[Back]

W. Aigner:
"Interactive Visualization and Data Analysis: Visual Analytics With a Focus on Time";
Vienna University of Technology, Faculty of Informatics, 2013.

The increasing amounts of data available offer great opportunities to promote technological progress and business success in many domains. However, the possible ways of collecting and storing data are increasing at a faster rate than our ability to analyze data and use it for decision making. Visual Analytics (VA) is an emerging area of research that addresses this challenge by combining the outstanding visual perception and reasoning capabilities of humans with the strengths of automated data analysis of computers. Thus, it focuses on facilitating the exploration and understanding of large and complex datasets by intertwining interactive visualization, automated data analysis, and human-computer interaction.
Time is an exceptional dimension that is common to many application domains such as medicine, engineering, science, or business. Due to the distinct characteristics of time, appropriate visual and automated methods are required to explore trends, patterns, and relationships.
The main objective of the research presented in this thesis is to account for the complex structure of time in Visual Analytics. From a methodological perspective the research is driven by the principles of human-centered design and development. More specifically, the presented research describes contributions on intertwining visual and automated methods (novel methods that closely integrate both), managing and analyzing specialized data types (time-oriented and categorical data), guiding the designers of VA systems (methodological framework and layout of the design space), scalability of VA methods (analysis of large contingency tables), infrastructure (software library to support visualization evaluation), and evaluation (empirical evidence on the effectiveness of visualization methods). These results are significant contributions to a number of research challenges and are applicable in a variety of domains by allowing a more effective analysis of time-oriented and categorical data.

Menge und Komplexität der uns zur Verfügung stehenden Daten steigen in immer größerem Ausmaß. Obwohl diese Datenfülle völlig neue Möglichkeiten sowohl für den technischen Fortschritt als auch den wirtschaftlichen Erfolg öffnet, können die Methoden um Daten zu analysieren und Entscheidungsprozesse zu unterstützen nicht mit dem rasanten Datenzuwachs Schritt halten. Visual Analytics (VA) stellt sich als aufstrebende Forschungsdisziplin dieser Herausforderung. Die Kernidee ist die hervorragenden kognitiven Fähigkeiten des Menschen im Umgang mit visuellen Sinneseindrücken mit den enormen automatischen Verarbeitungsmöglichkeiten von Computersystemen zu verknüpfen. Dabei sollen große und komplexe Datenmengen verständlich gemacht und die Gewinnung neuer Erkenntnisse erleichtert werden. Im Mittelpunkt steht also eine symbiotische Kombination von interaktiver Visualisierung, automatischer Datenanalyse und Mensch-Maschine-Interaktion.
Zeit als komplexe Datendimension spielt in vielen Anwendungsgebieten eine wichtige Rolle. Deren inhärente Charakteristika machen allerdings spezielle Methoden zur Visualisierung und Datenanalyse notwendig, um das Erkennen von Trends, Mustern und Beziehungen zu ermöglichen. Die vorliegende Arbeit hat sich zum Ziel gesetzt, der komplexen Struktur von Zeit in Visual Analytics Rechnung zu tragen und dabei einen methodisch nutzerInnenzentrierten Ansatz zu verfolgen.
Konkret trägt die Forschung zur Verflechtung von visuellen und automatischen Methoden (neue Methoden, die beides integrieren), dem Management und der Analyse von spezialisierten Datentypen (zeitorientierte und kategorische Daten), der Anleitung von Designern von VA Systemen (methodisches Framework und Beschreibung der Gestaltungsmöglichkeiten), der Skalierbarkeit von VA Methoden (Analyse von großen Kontingenztabellen), Infrastruktur (Software Bibliothek zur Unterstützung der Evaluierung von Visualisierungen), sowie Evaluierung (empirische Belege über die Effektivität von Visualisierungsmethoden) bei. Die beschriebenen Ergebnisse leisten einen wertvollen Beitrag zu einer Reihe an wissenschaftlichen Herausforderungen in Visual Analytics. Sie ermöglichen eine effektivere Analyse von zeitorientierten und kategorischen Daten und können in vielen Anwendungsbereichen eingesetzt werden.

Visual Analytics, time-oriented data, visualization, data analysis, information visualization

http://publik.tuwien.ac.at/files/PubDat_227076.pdf