A visual summary of spatio-temporal events that preserve áreas and neighborhoods in a 2D plot

Abstract

The analysis of time-evolving clusters is an essential task in the study of spatio-temporal data. People often use these clusters to represent events automatically detected in many fields, such as human mobility and disease outbreaks. Performing visual analysis of this data type is challenging for current state-of-the-art techniques due to factors such as spatial span covered by clusters, spatiotemporal intersections, and temporal evolution. All of this makes widely used geographical map-based techniques suffer from overplotting and cluttering, therefore, ineffective for this purpose. Visualization techniques used to analyze results use animation or interactivity to represent the three dimensions, but they show limitations on interpretation. To overcome these limitations, we present Events-Vis, a method for visualizing spatio-temporal clusters event data in a static temporal plot by representing the space in one dimension. We linearize the space using two strategies: a greedy algorithm and a convex optimization. In both cases, our goal is to preserve neighborhoods and intersections. We demonstrate the effectiveness of our method in a series of experiments and a case study using both synthetic and real-world datasets.

A análise de grupos em evolução no tempo é uma tarefa essencial no estudo de dados espaço-temporais. Esses agrupamentos, geralmente detectados automaticamente, são utilizados para representar eventos em muitas áreas, como mobilidade humana e surtos epidemiológicos. A realização de análises visuais desse tipo de dados é um desafio para as técnicas recentes devido a fatores como extensão espacial, interseções espaciais e evolução temporal. Tudo isso faz com que as técnicas baseadas em mapas amplamente utilizadas sofram de excesso de primitivas gráficas e oclusões, portanto, ineficazes para este propósito. Já as técnicas de visualização que usam animação ou interatividade para representar as três dimensões, apresentam limitações de interpretação. Para superar essas limitações, apresentamos Events-Vis, um método para visualizar dados de eventos espaço-temporais em um gráfico temporal estático, representando o espaço em uma dimensão. Linearizamos o espaço usando duas estratégias: um algoritmo guloso e uma otimização convexa. Em ambos os casos, nosso objetivo é preservar vizinhanças e intersecções. Demonstramos a eficácia do nosso método em uma série de experimentos e um estudo de caso usando conjuntos de dados sintéticos e do mundo real.