HypoVis

Zeitorientierte Daten sind bei vielen Problemen, wie z.B. aus den Bereichen Gewerbe, Medizin oder Ökologie, allgegenwärtig. Daher sind Methoden, mit denen zeitorientierte Daten analysiert werden können, sehr wichtig. Ein relativ neuer Ansatz, um Probleme der Datenanalyse zu lösen, ist Visual Analytics. Die analytischen Fähigkeiten automatisierter Systeme werden mit der Fähigkeit menschli-cher BenutzerInnen, Schlussfolgerungen anzustellen, kombiniert, indem man interaktive Visualisie-rung anwendet. Das endgültige Ziel ist es, neue Erkenntnisse aus den vorhandenen Daten zu gewin-nen. Dazu wurde eine Reihe von wichtigen Zwischenschritten definiert, die beschreiben, wie dieses Ziel erreicht werden kann. Momentan besteht die Disziplin hauptsächlich aus zwei Strängen: Der erste liefert Einblicke basierend auf wissenschaftlichen Modellen, die von automatisierten Systemen gene-riert werden. Der zweite liefert Einblicke basierend auf Hypothesen, mit mittels interaktiver Visuali- sierungen aufgestellt werden. In vielen gängigen Systemen sind diese beiden Stränge kaum miteinan-der verbunden. Indem man die Stränge kombiniert und interaktiv verflicht, könnte man die analyti-schen Möglichkeiten der heute verfügbaren Methoden wesentlich verbessern. Unser Ziel ist die Ent-wicklung eines Systems, das die Formulierung wissenschaftlicher Modelle in einem übergreifenden Visual-Analytics-Prozess unterstützt. Diese Modelle sollen dann für Datenanalyse und Vorausberech-nungen verwendet werden. Der wichtigste Teil unserer Arbeit ist die Modelldefinition, für die wir interaktive Visualisierungen verwenden wollen. Um dieses Ziel zu erreichen, schlagen wir ein Daten-modell vor, das Informationen in einer Form beinhalten kann, die von verschiedenen Schritten des Vi-sual-Analytics-Prozesses gleichermaßen verwendet werden kann. So gehen wir weg von verschiede-nen abgetrennten Prozessträngen, hin zu einem interaktiven und iterativen Prozess, der in einem inte-grierten System abläuft. Wir konzentrieren uns bei der Definition des Datenmodells auf den wichtigen Sonderfall zeitorientier-ter Daten. Probleme, die zeitorientierte Daten beinhalten, brauchen besondere Aufmerksamkeit, da Zeitdaten sich von anderen Datentypen unterscheiden. Zeit hat eine inhärente Struktur, die man vor al-lem am Kalenderaspekt erkennen kann, der sich darin zeigt, dass Zeit aus kleineren Granularitäten zu-sammengesetzt ist, wie z.B. Jahre oder Jahreszeiten. Da diese Granularitäten natürliche und soziale Aspekte beeinflussen, die man dann in den Daten wiederfinden kann, können deutlich mehr Informa-tionen gewonnen werden, wenn man die Struktur der Zeit in den Datenanalysemethoden explizit aus-nutzt. Daher ist es unser Ziel, die Struktur der Zeit in unserem Datenmodell aufzunehmen, um ihre Verwendung in unserem Visual-Analytics-System zu vereinfachen.

Ziel des Projektes HypoVis war es, mit Visual-Analytics-Methoden Hypothesen zu formulieren und sie zu validieren. Es gibt deutliche Unterschiede bei Hypothesen. Sie können lokal formuliert sein (z.B. ein sehr hohes Verkehrsaufkommen am Nachmittag kann sich kontinuierlich verringern oder aber es kann am späten Abend noch einmal zu einer kurzzeitigen Erhöhung kommen. In beiden Situationen kommt es zu einem starken Abfall bis Mitternacht.) Hypothesen können auch eine globale Aussage darstellen (z.B. die Daten aus dieser Zeitserie können mit dem folgenden statistischen Modell approximiert werden: ). Hypothesen sind zu Beginn oft nur eine Idee der Analysierenden. Zur Validierung muss man sie als Datenstruktur modellieren. Dazu entwickelten wir einen Forschungsprototypen: TimeBench (Beispiele, Dokumentation, und Quelltext werden unter http://www.timebench.org zur Verfügung gestellt). Die Hauptergebnisse von HypoVis sind Visual-Analytics-Prototypen, die mit verschiedenen Hypothesen und Modellen umgehen können, wobei TimeBench verwendet wird: (a) In einer Reimplementierung der GROOVE-Visualisierung verbesserten wir die Farbraumberechnung und die Flexibilität in Hinblick auf Kalenderaspekte und die Position von Pixeln. Außerdem wurde der stark modular aufgebaute Quelltext bereits in verschiedenen anderen Visual-Analytics-Lösungen wiederverwendet. (b) Um Modelle zu zeigen, die mittels eines I-Apriori-Algorithmus zum Suchen von Mustern entdeckt wurden, können verschiedene Visualisierungen verwendet werden, darunter eine erweiterte Version des Arc Diagrams. Die Version aus HypoVis kann auch Ereignisse variabler Längen anzeigen. Diese werden automatisch anhand der zugrundeliegenden Daten bestimmt und entsprechend in der Visualisierung gezeigt. (c) Unser neuartiges Datenmodell kann auch mit Unsicherheit umgehen, wie z.B. unbestimmten Intervallen, die einen frühesten und einen spätesten Beginn haben, gleiches für das Ende, und eine minimale und maximale Dauer. TimeBench kann diese Datenstruktur direkt in eine PlanningLines-Visualisierung übersetzen. TimeBench wird auch stetig mit Schnittstellen zu aktueller Software erweitert. Es verfügt bereits über eine Schnittstelle zur Programmiersprache und Statisikumgebung R. Die Schnittstelle wird verwendet um von BenutzerInnen geführte Selektion von SARIMA-Modellen mittels interaktiver visueller Schnittstellen zu ermöglichen. Unsere Veröffentlichungen: 7 Zeitschriftenartikel, 1 Konferenzbeiträge, 7 Workshop-Beiträge, 2 Poster, 1 Buchbeitrag, 3 eingeladene Veröffentlichungen, 5 Diplomarbeiten und 3 Bachelorarbeiten.