1. 时变数据1.1. 时间是一个非常重要的维度和属性1.2. 随时间变化、带有时间属性的数据称为时变型数据1.2.1. Time-varying Data1.2.2. Temporal Data1.3. 时变型数据的处理方法与顺序型数据Sequential Data有相通之处1.4. 数据类型1.4.1. 数值型1.4.1.1. 数值型数据可看成某种有具体数值的有序型数据1.4.2. 有序型1.4.2.1. 任意两个有序型数据之间都具有某种顺序关系1.4.3. 类别型1.5. 有序型数据分类1.5.1. 以时间轴排列的时间序列数据1.5.1.1. Time-series Data1.5.1.2. Time-varying Data1.5.1.3. 个人摄像机采集的视频序列1.5.1.4. 各种传感器设备获取的监测数据1.5.1.4.1. 在各类传感器网络、移动互联网应用中以流模式Streaming生成的流数据Streaming Data是一类特殊的具有无限长度时间轴的时变型数据1.5.1.5. 股市股票交易数据1.5.1.6. 股市股票交易数据1.5.1.7. 奥运会比赛日程1.5.1.8. 每日高血压药物服用时间1.5.1.9. 在时间序列数据中每个数据实例都可以看作某个事件事件的时间可当成一个变量1.5.2. 不以时间为变量但具有内在的排列顺序的顺序型数据集1.5.2.1. 文本、生物DNA测序和化学质谱等1.5.2.2. 变化顺序可以映射为时间轴进行处理1.5.3. 统称为时变型数据1.5.3.1. 在实际应用中量大、维数多、变量多而且类型丰富分布范围广泛1.6. 历史动力学1.6.1. 人类社会的微观活动和历史事件也构成了一个随时间变化的数据1.6.2. Cliodynamics1.6.3. 通过考察人口数量、社会结构、国家强盛程度和政局稳定性等变量认为人类历史有经验性规律和周期性1.7. 从特征计算的角度看也可采用传统的数据挖掘方法对时变型数据进行信号分解、模式挖掘和特征预测等处理1.7.1. 粒子滤波器1.7.2. 卡尔曼滤波1.7.3. 隐马尔科夫链1.8. 针对大尺度的时变型数据自动的数据挖掘方法往往难以预测蕴藏其中的千变万化的规律1.8.1. 数据挖掘的结果通常带有噪声需要*人工解释和滤波1.8.2. 采用合适的数据可视化方法展现原始数据或分析后的结果可有效地揭示数据中隐藏的特征模式展示与时间相关的变化规律和趋势1.9. 三个维度1.9.1. 表达维度1.9.1.1. 决定如何将时间信息映射到二维平面上1.9.1.2. 可选的映射方式包括线性、径向、表格、螺旋形、随机等1.9.1.3. 决定了时间数据以什么样的形式展现在可视化结果中1.9.1.4. 在表达维度上最常用的是线性映射方式1.9.2. 比例尺维度1.9.2.1. 决定以怎样的比例将时序数据映射到可视化中1.9.2.1.1. 对数比例尺1.9.2.1.2. 线性比例尺1.9.3. 布局维度1.9.3.1. 决定以什么样的布局方式对时序数据进行排布1.10. 可视化方法1.10.1. 采用静态方式展示数据中记录的内容不随时间变化但可采用多视角、数据比较等方法体现数据随时间变化的趋势和规律1.10.2. 采用动画手法动态地展示随着时间变化的感觉和过程因而具有更多的表现空间2. 时间属性的可视化2.1. 如果将时间属性或顺序性当成时间轴变量那么每个数据实例是轴上某个变量值对应的单个事件2.2. 线性时间和周期时间2.2.1. 线性时间假定一个出发点并定义从过去到将来数据元素的线性时域2.2.2. 季节的循环2.2.3. 在一个严格的循环时间域中不同点之间的顺序相对于一个周期是毫无意义的2.2.4. 对于线性时间在表达维度上最常用的就是线性映射方式2.2.5. 对于周期时间则经常使用径向和螺旋形的映射方式2.3. 时间点和时间间隔2.3.1. 离散时间点将时间描述为可与离散的空间欧拉点相对等的抽象概念2.3.2. 单个时间点没有持续的概念2.3.3. 间隔时间表示小规模的线性时间域2.3.4. 