Download to read offline
![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.](https://image.slidesharecdn.com/random-140129141752-phpapp02-0fce39/75/slide-37-2048.jpg)
![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-](https://image.slidesharecdn.com/random-140129141752-phpapp02-0fce39/75/slide-38-2048.jpg)
![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.](https://image.slidesharecdn.com/random-140129141752-phpapp02-0fce39/75/slide-39-2048.jpg)
![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,](https://image.slidesharecdn.com/random-140129141752-phpapp02-0fce39/75/slide-40-2048.jpg)
![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](https://image.slidesharecdn.com/random-140129141752-phpapp02-0fce39/75/slide-41-2048.jpg)
![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](https://image.slidesharecdn.com/random-140129141752-phpapp02-0fce39/75/slide-42-2048.jpg)
борисенкова методы визуализации для анализа зависящих от времени данных
- 1. Методы визуализации дляанализа 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. 2 План доклада: ● введение ● обзор визуализационныхметодов представления данных ● обзор аналитических методов обработки данных ● обзор методов с привлечением пользователя ● заключение
- 3. 3 Три основных частипроцесса представления данных: ● Визуализация данных ● Анализ данных ● Внесение корректировок пользователем
- 4. 4 Основные особенности зависящих отвремени 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. 5 План доклада ● введение ● обзор визуализационныхметодов представления данных ● обзор аналитических методов обработки данных ● обзор методов с привлечением пользователя ● заключение
- 6. 6 Способы и концепции представлениявремени ● 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. 7 Следует подчеркнуть, что метод, разработанныйдля 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. 8 Повторяющееся время: спиральный граф обнаружениеранее незамеченного периодического поведения данных
- 9. 9 Что плохо ипочему 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.
- 11. 11 2D TimeWheel и3D TimeWheel
- 12. 12 Что плохо ипочему плохо TimeWheel полезно только для многомерных данных с дискретным временем Данные с интервальным временем не могут быть представлены
- 13.
- 14.
- 15. 15 План доклада ● введение ● обзор визуализационныхметодов представления данных ● обзор аналитических методов обработки данных ● обзор методов с привлечением пользователя ● заключение
- 16. 16 Keim’s Visual AnalyticsMantra «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. 17 Методы, которыми проиллюстрируем важность Keim’sMantra ● концепция абстракции зависящих от времени данных ● анализ главных компонент ● кластеризация
- 18. 18 Концепция абстракции зависящих отвремени 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. 19 Абстракция временных данных: триэтапа 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. 20 Красная область изображаетсглаженную кривую, синие прямоугольники представляют временные интервалы устойчивых качественных значений, черная кривая – изначальные данные.
- 21. 21 Выделение основных компонент Изсырых 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. 22 Что плохо ипочему плохо 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. 23 Число летних днейс максимальной дневной температурой выше 20C (синий), выше 25 C (фиолетовый), выше 30 C (зеленый), со среднесуточной температурой (желтый) и с максимальной (белый).
- 24.
- 25.
- 26. 26 План доклада ● введение ● обзор визуализационныхметодов представления данных ● обзор аналитических методов обработки данных ● обзор методов с привлечением пользователя ● заключение
- 27. 27 Анализ с привлечением пользователяпри 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. 28 Что же хочетувидеть 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. 29 Обнаружение события ● Переменные втак 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. 30 Учет пожеланий пользователя привизуализации 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. 31 «Выбрать дни сбольшим числом заражений» Формула: {x | x.flu ≥ 300}
- 32. 32 Что плохо ипочему плохо Не подходит для автоматического выявления событий в данных, если пользователь не представляет, что же именно искать
- 33. 33 План доклада ● введение ● обзор визуализационныхметодов представления данных ● обзор аналитических методов обработки данных ● обзор методов с привлечением пользователя ● заключение
- 34.
- 35.
- 36. 36 REFERENCES Visual Methods forAnalyzing Time-Oriented Data by Wolfgang Aigner, Silvia Miksch, Wolfgang Muller, Heidrun Schumann, and Christian Tominski
- 37. 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.
- 38. 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-
- 39. 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.
- 40. 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,
- 41. 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
- 42. 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
- 43. 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.
- 44. 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.
- 45. 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