TU Darmstadt / ULB / tuprints

Visual Analytics of Large Weighted Directed Graphs and Two-Dimensional Time-Dependent Data

Landesberger von Antburg, Tatiana :
Visual Analytics of Large Weighted Directed Graphs and Two-Dimensional Time-Dependent Data.
TU Darmstadt
[Ph.D. Thesis], (2010)

[img]
Preview
PDF
dissfinalENoptimized.pdf
Available under Creative Commons Attribution Non-commercial No Derivatives.

Download (16Mb) | Preview
Item Type: Ph.D. Thesis
Title: Visual Analytics of Large Weighted Directed Graphs and Two-Dimensional Time-Dependent Data
Language: English
Abstract:

Analysts need to effectively assess large amounts of data. Often, their focus is on two types of data: weighted directed graphs and two-dimensional time dependent data. These types of data are commonly examined in various application areas such as transportation, finance, or biology. The key elements in supporting the analysis are systems that seamlessly integrate interactive visualization techniques and data processing. The systems also need to offer the analyst the possibility to flexibly steer the analytical process. In this thesis, we present new techniques providing such flexible integrated combinations with tight user involvement in the analytical process for the two selected data types. We first develop new techniques for visual analysis of weighted directed graphs. 1. We enhance the analysis of entity relationships by integration of algorithmic analysis of connections in interactive visualization. 2. We improve the analysis of graph structure by several ways of motif-based analysis. 3. We introduce interactive visual clustering of graph connected components for gaining overview of the data space. Second, we develop new methods for visual analysis of two-dimensional time dependent data. We thereby combine animation and trajectory-based interactive visualizations with user-driven feature-based data analysis. 1. We extend guidelines for the use of animation by conducting a perception study of motion direction change. 2. We introduce interactive monitoring of a new set of data features in order to analyze the data dynamics. 3. We present visual clustering of trajectories of individual entities using self-organizing maps (SOM) with user control of the clustering process. As a basis for the development of the new approaches, we discuss the methodology of Visual Analytics and its related fields. We thereby extend classification of Information Visualization and Interaction techniques used in Visual Analytics systems. The developed techniques can be used in various application domains such as finance and economics, geography, social science, biology, transportation, or meteorology. In the financial domain, the techniques support analysts in making investment decisions, in assessment of company value, or in analysis of economy structure. We demonstrate our new methods on two real world data sets: shareholder networks and time-varying risk-return data.

