2022年6月30日晚，拉斯维加斯手机娱乐网站 可视化与可视分析专业委员会组织的第二十期可视化与可视分析国际学术报告成功举行。此次报告特邀Wolfgang Aigner教授担任讲者，进行了题为《TimeViz: Visualization of Time-Oriented Data》的精彩报告。Aigner教授是奥地利圣波尔腾应用科学大学创意\媒体/技术研究所（IC\M/T）的科研主任，以及奥地利维也纳工业大学的兼任教授。他的研究兴趣主要包括可视分析和信息可视化，研究重点集中于面向时间的数据。Aigner教授分别于2006年和2013年获得了维也纳工业大学计算机科学的博士学位和教授资格证。

图 1 Wolfgang Aigner教授

       讲座中，Wolfgang Aigner教授首先介绍了自己的科研背景和自己目前所在的研究机构。之后分享了时间数据的特殊性。时间数据主要包括，健康记录，实时传感器数据，叙事性的文字语料库以及商业交易数据等。用户常常需要从这些数据获取一些见解，了解全貌，发现新知识或辅助决策。Aigner教授认为可视化/可视化分析是帮助用户从数据中提炼知识，从数据中获得启示的工具。

图 2 时间的定义

       Aigner教授目前已发表一本关于时间数据的专著，《Visualization of Time-Oriented Data》(http://www.timeviz.net/)，同时建立了一个时间可视化合集网站 (http://www.timeviz.net/)，方便相关爱好者学者学习以及借鉴。

图 3 《Visualization of Time-Oriented Data》书籍

       随后，Aigner教授给出了为时间数据选择适当的可视化技术的一般框架。该框架包括三个部分：第一步"What“：找出什么是可视化的时间数据，并且发现对应的特征；第二步"Why"：明确为什么要用可视化方法，即确定目标用户与任务；第三步"How"：确定怎样进行可视化，包括使用的可视化技术、交互等。

图 4 为时间数据选择适当的可视化技术的一般框架

       Aigner教授展示了大量时间数据包含的特征，如图4所示。其中他特别提到，时间排列(arrangement)包括线性和循环两种方式。大部分的时间序列都是线性的，例如过去-现在-未来。但也包括循环的形式，因为存在一四季这样的周期性数据。除了原始的时间数据，我们还需要考虑抽象数据：包括时间的颗粒度(granularity)、时间本原(time primitives)以及确定性(determinacy)。讲者强调了时间本原中，时刻、时段以及时间跨度的区别。时刻指的是时间点，是在可视化中最常见的；时段包含一个开始时间和结束时间；时间跨度只包含持续的时长，而不包含开始或结束的时间点。除了时间本身，还有一些与其相关的数据特征，包括：1)定性或定量；2)抽象数据或空间数据；3)单变量数据或者多变量数据。当把时间和数据连接到一起的时候，需要考虑时间是否包含在数据集内(例如有时间戳)。此外，数据集根据是否按照时间变化，可以分为静态数据与动态数据。
       Why：当我们开展项目或提供解决方案的时候，我们需要清楚谁是用户，他们的目标是什么。目标可以包括高层次的任务，例如探索、描述、解释、确认等。也可以是低层次的数据分析任务，例如比较、发现趋势、寻找异常值等。对于不同的目标有不同适合的可视化技术，包括视觉方法、交互方法以及计算方法等。我们希望通过选择合适的方法帮助用户达成他们的目标。
       How：第三步Aigner教授讲解了怎样可视化，以及我们如何为时间数据选择交互技术。时间数据的表示主要有两种方式：1)用动画这种动态的形式将时间数据与真实的时间对应。它往往更容易理解，但缺难以直接对比两个时间点。2)静态的方式会使用其中一个维度表示时间，即将时间编码到空间上。存在一些可视化的变量可以编码时间数据，例如位置、长度、角度、斜率、连接、粗细、透明度等等 (如图5所示)。Aigner教授介绍了一个他们的项目 (browser.timeviz.net)，可以通过输入时间特征、数据特征，找到合适的可视化技术。

