• Keine Ergebnisse gefunden

Thema:7. Zeitabhängige Daten Informations-visualisierung

N/A
N/A
Protected

Academic year: 2021

Aktie "Thema:7. Zeitabhängige Daten Informations-visualisierung"

Copied!
42
0
0

Wird geladen.... (Jetzt Volltext ansehen)

Volltext

(1)

Informations- visualisierung

Thema: 7. Zeitabhängige Daten Dozent: Dr. Dirk Zeckzer

zeckzer@informatik.uni-leipzig.de Sprechstunde: nach Vereinbarung

Umfang: 2

Prüfungsfach: Modul Fortgeschrittene Computergrafik

(2)

Übersicht

7. Zeitabhängige Daten

7.1 Klassifikation 7.2 Darstellungen

(3)

7. Zeitabhängige Daten

Wolgang Eigner, Silvia Miksch, Heidrun Schumann, Christian

Tominski, Visualization of Time-Oriented Data, Springer, 2010.

(4)

7. Zeitabhängige Daten

 Eine zufällige Auswahl von 4000 Graphen aus 15 Tageszeitungen und Magazinen zwischen 1974 und 1980 ergab, dass 75% dieser Graphen Zeitreihen waren [Tuf1:28f].

 Jedes Datenobjekt ist ein Ereignis in der Zeit

 Nutzen wir unser bisheriges Wissen, so können wir Zeitreihen bereits darstellen

Zeitpunkte werden als zusätzliches Attribut betrachtet

 Dieser Ansatz ist jedoch sehr oft unzureichend, weil besondere Fragen auftreten

(5)

7. Zeitabhängige Daten

Spezifische Fragen [MacEachran ‘95]

 Existenz

Existiert ein Objekt zu einem bestimmten Zeitpunkt?

 Zeit

Wann existiert ein Objekt?

 Zeitintervalle

Für welchen Zeitraum existiert ein Objekt?

 Grad der Veränderung

Wie schnell und wie sehr ändert sich ein Objekt?

(6)

7. Zeitabhängige Daten

Spezifische Fragen [MacEachran ‘95]

 Reihenfolge

In welcher Reihenfolge erscheinen und verschwinden Objekte?

 Zeitmuster

Wie oft und in welchem Rhythmus erscheint und verschwindet ein Objekt?

 Gleichzeitigkeit

Welche Objekte existieren zur gleichen Zeit?

(7)

7.1 Klassifikation

Ordinale Zeit – Diskrete Zeit – Kontinuierliche Zeit

Ordinale Zeit: geordnete, qualitative Zeitachse

Diskrete Zeit: quantitative Zeitachse, Integer Skala

Kontinuierliche Zeit: quantitative Zeitachse, Reelle Skala

Diskrete Zeitpunkte – Zeitintervalle

Diskret: Zeitpunkte ohne Dauer

Intervall: Zeitintervalle (Tage, Jahre, …)

(8)

7.1 Klassifikation

Lineare Zeit – zyklische Zeit

Linear: Ereignisse bewegen sich von einem Startpunkt in der Vergangenheit zu einem Endpunkt in der Zukunft in linearer Ordnung

Zyklisch: Wiederkehrende Ereignisse (Wochentage, Jahreszeiten, …)

Geordnete Zeit – verzweigende Zeit

Geordnet: Ereinisse passieren nacheinander

Verzweigung: Es gibt alternative Ereignisse basierend auf Entscheidungen

Jeder Typ hat seine eigene, angepasste visuelle Darstellung

(9)

7.2 Darstellungen

Es gibt eine ganze Reihe von visuellen Darstellungen, die speziell für Zeitreihen entwickelt wurden

2D und 3D

Statisch und dynamisch (Animationen)

Uni-, Bi-, Tri-, und Multivariat

Daten getrieben

Sofortige Darstellung der Objekte

Ereignis getrieben

Es werden nur wichtige Änderungen angezeigt

(10)

7.2 Darstellungen

Standard sind 2D-Liniengraphen, bei denen die Zeit auf der x-Achse und die Variable auf der y-Achse plaziert werden

[Inspired by a lecture of J. Stasko]

(11)

7.2 Darstellungen

Zusätzlich werden häufig Kreis- und Spiralförmige Darstellungen verwendet

[http://pubs.usgs.gov/gip/geotime/time.html]

[W. Müller, H. Schumann, Visualization for modeling and simulation: visualization methods for time-dependent data - an overview, In Proceedings of the 35th conference on Winter simulation: driving innovation (WSC '03).

