REPOZITORIJ > REZULTATI

Povzetek

V tem doktorskem delu obravnavamo pristop preiskovanja ter interaktivne vizualizacije
večdimenzionalnih časovnih vrst. V takšnih podatkih so zanimivi vzorci pogosto periodični
in se pojavijo zaradi interakcije med spremenljivkami.
Takšne vzorce razkrijemo tako, da podatke povzamemo s konceptualnimi stanji, časovno
dinamiko pa s prehodi med njimi. Stanja so abstrakcije, ki povzamejo meritve v
določeni regiji prostora, prehodi pa povzamejo pot, ki jo podatki naredijo v času zbiranja.
S takšno predstavitvijo lahko povzamemo velike količine podatkov, tudi več milijard
meritev.
Predstavitev razširimo na več prostorskih granularnosti ter s tem omogočimo interaktivno
preiskovanje na več stopnjah natančnosti. Granularnost prostora poudari nekatere
vzorce, druge pa skrije. Posledično predstavimo večgranularno predstavitev, v kateri podrobni
vzorci nastajajo iz posameznih grobih elementov ali pa z interakcijo njihovih delov.
Nadalje predstavimo interaktivno spletno vizualizacijo, poimenovano StreamStory. Poleg
abstraktne predstavitve StreamStory nudi še statistična orodja ter orodja strojnega učenja
in podatkovnega rudarjenja, ki pomagajo pri interpretaciji predstavitve, in sicer tako
da abstraktne elemente preslikajo nazaj v domenske koncepte. StreamStory je narejen za
laične uporabnike, ki niso specializirani za analizo podatkov, zato je obseg konfiguracije,
potrebne za gradnjo in prikaz modela, majhen.
Delo temelji na treh hipotezah. Te so: (i) z združitvijo tehnik strojnega učenja, podatkovnega
rudarjenja in statistike v orodje za abstrakcijo in prikaz podatkov lahko prikažemo
njihove dolgoročne lastnosti ter ponavljajoče vzorce, poleg tega po omilimo nered,
ki nastane pri prikazu večjih količin podatkov, (ii) dolgoročni in ponavljajoči se vzorci se
lahko prikažejo na različnih prostorskih granularnostih, zaznamo jih lahko z interaktivno
menjavo stopnje natančnosti, in (iii) vizualne abstrakcije, ki prikazujejo strukturo in dinamiko
podatkov, lahko preslikamo nazaj v domenske koncepte ter interpretiramo s pomočjo
kvantitativnih orodji.
Hipoteze potrdimo na štirih praktičnih primerih. Z razlago vsakega od njih pokažemo,
kako se abstrakcije preslikajo v domenske koncepte. Na primeru vremenskih in prometnih
podatkov prikažemo, kako lahko s StreamStory odkrijemo in interpretiramo dolgoročno
obnašanje podatkov. S podatki o vetru pokažemo, kako lahko z menjavo prostorske granularnosti
odkrijemo strukture v podatkih, na primeru lokacijskih podatkov pa pokažemo tri
vzorce, ki se tipično pojavijo pri analizi podatkov s StreamStory. V podatkih razkrijemo
precej znanih kakor tudi neznanih vzorcev, ki jih ustrezno interpretiramo.