Alternative Abstract:
Alternative AbstractLanguage
Die Analyse großer Datenmengen ist in vielen Anwendungsgebieten eine wichtige Aufgabe. Dazu zählen zum einen die Biologie, Pharmazie und Verkehrsplanung als auch Sozial- und Wirtschaftswissenschaften, um nur einige Beispiele zu nennen. Diese Gebiete sind auf eine effektive und schnelle Analyse angewiesen, um zeitnah Entscheidungen treffen zu können. In dieser Arbeit präsentieren wir neue Techniken, die diese flexibel integrierten Kombinationen mit enger Einbeziehung des Nutzers in den analytischen Prozess für zwei ausgewählten Datentypen unterstützen. Für die visuelle Analyse gerichteter, gewichteter Graphen wurden auf den Datentyp und ausgewählte Nutzungsszenarien spezialisierte Techniken entwickelt. Der Beitrag beinhaltet: 1. Verbesserung der Analyse der Beziehung zwischen Graphknoten. Durch die interaktive Integration graphalgoritmischer Analyse- und Visualisierungsmethoden wird eine einfache und effektive Untersuchung der Zusammenhänge gewährleistet. 2. Erweiterung der visuellen, interaktiven Analyse von Graphmotiven, die vordefinierte und interaktiv durch den Benutzer definierte Strukturen untersucht. Auf Basis dieser Motivdaten kann eine hierarchische Aggregation der Daten erfolgen, um verschiedene Abstraktionsebenen zu erzeugen. Weiterhin wird die Motivanalyse zur Auswertung struktureller Graphänderungen (z.B. benutzerdefinierte "was-wäre-wenn-Szenarien) eingeführt. 3. Für Analyse und Vergleich mehrerer Graphen mit einem Schwerpunkt auf der Untersuchung vieler zusammenhängender Graphkomponenten , wird durch eine Technik unterstützt, die die Graphen nach ihrer Ähnlichkeit gruppiert. Eine interaktive, visuelle Analyse bietet einen Überblick des Datenraums. Auf dem Gebiet der visuellen Analyse zweidimensionaler, zeitabhängiger Daten umfasst unser Beitrag die Entwicklung von Techniken zur Kombination von animations- oder trajektorenbasierter Visualisierung mit interaktiver feature-basierter Analyse. In unserer Arbeit stellen wir folgende Beiträge zur visuellen Analyse zweidimensionaler, zeitabhängiger Daten vor: 1. Wirkung von Attributen der Datenanimation auf die menschliche Wahrnehmung haben wir im Rahmen einer Benutzerstudie untersucht. Dadurch konnten wir zum besseren Verständnis und zur Definition von Leitlinien in diesem Zusammenhang beitragen. 2. Um ein signifikantes Verhalten der Punkte und der Gruppen der Punkte über die Zeit feststellen zu können, haben wir eine Reihe von wichtigen Objekteigenschaften definiert, um deren Entwicklung über die Zeit beobachten zu können. Die Auswertung dieser Eigenschaften erlaubt es, interessante Datenänderungen zu identifizieren und detailliert visuell zu explorieren. 3. Des Weiteren haben wir eine interaktive Technik zum visuellen Clustering von Trajektorien vorgestellt. Wir verwendeten zum Clustern der Daten ein neuronales Netz in Form einer Selbst-Organisierenden Karte (SOM) und unterstützen Benutzerkontrolle des Clusteringprozesses. Als Grundlage für die Entwicklung der neuen visuellen Analyseansätze, dienen die Methoden von Visual Analytics und der damit verbundenen Forschungsbereiche. Wir erweitern dabei die Klassifikation der Informationvisualisierungs- und Interaktionstechniken, die in Visual Analytics verwendet werden. Die entwickelten Techniken können in verschiedenen Anwendungsbereichen wie z.B. Finanzen und Wirtschaft, Geographie, Sozialwissenschaften, Biologie, Transport oder Meteorologie angewandt werden. Wir demonstrieren unsere neuen Verfahren an zwei praxisrelevanten Datensätzen aus dem Bereich der Finanzanalyse. Zum Einen, handelt es sich um die Analyse von Beteiligungsstrukturen und zum Anderen, um die Auswertung von zeitabhängigen Risiko-Rendite-Daten.German
Uncontrolled Keywords: visual analytics, visual graph analysis, financial data analysis, movement data, trajectory data, movement data analysis, trajectory data analysis, motif analysis, graph clustering
Alternative keywords:
Alternative keywordsLanguage
visual analytics, visual graph analysis, financial data analysis, movement data, trajectory data, movement data analysis, trajectory data analysis, motif analysis, graph clusteringEnglish
Classification DDC: 000 Allgemeines, Informatik, Informationswissenschaft > 004 Informatik
Divisions: Fachbereich Informatik > Graphisch-Interaktive Systeme
Date Deposited: 20 Jul 2010 08:33
Last Modified: 07 Dec 2012 11:58
URN: urn:nbn:de:tuda-tuprints-22428
License: Creative Commons: Attribution-Noncommercial-No Derivative Works 3.0
Referees: Fellner, Prof. Dr. Dieter W. and van Wijk, Prof. dr. Jarke J.
Refereed: 28 June 2010
URI: http://tuprints.ulb.tu-darmstadt.de/id/eprint/2242
Export:

Actions (login required)

View Item View Item