Winter Simulation Conference 737-745.]

(12)

7.2 Darstellungen

Schon sehr früh wurden InfoVis Techniken verwendet, zum Beispiel parallele Koordinaten

[W. Müller, H. Schumann, Visualization for

modeling and simulation: visualization methods for time-dependent data - an overview, In Proceedings of the 35th conference on Winter simulation: driving innovation (WSC '03). Winter Simulation

Conference 737-745.]

(13)

7.2 Darstellungen

Spiral Calendar [Mackinlay, J. D., Robertson, G. G. and DeLine, R, Developing Calendar Visualizers for the Information Visualizer. UIST, 1994]

(14)

7.2 Darstellungen

Calendar View [van Wijk and van Selow, Cluster- and Calendar-based Visualization of Time Series Data, IEEE InfoVis 1999]

(15)

7.2 Darstellungen

People Garden [Rebecca Xiong, Judith Donath, PeopleGarden: Creating Data Portraits for Users, UIST, 1999]

(16)

7.2 Darstellungen

People Garden [Rebecca Xiong, Judith Donath, PeopleGarden: Creating Data Portraits for Users, UIST, 1999]

(17)

7.2 Darstellungen

Theme River [Susan Havre, Beth Hetzler, and Lucy Nowell. ThemeRiver: Visualizing Theme Changes over Time, IEEE InfoVis, 2000]

(18)

7.2 Darstellungen

Arc Diagrams

[Martin Wattenberg, Arc Diagrams: Visualizing

Structure in Strings, IEEE InfoVis, 2002]

(19)

7.2 Darstellungen

Multi-Scale Temporal Behavior

[Milton H. Shimabukuro, Edilson F. Flores, Maria Cristina F. de Oliveira, Haim Levkowitz,

Coordinated Views to Assist Exploration of

Spatio-Temporal Data: a Case Study, IEEE CMV, 2004]

(20)

7.2 Darstellungen

Multi-Scale Temporal Behavior

[Milton H. Shimabukuro, Edilson F. Flores, Maria Cristina F. de Oliveira, Haim Levkowitz,

Coordinated Views to Assist Exploration of

Spatio-Temporal Data: a Case Study, IEEE CMV, 2004]

(21)

7.2 Darstellungen

VIS-STAMP

[Diansheng GuoJin Chen, Alan M. MacEachren, and Ke Liao, Visualization System for Space- Time and Multivariate Patterns (VIS-STAMP), TVCG Vol. 12(6), 2006]

(22)

7.2 Darstellungen

VIS-STAMP [Diansheng GuoJin Chen, Alan M. MacEachren, and Ke Liao, Visualization System for Space-Time and Multivariate Patterns (VIS-STAMP), TVCG Vol. 12(6), 2006]

(23)

7.2 Darstellungen

VIS-STAMP

[Diansheng GuoJin Chen, Alan M. MacEachren, and Ke Liao, Visualization System for Space- Time and Multivariate Patterns (VIS-STAMP), TVCG Vol. 12(6), 2006]

(24)

7.2 Darstellungen

VIS-STAMP

[Diansheng GuoJin Chen, Alan M. MacEachren, and Ke Liao, Visualization System for Space- Time and Multivariate Patterns (VIS-STAMP), TVCG Vol. 12(6), 2006]

(25)

7.2 Darstellungen

VIS-STAMP

[Diansheng GuoJin Chen, Alan M. MacEachren, and Ke Liao, Visualization System for Space- Time and Multivariate Patterns (VIS-STAMP), TVCG Vol. 12(6), 2006]

(26)

7.2 Darstellungen

[W. Javed, Stack Zooming for Multi-Focus Interaction in Time-Series Data Visualization, PacificVis 2010]

(27)

7.2 Darstellungen

Spiral Graphs [John V. Carlis and Joseph A. Konstan. Interactive Visualization of Serial Periodic Data, UIST, 1998]

2D 3D

(28)

7.2 Darstellungen

TimeWheel (Introduced by Tominski et al., SAC ’04)

[W. Müller, H. Schumann,

Visualization for modeling and simulation: visualization

methods for time-dependent data - an overview, In

Proceedings of the 35th

conference on Winter simulation:

driving innovation (WSC '03).

