. Schumann, “Enhancing the Visualization

Process with Principal Component Analysis to Support the Exploration

of Trends,” in Proc. of APVIS’06, 2006.

A. K. Jain, M. N. Murty, and P. J. Flynn, “Data clustering: a review,”

ACM Computing Surveys, vol. 31, no. 3, pp. 264–323, 1999.

J. J. van Wijk and E. R. van Selow, “Cluster and Calendar Based

Visualization of Time Series Data,” in Proc. of the IEEE Symp. on

Information Visualization 1999 (InfoVis’99), 1999, pp. 4–9.

T. Nocke, H. Schumann, U. B

ohm, and M. Flechsig, “Information

Visualization Supporting Modeling and Evaluation Tasks for Climate

Models,” in Proc. of Winter Simulation 2003, New Orleans, USA, Dec.

2003.

J. Seo and B. Shneiderman, “A Rank-by-Feature Framework for Interac-

tive Exploration of Multidimensional Data,” Information Visualization,

vol. 4, no. 2, pp. 99–113, 2005.

E. Keogh, H. Hochheiser, and B. Shneiderman, “An Augmented Visual

Query Mechanism for Finding Patterns in Time Series Data,” in Proc.

Fifth International Conference on Flexible Query Answering Systems.

Springer-Verlag, 2002.

45

R EFERENCES

K. Henriksen, J. Sporring, and K. Hornbaek, “Virtual Trackballs Re-

visited,” IEEE Transactions on Visualization and Computer Graphics,

vol. 10, no. 2, pp. 206–216, 2004.

C. Tominski, “Event-Based Visualization for User-Centered Visual Anal-

ysis,” Ph.D. dissertation, University of Rostock, 2006.

S. dos Santos and K. Brodlie, “Gaining understanding of multivariate

and multidimensional data through visualization,” Computers & Graph-

ics, vol. 28, no. 3, pp. 311–325, 2004.

R. Sadri, C. Zaniolo, A. Zarkesh, and J. Adibi, “Expressing and

Optimizing Sequence Queries in Database Systems,” ACM Transactions

on Database Systems, vol. 29, no. 2, pp. 282–318, 2004.

D. H. House, A. S. Bair, and C. Ware, “An Approach to the Perceptual

Optimization of Complex Visualizations,” IEEE Transactions on Visu-

laization and Computer Graphics, vol. 12, no. 4, pp. 509–521, 2006.

Education

борисенкова методы визуализации для анализа зависящих от времени данных