在平行坐标图中集成时间序列图 (Time-Series Plots Integrated in Parallel-Coordinates Displays)

时变的高维数据是一类十分复杂的数据。例如,在模型模拟数据中,通常会预先设置一些(非时变的)输入参数的数值,然后模型模拟会产生一些输出属性,其中有些是非时变的,而有些是时变的。在这些数据中,领域专家通常需要研究输入参数与输出参数、输出参数之间的关系。此时,对时变高维数据进行可视化就变得非常重要了。本篇工作中提出了一种基于平行坐标图的焦点+上下文的可视化方式,通过在平行坐标图的相邻轴之间插入时间序列图来展示时变信息。

通常对于高维数据,我们可以用平行坐标图来展示。但是,当数据同时具有时变属性时,传统的二维展示就变得局限起来。在已有的工作中,若要在平行坐标图中表示时间信息,通常有四类方法。一是将时间作为平行坐标图中的单独一个轴来表示;二是将多个离散的时间步用多个单独的轴来表示;三是平行坐标图本身只展示一个时刻的高位数据,同时通过动画或者滑动块来调节当前时间;四是在多个视图中分别展示高维和时变信息,并将两者在时间维度上关联起来。总起来看,第一类和第二类方法在时间步较多时,分别会导致平行坐标图中的折线与轴的数量过多,从而导致严重的视觉遮挡问题。而后两类方法都依赖于用户的交互与感知来发现数据中的时序相关的信息,可视化本身难以直接给出一个概览图。

本篇工作中提出了一种基于平行坐标图的焦点+上下文的可视化方式,通过在平行坐标图的相邻轴之间插入时间序列图来展示时变信息。图1是本文提出的时间序列消失点图 (Time-Series Vanishing-Point Plot)。这个可视化是基于透视 (perspective) 环境下的,即假设屏幕的横向与纵向分别对应x和y坐标轴,而屏幕向里则为z轴。传统的平行坐标图就绘制在x-y平面上,而时间序列图则绘制在y-z平面上。在时间序列图中,z轴表示时间,时间序列图向远处(屏幕里)延伸,直至消失在消失点 (Vanishing-Point)。z轴与x-y平面相交的点表示全局时间,越往远处(屏幕里)表示时间增加。这样,变量的时序变化就即时展示在了平行坐标图上。

图1:时间序列消失点图

图1:时间序列消失点图

在图1中,我们首先看到的是两个变量公用一个消失点的情形。为了帮助探索两变量间的时序变化关系,使用者可以在两个变量对应的z轴上滑动一面“墙” (panel),表示变量的局部时间。在这面墙上,对应的数据项的在局部时间的数值会连起来,从而帮助使用者查看这一时刻两个变量的关系。使用者通过沿z轴前后滑动这面“墙”,就能探索两变量关系是如何随时间变化的了,如图2所示。

图2:探索变量间关系随时间的变化

图2:探索变量间关系随时间的变化

同时,作者也允许使用者在“墙”两边的z轴上设置不同的局部时间,这样变量间变化如果存在一些延迟关系,就能够使用者被发现。例如图3中,当左边变量的橙色数据项达到较大值的时候,右边变量正好出现橙色、绿色值的大小关系交换,据此使用者可以推测两者存在一些延迟关系。

图3:探索两变量间变化的延迟的关系

图3:探索两变量间变化的延迟的关系

在这个可视化中,使用者也可以查看多个相邻变量的关系,如图4所示。此时,只有最左和最右的变量会展示时间序列图。使用者同样可以沿z轴前后滑动“墙”来观察多个变量间关系随时间的变化过程。

图4:探索多个变量间的时序变化关系

图4:探索多个变量间的时序变化关系

在时间序列消失点图的基础上,作者设计了一个原型系统,包含了更多的视图来帮助探索数据,如图5所示。在这个原型系统中,作者还提供了时间序列图、直方图、散点图矩阵等多个视图来帮助理解数据。同时,使用者可以很方便的选择数据子集来进行探索。

图5:基于时间序列消失点图的原型系统

图5:基于时间序列消失点图的原型系统

最后,作者在两类数据下应用了这个原型系统,其中一个是汽车冲撞模拟数据,另一个是大坝蓄水过程中各位置位移数据。在汽车冲撞模拟数据中,领域专家表示,通过这个可视化能够一眼看到那些最优的参数设置,同时也能看到那些次优的但也有价值的参数设置。而以往的方法是设计一些目标来评判,十分的不直观,也很模糊。而在大坝蓄水模拟中,领域专家能很直观地看到蓄水过程中,各个位置偏移量与其坐标的关系,能够迅速判断当前模拟是否正确。

总起来看,本文提出的时间序列消失点图,能无缝集成在平行坐标图中,不需要上下文转换。同时能够十分便捷地展示多变量间关系随时间的变化过程,并能发掘变量间的一些延迟变化关系。领域专家也提供了许多正面的反馈与评价。

3 条评论。

  1. 太棒了!写的太好了,太牛x了,能不能来中国移动交流一下,感谢