Winter Simulation Conference 737-745.]

(29)

7.2 Darstellungen

MultiCombs (Introduced by Tominski et al., SAC ’04)

[W. Müller, H. Schumann,

Visualization for modeling and simulation: visualization

methods for time-dependent data - an overview, In

Proceedings of the 35th

conference on Winter simulation:

driving innovation (WSC '03).

Winter Simulation Conference 737-745.]

(30)

7.2 Darstellungen

Lexis Pencils (Introduced by Brian et al., AGOCG ’97)

[W. Müller, H. Schumann,

Visualization for modeling and simulation: visualization

methods for time-dependent data - an overview, In

Proceedings of the 35th

conference on Winter simulation:

driving innovation (WSC '03).

Winter Simulation Conference 737-745.]

(31)

7.2 Darstellungen

Wakame [C. Forlines, K. Wittenburg, Wakame:

Sense Making of Multi-Dimensional Spatial- Temporal Data, ACM AVI, 2010]

(32)

7.2 Darstellungen

Wakame [C. Forlines, K. Wittenburg, Wakame: Sense Making of Multi-Dimensional Spatial-Temporal Data, ACM AVI, 2010]

(33)

7.2 Darstellungen

Wakame [C. Forlines, K. Wittenburg, Wakame: Sense Making of Multi-Dimensional Spatial-Temporal Data, ACM AVI, 2010]

(34)

7.2 Darstellungen

Wakame [C. Forlines, K. Wittenburg, Wakame: Sense Making of Multi-Dimensional Spatial-Temporal Data, ACM AVI, 2010]

(35)

7.2 Darstellungen

Wakame [C. Forlines, K. Wittenburg, Wakame: Sense Making of Multi-Dimensional Spatial-Temporal Data, ACM AVI, 2010]

(36)

7.2 Darstellungen

Wakame [C. Forlines, K. Wittenburg, Wakame: Sense Making of Multi-Dimensional Spatial-Temporal Data, ACM AVI, 2010]

(37)

7.2 Darstellungen

Data Vases [Sidharth Thakur and Theresa-Marie Rhyne: Data Vases: 2D and 3D Plots for Visualizing Multiple Time Series, ISVC, 2009]

(38)

7.2 Darstellungen

Data Vases [Sidharth Thakur and Theresa-Marie Rhyne: Data Vases: 2D and 3D Plots for Visualizing Multiple Time Series, ISVC, 2009]

(39)

7.2 Darstellungen

Data Vases [Sidharth Thakur and Theresa-Marie Rhyne: Data Vases: 2D and 3D Plots for Visualizing Multiple Time Series, ISVC, 2009]

(40)

7.2 Darstellungen

Data Vases [Sidharth Thakur and Theresa-Marie Rhyne: Data Vases: 2D and 3D Plots for Visualizing Multiple Time Series, ISVC, 2009]

(41)

7.2 Darstellungen

Helix Icons [C. Tominski, P. Schulze-Wollgast, H. Schumann, 3D Information Visualization for Time Dependent Data on Maps, IV, 2005.]

(42)

7.2 Darstellungen

[Poonam Shanbhag, Penny Rheingans, Marie desJardins, Temporal Visualization of Planning Polygons for Ecient Partitioning of Geo-Spatial Data, InfoVis, 2005.]

Referenzen

ÄHNLICHE DOKUMENTE

Heterogeneous data, time series analysis, frequent financial data analysis, text document analysis, interest point detection, interesting interval patterns, hybrid temporal

Hence, we introduce variable scaling parame- ters and measure the Euclidean distance of the scaled data object to the prototypes rather than the distance between the unscaled

In the example shown, 10 samples are grouped using 3 clusters; the first row shows the 3-cluster representatives, and the time series (already scaled) Figure 4.. Ten time series

Figure 1: Importance-driven layout of 24 stock price time series with favorable aspect ratios and high overall regularity generated by our algorithm (Section 4). Size and position of

In this paper, we presented two techniques and applications that support analyzing large amounts of financial time series data on different hierarchy levels, from single assets

Alternative: Permutation test; more computer intensive but more precise.. Mosaic plot

Alternative: Permutation test; more computer intensive but more precise.. Mosaic plot

■ Influential point: points with large influence on the regression coefficients. ■ Influence = Leverage