数据元素被定义为一个持续段由两个时间点分隔2.3.5. 时间点和时间间隔都被称为*时间基元2.4. 顺序时间、分支时间和多角度时间2.4.1. 顺序时间域考虑那些按先后发生的事情2.4.2. 对于分支时间、多股时间分支展开这有利于描述和比较有选择性的方案如项目规划​2.4.3. 多角度时间可以描述多于一个关于被观察事实的观点2.5. 不同类别的时变型数据需采用不同的可视方法来表达2.6. 时变型数据中的其他属性可以采用不同的可视化通道表达3. 日历时间可视化3.1. 时间属性可以和人类日历对应并分为年、月、周、日、小时等多个等级3.2. 将日期和时间看成两个独立的维度可用第三个维度编码与时间相关的属性4. 分支和多角度时间可视化4.1. 类似于叙事型小说时变型数据中蕴含的信息存在分支结构对同一个事件也可能存在多个角度的刻画4.2. 分为线性、流状、树状、图状等类型4.3. 可视化一般在表达维度上采用线性映射的方式对时间轴进行处理4.4. 线性时间可视化方法允许普通用户在可交互的时间线上构造解释和标注从而表达某个故事情节和事件发展4.5. 流状分支时间主线可视化4.5.1. 基于河流的可视隐喻可展现时序型事件随时间产生流动、合并、分叉和消失的效果这种效果类似于小说和电影中的叙事主线4.5.2. 更符合人类感知和认知的方法是采用静态的流状分支时间线可视化方法在二维平面上展现这个动态过程4.6. 时间属性的动态可视化4.6.1. 尽管基于动画形式的可视化有着一定的局限性也不是时变型数据可视化的主流但在诠释某些动态事物的过程时适当地采用动态可视化方法有助于普通用户以可视的形式了解整个事件过程达到一图胜千言的效果5. 多变量时变型数据可视化5.1. 多变量时变型数据是实际应用中常见的数据集5.2. 对数据进行抽象和重构以便刻画复杂有序数据集的内蕴特征生成紧凑的概述图像方便索引和搜索进而允许用户在交互分析过程中添加其他细节5.3. 数据抽象指通过数据降维、特征选取和数据简化等方法构建增强关键特征而抑制不相关细节的表达获得有序数据流的时间相关或无关的内蕴量或隐含的特征模式5.4. 聚类5.4.1. 指将数据集划分为多个具有某种相似性的子集的操作5.4.2. 聚类过程实际上完成了对数据的抽象因而允许对聚类后的集合进行分析和可视化并在聚类基础上直接处理大尺度数据集5.4.3. 核心是定义恰当的距离或相似性度量而这与具体应用和数据集相关5.5. 特征分析包括特征抽取、语义分析等操作6. 基于线表示的可视化6.1. 高维抽象的时变非空间数据通常蕴含宏观的、结构性的、随时间变化的规律6.2. 第一步高维曲线采样采样的频率由用户交互指定6.3. 第二步将采样后的高维曲线分段便于刻画每段曲线的特性小段之间可以重叠6.3.1. 分段尺寸、重叠程度也由用户交互指定6.4. 第三步用主元分析法将高维曲线投影到二维空间显示和研究曲线特性6.5. 采用静态方法可视化运动场景可用于精简、抽象、描述等目的6.6. 采用动作捕捉Motion Capture设备获取的人体动画序列是高维的时变序列7. 基于图结构的可视化7.1. 基于事件的时变型或顺序型数据可视化的核心是事件演化的组织7.2. 用户根据领域需求和任务描述关注点并基于此从数据中找到与用户关注点实际匹配的事件对事件分类获得不同类型7.3. 根据事件类型的特征描述从输入有序数据中检测事件得到事件实例7.4. 通过可视化方法将检测到的事件整合到可视表达中7.5. 算法将数据中有语义的特定事件抽象为一个层次细节事件图7.6. 以数据的特征作为节点事件关系作为链接对事件图的交互浏览或自动播放以合适的起点和路径形成解释性动画7.7. 叶节点是一个简单的基本事件如速度7.8. 节点的子节点数目与该节点对应的时间区间中的事件复杂度有关8. 时间序列数据的可视化交互8.1. 直接可视化大规模的时变型数据难以呈现其全部细节因此需要设计合适的交互方法表现重要的区域8.2. 常用的一种交互手段是从时变型数据中查询特定的时间序列以便交互地发现特征和趋势