图 5 时间数据的不同编码方式

       Aigner教授通过一个最近的可视化研究Netflower (如图6所示)，讲解了以上框架是如何运用的。该项目使用媒体透明度数据集，对公共机构在广告上向不同媒体提供的资金数目进行可视化。整个项目流程是高度以人为本的设计过程。Aigner教授的团队首先从任务分析开始，采访了领域专家，深入了解他们的工作环境和具体需求。然后进行了交互式原型设计，并与参与者共同进行了四次研讨会，将反馈意见用于系统改进。数据包含节点之间的流和公共机构与媒体之间的动态网络关系。按照框架分类，时间数据是线性的，并且是实例的形式。数据是多变量的，包含节点数、流量等。领域专家的需求是对数据集进行探索，希望分析了解资金流向，以验证他们公共机构与媒体之间关系的猜想。考虑到领域专家希望系统易于使用，系统中首选了传统图表作为可视化。除此之外，系统还需要支持简单的数据导入与导出、分析数据来源、数据保护等。所以最终以图6这样的可视化方式呈现。

图 6 Netflower的界面

图 7 SonoVis项目框架

       随后，Aigner教授介绍了当前最新的项目 SoniVis (如图7所示)。SoniVis 旨在结合数据的声音表现形式 (audio representation) 和视觉表现形式 (visual representation)，利用视觉和听觉的双重感知通道来编码数据，从而增强用户对数据的理解和分析能力。基于D3.js，Aigner教授团队在jupyter notebook中创建原型-SoniScope (如图8所示)。界面分为ABC三个部分。在A区域，用户可在界面内自定义数据的映射方式，如坐标轴的映射方式，音调的映射方式，排序时基于的变量等。同时用户可对数据选择框的形状和大小进行自定义的调整。B 区域将数据以点云形式进行可视化，为用户提供数据选择操作的交互界面。C区域展示被选中数据的音频可视化。Aigner教授随后通过对系统的详细展示，向观众生动地诠释了视觉通道的与听觉通道的结合后对数据分析的意义。用户可通过播放选中区域内所有基于数据属性映射而形成的声音集合来比较两块区域的总体数值大小以及分布情况，在这种情况下，听觉通道对视觉通道进行信息补充，增加了用户在单位时间内接收到的信息类别和数量，极大程度上加强了用户对数据的理解能力。之后，Aigner教授介绍了 Audio-visual Analytics Community (https://audio-visual-analytics.github.io/)。

图 8 SoniScope 界面

       在提问环节，Aigner教授和热情的听众进行了交流。Aigner教授提到很难去抉择不同时间可视化方法的优劣。可视化的方式的选择更多的取决于数据分析的目标或者是用户想要解决的问题。动画形式的可视化方法更适合在以叙述性为主的情形下使用，可以很好的引导用户逐步了解数据或故事。对于探索性的任务，比如在用户对数据一无所知或知之甚少时，静态的图表会更适合帮助用户进行比较等探索任务发现新知识，无需用户去记忆上一秒的数据。同时，在展示庞大的时间线数据时，寻找重要信息是十分重要的。同时，Aigner教授指出在沉浸式环境中的时间数据可视化以及探索也是一个十分新颖且尚没有太多研究的领域，他和他的团队正在进行相关工作。他认为在沉浸式这种特殊的环境中，通过用户在空间中的位置来引导时间的变化或支持用户在时间中穿梭，这将会是一个很有趣的点。同时针对如何引导用户在用户参与的工作坊或者实验相关的问题，Aigner教授认为通过具体的例子的引导示范会是一个比较好的选择。
       本次活动由西交利物浦大学智能工程学院支持，由西交利物浦大学智能工程学院计算机系助理教授俞凌云主持。下一期报告将于7月14日19:00-20:30举办，讲者是Takayuki Itoh教授。