随着数据的爆炸式增长，各行各业对数据分析的需求日益增大。但人们往往忽略了一个问题 — 他们正在分析的数据其实只是其数据全集中的一个采样。这样的忽略直接导致的结果就是：人们默认把采样数据当做全集数据进行分析，这样会导致几个问题，即采样的数据只是全集的子集，并不能完全代表全集的特征，这里具有一定的不确定性。尤其是在动态分析的数据集而言，这里的不确定性会增大。现有的可视化方法，例如boxplot盒图，它虽然可以展示出不确定性的分布，但是它仅仅是展示而已，对用户进一步的分析与决策判断的辅助效果并不明显。
动态网络(Dynamic networks)数据与动态图(Dynamic Graph)数据一直以为都比较复杂，随着数据量的不断增大，为动态网络的分析与可视化带来了极大的挑战。
另一方面，动态网络数据常常带有时间信息，而现有的时空高维数据可视化方法都有各种缺点，尤其是当图中节点密集时，现有的方法几乎都会遇到遮挡问题。
二维模型探索动态图数据已有很多种方法，如点边图 (Node-Link Diagram)，邻接矩阵 (Adjacency Matrices) 等，这些方法可以很好地展现图中的节点自身的随时间变化的信息，但是节点以及节点之间关系的演化，在这些方法中比较难展现，尤其是节点个数多时，以及限制于一个视图中。
用三维模型将时空高维数据可视化，增加一个维度可以展现更丰富的信息，但是也会带来更加严重的问题，例如相互遮挡，目标物体选择困难，交互不方便等问题。
本文[1]提出了一个新的交互探索模型，Matrix Cubes，该模型使用3D cube作为视图中枢协调者 (pivot visualization)，管理多个不同角度的切片视图，这些切片视图全是从3D cube中导出的。系统还提供了一系列的交互，例如，刷选 (brushing)，链接 (linking)，和过滤 (filtering)，为深入探索动态图数据提供了有效的方法。
电子产品融入日常生活为我们带来大量便利的同时，也记录下我们周围形形色色的活动和状况：医疗中的电子病例记录、网站上的用户点击和浏览历史记录、“量化生活”（Quantified Self，一个记录个人健康数据的电子产品）、眼动追踪记录或者各式各样的输入设备和软件运行日志等等。分析这些事件序列数据可以帮助数据科学家可以找到我们使用这些产品的潜在规律，比如通过查看移动应用的使用日志，检测到异常发生的情形，并总结用户交互的流程，从而辅助决策者来做出改善，以改善产品以提高市场竞争力。
近期评论