[Back]

M. Bögl:
"Visual Analytics for Time Series Analysis";
Supervisor: P. Filzmoser, S. Miksch, T. Lammarsch; Institut für Statistik und Wahrscheinlichkeitstheorie, 2013; final examination: 2013-02-28.

Time series analysis is a challenging task performed by domain experts in various fields, such as epidemiology, medical signal processing, neurophysiology, environmental sciences, and some research fields where biological data is analyzed. Time series for these fields are often unequally spaced and occasionally include missing values, while standard methods for time series analysis often require equally spaced time series without missing values. To enable the application of the standard methods for model selection in the time domain, such as the Box-Jenkins methodology, these time series therefore have to be transformed. However, the statistical software tools that implement the methods and models for time series analysis lack the adequate intuitive and interactive visual interfaces to support the user with the transformation, imputation, the seamless integration of this time series modifications into the workflow of model selection, and the workflow itself. The goal of this thesis is to overcome these problems by investigating and identifying appropriate Visual Analytics methods for the problem domain, use the findings to design a Visual Analytics process and implement this process in a prototype. The evaluation of the results is done by applying the prototype to an example time series following defined use case scenarios. The evaluation shows that Visual Analytics is a way to overcome the problems mentioned above and to support the user with interactive visualizations and short feedback cycles in the process of time series transformation and model selection.

Zeitreihenanalyse wird von Experten vieler Forschungsdisziplinen durchgeführt. Sie kommt unter anderem in der Epidemiologie, der medizinischen Signalverarbeitung, der Neurophysiologie, den Umweltwissenschaften und bei Anwendungen mit biologischen Daten zum Einsatz. Zeitreihen sind in diesen Bereichen häufig nicht äquidistant oder enthalten fehlende Werte, wobei Standardmethoden meist äquidistante Zeitreihen ohne fehlende Werte voraussetzen. Um hier dennoch eine Anwendung der Methoden, wie etwa der Box-Jenkins Methode, zu ermöglichen, müssen die Zeitreihen transformiert werden. Gängige Softwaretools für Zeitreihenanalyse, die solche Methoden und Modelle implementieren, verfügen oft nur über eine mangelhafte Unterstützung durch intuitive und interaktive visuelle Darstellungen für die Aufgaben der Transformation, der Imputation, der nahtlosen Integration im Prozess der Modellselektion sowie der Box-Jenkins Methode. Ziel der vorliegenden Arbeit ist es, diese Schwachpunkte auszugleichen, indem Visual Analytics Methoden im Problemfeld untersucht und identifiziert werden, anhand der gewonnenen Erkenntnisse ein Visual Analytics Prozess formuliert und als Prototyp implementiert wird. Zur anschließenden Evaluierung wird der Prototyp für definierte Anwendungsfälle mit Hilfe von Beispieldaten getestet. Die Szenarien zeigen, dass Visual Analytics Methoden zur Lösung der beschriebenen Probleme geeignet sind und den Benutzer/die Benutzerin zusätzlich mit interaktiven Visualisierungen und kurzen Feedbackzyklen bei der Problemstellung von Zeitreihen-Transformation und Modellselektion unterstützen können.

http://publik.tuwien.ac.at/files/PubDat_226297.pdf

Project Head Silvia Miksch:
CVAST: Centre for Visual Analytics Science and Technology (Laura Bassi Centre of Expertise)

Project Head Silvia Miksch:
HypoVis: Modellierung von Hypothesen mit Visual Analytics Methoden zur Analyse der Vergangenheit und der Vorhersage der Zukunft