A comparison of static and dynamic visualizations for time-oriented data

Abstract

Visualisierungtechniken für zeit-orientierte Daten können in zwei Kategorien eingeteilt werden:<br />dynamische und statische Visualisierungen. Dynamische Visualisierungen bilden die Zeit direkt als Zeit ab und präsentieren die Daten der verschiedenen Zeitpunkte oder -intervalle nacheinander.<br />Das heißt, die Visualisierung verändert sich über die Zeit. Im Vergleich dazu wird in statischen Visualisierungen der Faktor Zeit explizit im Raum dargestellt (z.B. ein Liniendiagramm, bei dem die Zeit auf die X-Achse projiziert wird). Statische Visualisierungen können weiters danach differenziert werden, ob nur einzelne Zustände oder auch eine Entwicklung z.B. durch Pfeile oder Linien dargestellt wird.<br />Das Ziel dieser Diplomarbeit war der empirische Vergleich zwischen einer dynamischen und zwei statischen Visualisierungen, mit denen die Möglichkeit besteht, das Verhältnis von zwei Variablen zueinander und deren Entwicklung über die Zeit zu analysieren.<br />Die dynamische Visualisierung zeigt die Entwicklung der Daten in einem animierten Punktdiagramm. In den beiden statischen Visualisierungen ("Small Multiples" und "Trace View") werden die Zeitintervalle und die in den Zeitintervallen aufgenommenen Daten in kleinen, nebeneinander liegenden Bildern dargestellt. In der "Trace View" werden zusätzlich zusammengehörige Datenpunkte eines Objekts durch Linien miteinander verbunden. Diese Verbindung wird über alle Bilder der einzelnen Zeitintervalle fortgeführt. Dadurch wird die zeitliche Entwicklung der Parameterwerte explizit visualisiert. Um den Vergleich durchführen zu können wurde der Prototyp TimeRider um die "Small Multiple" Visualisierung erweitert mit der Möglichkeit zur Aktivierung der Linien-Darstellung für die "Trace View".<br />Die quantitative Evaluierung bestand aus einer über das Internet durchgeführten Studie, bei der jeder der 29 Teilnehmer verschiedene Aufgaben mit allen Visualisierungen lösen musste. Die Aufgaben deckten dabei drei Gebiete ab: die Untersuchung von Trends, die Identifikation und Analyse von Ausreißern sowie die Identifikation von Daten-Clustern und deren Entwicklungen.<br />Die Analyse der Erfolgsraten und der Antwortzeiten der Fragen zeigte, dass die drei Visualisierungen bei Ausreißer- und Cluster-Aufgaben ungefähr die gleichen Ergebnisse erzielten. Bei Datenbewegungen innerhalb von Clustern und kleineren Änderungen in den Daten lieferte die Animation signifikant bessere Erfolgsraten als die beiden anderen Visualisierungen. Auch bei der Analyse von einzelnen Datenpunkten und Vergleichen zwischen solchen ergab die statistische Auswertung, dass die Teilnehmer mit der dynamischen Visualisierung schneller und öfter korrekt antworteten. Es konnte allerdings eine Datensatz-Abhängigkeit bei allen Hypothesen festgestellt werden, die dazu führte, dass die Ergebnisse getrennt nach Datensatz ausgewertet werden mussten, wodurch die Signifikanz der Ergebnisse eingeschränkt wird. Insgesamt deuten die Ergebnisse aber darauf hin, dass Animation besser oder zumindest gleich gut wie die beiden statischen Visualisierungen für die Analyse von zeit-orientierten Daten ist.<br />

Visualization techniques for time-oriented data can be divided into two main categories: dynamic and static visualizations. Dynamic visualizations map the time directly to the time and present the data of different time-points or -intervals successively.<br />This means the visualization changes its appearance over time. Compared to that, in static visualizations the factor time is mapped to space (e.g. a line chart where the time is projected to the x-axis). Static visualizations can be further differentiated in diagrams which present only states or diagrams also visualizing the development by e.g. some kind of arrows or lines.<br />The aim of this thesis was an empirical comparison between a dynamic and two static visualizations which are suitable for analyzing relationships of two variables and their development over time. The chosen dynamic visualization presents the development of the data with an animated scatter plot. Within the static visualizations ("Small Multiples" and "Trace view") the time intervals and the data recorded in those time intervals are displayed in small pictures arranged side by side. Additionally data points belonging to an object are connected by lines in the "Trace view". Those connections between the data points are continued over all small pictures and therefore visualize the whole development of the parameters explicitly.<br />To make the comparison possible it was necessary to extend the prototype TimeRider by the "Small Multiple" visualization with the possibility to activate the traces resulting in the previously described "Trace view".<br />The quantitative study was carried out over the internet, where each of the 29 participants had to solve tasks with all visualizations. The tasks covered three topics:<br />the examination of trends, the identification and analysis of outliers as well as the identification of clusters and their development over time. The analysis of the results showed that all visualizations caused similar success rates and completion times for tasks concerning outliers and clusters. Regarding data movements within clusters and small changes in the data the animation outperformed the other visualizations significantly in correctness. The results also showed that participants solved tasks concerning the analysis of specific data points and the comparison between them significantly faster and with higher success rates with the dynamic visualization.<br />However for nearly every hypothesis the results were dataset-dependent and had to be analyzed split by dataset which reduces the significance of the statistical results. But allover the results indicate that animation is better or at least equal to the two static visualizations for the analysis of time-oriented data.